프롬프트 시대에서 에이전트 시대로
어느 날, AI에게 일을 맡기기 시작했다
처음 ChatGPT를 써본 사람들의 반응은 대체로 비슷했다. "와, 이게 글을 이렇게 잘 써?" "이 어려운 개념을 이렇게 쉽게 설명한다고?" 마치 인터넷 검색창과 과외 선생님과 카피라이터가 한 화면에 들어온 느낌이었다. 사람들은 질문을 던졌고, AI는 답을 했다. 사용자는 "질문자"였고, AI는 "답변자"였다.
그런데 몇 년 사이에 판이 바뀌었다. 이제 AI는 단순히 답을 말하는 데서 멈추지 않는다. 파일을 읽고, 표를 분석하고, 웹을 검색하고, 브라우저를 조작하고, 코드를 실행하고, 이메일 초안을 만들고, 보고서 형태로 정리한다. 사용자가 허락하면 여러 앱과 연결되어 일정, 문서, 메일, 파일까지 다룬다. OpenAI는 ChatGPT 에이전트를 소개하며 "리서치와 액션을 연결한다"고 설명했고, 중요한 작업 전에는 사용자 권한을 요청하며 사용자가 언제든 개입하거나 중단할 수 있다고 밝혔다.1 Google 역시 Gemini Agent를 "복잡한 다단계 작업을 처리하는" 방향으로 소개하며 웹 브라우징, Deep Research, Gmail·Calendar·Drive 같은 Google 앱 연동을 함께 강조한다.2
이 변화의 핵심은 간단하다. AI가 "말하는 기계"에서 "움직이는 동료"로 바뀌고 있다는 것이다.
물론 아직 영화 속 비서처럼 모든 일을 완벽하게 알아서 해내지는 못한다. 실수도 하고, 엉뚱한 길로 새기도 하고, 사실처럼 보이는 틀린 말을 하기도 한다. 하지만 분명한 변화가 있다. 이제 AI 활용의 중심은 "어떤 문장을 입력하면 좋은 답이 나오느냐"에서 "어떤 일을 어떤 순서로 맡기고, 어디서 확인하고, 어떻게 결과를 업무에 연결할 것인가"로 이동하고 있다.
이 책은 바로 그 이동을 다룬다. 프롬프트를 잘 쓰는 법도 중요하지만, 그것만으로는 부족하다. 앞으로 생산성을 얻는 사람은 멋진 질문 한 줄을 외운 사람이 아니라, 일을 잘게 나누고, 필요한 맥락을 주고, 결과를 검수하고, 반복 가능한 흐름으로 만드는 사람이다.
1단계: 대화형 챗봇 — 질문하면 답하는 AI
생성형 AI의 첫 번째 대중적 모습은 대화형 챗봇이었다. 사용자가 묻고, AI가 답한다. "마케팅이 뭐야?"라고 물으면 설명해 주고, "이 문장을 더 자연스럽게 바꿔줘"라고 하면 문장을 다듬어 준다. "블로그 제목 10개 추천해줘"라고 하면 아이디어를 쏟아낸다.
이 단계의 AI는 주로 텍스트를 다루는 상담자에 가까웠다. 사람은 질문을 하고, AI는 지식과 언어 능력을 바탕으로 답변을 생성했다. 그래서 초창기 AI 활용법의 핵심은 자연스럽게 "프롬프트"가 되었다. 무엇을 물어야 하는가, 어떤 역할을 부여해야 하는가, 어떤 형식으로 요청해야 하는가가 중요했다.
예를 들어 다음 두 요청은 결과가 다르다.
"자기소개서 써줘."
"신입 마케터 지원용 자기소개서 초안을 써줘. 나는 대학 시절 콘텐츠 동아리에서 SNS 운영을 맡았고, 인턴 경험은 없지만 블로그를 2년간 운영했어. 문체는 성실하고 과장되지 않게 해줘."
