Part 3. Agent 시대의 워크플로우 설계

퇴근 시간을 앞당기는 사람은 손이 빠른 사람이 아니라, 일을 잘 맡기는 사람이다. 예전의 ChatGPT 활용법이 '질문을 잘하는 법'에 가까웠다면, 지금의 활용법은 점점 '업무를 통째로 위임하는 법'으로 이동하고 있다. 핵심은 단순히 답을 잘 받는 것이 아니라, 목표를 주고, 필요한 자료를 붙이고, 중간 기준을 세우고, 끝까지 결과물을 완성하게 만드는 것이다.¹²

이 변화는 생각보다 크다. 예전에는 사용자가 직접 검색하고, 파일을 올리고, 요약을 시키고, 다시 수정하고, 회의록을 정리하고, 후속 메일까지 따로 써야 했다. 지금은 ChatGPT에게 "내일 고객 미팅 준비를 끝내줘. 지난 제안서와 회의록을 참고하고, 최근 공개 정보까지 반영해서 1페이지 브리프를 만들고, 회의 후 액션 아이템도 정리해줘"라고 말하는 쪽이 더 자연스럽다. 즉, 버튼을 누르는 사람이 아니라, 일을 설계하고 맡기는 사람이 되는 것이다.

이 장에서는 그 전환을 다룬다. 에이전트가 무엇인지, 왜 생산성을 끌어올리는지, 그리고 Projects·File Library·리서치·회의 기록·연결 기능을 어떻게 하나의 흐름으로 묶어 실무에서 쓰는지를 살펴본다.

에이전트란 무엇인가

에이전트는 쉽게 말해, "한 번 말하면 여러 단계를 밟아 끝까지 가는 AI 작업 방식"이다. 일반적인 챗봇 사용이 질문 하나에 답 하나를 받는 구조라면, 에이전트형 사용은 목표를 받고 계획을 세우고, 필요한 도구를 쓰고, 중간 결과를 점검하면서 최종 결과물까지 끌고 간다.¹³

예를 들어 일반적인 챗봇 사용은 이런 식이다. "시장 조사해줘." 그러면 요약이 나온다. 그다음 "경쟁사 표로 정리해줘." 또 한 번 묻는다. "이걸 발표용으로 바꿔줘." 다시 묻는다. "메일 초안도 써줘." 또 묻는다. 한 단계씩 사람이 손으로 이어붙여야 한다.

반면 에이전트 방식은 다르다. 처음부터 "국내 B2B 협업툴 시장을 조사하고, 주요 경쟁사 5곳 비교표를 만들고, 우리 제품 포지셔닝 초안과 대표 보고용 요약 메일까지 작성해줘. 필요한 경우 웹 검색과 업로드 파일을 참고하고, 근거가 약한 부분은 표시해줘"라고 맡긴다. 그러면 AI는 단일 답변기가 아니라 작은 프로젝트 매니저처럼 움직인다.

이 차이는 단순히 편리함의 문제가 아니다. 사고방식 자체가 바뀐다. 질문 중심 사고는 '내가 단계별로 지시해야 한다'는 전제를 깔고 있다. 위임 중심 사고는 '내가 목표와 기준을 주면, 실행은 AI가 담당한다'는 전제를 깐다. 생산성이 급상승하는 순간은 바로 이 전제가 바뀌는 지점이다.

왜 지금 에이전트가 게임체인저인가

에이전트가 중요한 이유는 세 가지다.

• 첫째, 일이 한 번에 끝날 확률이 올라간다.

• 둘째, 사람이 해야 할 전환 비용이 줄어든다.

• 셋째, 결과물이 점점 자산처럼 쌓인다.

