반복 업무, AI 에이전트에게 맡겨도 될까?기차 같은 자동화와 자율주행 같은 에이전트, 내일 바로 해 보는 실험 4가지

01반복 업무에 하루 몇 분을 쓰고 있을까?

한국은행이 2026년 6월 내놓은 분석에 따르면, AI를 쓰면 업무시간이 평균 3.8%, 주당 약 1.5시간 줄었다.^[1][2] 그런데 같은 분석에서 업무시간 절감률과 업무처리량 증가율의 상관계수는 0이었다. 시간을 아꼈다고 그만큼 일을 더 해낸 건 아니라는 뜻이다. 결국 중요한 건 무엇을 맡기고, 아낀 시간을 어떻게 쓰느냐다.

현장에서는 더 극적인 장면도 나온다. 배달의민족 운영사 우아한형제들에서는 한 디자이너가 피그마 플러그인을 직접 만들어, 1시간 걸리던 파일 1,300개 이름 바꾸기를 3분 만에 끝냈다.^[3] LG유플러스는 2025년 5월 마케터들로 ‘AX특공대’를 꾸리고, 생성형 AI로 광고 제작비를 기존의 5% 수준까지 낮추겠다는 목표를 내걸었다.^[4]

내 하루는 어떨까? 아래 막대를 움직여 반복 업무에 쓰는 시간을 넣어 보자. 생각보다 큰 숫자에 깜짝 놀랄지도 모른다.

02기차, AI 정거장, 자율주행차: 자동화와 에이전트는 어떻게 다를까

셋 다 ‘사람 대신 일한다’는 점은 같다. 그래서 자주 헷갈린다. 하지만 일하는 방식은 꽤 다르다.

규칙 자동화는 선로 위를 달리는 기차다. ‘이런 일이 생기면 저렇게 하라’는 규칙대로 정확하게 움직인다. 메일에 특정 라벨이 붙으면 첨부파일을 구글 드라이브에 저장하고, 고객이 입력 양식을 제출하면 슬랙에 알림을 보내는 식이다. 빠르고 싸고 결과를 예측하기 쉽다. 입력값 검사나 재시도처럼 미리 정해 둔 예외도 처리할 수 있다. Make 같은 도구에는 오류가 나면 다시 시도하거나 건너뛰는 장치가 따로 있다.^[5] 다만 아무도 예상 못 한 돌멩이가 선로에 떨어지면? 기차는 스스로 새 길을 만들지 못한다.

AI 워크플로는 이 기차 노선 중간에 AI 정거장을 하나 둔 모양이다. 메일이 오면 규칙 자동화가 기차를 출발시킨다. AI 정거장에서 메일을 읽고 분류하거나 초안을 쓴 뒤, 정해진 조건에 따라 다음 역으로 보낸다. 정거장에서 AI가 머리를 쓰긴 해도, 노선은 사람이 미리 깔아 둔 그대로다.

AI 에이전트는 목적지만 알려 주면 길을 고르는 자율주행차에 가깝다. 대규모 언어 모델(LLM)이 상황을 읽고, 어떤 정보를 조회할지, 어떤 도구를 쓸지, 다음에 무엇을 할지까지 스스로 정한다. 구글 클라우드는 AI 에이전트를 ‘AI를 이용해 사용자를 대신해 목표를 추구하고 작업을 완수하는 소프트웨어 시스템’이라고 설명한다.^[6] 오픈AI의 정의는 더 짧다. ‘사용자를 대신해 독립적으로 작업을 완수하는 시스템’.^[7]

AI 회사 앤스로픽(Anthropic)은 이 차이를 깔끔하게 정리했다. 워크플로는 ‘LLM과 도구가 미리 정해 둔 코드 경로를 따라 움직이는 시스템’이고, 에이전트는 ‘LLM이 스스로 과정과 도구 사용을 정하며, 일을 해내는 방식을 직접 통제하는 시스템’이다.^[8] 오픈AI도 같은 선을 긋는다. LLM을 쓰더라도 일의 흐름을 LLM이 이끌지 않는 단순 챗봇이나 감정 분류기는 에이전트가 아니라고 설명한다.^[7]

그러니까 AI가 메일을 분류한다고 바로 에이전트가 되는 건 아니다. AI가 조회할 정보와 쓸 도구, 다음 행동까지 고르도록 만들어야 에이전트에 가까워진다. 앤스로픽은 가장 단순한 방법부터 쓰고, 꼭 필요할 때만 복잡하게 만들라고 권한다.^[8]

정답이 생각보다 가운데로 많이 몰렸을 것이다. 실제로 입문자의 첫 실험은 대부분 AI 워크플로다. 노선이 정해져 있어 결과를 예측하기 쉽고, 비용도 덜 든다. 이 글의 실험 4개도 모두 이 모양이다. 진짜 에이전트는 바로 다음 절에서 먼저 만나 보자. 1042번 고객의 사건을 직접 맡겨 볼 참이다.