두 번째 요청이 더 좋은 결과를 낸다. 목적, 배경, 소재, 문체가 들어 있기 때문이다. 그래서 한동안 AI 활용 교육은 "좋은 프롬프트 작성법"에 집중했다. 이것은 틀린 방향이 아니었다. 대화형 챗봇 시대에는 실제로 좋은 질문이 좋은 답을 만들었다.
하지만 이 단계에는 분명한 한계가 있었다. AI가 답은 잘했지만, 일을 끝까지 하지는 못했다. 시장 조사를 해달라고 하면 시장 조사 보고서처럼 보이는 글을 만들어 줄 수는 있었지만, 실제 최신 자료를 찾아 확인하거나 여러 출처를 비교하거나 데이터를 표로 검증하는 일은 제한적이었다. "이렇게 하면 됩니다"라고 말해 줄 수는 있었지만, 사용자를 대신해 웹사이트에 들어가고, 파일을 열고, 계산하고, 문서를 업데이트하는 것은 별개의 문제였다.
즉 대화형 챗봇은 똑똑한 조언자였지만, 아직 손발은 없었다.
2단계: 파일을 읽는 AI — 내 자료를 이해하는 AI
다음 변화는 AI가 사용자의 자료를 읽기 시작하면서 왔다. PDF, Word 문서, 회의록, 논문, 스프레드시트, 이미지 파일을 업로드하면 AI가 그 내용을 요약하고 분석했다. 이때부터 AI는 일반 지식만 말하는 도구가 아니라, 사용자의 실제 업무 맥락 안으로 들어오기 시작했다.
예를 들어 예전에는 AI에게 이렇게 물었다.
"영업 보고서 요약은 어떻게 해?"
파일을 읽는 AI가 등장한 뒤에는 이렇게 말할 수 있게 되었다.
"이 PDF 영업 보고서를 읽고, 이번 분기 매출 변화의 핵심 원인 3가지를 정리해줘. 경영진에게 보고할 수 있도록 한 페이지 분량으로 써줘."
차이는 크다. 첫 번째 요청은 방법을 묻는 것이다. 두 번째 요청은 실제 자료를 주고 결과물을 요구하는 것이다. AI가 더 이상 추상적인 조언만 하는 것이 아니라, 내가 가진 문서와 데이터를 바탕으로 일하기 시작한 순간이다.
이 단계에서 많은 직장인이 처음으로 "이건 진짜 업무에 쓰이겠다"고 느꼈다. 두꺼운 보고서를 읽고 핵심만 뽑아내거나, 회의록에서 할 일을 추출하거나, 고객 피드백을 긍정·부정·개선 요청으로 분류하는 일이 가능해졌기 때문이다.
하지만 파일을 읽는 AI에도 한계는 있었다. 파일 안에 있는 내용을 이해하고 정리하는 데는 강했지만, 파일 밖의 세상과 적극적으로 연결되지는 못했다. 보고서 안의 데이터를 요약할 수는 있어도, 최신 경쟁사 가격을 웹에서 찾아 비교하거나, 분석 결과를 다른 시스템에 입력하거나, 일정표를 캘린더에 반영하는 일은 여전히 사용자의 몫이었다.
AI는 이제 눈을 갖게 되었지만, 아직 직접 도구를 능숙하게 쓰는 단계는 아니었다.
3단계: 도구를 쓰는 AI — 검색하고 계산하고 실행하는 AI
세 번째 단계는 AI가 도구를 쓰기 시작한 것이다. 웹 검색, 코드 실행, 데이터 분석, 이미지 생성, 파일 검색, 외부 API 호출 같은 기능이 AI와 결합되면서, AI는 단순한 문장 생성기를 넘어 "작업 환경"에 가까워졌다.
이 변화는 생각보다 중요하다. 사람도 지식만으로 일하지 않는다. 회계 담당자는 엑셀을 쓰고, 마케터는 광고 관리자와 분석 도구를 쓰고, 개발자는 터미널과 코드 편집기를 쓰고, 기획자는 문서 도구와 슬라이드 도구를 쓴다. 일은 머리로만 하는 것이 아니라 도구를 통해 완성된다. AI도 마찬가지다. 도구를 쓰기 시작하면서 AI는 "답변"을 넘어 "작업"에 접근하게 되었다.