첫째부터 보자. 좋은 결과물은 보통 한 번에 나오지 않는다. 인간도 글을 쓸 때 개요를 잡고, 자료를 찾고, 초안을 쓰고, 다시 읽고, 고친다. 에이전트형 사용은 이 흐름을 한 대화 안에서 더 자연스럽게 연결한다. 계획, 도구 사용, 자기 점검, 수정이라는 흐름이 들어가면 단발성 응답보다 품질이 올라가는 이유가 여기에 있다.¹

둘째, 전환 비용이 줄어든다. 직장인의 하루는 생각보다 '작은 전환'에 많이 새고 있다. 브라우저 탭을 바꾸고, 메일함을 열고, 폴더를 뒤지고, 회의록을 정리하고, 다시 보고서로 돌아온다. 이 작업들은 하나하나 보면 작지만, 모이면 퇴근 시간을 밀어낸다. 에이전트형 흐름은 검색과 요약, 초안 작성과 정리, 후속 액션 정리까지를 한 흐름으로 이어 주기 때문에 이 연결 노동을 크게 줄인다.

셋째, 결과물이 자산화된다. 예전의 ChatGPT는 대화가 끝나면 일이 끝나는 느낌이었다. 하지만 지금의 ChatGPT는 Projects, Memory, File Library 같은 기능을 중심으로 작업 공간에 가까워지고 있다.²⁴ 한 번 만든 자료와 맥락이 다음 작업의 출발점이 되는 것이다.

단일 프롬프트 사고에서 위임 사고로 전환하기

많은 사람이 아직도 ChatGPT를 "질문 잘하면 답 잘해주는 도구"로만 쓴다. 하지만 에이전트 시대에는 질문보다 설계가 더 중요하다.

좋은 위임은 보통 다섯 요소를 가진다.

• 목표: 무엇을 끝내야 하는가

• 산출물: 최종 형태는 무엇인가

• 재료: 어떤 파일, 기록, 링크를 참고할 것인가

• 기준: 무엇을 우선시할 것인가

• 한계: 어디까지 자동으로 하고, 어디서 멈출 것인가

예를 들어 "경쟁사 분석해줘"는 질문이다. 반면 "업로드한 제품 소개서와 지난 분기 보고서를 참고해서, 국내 경쟁사 4곳을 기능·가격·포지셔닝 기준으로 비교하고, 우리 제품의 차별점 3가지를 도출해줘. 결과는 임원 보고용 1페이지 요약과 실무팀용 상세 표 두 가지로 나눠줘. 확실하지 않은 정보는 별도 표시해줘"는 위임이다.

이 둘의 차이는 길이가 아니다. 구조다. 질문은 답을 원하고, 위임은 완료를 원한다.

실무에서 이 전환이 특히 중요한 순간은 다음과 같다.

• 내가 같은 유형의 요청을 반복할 때

• 검색, 정리, 작성이 연달아 이어질 때

• 중간 산출물이 다음 단계의 입력값이 될 때

• 내가 직접 할 필요가 없는 세부 조작이 많을 때

한마디로 말하면, 손이 많이 가는 일일수록 위임해야 한다.

에이전트에게 일을 맡길 때의 기본 설계법

에이전트는 똑똑하지만 텔레파시는 못 읽는다. 맡기려면 맡길 수 있게 설계해야 한다. 실무에서는 다음 순서가 가장 안정적이다.

먼저, 목표를 동사로 시작한다. "분석해줘"보다 "조사하고, 비교하고, 초안을 작성하고, 후속 액션까지 정리해줘"가 낫다. 행동 단위가 선명할수록 잘 움직인다.

그다음, 입력 자원을 묶어준다. 업로드 파일, Project 안의 문서, 과거 회의 기록, 필요한 공개 정보처럼 참고할 재료를 분명하게 지정해야 한다. 자료가 많다고 자동으로 똑똑해지는 것이 아니라, 어떤 자료를 우선 참고해야 하는지 알려줄 때 더 안정적으로 작동한다.

세 번째로, 검증 기준을 준다. 예를 들어 "수치와 날짜는 출처를 표시하고, 추정 내용은 따로 구분해줘", "사내 문서와 외부 공개 자료가 충돌하면 사내 문서를 우선하되 차이를 적어줘" 같은 문장이 필요하다. 이 기준이 없으면 에이전트는 그럴듯한 결과를 만들 수는 있어도, 실무적으로 안전한 결과를 만들지 못한다.