03에이전트 해부도: 눈, 두뇌, 수첩, 손, 나침반

에이전트가 ‘똑똑한 인턴’처럼 일할 수 있는 건 다섯 가지 요소가 맞물려 돌아가기 때문이다. 부품마다 무슨 일을 하는지 알면, 무엇을 맡겨도 될지도 보인다. 그림 속 부품을 하나씩 눌러 보자.

이제 진짜 사건 하나를 맡겨 보자. 사건 파일 #10421042번 주문 고객이 ‘결제가 두 번 됐어요’라는 메일을 보냈다. 에이전트는 생각하고, 도구를 쓰고, 결과를 확인하기를 되풀이한다. 그러다 목표를 이루거나 미리 정해 둔 중단 조건에 닿으면 멈춘다. 도구에서 오류가 나면 다른 방법을 찾는다. 다음 단계를 눌러 사건 일지를 한 줄씩 넘겨 보자.

눈여겨볼 장면은 세 군데다. 무엇을 조회할지 에이전트가 스스로 골랐고, 도구가 실패하자 다시 시도했고, 돈이 나가는 환불은 직접 처리하지 않고 사람에게 넘겼다. 좋은 에이전트는 하지 말아야 할 일도 안다. 정확히 말하면, 알도록 우리가 설계해 줘야 한다. 1042번 고객에게 갈 답장 초안은 5절에서 빨간 펜 검사를 받는다.

04노코드 자동화 도구 3총사: Zapier, Make, n8n

코딩을 몰라도 블록을 끌어다 놓듯 자동화를 만드는 ‘노코드’ 도구가 여럿 있다. 초보자가 가장 많이 만나는 세 가지를 비교해 보자. 가격은 2026년 10월 9일 각 사 요금 페이지 기준이다. 무료로 어디까지 되는지는 도구마다 꽤 다르다.

05실험 1: 메일함을 정리해 주는 AI 비서

가장 먼저 해 볼 만한 실험이다. 사건 파일 #10423절의 에이전트는 무엇을 조회할지 스스로 골랐다. 이번 실험은 그보다 단순한 AI 워크플로다. 메일이 오면 AI가 읽고, 중요도를 매기고, 답장 초안까지 써 둔다. 그래도 순서는 사람이 정한 그대로다. 첫 실험으로는 이쪽이 싸고 안전하다.

시작하기 전에 순서 하나만 기억하자. 챗GPT 창을 열자마자 “이거 해 줘”부터 외치면 결과가 들쑥날쑥하다. 좋은 자동화 실험은 모으기(포착) → AI로 정리하기 → 초안 만들기 → 사람이 결정하기 순서를 따른다.

Zapier로 만든다면 이렇게 된다. ① 트리거로 ‘Gmail에 새 메일이 오면’을 고른다. 처음에는 특정 라벨이나 보낸 사람으로 범위를 좁혀 두자. ② 다음 단계에 ChatGPT(OpenAI) 같은 AI 단계를 넣고 아래 같은 프롬프트를 쓴다. ③ Paths(갈림길)로 AI가 매긴 우선순위에 따라 흐름을 나눈다. 단계가 셋 이상이라 Zapier 무료 요금제(2단계 Zap)로는 만들 수 없다. 새 계정이라면 Professional 14일 체험 기간에 시험해 보면 된다.^[9]

왜 굳이 JSON일까? 사람이 읽기 좋은 문장으로 받으면 다음 단계가 ‘우선순위’만 쏙 뽑아 가기 어렵다. 항목과 형식이 정해진 데이터로 받아야 갈림길이 “priority가 High면 이쪽”처럼 정확하게 움직인다. 다만 JSON은 값을 꺼내 쓰기 좋은 그릇일 뿐이다. 그릇이 반듯하다고 안에 담긴 내용까지 맞는 건 아니다. 오픈AI도 형식을 강제하는 구조화된 출력에조차 실수가 섞일 수 있다고 적어 두었다.^[16] 필요한 항목이 다 있는지, 값이 말이 되는지는 따로 확인하자. 역할(누구로서), 맥락(무슨 상황), 목표(무엇을 어떤 형식으로)를 분명히 적는 것이 좋은 프롬프트의 기본이다.

