우리가 원하는 건 결국 자동화다:AI 에이전트와 워크플로우를 논할 때 놓치고 있던 것들

2025-04-23 | 개발 이야기, 사이냅 이야기

안녕하세요, Documnet AI 기업 사이냅소프트입니다 🥰

오늘은 AI Agent, MCP 이야기를 합니다. 한 턴 늦게 주제를 가져온 대신, 실용적인 초점으로 이야기합니다.

인간의 ‘일을 덜고 싶다‘는 욕망에서 출발한 자동화

인류 역사를 돌이켜보면 기술의 발전은 늘 ‘일을 덜어내고 싶다‘는 인간의 근본적인 욕망에서 비롯되었습니다.

자동화는 단순히 기술적 발명품이 아니라, 더 쉽고, 더 빠르고, 더 정확하게 일을 대신하고 싶어하는 본질적인 욕구의 표현입니다.

이 욕망은 시대를 초월하여 변함없이 지속되어 왔으며,

오늘날 AI 기술의 발전으로 그 범위가 반복적인 단순 업무에서 복잡한 판단과 결정까지 확장되고 있습니다.

도구가 아닌 목적 중심의 사고 필요성

현재 우리는 ‘워크플로우‘, ‘AI’, ‘에이전트‘와 같은 개념에 너무 집착한 나머지, 자동화의 근본적인 목적을 간과하곤 합니다.

기술 자체가 목적이 되어버리는 함정에 빠지기 쉬운 것이죠.

새로운 기술이 뭐가 나왔지? MCP가 뭐지, Agent 정의가 뭐지? 왜 이건 Agent가 아니라고 하는거지? 라고 개발자가 아닌 데도

테크 정보들을 끊임없이 구독하고, 놓친 기술들에 대해서 불안해하는 것을 저는 기술의 함정에 빠졌다고 합니다.

하지만 진정한 혁신은 항상 ‘왜 우리가 이 일을 자동화하려고 하는가?’라는 질문에서 시작됩니다. 마음 편안하게 흐름을 정리해봅시다.

목적에 따라 자동화 기술이 어떻게 진화해왔는가?

출처: 로봇신문사, NIA 의 RPA 도입 설명

자동화 기술은 다양한 비즈니스 요구에 부응하며 진화해왔습니다.

초기의 단순 규칙 기반 자동화에서 시작하여 머신러닝과 인공지능을 활용한 복잡한 의사결정 시스템으로 발전했습니다.

이러한 진화는 단순히 기술적 발전이 아니라, 자동화의 목적이 단순 업무 대체에서 전략적 의사결정 지원으로 확장된 결과입니다.

1. 자동화의 첫 번째 물결: 워크플로우(Workflow)

워크플로우의 등장과 의미

n8n의 노코드 워크플로우 작성 과정

워크플로우 자동화는 명확하게 정의된 비즈니스 프로세스를 자동화하는 데서 시작되었습니다.

사전에 정의된 규칙과 조건에 따라 작업을 순차적으로 처리하는 것이 특징입니다.

RPA(Robotic Process Automation), Zapier, IFTTT와 같은 도구들은 이러한 워크플로우 자동화의 대표적인 예입니다.

이들은 ‘만약 A가 발생하면, B를 수행한다‘라는 간단한 논리를 기반으로 작동합니다.

워크플로우의 장점과 한계

워크플로우 자동화의 가장 큰 장점은 예측 가능성과 명확한 관리입니다.

일련의 단계가 명확하게 정의되어 있기 때문에, 결과를 쉽게 예측할 수 있고 문제가 발생했을 때 디버깅이 용이합니다.

또한 비기술적 배경을 가진 사용자도 쉽게 이해하고 관리할 수 있습니다.

그러나 워크플로우 자동화는 변화하는 상황에 대응하는 능력이 제한적이라는 한계가 있습니다.

사전에 정의되지 않은 예외 상황이 발생하면 처리하지 못하거나 오류를 발생시킬 수 있습니다.

또한 복잡한 의사결정이 필요한 경우에는 적합하지 않을 수 있습니다.

예시: Zapier가 대중화한 노코드 자동화

zapier의 트리거와 액션 예시

스타트업 비개발자들이 거의 한번씩은 다 써본 대중적인 노코드 자동화 서비스 zapier로 예시를 들어보겠습니다.