마지막으로, 자동화의 경계를 정한다. 초안 작성, 분류, 요약, 비교는 자동으로 맡기고, 대외 발송·결재·민감한 데이터 입력은 사람이 최종 확인하는 식이다. 에이전트는 일을 덜어주는 도구지, 책임을 대신 져주는 도구는 아니다.

ChatGPT Agent 실전: 리서치부터 문서 작성까지 통째로 맡기기

실전 예시를 하나 보자. 당신이 영업팀 팀장이라고 해보자. 내일 중요한 고객 미팅이 있다. 예전 방식은 이렇다. 캘린더에서 일정을 확인하고, 과거 메일을 찾고, 제안서를 열고, 고객사 최근 뉴스를 검색하고, 발표 포인트를 메모하고, 회의 후속 메일 초안을 미리 작성한다. 익숙하지만, 지친다.

에이전트 방식은 다르다. 다음처럼 맡길 수 있다.

"내일 오전 고객 미팅 준비를 해줘. 업로드한 제안서와 지난 회의록을 우선 참고하고, 공개된 최근 이슈를 찾아줘. 그다음 1페이지 브리프를 만들고, 예상 질문 5개와 답변 포인트를 정리해줘. 회의 직후 바로 보낼 수 있는 후속 메일 초안도 함께 준비해줘."

이 지시가 좋은 이유는 명확하다. 목표가 있고, 참고 자료가 있고, 결과물 종류가 지정되어 있으며, 후속 작업까지 이어진다. 즉, AI에게 '답'을 부탁한 것이 아니라 '업무 흐름'을 맡긴 것이다.

중요한 건 화려한 기능 이름이 아니라 구조다. 일정 확인 → 맥락 수집 → 자료 요약 → 의사결정용 산출물 생성이라는 흐름을 AI가 대신 밟는다는 점이다.

좋은 에이전트 지시문의 예와 나쁜 예

나쁜 예부터 보자.

"우리 고객사 좀 정리해줘."

이 문장은 너무 많은 것을 생략한다. 어떤 고객사인지, 무엇을 위한 정리인지, 어느 자료를 참고할지, 결과물을 어떤 형식으로 만들지 모두 빠져 있다. 에이전트 입장에서는 어둠 속에서 신발 찾기다.

좋은 예는 이렇다.

"내일 A사 미팅 준비를 위해 브리핑 문서를 작성해줘. 우선 업로드한 'A사_제안서_v3.pdf'와 '지난회의록_0321.docx'를 읽고, 부족한 정보만 공개 웹 자료로 보완해줘. 결과물은 다음 순서로 작성해줘. 1) 고객 현황 5줄 요약 2) 최근 이슈 3개 3) 우리 측 제안 핵심 4) 예상 반대 의견과 대응 포인트 5) 미팅 직후 보낼 감사 메일 초안. 확실하지 않은 내용은 '추정'으로 표시해줘."

이 문장이 훨씬 강한 이유는 어디서 시작하고, 무엇을 만들고, 어디까지 자동으로 처리할지 알 수 있기 때문이다.

Deep Research: 보고서 한 편을 더 빨리 시작하게 해 주는 도구

깊은 리서치 기능은 일반 검색과 다르다. 단순히 검색 결과 몇 개를 요약하는 것이 아니라, 질문을 하위 질문으로 쪼개고, 여러 소스를 살펴보고, 비교 가능한 형태로 묶어내는 작업에 가깝다.⁵ 쉽게 말하면 "검색 좀 해줘"보다 "조사해서 보고서 초안을 만들 준비를 해줘"에 더 가깝다.

실무에서는 이 기능이 특히 빛나는 순간이 있다. 시장 조사, 제도 변화 파악, 경쟁사 동향 정리, 산업 트렌드 보고, 투자 검토 메모처럼 자료를 모으고 비교하고 요약하는 일이 필요한 순간이다. 예전에는 사람이 브라우저에서 한참 헤맨 뒤 겨우 초안을 만들었다. 이런 기능을 잘 쓰면 그 초안의 출발선이 크게 앞당겨진다.