이제 받은편지함을 처음부터 훑을 필요가 없다. 슬랙에 도착한 중요 메일 요약과 초안만 보고, 고쳐서 보내면 된다. 처음 2주 정도는 AI의 분류가 맞는지 눈으로 확인하자. 자주 틀리는 유형이 보이면 프롬프트에 예시를 한두 개 넣어 주자. 그것만으로도 나아진다. 위의 5번 규칙처럼 ‘하지 말 것’을 적어 두는 것도 잘 통한다.

06실험 2: 금요일 오후의 주간 보고서, 초안은 자동으로

금요일 오후, 한 주의 기억을 쥐어짜며 보고서를 쓰는 시간. 이것도 줄일 수 있다. 평소에 끝낸 일을 구글 시트나 폼에 한 줄씩만 적어 두면 된다. 나머지는 이렇게 굴러간다.

Zapier라면 이렇게 짠다. ① 시트에 업무 날짜와 ‘주 시작일'(그 주 월요일 날짜) 열을 만들어 둔다. ② ‘예약(Schedule by Zapier)’ 트리거로 매주 금요일 오후 4시에 돌도록 정한다. 시간대는 실제로 일하는 지역에 맞춘다. ③ 구글 시트의 ‘Lookup Spreadsheet Rows (Advanced)’ 단계로 ‘주 시작일’이 이번 주 월요일인 행을 찾는다. 이 단계는 한 번에 최대 500행까지 가져온다.^[17] ④ AI 단계에 “가장 중요한 성과 3가지, 지연되거나 위험한 일, 다음 주 계획을 비즈니스 문체로 정리해 줘”라고 시킨다. 결과는 슬랙 채널로 보내거나 노션에 초안으로 저장한다.

빈 화면 앞에서 첫 문장을 붙잡고 끙끙대는 ‘백지 공포’와도 작별이다. 사람은 초안을 검토하고 내 판단을 보태기만 하면 된다. 단, 시트에 적지 않은 일은 보고서에도 안 나온다. 재료가 좋아야 요리가 맛있다.

07실험 3: 청구서는 AI가 읽고, 사람이 승인한다

돈이 걸린 일을 AI 혼자 끝내게 두면 안 된다. 청구서 PDF에서 회사명, 금액, 납부 기한을 뽑는 건 AI에게 맡기되, 회계 시스템에 넣기 직전에 사람이 확인하는 단계를 끼워 넣자. 이렇게 사람을 고리 안에 넣는 방식을 ‘휴먼 인 더 루프(Human-in-the-Loop)’라고 부른다.

도구도 이미 준비돼 있다. Zapier의 Human in the Loop 도구는 Zap을 잠시 멈추고 지정한 사람에게 승인이나 수정을 요청한다. 유료 기능이고, 검토자도 Zapier 계정이 있어야 한다. 게다가 Professional 요금제에서는 승인 요청을 나 자신에게만 보낼 수 있다. 동료에게 승인을 받으려면 Team 이상 요금제가 필요하다.^[10] n8n은 AI 에이전트가 특정 도구를 쓰기 전에 슬랙이나 메일로 승인을 받도록 설정할 수 있다.^[14] 이제 직접 승인 담당자가 되어 보자.

숫자 한 자리를 잘못 읽는 실수는 사람에게도, AI에게도 일어난다. 원본과 한 번 대조하는 이 단계가, 금액이 열 배나 틀리게 들어가는 사고를 막는다. 1042번 고객의 환불도 마찬가지다. 담당자가 결제 내역과 대조한 뒤에야 돈이 나간다.

08실험 4: 고객 리뷰, 화난 손님부터 챙기기

리뷰나 설문 답변이 들어오면 AI가 감정을 분류한다. 부정 리뷰는 곧바로 담당자에게 알리고, 긍정 리뷰에는 감사 메일 초안을 준비한다. 여기서 기존 규칙 자동화와 AI의 차이가 또렷하게 드러난다. 두 버튼을 차례로 눌러 보자.