예를 들어 "지난 6개월 매출 데이터를 분석해줘"라는 요청을 생각해 보자. 텍스트만 생성하는 AI는 대략적인 분석 방법을 설명할 수 있다. 파일을 읽는 AI는 업로드된 매출표를 요약할 수 있다. 도구를 쓰는 AI는 한 단계 더 나아가 데이터를 계산하고, 이상치를 찾고, 그래프를 만들고, 제품군별 성장률을 비교할 수 있다. 웹 검색이 연결되어 있다면 시장 상황이나 경쟁사 움직임까지 함께 찾아볼 수 있다.
Claude의 도구 사용 문서에서도 이 차이를 분명히 설명한다. 도구 사용은 모델이 단순히 "무엇을 해야 하는지 설명"하는 것이 아니라, API 호출이나 데이터베이스 조회 같은 구체적 행동을 요청하고 그 결과를 바탕으로 다음 판단을 이어가게 만드는 방식이다.3 Google 개발자 블로그 역시 Gemini 3 기반 에이전트 사례를 소개하며 검색, 지도, 코드 실행, 브라우저 자동화, 메모리 계층 같은 도구 생태계가 실제 에이전트 워크플로의 핵심이라고 설명한다.4
여기서 중요한 개념이 하나 나온다. 바로 "도구 호출"이다. 쉽게 말해 AI가 필요할 때 특정 기능을 부르는 것이다. 날씨를 물으면 날씨 API를 호출하고, 매출 분석을 요청하면 계산 도구를 실행하고, 웹 조사를 시키면 검색 도구를 사용한다. AI가 모든 것을 머릿속 지식으로 해결하려는 것이 아니라, 필요한 도구를 골라 쓰는 방식이다.
이때부터 AI에게 일을 맡기는 방식도 바뀐다. 더 이상 "좋은 답변을 써줘"만으로는 충분하지 않다. 어떤 자료를 읽을지, 어떤 도구를 사용할지, 어떤 형식으로 결과를 만들지, 어디까지 자동으로 실행할지 지정해야 한다. AI가 손에 도구를 쥐었기 때문에, 사용자는 이제 작업 범위와 안전선을 함께 정해야 한다.
4단계: AI 에이전트 — 일을 끝까지 수행하는 AI
네 번째 단계가 이 책의 핵심인 AI 에이전트다. 에이전트라는 말은 어렵게 들리지만, 기본 뜻은 "사용자를 대신해 행동하는 주체"다. 챗봇이 질문에 답하는 존재라면, 에이전트는 목표를 받고 여러 단계를 거쳐 결과를 만드는 존재다.
예를 들어 일반 챗봇에게 이렇게 말할 수 있다.
"제주도 2박 3일 여행 일정 짜줘."
그러면 AI는 그럴듯한 일정을 만들어 준다. 하지만 에이전트에게는 이렇게 맡길 수 있다.
"9월 첫째 주 주말 기준으로 제주도 2박 3일 여행 후보를 조사해줘. 항공권과 숙소 가격을 확인하고, 렌터카 없이 이동 가능한 일정 위주로 비교해줘. 예산은 1인 50만 원 이하이고, 최종 결과는 표와 추천안으로 정리해줘. 결제나 예약 단계에서는 반드시 나에게 확인을 받아."
여기서 AI가 해야 할 일은 단순한 답변 생성이 아니다. 조건을 이해하고, 검색하고, 비교하고, 표로 정리하고, 추천 기준을 적용하고, 위험한 단계에서는 멈춰서 확인해야 한다. 이것이 에이전트적 작업이다.