좋은 사용법은 세 단계다.

첫째, 범위를 좁힌다. "AI 시장 조사해줘"는 너무 넓다. "국내 제조업 대상 B2B AI 도입 사례를 최근 기준으로 조사하고, 실제 예산·도입 장벽·성과 지표 중심으로 정리해줘"처럼 줄여야 한다.

둘째, 신뢰할 소스를 지정한다. 회사 업무에서는 이게 엄청 중요하다. 아무 블로그가 아니라 공공기관, 기업 IR, 규제기관, 업계 보고서 중심으로 좁혀야 한다.

셋째, 최종 산출물을 함께 요구한다. 단순 조사 결과가 아니라 "임원 보고용 1페이지", "실무 체크리스트", "의사결정 포인트 3개", "추가 확인 필요 항목"까지 요청해야 한다. 리서치의 목적은 정보 수집이 아니라 판단 지원이기 때문이다.

예를 들어 이렇게 맡길 수 있다.

"국내 SaaS 기업의 최근 가격 전략 트렌드를 조사해줘. 가능하면 공식 가격 페이지, 투자자 자료, 업계 매체를 우선 참고해줘. 결과는 1) 핵심 트렌드 요약 2) 대표 기업 5곳 비교표 3) 우리 서비스 가격 전략에 주는 시사점 4) 추가 확인이 필요한 불확실 요소 순서로 정리해줘."

이렇게 하면 리서치 기능은 '검색을 잘하는 기능'이 아니라 '리서치 인턴 한 명'처럼 작동한다. 물론 인턴과 마찬가지로 검토는 필요하다. 하지만 빈 종이에서 시작하는 것과, 구조화된 초안에서 시작하는 것은 퇴근 시간에 큰 차이를 만든다.

회의 기록 기능: 회의가 끝난 뒤부터가 진짜 자동화다

많은 직장인이 회의 자체보다 회의 뒤가 더 힘들다. 누가 무슨 말을 했는지 기억을 더듬고, 액션 아이템을 정리하고, 담당자를 배정하고, 공유 메시지를 보내고, 일정에 반영한다. 회의 1시간보다 회의 뒤 30분이 더 피곤한 이유다.

회의 기록 기능은 이 후반 작업을 크게 줄여준다. 음성 내용을 전사하고, 구조화된 요약을 만들고, 그 결과를 프로젝트 계획이나 이메일 같은 실무 산출물로 다시 바꿀 수 있기 때문이다. 한마디로 회의를 '기록'하는 기능이 아니라, 회의를 '작업 가능한 문서'로 바꾸는 기능이다.

실무에서는 다음처럼 쓰면 좋다.

• 주간 회의 후: 결정 사항, 미결 사항, 담당자별 액션 아이템 정리

• 고객 인터뷰 후: 고객 니즈, 불만, 인용 가능한 표현, 제품 개선 포인트 추출

• 혼자 떠오른 아이디어 메모 후: 음성 메모를 기획안 초안으로 변환

특히 중요한 점은 결과를 거기서 끝내지 않는 것이다. "회의록 요약해줘"로 끝나면 절반만 쓴 셈이다. 그 뒤에 "이 회의록을 바탕으로 팀 공지용 메시지 작성", "담당자별 To-do 표로 변환", "이번 주 일정 초안 만들기"까지 이어가야 진짜 자동화가 된다.

다만 회의 녹음과 전사는 회사 규정과 법적 기준을 반드시 따라야 한다. 상대방 동의, 사내 보안정책, 개인정보 처리 기준을 확인하는 습관이 필요하다.

Connector: 흩어진 업무 도구를 한 줄로 잇는 힘

업무는 원래 한곳에서 일어나지 않는다. 메일은 Gmail이나 Outlook에 있고, 자료는 Drive나 SharePoint에 있고, 대화는 Slack에 있고, 일정은 Calendar에 있다. 그래서 직장인은 늘 '일'보다 '찾기'를 많이 한다.

