1장. 챗봇과 에이전트의 결정적 차이

OpenClaw를 처음 보는 사람은 흔히 이렇게 생각한다. "아, 이거 로컬에서 돌아가는 ChatGPT 같은 거구나." 반은 맞고, 반은 틀리다. 더 정확히 말하면, OpenClaw는 대답을 더 잘하는 챗봇이 아니라 실제로 일을 하도록 설계된 실행 환경에 가깝다.¹

이 차이를 초반에 분명히 이해하지 못하면, 설치는 해 놓고도 금방 실망하게 된다. 왜냐하면 웹 채팅창에 기대하는 방식으로 OpenClaw를 대하면, 이 도구의 진짜 강점인 자동화, 지속성, 도구 호출, 능동적 동작을 거의 못 쓰게 되기 때문이다.

답을 주는 AI에서 일을 하는 AI로

가장 쉬운 비유부터 해보자. 챗봇은 똑똑한 상담사에 가깝다. 물어보면 설명해 주고, 초안을 써 주고, 선택지를 정리해 준다. 하지만 마지막 행동은 대개 사람이 한다. 메일을 보내려면 내가 복사해서 메일 앱에 붙여 넣어야 하고, 일정에 넣으려면 내가 캘린더를 열어야 한다.

반면 에이전트는 비서에 더 가깝다. 물론 말도 잘한다. 하지만 거기서 멈추지 않는다. 파일을 읽고, 명령을 실행하고, 웹을 열고, 메시지를 보내고, 필요한 도구를 골라 실제 작업을 이어 간다. OpenClaw 공식 문서도 이 점을 아주 분명하게 말한다. 텍스트 생성 밖의 행동은 모두 도구를 통해 일어나며, 이 도구가 파일 읽기, 명령 실행, 브라우저 조작, 메시지 전송 같은 실제 행위를 가능하게 만든다.²

예를 들어 보자.

당신이 챗봇에게 "이번 주 미팅 정리해서 팀에 알려줘"라고 말하면, 챗봇은 보통 이렇게 움직인다. 회의 요약문을 써 주고, "이 내용을 슬랙에 올리세요"라고 권한다. 훌륭한 답변이다. 하지만 일은 아직 끝나지 않았다.

같은 요청을 에이전트에게 주면 흐름이 달라진다. 먼저 일정이나 메모를 읽고, 필요한 경우 파일을 열고, 요약을 만든 뒤, 지정된 채널에 전송할지 판단한다. 즉 질문에 답하는 것이 아니라 목표를 달성하는 것이 중심이 된다.³

이 차이를 한 문장으로 줄이면 이렇다.

챗봇은 프롬프트에 반응하고, 에이전트는 목표를 수행한다.

OpenClaw는 왜 챗봇이 아니라 "운영체제 같은 것"에 가까운가

OpenClaw 홈페이지에는 "The AI that actually does things"라는 문구가 걸려 있다.³ 이 표현은 마케팅 문구 같지만, 사실 구조를 꽤 정확하게 설명한다. OpenClaw의 핵심은 특정 모델이 아니다. Claude든, GPT든, DeepSeek이든, 로컬 모델이든 두뇌는 교체할 수 있다. 중요한 것은 그 두뇌가 연결되는 몸체다.¹

그 몸체를 이루는 요소는 대략 이렇다.

• 메신저에서 들어오는 요청을 받는 게이트웨이

• 어떤 도구를 쓸지 판단하는 에이전트 런타임

• 파일, 브라우저, 셸, 메시지 같은 실행 도구

• 기억과 규칙을 담는 워크스페이스 파일

• 정해진 시간에 먼저 움직이게 하는 하트비트와 스케줄

이렇게 보면 OpenClaw는 "대화 앱"이라기보다, AI가 일하기 위한 작은 운영체제처럼 보이기 시작한다. 대화는 입구일 뿐이고, 본체는 그 뒤에서 돌아가는 실행 루프다.

ReAct 루프: 생각하고, 행동하고, 보고, 다시 생각한다

에이전트를 에이전트답게 만드는 핵심은 ReAct 루프다. 이름은 조금 딱딱하지만 원리는 단순하다. Reason(생각) + Act(행동), 그리고 그 결과를 본 뒤 다시 다음 행동을 정하는 반복 구조다.⁴

일반적인 챗봇의 흐름은 짧다.