Gemini Agent 소개 페이지는 에이전트가 계획을 세운 뒤 웹 브라우징, Deep Research, Google 앱 연동 등을 결합해 사용자를 대신해 작업을 수행한다고 설명한다. 동시에 이메일 발송이나 구매 같은 중요한 행동 전에는 확인을 받도록 설계되어 있다고 밝힌다.2 ChatGPT 에이전트 역시 복잡한 작업을 수행하기 위한 기능으로 소개되며, 사용자가 중간에 개입하거나 작업을 중단할 수 있다는 점이 강조된다.1
이 말은 곧 에이전트 시대의 핵심 원칙을 보여 준다. AI가 더 많은 일을 할수록, 사람의 역할은 사라지는 것이 아니라 바뀐다. 직접 모든 클릭과 정리를 하는 사람이 아니라, 목표를 정하고, 자료를 제공하고, 기준을 세우고, 중간 결과를 검수하고, 최종 결정을 내리는 사람이 된다.
조금 비유해 보자. 예전의 AI 사용자는 검색창 앞의 사용자에 가까웠다. 궁금한 것을 입력하고 답을 받았다. 에이전트 시대의 AI 사용자는 작은 팀을 운영하는 관리자에 가깝다. "이 자료 조사해 와", "이 기준으로 다시 비교해", "출처가 약한 부분은 빼", "최종본은 임원 보고용으로 바꿔"라고 지시하고 검토한다.
AI가 부하직원이 되었다는 뜻은 아니다. AI는 책임을 지지 않는다. 판단의 최종 책임은 여전히 사람에게 있다. 하지만 일의 초안, 조사, 정리, 반복 실행을 맡길 수 있는 파트너가 된 것은 분명하다.
ChatGPT, Claude, Gemini의 기본 지형
AI 에이전트 시대에는 도구도 하나만 쓰지 않는다. 사람마다 즐겨 쓰는 메모 앱, 문서 앱, 브라우저가 다르듯 AI도 특성이 다르다. 이 책에서는 ChatGPT, Claude, Gemini를 중심으로 다루지만, 중요한 것은 "어느 하나가 무조건 최고"라는 결론이 아니다. 업무에 따라 적절한 AI를 고르는 감각이 필요하다.
ChatGPT는 실행, 도구 사용, 자동화 흐름에서 강한 존재감을 보인다. 에이전트 모드, 파일 분석, 코드 실행, 웹 탐색, 작업 수행 기능이 결합되면서 "아이디어를 결과물로 밀어붙이는" 용도에 잘 맞는다. 예를 들어 시장 조사 자료를 모으고, 표로 정리하고, 간단한 분석까지 이어가는 작업에 유용하다. OpenAI가 ChatGPT 에이전트를 리서치와 액션을 연결하는 기능으로 소개한 것도 이 방향을 잘 보여 준다.1
Claude는 장문 분석, 글쓰기, 복잡한 문서 이해에서 강점을 보인다. 긴 문서를 읽고 구조를 잡거나, 논리의 빈틈을 찾거나, 자연스러운 문체로 긴 글을 다듬는 작업에 특히 잘 어울린다. Anthropic은 Claude를 활용한 에이전트가 계획하고 행동하고 협업하도록 만들 수 있으며, 고객 지원부터 코딩까지 다양한 에이전트 시나리오에서 활용될 수 있다고 설명한다.5 실무적으로는 "긴 자료를 읽고 깊이 생각해 정리하는 동료"처럼 쓰기 좋다.
Gemini는 실시간 검색, 멀티모달, Google 생태계 연동에서 강점을 가진다. 멀티모달이란 텍스트뿐 아니라 이미지, 음성, 영상 같은 여러 형태의 정보를 함께 다루는 능력을 말한다. Google이 가진 검색, Gmail, Calendar, Drive, Maps, YouTube 같은 서비스와 연결될수록 Gemini의 활용 범위는 넓어진다. Gemini Agent는 Gmail, Calendar, Drive, Keep, Tasks, Maps, YouTube 같은 연결 앱을 활용할 수 있다고 안내한다.2
간단히 정리하면 이렇다.
ChatGPT는 도구를 써서 결과물을 만들고 실행 흐름을 밀어붙이는 데 강하다.