연결 기능의 가치는 여기에 있다. 연결된 앱의 정보를 ChatGPT가 맥락으로 활용하게 해주는 것이다. 즉, 연결은 단순 편의 기능이 아니라 에이전트의 눈과 손을 늘려주는 장치다.³

실무에서 연결 기능을 가장 먼저 체감하는 순간은 두 가지다. 첫째는 "자료를 다시 업로드할 필요가 줄어든다"는 점이다. 둘째는 "정보가 행동으로 이어진다"는 점이다. 예를 들어 메일과 캘린더, 문서 저장소가 연결되어 있으면, 단순히 내용을 읽는 데서 끝나지 않고 준비 브리프 작성, 회신 초안 작성, 일정 맥락 반영까지 이어질 수 있다.

도입할 때는 욕심을 줄이는 것이 좋다. 처음부터 모든 도구를 다 연결하려고 하면 오히려 혼란스럽다. 가장 자주 여는 도구 세 개부터 연결하는 것이 현실적이다.

• 문서 저장소

• 커뮤니케이션 도구

• 일정·업무 도구

이때 핵심은 연결 자체가 아니라 연결 목적이다. "Slack을 연결했다"보다 "회의 채널 논의를 바탕으로 보고 초안을 만들 수 있다"가 더 중요하다. 항상 기능이 아니라 결과물 중심으로 생각해야 한다.

File Library: 반복 업로드를 없애는 작은 혁명

별것 아닌 것 같지만, 매번 같은 파일을 다시 올리는 습관은 엄청난 시간 도둑이다. 제안서, 회사 소개서, 가격표, 제품 설명서, 정책 문서처럼 자주 쓰는 파일을 반복 업로드하는 순간, ChatGPT는 아직도 일회용 도구로 머무른다.

File Library는 이 문제를 해결한다. 업로드하거나 생성한 파일을 저장해두고, 이후 다른 대화에서도 다시 불러와 활용할 수 있게 해준다.⁴ 이것이 중요한 이유는 단순 저장 때문이 아니다. 파일이 대화에 갇히지 않고 워크스페이스 자산이 되기 때문이다.

실무에서 File Library를 가장 잘 쓰는 방법은 '공용 재료함'처럼 생각하는 것이다. 회사 소개서, 자주 쓰는 제안서 템플릿, 브랜드 가이드, FAQ, 제품 비교표, 지난 분기 보고서 같은 파일을 반복해서 활용하면, 매번 처음 설명할 필요가 줄어든다.

좋은 운영법은 다음과 같다.

• 파일 이름을 목적 중심으로 정리한다.

• 자주 참고하는 기준 문서는 최신본 하나를 유지한다.

• 프로젝트별 파일과 공통 파일을 구분한다.

• 민감한 파일은 업로드 전 보안 정책을 확인한다.

특히 File Library는 Projects, Memory와 함께 쓸 때 힘이 커진다. File Library가 재료 창고라면, Projects는 그 재료를 특정 일에 맞게 묶는 작업대에 가깝다. 이 둘이 결합되면 "자료를 다시 찾는 시간"이 크게 줄어든다.

Projects와 File Library를 함께 써야 하는 이유

많은 사용자가 File Library와 Projects를 따로 생각한다. 하지만 실무에서는 함께 써야 진가가 나온다.

File Library는 반복해서 쓰는 문서를 저장하는 공간이다. Projects는 특정 업무 단위의 파일, 대화, 지시문을 한데 모아두는 공간이다.²⁴ 둘의 역할이 다르다. 라이브러리는 넓게 재사용하고, 프로젝트는 좁게 집중한다.

예를 들어 '신제품 출시 준비' 프로젝트가 있다고 해보자. 이때 브랜드 가이드, 회사 소개서, 제품 사양서 같은 파일은 File Library에 장기 보관해두는 편이 좋다. 반면 이번 출시와 직접 관련된 회의록, 출시 일정표, 캠페인 초안, 보도자료 버전들은 해당 Project 안에 넣는 편이 맞다.