‘빠르다’, ‘최악’ 같은 단어만 보는 규칙은 반어나 반전을 놓친다. AI는 문장 전체의 맥락을 읽기 때문에 이런 리뷰를 더 잘 가려낸다. 반대로 매번 같은 형식으로 들어오는 별점 숫자라면 규칙만으로도 충분하다. 도구는 일에 맞게 고르자.

09사람은 어디에 끼어야 할까?

AI 에이전트는 완벽하지 않다. 더 곤란한 건 겉으로는 멀쩡해 보이는 실수다. 예를 들면 이런 것들이다.

그렇다고 단계마다 사람이 승인하면 자동화한 보람이 없다. 반대로 아무것도 확인하지 않으면 사고가 난다. 해법은 일이 얼마나 위험한지, 얼마나 되돌리기 어려운지에 따라 사람이 끼어드는 수준을 다르게 정하는 것이다. 막대를 움직여 보자.

이렇게 나눠 두면 AI의 속도는 살리면서, 최종 책임과 윤리적 판단은 사람이 쥐고 갈 수 있다.

10비개발자를 위한 안전 수칙 3가지

누구나 자동화를 만들 수 있게 됐다는 건, 누구나 정보 유출 사고를 낼 수 있다는 뜻이기도 하다. 코드를 직접 짜지 않더라도 이것만은 지키자.

11MCP: AI 세계의 USB-C더 궁금하다면

예전에는 AI가 슬랙, 깃허브, 사내 데이터베이스를 쓰려면 시스템마다 전용 연결 코드를 따로 짜야 했다. 휴대폰 회사마다 충전기 모양이 달라 서랍에 케이블이 쌓여 가던 시절을 떠올리면 된다. 앤스로픽이 2024년 11월 공개한 MCP(Model Context Protocol)는 이 문제를 풀려는 개방형 표준이다.^[21] 공식 문서는 MCP를 ‘AI 애플리케이션을 위한 USB-C 포트’에 비유한다.^[22]

구조는 간단하다. Claude Desktop이나 Cursor 같은 AI 앱(호스트)이 MCP 클라이언트를 거쳐, 도구나 데이터를 내놓는 MCP 서버에 접속한다. 서버가 내놓는 것은 크게 세 가지다. 읽을거리(리소스), 실행할 기능(도구), 미리 만든 지시문(프롬프트). 주고받는 메시지는 JSON-RPC 2.0이라는 약속을 따른다.^[23]

도구를 만드는 쪽은 MCP 서버를 한 번만 만들면 여러 AI 앱에서 두루 쓸 수 있다. 쓰는 쪽은 설정 몇 번으로 회사 도구를 AI에 붙일 수 있다. 단, 연결이 쉬워진 만큼 어떤 서버에 어떤 권한을 줄지는 더 꼼꼼히 따져야 한다. MCP 서버로 보낸 데이터는 그 서버를 운영하는 쪽의 보관 정책을 따른다.^[19] 10절의 안전 수칙이 여기서도 그대로 통한다.

12브라우저 에이전트: 웹사이트를 직접 조작하는 AI더 궁금하다면

자동화를 만들다 보면 언젠가 벽에 부딪힌다. 연결하려는 사이트에 API(프로그램끼리 대화하는 창구)가 아예 없는 경우다. 오래된 사내 포털이나 거래처 사이트가 흔히 그렇다. 이럴 때 나서는 게 브라우저 에이전트다. AI가 화면 이미지나 페이지 구조 정보를 읽고, 어디를 누르고 무엇을 입력할지 정하면서 웹사이트를 돌아다닌다.

고정된 지도를 따라가는 웹 스크래퍼와 달리, 화면 배치가 조금 바뀌어도 다시 길을 찾는다. 다만 화면을 파악하는 방식은 도구마다 다르다. 오픈소스 Browser Use, 브라우저베이스(Browserbase)의 Stagehand 같은 도구가 대표적이고, 마이크로소프트의 Playwright MCP는 스크린샷 대신 ‘접근성 트리’라는 페이지 구조 정보를 주로 읽는다. 사진을 보며 길을 찾는 대신 건물 안내도를 읽고 찾아가는 식이다. 그래서 시각 모델 없이도 버튼과 입력창을 찾아낸다.^[24][25][26] 오픈AI가 2025년 1월 선보인 Operator는 같은 해 7월 ‘ChatGPT 에이전트’에 합쳐졌다.^[27]

한계도 뚜렷하다. 보안 문자(CAPTCHA), 이중 인증, 자동화 차단 장치 앞에서는 발이 묶이기 쉽다. 그래서 지금은 경쟁사 가격 모으기, 오래된 포털에 같은 양식 입력하기처럼 범위가 좁고 반복되는 일에, 사람의 확인을 곁들여 쓰는 게 현실적이다. 브라우저 안에서 일하는 AI가 더 궁금하다면 AI 브라우저 정리 글도 함께 읽어 보자.