Claude는 긴 맥락을 읽고 분석하며 자연스러운 글과 논리를 다듬는 데 강하다.
Gemini는 검색, 멀티모달 이해, Google 앱과 연결된 일상·업무 흐름에 강하다.
물론 이 구분은 고정된 법칙이 아니다. 모델은 계속 바뀌고, 기능도 빠르게 업데이트된다. 어떤 달에는 한쪽이 앞서고, 몇 달 뒤에는 다른 쪽이 비슷한 기능을 내놓는다. 그래서 중요한 것은 브랜드 충성도가 아니라 업무 감각이다. "이 일은 긴 문서 분석이 핵심인가?" "최신 웹 정보가 중요한가?" "파일과 도구 실행이 필요한가?" "구글 앱과 연결되어야 하는가?" 이런 질문을 통해 도구를 고르는 사람이 AI를 더 잘 쓴다.
왜 프롬프트 한 줄로는 부족해졌는가
초창기 AI 활용법에는 마법 주문 같은 프롬프트가 많았다. "너는 세계 최고의 마케팅 전문가야." "단계별로 생각해." "표로 정리해." 이런 문장들은 지금도 어느 정도 효과가 있다. 하지만 에이전트 시대에는 이것만으로 부족하다.
이유는 간단하다. AI가 다루는 일이 복잡해졌기 때문이다.
블로그 제목 10개를 뽑는 일이라면 프롬프트 한 줄로 충분할 수 있다. 하지만 "경쟁사 5곳의 최근 가격 정책을 조사하고, 우리 서비스와 비교해, 다음 분기 프로모션 전략 초안을 만들고, 출처를 붙여 보고서로 정리해줘"라는 일은 다르다. 이 작업에는 목표, 범위, 자료, 판단 기준, 결과 형식, 검증 방식, 후속 실행이 모두 필요하다.
프롬프트 한 줄은 지시다. 하지만 업무 운영은 시스템이다. 좋은 업무 지시는 다음 질문들에 답해야 한다.
무엇을 달성하려는가?
어떤 자료를 참고해야 하는가?
어떤 기준으로 좋고 나쁨을 판단할 것인가?
결과물은 어떤 형식이어야 하는가?
어디까지 자동으로 실행하고, 어디서 사람의 확인을 받을 것인가?
결과가 틀렸을 때 어떻게 검증하고 수정할 것인가?
예를 들어 "시장 조사해줘"는 약한 지시다. AI는 산업 규모를 볼지, 고객 니즈를 볼지, 경쟁사를 볼지, 최신 뉴스를 볼지 알 수 없다. 반면 다음 지시는 훨씬 강하다.
"국내 성인 영어 회화 앱 시장을 조사해줘. 목적은 신규 서비스 기획안 작성이야. 2024년 이후 자료를 우선으로 보고, 경쟁 서비스 5개를 가격, 주요 기능, 타깃 고객, 차별점 기준으로 비교해줘. 출처가 확인되지 않는 내용은 추정이라고 표시해줘. 결과는 1쪽 요약과 상세 비교표로 나눠서 작성해줘."
이 지시에는 업무 목표가 있고, 자료 기준이 있고, 비교 기준이 있고, 결과 형식이 있고, 검증 조건이 있다. AI가 일을 하기 위한 레일이 깔려 있다. 에이전트 시대의 프롬프트는 더 이상 "멋진 한 문장"이 아니다. 작은 업무 설계서에 가깝다.
질문자가 아니라 업무 관리자가 되어야 한다
AI를 잘 쓰는 사람과 그렇지 못한 사람의 차이는 여기서 갈린다. 초보 사용자는 AI에게 계속 질문한다. "이거 어떻게 해?" "다시 써줘." "더 좋게 해줘." 물론 이것도 도움이 된다. 하지만 숙련된 사용자는 AI에게 일을 배분한다.
"먼저 자료를 읽고 핵심 쟁점을 뽑아."
"그다음 반대 의견을 만들어."
"이제 의사결정표로 바꿔."