이렇게 구분해두면 ChatGPT에게 일을 맡길 때도 훨씬 깔끔해진다. "라이브러리의 브랜드 가이드와 프로젝트 내 출시 일정표를 함께 참고해 보도자료 초안을 작성해줘"처럼 말할 수 있기 때문이다.

에이전트형 업무 흐름 설계: 가장 실용적인 5단계

이제 핵심을 정리해보자. 실무에서 에이전트형 워크플로우는 보통 다섯 단계로 설계하면 안정적이다.

1단계. 목표를 완료 단위로 바꾼다

"자료 찾아봐"가 아니라 "임원 보고용 1페이지 작성", "고객 미팅 브리프 완성", "회의 후속 메일까지 초안 작성"처럼 끝이 보이는 단위로 바꾼다. 막연한 목표보다 완료 가능한 과제를 더 잘 처리한다.

2단계. 재료를 연결한다

프로젝트 파일, File Library, 과거 기록, 필요한 검색 범위를 정리한다. 사람도 재료가 없으면 일 못 하듯, 에이전트도 맥락이 있어야 제대로 일한다.

3단계. 중간 기준을 준다

무엇을 우선 참고할지, 무엇을 의심할지, 어떤 형식으로 정리할지 기준을 준다. 예를 들어 "사내 문서 우선", "최신 정보 우선", "표와 요약 병행", "근거 약한 부분은 별도 표시" 같은 기준이다.

4단계. 최종 산출물을 나눈다

하나의 결과물만 요구하지 말고, 의사결정자용 요약본과 실무자용 상세본처럼 나누면 활용도가 올라간다.

5단계. 후속 실행까지 붙인다

보고서에서 끝내지 말고, 메일 초안, 액션 아이템, 공유 메시지, 다음 미팅 준비 포인트까지 연결한다. 여기서부터 진짜 시간이 절약된다.

직장인 실전 시나리오 1: 영업 미팅 준비 자동화

영업 담당자에게 가장 좋은 에이전트 업무는 준비 작업이다. 미팅 직전의 검색과 정리가 생각보다 시간을 많이 잡아먹기 때문이다.

설계는 이렇게 간다. 고객사 제안서와 이전 회의록은 File Library나 Project에 넣어둔다. 그다음 에이전트에게 내일 미팅 준비를 맡긴다. 고객 현황, 최근 이슈, 우리 제안 핵심, 예상 질문, 후속 메일 초안까지 생성하도록 한다.

회의가 끝나면 기록 기능으로 회의 내용을 정리한다. 그런 다음 "이 회의 내용을 바탕으로 CRM 입력용 메모, 내부 공유용 요약, 고객 후속 메일 초안으로 각각 바꿔줘"라고 이어서 시킨다. 이 흐름이 돌아가기 시작하면, 영업은 자료 찾는 사람에서 관계를 관리하는 사람으로 바뀐다.

직장인 실전 시나리오 2: 전략·기획팀의 시장 조사 압축

기획팀이 자주 하는 일은 조사, 비교, 요약, 판단 정리다. 딱 에이전트형 작업이다.

먼저 깊은 리서치 흐름으로 외부 시장과 경쟁사 동향을 폭넓게 수집한다. 공식 사이트, IR 자료, 업계 리포트를 우선하게 만든다. 다음으로 Project 안의 내부 전략 문서와 연결해 외부 정보와 내부 방향을 맞춘다. 그다음 결과를 "임원 보고용 1페이지", "실무 검토용 상세 메모", "추가 검증 필요 항목 5개"로 나눠 뽑는다.

이렇게 하면 사람이 해야 할 일은 '자료 찾기'가 아니라 '판단하기'가 된다. 이것이 에이전트가 생산성을 높이는 진짜 이유다.

직장인 실전 시나리오 3: 회의록에서 실행으로 바로 연결하기

이 시나리오는 거의 모든 직무에 통한다. 회의는 했는데 실행이 흐려지는 조직이라면 특히 효과가 크다.