13실행자에서 조율자로

AI 에이전트를 들인다고 일이 사라지지는 않는다. 일의 모양이 바뀔 뿐이다. 손으로 하나하나 처리하던 실행자에서, 여러 AI와 자동화를 지휘하고 결과물의 품질을 책임지는 조율자이자 편집자로.

처음부터 회사 전체를 자동화하려 들면 실패하기 쉽다. 대신 매일 30분씩 잡아먹지만 머리 쓸 일은 거의 없는 반복 업무 하나를 골라 보자. 그 일을 규칙 자동화로 돌릴지, AI 정거장을 넣을지, 에이전트에게 맡길지, 어디서 사람이 승인할지 정하고 작은 실험부터 시작하면 된다.

사건 파일 #1042 종결참, 1042번 고객은 어떻게 됐을까? AI는 결제 내역을 조회하고, 빨간 펜을 거친 답장 초안을 썼다. 환불은 담당자가 결제 내역과 대조한 뒤 승인했다. AI 혼자 다 한 것도, 사람이 다 한 것도 아니다. 지금 AI에게 일을 맡기는 가장 현실적인 모습이 딱 이렇다.

그리고 한국은행 분석에서 봤듯, 시간을 아낀다고 처리량이 저절로 늘지는 않는다. 아낀 시간을 어디에 쓸지까지 정해야 진짜 이득이다. AI가 초안을 잡고, 사람이 판단을 더하고, 자동화가 그 사이를 이어 줄 때 에이전트는 내 자리를 넘보는 대체재가 아니라 든든한 디지털 동료가 된다. AI가 실제로 금지선을 넘은 사례가 궁금하다면 AI 에이전트 통제 사고 정리도 함께 읽어 보자.

읽고 나면 생기는 질문 5가지

AI 에이전트와 챗봇, AI 워크플로는 뭐가 다를까?

챗봇은 묻는 말에 답한다. AI 워크플로는 사람이 정한 순서 안에서 AI가 분류나 초안 같은 일부 판단을 맡는다. 에이전트는 목표를 받으면 어떤 정보를 조회하고 어떤 도구를 쓸지, 다음에 무엇을 할지까지 스스로 정하며 여러 단계를 밟아 간다. 요즘은 챗봇에 에이전트 기능이 붙는 일이 많아 경계가 점점 흐려지는 중이다.

코딩을 전혀 몰라도 시작할 수 있을까?

그렇다. Zapier나 Make는 화면에서 블록을 이어 붙이는 방식이다. 다만 무료로 되는 범위가 다르다. Zapier 무료 요금제는 월 100 작업에 2단계 Zap까지라, AI 분류 뒤 갈림길로 보내는 흐름은 유료 요금제(새 계정은 14일 체험 가능)가 필요하다. Make 무료 요금제는 월 1,000 크레딧 안에서 여러 단계를 실험할 수 있다. 사람 승인 단계 같은 일부 기능은 유료다.

무엇부터 맡기면 좋을까?

매일 반복되고, 틀려도 쉽게 되돌릴 수 있는 일부터다. 메일 분류, 회의록 요약, 주간 보고서 초안 같은 일이다. 돈이 나가거나 회사 밖으로 무언가 보내는 일은 사람의 승인을 받은 뒤 실행한다.

AI가 틀리면 책임은 누가 질까?

결국 그 결과를 쓰는 사람과 회사다. 그래서 위험한 단계에는 사람의 승인을 넣고, 누가 무엇을 승인했는지 기록을 남긴다.

회사 데이터를 AI 도구에 넣어도 괜찮을까?

도구와 요금제마다 다르다. 입력한 데이터가 학습에 쓰이는지, 얼마나 보관되는지 따로 확인하고, 개인정보는 가리고, 권한은 꼭 필요한 만큼만 준다. n8n을 직접 설치하면 자동화가 돌아가는 환경은 회사 안에서 관리할 수 있다. 다만 외부 AI API를 붙이면, 처리할 데이터는 그 서비스로 넘어간다. 회사 안에서만 처리해야 한다면 AI 모델이 어디서 돌아가는지까지 확인하자.