사용자 입력 → 모델 응답 → 종료

반면 OpenClaw 같은 에이전트의 흐름은 이렇게 이어진다.

사용자 입력 → 현재 대화와 기억을 읽음 → 가능한 도구를 확인함 → 모델이 다음 행동을 판단함 → 도구 실행 → 결과를 다시 읽음 → 필요하면 또 다른 도구 실행 → 작업 완료 후 최종 응답

겉으로 보면 그냥 "좀 더 똑똑한 대답"처럼 보일 수 있다. 하지만 안에서는 완전히 다른 일이 벌어진다. 모델이 한 번 답하고 끝나는 것이 아니라, 중간중간 도구를 부르고 그 결과를 관찰하면서 계획을 수정한다.⁴

예를 들어 "오늘 오후 비 오면 3시에 우산 챙기라고 알려줘"라는 요청을 생각해 보자. 챗봇은 우산을 챙기라는 문장을 멋지게 써 줄 수 있다. 에이전트는 다르다. 날씨를 확인하고, 일정이나 시간 조건을 읽고, 알림을 예약하고, 나중에 실제로 메시지를 보낸다. 이때 핵심은 모델이 모든 것을 머릿속에서 해결하는 것이 아니라, 필요한 순간에 바깥 세계와 상호작용한다는 점이다.

이 구조를 이해하면 OpenClaw를 왜 웹 챗봇처럼 다루면 안 되는지도 바로 보인다. OpenClaw는 "한 번 잘 답하는 것"보다 "여러 단계를 끊기지 않고 이어 가는 것"에 강하다.

도구 호출은 에이전트의 손과 발이다

도구 호출, 영어로는 tool use 또는 tool calling은 에이전트의 손과 발이다. 아무리 언어 능력이 뛰어나도 손발이 없으면 실제 세계를 바꿀 수 없다.

OpenClaw의 기본 도구에는 셸 명령 실행, 파일 읽기·쓰기, 브라우저 제어, 웹 검색, 메시지 전송, 스케줄 관리 같은 것들이 포함된다.² 이 목록을 보면 왜 성격이 다른지 단번에 느껴진다. ChatGPT나 Claude 같은 챗봇은 주로 "생성"이 중심이지만, OpenClaw는 "연결과 실행"이 중심이다.

여기서 아주 중요한 포인트가 하나 있다. 도구를 부를 수 있다고 해서 곧바로 유능한 에이전트가 되는 것은 아니다. 어떤 도구를 언제 호출할지, 실패하면 어떻게 우회할지, 사람이 확인해야 할 위험한 단계는 어디인지까지 판단해야 한다. 그래서 에이전트는 단순한 함수 호출 모음이 아니라, 규칙·기억·우선순위가 함께 들어간 운영 체계가 된다.

쉽게 말해 보자.

챗봇에 도구 몇 개를 붙이면 "도구 있는 챗봇"이 된다. 하지만 OpenClaw는 처음부터 도구 사용을 전제로 설계된 에이전트 런타임이다.¹

경계는 흐려졌지만, 본질은 여전히 다르다

2026년의 현실은 조금 더 복잡하다. ChatGPT도 에이전트 모드와 컴퓨터 사용 기능을 갖추기 시작했고, 일부 클라우드 AI도 브라우저를 열고 폼을 채우고 외부 서비스를 다룬다.⁵ 그래서 "이제 챗봇과 에이전트의 차이가 사라진 것 아닌가요?"라는 질문이 나온다.

겉모습만 보면 맞는 말처럼 들린다. 하지만 본질은 아직 남아 있다.

클라우드 기반 대화형 AI의 에이전트 기능은 대체로 세션 중심이다. 내가 켜서 쓰는 동안 강력하다. 반면 OpenClaw는 지속 운영 중심이다. 메신저와 연결된 채 백그라운드에서 돌아가고, 기억을 파일로 남기고, 정해진 규칙에 따라 먼저 움직인다.¹⁵

이 차이는 생각보다 크다. 전자는 "지금 여기서 한 번 잘 처리해 주는 AI"에 가깝고, 후자는 "내 디지털 환경 안에 상주하면서 계속 일하는 AI"에 가깝다.

ChatGPT, Claude 데스크톱, Claude Code, OpenClaw의 역할 분담

독자 입장에서 가장 실용적인 질문은 이것이다. "그래서 뭘 언제 써야 하죠?"