Zapier는 ‘트리거와 액션‘이라는 간단한 개념을 통해 수백 개의 앱과 서비스를 연결할 수 있게 했습니다.

예를 들어, 새 이메일이 도착하면(트리거) 그 내용을 스프레드시트에 기록하고(액션 1)

팀에 Slack 메시지를 보내는(액션 2) 워크플로우를 코딩 없이 구성할 수 있습니다.

이런 방식은 기술적 지식이 없는 비즈니스 사용자들도 자신의 업무를 효율화할 수 있게 해주었습니다.

엑셀을 주로 다루시는 분들은 대신 MS의 Power Automate를 자주 쓰시죠. zapier가 노코드 툴 중에서도 스타트업 업계에 널리 받아들여진 것에는슬랙, 구글 스위트, 노션, 카카오톡 메세지 등 스타트업이 자주 사용하는 기존의 업무 도구들과의 연동이 쉬웠기 때문이기도 합니다.

2. 워크플로우 모델의 진화: AI 워크플로우의 등장

AI가 기존 워크플로우를 더 강력하게 만든 과정

AI 기술, 특히 기계학습과 자연어 처리 기술의 발전은 기존 워크플로우의 한계를 극복하게 했습니다. 전통적인 워크플로우가 구조화된 데이터와 명확한 규칙에 의존했다면, AI 워크플로우는 비정형 데이터를 처리하고 패턴을 인식하여 더 넓은 범위의 업무를 자동화할 수 있게 되었습니다. 이메일 내용 이해, 이미지 인식, 음성 처리와 같은 작업이 가능해지면서 자동화의 영역이 크게 확장되었습니다.

생성형 AI를 통한 할 일 자동 생성 시대 개막

특히 GPT와 같은 생성형 AI의 등장은 워크플로우 자동화의 새로운 지평을 열었습니다. 이제 AI는 단순히 정보를 처리하는 것을 넘어, 콘텐츠를 생성하고, 이메일에 자동으로 답장하고, 보고서를 작성하는 등 창의적인 작업까지 수행할 수 있게 되었습니다. 이러한 발전은 지식 노동자의 일상적인 업무 방식을 근본적으로 변화시키고 있습니다.

초기엔 이를 ‘AI 에이전트‘로 부르던 시기 (혼재된 개념의 시절)

생성형 AI가 처음 등장했을 때, 이를 활용한 자동화 솔루션은 종종 ‘에이전트’라는 용어로 불렸습니다. 그러나 이 시기의 ‘에이전트’는 오늘날 우리가 이해하는 것과는 다른 의미를 가졌습니다. LangChain과 같은 프레임워크의 등장은 생성형 AI와 다양한 도구를 연결하여 복잡한 작업을 수행할 수 있는 기반을 마련했지만, 어떤것이 ‘에이전트’인지에 대한 개념은 아직 명확히 정립되지 않았습니다.

예시: ChatGPT와 Zapier 통합 사례

챗gpt를 zapier에 연동해 나온 결과값을 zapier의 다른 액션들(노션이나 메일에 무언가를 작성하기, 생성하기)할 수 있습니다.

ChatGPT와 Zapier의 통합은 자연어 명령을 통해 복잡한 워크플로우를 활성화할 수 있게 했습니다. 사용자는 “지난 주 판매 데이터를 분석하고 마케팅 팀에 보고서를 보내줘”와 같은 자연어 지시를 내리면, ChatGPT가 이를 해석하여 Zapier의 워크플로우를 실행합니다. 이는 생성형 AI가 기존 워크플로우 자동화 도구의 사용성을 어떻게 향상시키는지 보여주는 좋은 예입니다.

3. AI 에이전트 개념의 구체화와 분화: Anthropic의 역할

현재는 AI 워크플로우와 AI 에이전트의 혼재 상황

AI 기술이 발전함에 따라 ‘AI 워크플로우‘와 ‘AI 에이전트‘라는 개념 사이의 경계가 모호해졌습니다. 많은 기업과 개발자들이 두 용어를 혼용하며 사용하고 있어 시장에는 혼란이 존재합니다. 어떤 솔루션은 단순한 AI 워크플로우이지만 마케팅 목적으로 ‘에이전트‘라고 부르는 경우도 있고, 반대로 고급 에이전트 기능을 갖추고 있지만 ‘워크플로우‘로 분류되는 경우도 있습니다.