회의 내용이 정리되면 ChatGPT에게 이렇게 지시한다. "이 회의 내용을 바탕으로 결정 사항, 보류 사항, 담당자별 액션 아이템, 이번 주 마감 일정, 슬랙 공유용 공지 초안으로 정리해줘."

여기서 끝내지 말고 한 단계 더 간다. "액션 아이템을 우선순위와 마감일 기준으로 표로 바꾸고, 각 담당자에게 전달할 3줄 요약도 만들어줘." 이 단계까지 가면 회의록은 더 이상 보관용 문서가 아니다. 실행용 작업 지시서가 된다.

사람들이 자주 망하는 에이전트 활용 패턴

에이전트는 강력하지만, 아무렇게나 맡기면 오히려 돌아오는 일이 많다. 특히 아래 실수를 많이 한다.

첫째, 너무 넓게 시킨다. "다 알아서 해줘"는 멋있어 보이지만, 실제로는 책임 없는 방치다. 범위가 넓으면 결과도 흐려진다.

둘째, 재료 없이 맡긴다. 파일도 없고, 기준도 없고, 맥락도 없는데 좋은 결과를 기대한다. AI도 브리프가 없으면 헤맨다.

셋째, 초안과 완성본을 구분하지 않는다. 에이전트가 만든 초안은 출발점이지, 자동 승인본이 아니다. 특히 대외 문서와 숫자는 검토가 필수다.

넷째, 후속 작업을 분리한다. 보고서는 AI에게 맡기고, 메일은 직접 쓰고, 회의 정리는 따로 하고, 공유는 또 수동으로 한다. 이러면 반자동이지 자동화가 아니다.

다섯째, 한 번 잘 된 요청을 저장하지 않는다. 잘 작동한 위임 문장은 재사용 자산이다. Projects나 개인 템플릿 문서에 저장해두어야 한다.

에이전트 시대의 핵심 역량은 지시력이다

앞으로 직장인의 경쟁력은 타이핑 속도보다 지시력이 될 가능성이 크다. 여기서 말하는 지시력은 말만 번지르르하게 하는 능력이 아니다. 목표를 정의하고, 자료를 묶고, 기준을 세우고, 결과물을 분해하고, 검증 루틴을 붙이는 능력이다.

예전에는 일을 잘하는 사람이 직접 다 해내는 사람이었다. 이제는 일을 잘게 나누고, 사람과 AI에게 적절히 배분하고, 최종 판단에 집중하는 사람이 더 강해진다. 에이전트는 사람을 대체하기보다, 사람의 역할을 위쪽으로 밀어 올린다. 버튼을 누르는 사람에서, 흐름을 설계하는 사람으로 말이다.

이 장의 핵심 정리

이 장에서 꼭 기억할 문장은 하나다. 좋은 ChatGPT 사용자는 질문을 많이 하는 사람이 아니라, 일을 잘 맡기는 사람이다.

에이전트는 단순히 더 똑똑한 챗봇이 아니다. 목표를 받고, 계획을 세우고, 도구를 쓰고, 결과를 다듬어 끝까지 가져가는 작업 방식이다. 깊은 리서치 기능은 조사 업무를 압축하고, 회의 기록 기능은 회의를 실행 가능한 문서로 바꾸고, 연결 기능은 흩어진 도구를 한 흐름으로 엮고, File Library와 Projects는 반복 업무의 재료를 자산으로 만든다.

결국 생산성이 급상승하는 순간은 기능을 많이 아는 순간이 아니다. "내가 직접 버튼을 누를까, 아니면 일 전체를 설계해 맡길까"라는 질문에 후자를 선택하는 순간이다.

다음 파트에서는 이 에이전트형 사고를 실제 직무에 꽂아 넣는다. 기획, 마케팅, 영업, HR, 재무, 데이터 분석, 디자인까지. 이제부터는 '가능한가?'가 아니라 '내 일에 어떻게 붙일까?'가 더 중요한 질문이 된다.

참고

¹Building effective agents

²Projects in ChatGPT

³Building workspace agents in ChatGPT to complete repeatable, end-to-end work

⁴File storage and Library in ChatGPT

⁵ChatGPT release notes