"가장 약한 근거를 표시해."
"최종 보고서에 넣을 수 있게 700자로 줄여."
이 사람은 AI를 검색창처럼 쓰지 않는다. 함께 일하는 인턴, 분석가, 편집자, 비서처럼 다룬다. 단, 중요한 차이가 있다. 사람 인턴에게는 상식과 책임감이 어느 정도 있지만, AI에게는 그것을 기대하면 안 된다. 그래서 더 명확한 기준과 검수가 필요하다.
AI에게 일을 맡긴다는 것은 방치한다는 뜻이 아니다. 오히려 반대다. 좋은 관리자는 일을 잘게 나누고, 중간 산출물을 확인하고, 기준에 맞지 않으면 되돌린다. AI 활용도 같다. "알아서 해줘"가 아니라 "이 목표를 위해 1단계는 조사, 2단계는 분류, 3단계는 비교, 4단계는 초안 작성, 5단계는 검증으로 진행해"라고 설계해야 한다.
이 관점이 생산성을 만든다. AI가 빨라질수록 사람의 질문 능력보다 관리 능력이 중요해진다. 질문을 잘하는 사람은 좋은 답을 얻지만, 업무 흐름을 설계하는 사람은 결과물을 얻는다.
에이전트 시대의 새로운 기본기
에이전트 시대에 필요한 기본기는 세 가지다. 지시, 검증, 자동화다. 이 세 단어는 앞으로 이 책 전체를 관통하는 뼈대가 된다.
지시는 AI가 일을 시작할 수 있게 만드는 능력이다. 목적을 분명히 하고, 맥락을 제공하고, 자료와 제약 조건을 알려주고, 원하는 결과물의 형식을 지정하는 일이다. 나쁜 지시는 AI를 헤매게 만들고, 좋은 지시는 AI의 성능을 끌어낸다.
검증은 AI가 만든 결과를 그대로 믿지 않는 능력이다. 출처를 확인하고, 숫자를 다시 계산하고, 논리의 빈틈을 찾고, 중요한 판단은 사람이나 신뢰할 수 있는 자료로 재확인하는 과정이다. AI는 그럴듯하게 틀릴 수 있다. 그래서 에이전트 시대의 생산성은 "많이 맡기는 것"만이 아니라 "제대로 확인하는 것"에서 나온다.
자동화는 반복되는 일을 흐름으로 만드는 능력이다. 매번 새로 지시하지 않고, 자주 하는 업무를 템플릿과 절차로 바꾸는 것이다. 예를 들어 매주 월요일마다 업계 뉴스를 모으고, 핵심 이슈를 요약하고, 우리 사업에 미칠 영향을 정리하는 흐름을 만들 수 있다. 회의록을 넣으면 할 일 목록을 뽑고, 담당자를 정리하고, 후속 이메일 초안을 만드는 흐름도 만들 수 있다.
이 세 가지가 합쳐지면 AI 활용은 취미가 아니라 업무 운영법이 된다.
작은 예: 보고서 하나가 만들어지는 방식의 변화
변화를 더 선명하게 보기 위해 보고서 작성 과정을 비교해 보자.
예전 방식은 이랬다. 사람이 검색한다. 자료를 읽는다. 필요한 부분을 복사해 메모한다. 표를 만든다. 초안을 쓴다. 상사에게 지적받는다. 다시 고친다. 출처를 정리한다. 슬라이드로 바꾼다. 이 과정은 며칠이 걸릴 수도 있다.
대화형 챗봇 시대에는 중간중간 AI에게 도움을 받을 수 있었다. "이 문단 요약해줘." "보고서 목차 추천해줘." "문장을 더 전문적으로 바꿔줘." 이것만으로도 속도는 빨라졌다.
파일을 읽는 AI가 나오자, PDF 보고서와 내부 자료를 업로드해 요약하게 할 수 있었다. 사람이 모든 문서를 처음부터 읽지 않아도 핵심을 빠르게 파악할 수 있게 되었다.