Anthropic은…

이러한 혼란 속에서 Anthropic(Claude)은 AI 에이전트에 대한 나름의 정의를 제시했습니다. Anthropic에 따르면, AI 에이전트와 AI 워크플로우를 구분하는 핵심 요소는 ‘오케스트레이션(Orchestration)’의 유무입니다. 오케스트레이션이란 AI가 다양한 작업과 도구를 상황에 맞게 조율하고 관리하는 능력을 의미합니다.

AI 에이전트를 어떻게 만들지에 대한 Anthropic의 고민이 위의 영상에서 드러나는데요. 공유드립니다.

AI 에이전트의 핵심: 환경 인식, 상황 판단, 능동적 의사결정과 적응

AI 에이전트는 단순히 미리 정의된 단계를 따르는 것이 아니라, 환경을 인식하고, 상황을 판단하며, 자율적으로 의사결정을 내리고, 변화하는 조건에 적응할 수 있는 능력을 갖추고 있습니다. 이는 사전에 프로그래밍된 규칙 대신, AI 모델이 스스로 적절한 행동 과정을 결정한다는 것을 의미합니다.

예시: 원전 ‘AI 에이전트’

원전 AI 에이전트 예시_ 한국원자력연구원의 유용균 실장 발표

해외 기업 대신 국내 공공분야에서 구축한 사례를 가져왔습니다. 한국원자력연구원에서 발표한 원전 AI 에이전트는 원전에 부착된 센서와 CCTV를 통해 얻는 운영 데이터, 디지털트윈을 활용한 예측 시나리오, 원전 운영 매뉴얼에 관한 정보가 ‘AI 운전원’에 집중된다. 원전 관리자는 AI 운전원이 수집한 자료와 처분을 LLM을 통해 파악하고 필요한 조치를 내리는데요.

이때 AI 운전원이 자료를 수집해 전달하는 역할에 머물지 않고 자주적으로 상황을 파악해 적절한 조치를 내릴 능력이 있다는 게 특징입니다.

그래서 ‘에이전트(agent)’라는 이름이 붙었다고 설명합니다. 원전 업무 프로세스의 일부는 논리적 흐름을 따르지만(워크플로우인가요?), 에이전트에 해당하는 ‘환경’ 을 인식해서 ‘판단’을 내리는 영역이 있다는 걸 확인했고, 해당 예시에서도 볼 수 있습니다.

자세한 기사는 [데일리한국] ‘AI 에이전트’가 원전 운영하며 사람에 보고하는 시대 올까? 에서도 더 볼 수 있습니다.

워크플로우 부터 AI 에이전트까지 정리해보기

항목	일반 워크플로우	AI 워크플로우	AI 에이전트
자동화 범위	반복적, 정형적	정형 + 비정형	비정형, 예외상황까지 대응 가능
판단 주체	규칙 기반	부분적 AI 판단	AI 스스로 상황 판단 및 대응
유연성	낮음	중간	높음
설계 복잡도	낮음	중간	높음
적용 시나리오	고정 업무 처리	비정형 포함 업무	빈번한 변화 및 복합적 의사결정이 필요한 업무

두 개념은 경쟁이 아니라 목적과 상황에 따라 선택적 조합 가능

AI 워크플로우와 AI 에이전트는 아직 정의상으로 영역이 겹치면서, 어느정도 상호 보완적인 관계에 있습니다.

모든 자동화 요구사항에 에이전트가 필요한 것은 아니며, 때로는 더 예측 가능하고 관리하기 쉬운 워크플로우가 더 적합할 수 있습니다.

반대로, 복잡하고 변화가 많은 환경에서는 에이전트의 유연성과 적응력이 중요한 이점이 될 수 있습니다.

핵심은 비즈니스 목표와 상황에 맞는 적절한 자동화 방식을 선택하는 것입니다.

4. MCP(Multi-agent Collaboration Platform)의 등장과 변화된 AI 에이전트 논의

MCP의 등장으로 AI 에이전트 논의가 어떻게 바뀌었는가?