정답은 하나만 고르는 것이 아니다. 오히려 역할을 나누는 편이 훨씬 좋다.

• ChatGPT는 빠른 질문, 초안 작성, 아이디어 확장, 웹 탐색형 작업에 강하다. 켜자마자 쓸 수 있고, 진입 장벽이 낮다.⁵

• Claude 데스크톱은 문서 읽기, 긴 대화, 사고 정리, 개인 지식 작업에 잘 맞는다. 사람이 화면 앞에 앉아 함께 사고를 밀어붙이는 느낌이 강하다.

• Claude Code는 코드를 읽고 고치고 테스트하는 개발 작업에 초점이 맞춰져 있다. 저장소 안에서 깊게 파고드는 데 유리하다.

• OpenClaw는 여러 도구와 채널을 엮어 장시간 돌아가는 자동화에 강하다. 메신저를 리모컨처럼 쓰면서, 실제 작업을 백그라운드에서 흘려보내는 데 적합하다.³

비유하면 이렇다. ChatGPT와 Claude는 똑똑한 회의 상대이고, Claude Code는 숙련된 개발 파트너다. OpenClaw는 그 위에 놓인 운영 담당자다. 계속 켜 두고, 정해 둔 규칙에 따라, 필요한 도구를 불러 실제 업무를 이어 간다.

이 책의 관점에서도 중요한 건 경쟁 구도가 아니다. 대화형 AI와 에이전트는 대체 관계보다 분업 관계에 가깝다. 빠르게 생각할 때는 챗봇, 계속 일하게 만들 때는 에이전트가 빛난다.⁶

OpenClaw를 웹 챗봇처럼 쓰면 생기는 시행착오

초보자가 가장 자주 겪는 오해는 세 가지다.

첫째, "왜 이렇게 설치가 번거롭지?"라는 불만이다. 웹 챗봇이었다면 맞는 불만이다. 하지만 OpenClaw는 내 환경에서 돌아가는 실행 기반이므로, 모델 키, 채널, 권한, 워크스페이스를 연결해야 한다. 이 수고는 단점이면서 동시에 강점의 원인이다.

둘째, "한 번에 완벽히 대답해 주지 못하네?"라는 실망이다. 에이전트는 종종 중간 과정을 거친다. 파일을 읽고, 도구를 호출하고, 다시 판단하는 루프가 있기 때문이다. 즉답의 미려함보다 완료 가능성이 더 중요하다.

셋째, "그냥 채팅창에서 이것저것 시키면 되겠지"라는 기대다. 물론 가능하다. 하지만 OpenClaw의 성능은 워크스페이스 규칙, 기억, 스킬, 승인 정책이 갖춰질수록 급격히 좋아진다. 에이전트는 프롬프트 한 줄로 완성되는 제품이 아니라, 조금씩 길들이는 작업 환경에 가깝다.

이 장의 핵심 정리

이제 첫 장의 목표를 한 번 정리해 보자.

챗봇은 말을 잘하는 AI다. 에이전트는 말한 뒤에 움직이는 AI다. 챗봇의 기본 단위는 질문과 답변이고, 에이전트의 기본 단위는 목표와 수행이다. 챗봇은 보통 한 번의 응답으로 끝나지만, 에이전트는 ReAct 루프를 통해 생각하고, 도구를 쓰고, 결과를 보고, 다시 결정한다.⁴

그리고 OpenClaw는 바로 이 에이전트 쪽에 서 있다. 웹에서 잠깐 켜서 쓰는 AI라기보다, 내 메신저와 파일, 일정, 브라우저, 자동화를 묶어 주는 실행 플랫폼이다.¹³ 그러니 앞으로 이 책을 읽는 동안 OpenClaw를 "답변형 AI"로 상상하지 말고, 내 대신 일할 수 있는 디지털 작업자로 상상해 보자.

그 순간부터 설치 과정의 의미도, 워크스페이스 파일의 역할도, 스킬을 만드는 이유도 전부 달라진다.

참고

¹How to Build and Secure a Personal AI Agent with OpenClaw

²Tools and plugins - OpenClaw

³OpenClaw — Personal AI Assistant

⁴OpenClaw Architecture Deep Dive: Gateway, ReAct Loop, Memory and Tool Execution

⁵OpenClaw vs ChatGPT Agent: The 2026 Agent Showdown

⁶OpenClaw vs ChatGPT: Which AI Assistant Should You Use in 2026?