도구를 쓰는 AI가 나오자, 데이터 계산과 차트 생성, 웹 검색 기반 업데이트가 가능해졌다. 단순 요약이 아니라 분석의 일부를 맡길 수 있게 된 것이다.
에이전트 단계에서는 전체 흐름을 맡길 수 있다. "이 주제로 자료를 찾고, 신뢰할 만한 출처를 우선 정리하고, 내부 파일과 비교하고, 보고서 초안을 만들고, 근거가 약한 부분은 표시해줘. 최종 제출 전에는 나에게 확인받아." 이렇게 요청할 수 있다.
사람이 사라진 것이 아니다. 사람은 더 위쪽으로 올라간다. 자료를 일일이 찾는 사람에서, 조사 방향을 정하는 사람으로. 문장을 처음부터 쓰는 사람에서, 메시지와 판단을 다듬는 사람으로. 반복 작업을 수행하는 사람에서, 업무 흐름을 설계하는 사람으로 이동한다.
생산성의 중심이 '손'에서 '판단'으로 이동한다
AI 에이전트가 강력해질수록 많은 사람이 묻는다. "그럼 이제 사람은 무엇을 해야 하지?" 이 질문은 불안하지만, 동시에 매우 현실적이다.
답은 명확하다. 사람은 판단해야 한다.
AI는 후보를 많이 만들 수 있다. 자료를 빨리 읽을 수 있다. 표를 정리할 수 있다. 초안을 쓸 수 있다. 반복 작업을 대신할 수 있다. 하지만 무엇이 중요한지, 어떤 리스크를 감수할지, 누구에게 어떤 메시지를 전달할지, 이 결정을 지금 내려도 되는지는 결국 사람이 판단해야 한다.
그래서 앞으로의 AI 활용 능력은 단순히 "AI에게 일을 많이 시키는 능력"이 아니다. AI에게 맡길 일과 맡기면 안 되는 일을 구분하는 능력이다. 초안을 맡기되 최종 판단은 사람이 한다. 검색을 맡기되 출처는 확인한다. 반복 입력은 맡기되 결제, 제출, 발송, 법적 판단은 승인 단계를 둔다.
에이전트 시대에 가장 위험한 사람은 AI를 안 쓰는 사람이 아니라, AI를 아무 검증 없이 믿는 사람일 수 있다. 반대로 가장 강력한 사람은 AI를 의심만 하는 사람도 아니다. AI가 잘하는 일을 정확히 맡기고, 사람이 해야 할 판단을 놓치지 않는 사람이다.
이 책을 읽는 방식
이 장은 출발점이다. 지금 우리가 어디에 서 있는지 확인하기 위한 지도다. 생성형 AI는 대화형 챗봇에서 출발해, 파일을 읽고, 도구를 쓰고, 이제는 작업을 수행하는 에이전트로 이동하고 있다. 이 흐름을 이해하면 AI 활용의 관점이 바뀐다.
앞으로 우리는 프롬프트 문장을 몇 개 외우는 데서 멈추지 않을 것이다. 좋은 지시문의 구조를 배우고, 답변 품질을 끌어올리는 반복 루프를 익히고, 리서치·글쓰기·문서·데이터·코딩·자동화 업무에 AI를 붙이는 방법을 다룰 것이다. 그리고 마지막에는 개인과 조직이 AI를 어떻게 업무 시스템으로 받아들여야 하는지 살펴볼 것이다.
이제 AI에게 "뭐라고 물어볼까?"만 생각해서는 부족하다.
이렇게 물어야 한다.
"이 일을 어떤 단위로 나눌까?"
"AI에게 어디까지 맡기고, 나는 어디서 판단할까?"
"한 번 쓰고 끝낼 것이 아니라, 다음에도 반복할 수 있는 흐름으로 만들 수 있을까?"
이 질문을 하기 시작하는 순간, 당신은 단순한 AI 사용자가 아니라 AI 업무 관리자가 된다. 그리고 에이전트 시대의 생산성은 바로 그 지점에서 시작된다.
참고
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.