MCP 아키텍쳐를 비유한 그림

최근 AI 에이전트 기술은 단일 에이전트 모델에서 여러 에이전트가 협업하는 모델로 발전하고 있습니다. Multi-agent Collaboration Platform(MCP)의 등장은 이러한 변화를 가속화했습니다. MCP는 각기 다른 역할과 전문성을 가진 여러 AI 에이전트가 서로 소통하고 협력하여 복잡한 문제를 해결하는 플랫폼입니다. 앞서 말한 Anthropic 에서 제시했는데, 이걸 ‘AI 앱을 위한 USB-C 포트’라고 비유했습니다. 위의 그림처럼요.

MCP로 인한 패러다임 변화: 협업 에이전트 모델의 실용화 가속

이 기술이 요근래 모든 기사에서 보이게 되는 의의는 단순합니다. AI Agent 개발이 개발자들에게 훨씬 쉬워질 수 있는 표준을 제공한 것입니다. USB-C 포트 가 호환성을 높이며 더 복잡한 연결을 구상할 수 있게 되었습니다. 단일 에이전트가 모든 작업을 처리하는 방식에서 전문화된 에이전트들이 협업하는 방식으로의 전환은 자동화의 가능성도 크게 확장합니다.

5. 워크플로우와 에이전트 도입 시 흔히 겪는 문제

워크플로우: 변화 대응 한계

워크플로우 자동화의 주요 한계는 변화하는 비즈니스 환경에 적응하기 어렵다는 점입니다. 비즈니스 요구사항이 변경되면 워크플로우도 재설계해야 하며, 이는 시간과 비용이 소요되는 작업입니다. 또한 워크플로우는 예외 상황 처리에 취약하여, 예상치 못한 입력이나 상황에서 오작동할 가능성이 있습니다.

AI 에이전트: 통제의 어려움, 예측 불가능성

반면 AI 에이전트는 더 유연하지만, 그만큼 통제와 예측이 어렵다는 문제가 있습니다. 에이전트가 내린 결정을 이해하고 검증하기 어려울 수 있으며, 때로는 예상치 못한 행동을 할 수 있습니다. 또한 에이전트 시스템은 설계와 구현이 복잡하여 초기 도입 비용이 높고 전문 지식이 필요합니다.

자동화 도구를 선택할 때 현실적으로 고려해야 하는 요소들

자동화 도구를 선택할 때는 기술적 가능성뿐만 아니라 조직의 현실적 여건도 고려해야 합니다. 조직의 기술적 성숙도, 자동화하려는 프로세스의 복잡성과 변동성, 가용 예산, 구현 시간, 그리고 기존 시스템과의 통합 가능성 등을 종합적으로 평가해야 합니다. 너무 복잡한 솔루션은 실패 위험이 높기 때문에, 단계적 접근이 현명할 수 있습니다.

결론: 도구가 아닌 목적 중심의 자동화를 위한 가이드라인

결국 목표는 사람의 일을 더 잘 대신하고 효율화하려는 욕망의 실현

우리는 zapier 같은 노코드 워크플로우 툴 부터 Anthropic가 제시한 MCP 까지 살펴봤습니다. 자동화 기술이 발전함에 따라 다양한 도구와 방법론이 등장했지만, 그 근본적인 목적은 변함이 없습니다 – 인간의 일을 더 효율적으로, 더 정확하게, 더 빠르게 수행하는 것입니다. 우리는 기술적 용어와 트렌드에 집착하기보다, 이 본질적인 목적을 항상 염두에 두어야 합니다.

성공적인 자동화 전략은 ‘어떤 기술을 사용할 것인가?’가 아니라 ‘무엇을 달성하고자 하는가?’라는 질문에서 시작됩니다.

먼저 자동화를 통해 얻고자 하는 구체적인 비즈니스 목표를 명확히 정의한 후, 그 목표를 가장 효과적으로 달성할 수 있는 기술적 접근 방식을 생각해야하는 것은 우리가 종이에서 그림을 그리며 일을 계획하던 때의 원칙과 크게 다르지 않은 것 같습니다.

더 읽어보기

오늘의 글이 재밌으셨다면 사이냅소프트에서 다음의 페이지들을 읽어보시면 좋을 것 같습니다. 기본적인 RPA 자동화나 IDP를 위해서 OCR을 도입하실 예정이실 수도 있고, 기업 내 여러 문서를 LLM이 활용할 수 있도록 RAG 구축을 위해서 디지털 문서를 변환해야한다면 사이냅 도큐애널라이저 가 필요하실 수도 있습니다.