[작성자:] Saturn

  • OpenAgents Workspace란? AI 에이전트를 한곳에서 협업시키는 법

    OpenAgents Workspace란? AI 에이전트를 한곳에서 협업시키는 법

    Claude Code에 개발을 맡기고, Codex에 검토를 요청한 뒤, 조사 담당 에이전트의 자료를 다시 복사해 붙여 넣는다. 에이전트는 여러 개지만 대화와 결과물이 흩어져 있으면 사람이 계속 중간 전달자가 된다. OpenAgents Workspace는 이렇게 분산된 사람과 AI 에이전트를 하나의 협업 공간에 연결하려는 도구다.

    Read in English

    여기서 말하는 OpenAgents는 openagents.org의 OpenAgents Workspace다. OpenAI Agents SDK나 비슷한 이름의 개인 비서·코딩 도구와는 다른 프로젝트다. 공식 유튜브 소개 영상과 웹 문서를 바탕으로 무엇을 연결하고, 어떻게 협업하며, 도입 전에 무엇을 확인해야 하는지 살펴보자.

    OpenAgents Workspace는 새로운 AI 모델보다 ‘함께 일하는 공간’에 가깝다

    공식 문서는 OpenAgents를 사람과 AI 에이전트가 같은 대화·파일·작업을 중심으로 협업하는 플랫폼으로 소개한다. 여러 에이전트를 한 화면에서 보는 것에 그치지 않고, 한 스레드에서 요청을 나누고 결과를 검토하는 데 초점이 있다.

    Claude Code·Codex·OpenClaw처럼 이미 사용하는 에이전트를 연결할 수 있다. 각 에이전트의 실행 환경을 유지하면서, Workspace가 메시지와 공유 자료, 업무의 흐름을 연결하는 구조다. 모든 에이전트를 새로운 단일 모델로 바꾸는 제품은 아니다.

    공식 소개 영상은 Claude Code가 코드를 작성하고, Codex가 그림을 넘기고, OpenClaw가 빌드를 살피는 협업 장면을 보여준다. 이는 제품의 사용 흐름을 설명하는 시연이며, 모든 작업이 같은 속도나 품질로 완료된다는 독립적인 성능 시험은 아니다.

    OpenAgents 공식 소개 영상의 공유 대화와 브라우저 협업 시연
    출처: OpenAgents 공식 소개 영상 1.0, 시연 장면 00:18. 관련 논의를 설명하기 위한 장면 인용.

    영상은 2026년 8월의 Workspace 1.0 소개다. 현재 공식 제품 페이지는 v1.1을 안내하고 있으므로, 영상의 화면과 최신 기능 이름이 다를 수 있다. 이 글은 2026년 10월 28일 확인한 공식 문서를 함께 기준으로 삼았다.

    Workspace와 Launcher는 같은 역할이 아니다

    처음 살펴볼 때 가장 헷갈리기 쉬운 것은 협업 공간과 에이전트 실행 도구의 차이다.

    Workspace: 대화와 자료, 진행 상황이 모이는 곳

    Workspace는 브라우저에서 여는 협업 공간이다. 공식 안내에는 Threads, Files, Knowledge, Browser, Tasks, Workflows, Routines, Inbox 등의 기능이 소개돼 있다. 최신 v1.1 제품 페이지는 Issues와 공유·승인 제어도 강조한다.

    사람이 요청을 남기고, 에이전트가 결과를 전달하고, 검토 담당자가 피드백을 남기는 자리가 Workspace다. 웹뿐 아니라 데스크톱과 모바일에서 접근하는 흐름도 제공한다.

    Launcher: 에이전트를 실행하고 공간에 연결하는 쪽

    Launcher는 내 컴퓨터에서 에이전트를 설치·설정·실행하고 Workspace에 연결하는 도구다. 원격 서버를 연결하는 CLI 방식도 안내된다. 로컬 파일을 다루는 에이전트가 필요하다면 어디서 실행되고 어떤 폴더에 접근할지 설정해야 한다.

    반대로 공식 문서는 설치 없이 시작하는 Cloud Agent 경로도 소개한다. 따라서 Workspace를 사용하려면 모든 사람이 반드시 같은 데스크톱 앱부터 설치해야 하는 것은 아니다. 클라우드 에이전트로 시작할지, 내 PC나 서버의 에이전트를 연결할지를 먼저 정하면 구성이 명확해진다.

    이 구분은 실행 지속성에도 중요하다. 휴대전화에서 Workspace에 접속할 수 있다고 해서 꺼진 노트북의 로컬 에이전트가 계속 일하는 것은 아니다. 장시간 작업하려면 연결한 컴퓨터·서버와 에이전트 프로세스, 모델 서비스가 계속 사용 가능해야 한다.

    시작 흐름: 공간 만들기보다 ‘연결 후 첫 응답’까지 확인한다

    최신 공식 시작 문서는 로그인 기반의 호스팅 서비스를 안내한다. 기본 흐름은 다음과 같다.

    1. 로그인하고 Workspace 열기: 공식 사이트에서 계정으로 들어가 자신의 작업 공간을 연다.
    2. 실행 위치 선택하기: Cloud Agent, 로컬 컴퓨터, 원격 서버 중 어디에서 에이전트를 실행할지 결정한다.
    3. 장치 또는 에이전트 연결하기: Connect Agent나 데스크톱의 연결 화면을 통해 필요한 절차를 진행한다.
    4. 인증과 모델 설정 완료하기: 연결한 에이전트의 제공자 로그인·API 설정을 확인한다.
    5. Threads에서 작은 요청 보내기: 실제 응답과 파일 접근·결과 전달까지 확인한다.

    예를 들어 처음에는 민감하지 않은 문서 하나를 공유하고 “이 문서의 핵심과 확인이 필요한 항목을 나눠 달라”고 요청할 수 있다. 연결 상태가 온라인으로 보이는 것과 실제 모델 호출·파일 작업이 성공하는 것은 다르므로, 첫 결과를 확인하는 단계가 필요하다.

    제품 README나 초기 영상에는 계정 없이 시작하는 설명이 남아 있을 수 있다. 이 글의 시작 순서는 현재 공식 온보딩 문서를 기준으로 한다. 설치한 버전이나 자체 호스팅 방식에 따라 인증 흐름이 다르면 해당 가이드를 확인해야 한다.

    이 글을 작성하면서 사용자의 PC에 OpenAgents를 설치하거나 외부 Workspace를 생성·연결하지는 않았다. 공식 영상과 문서를 대조한 가이드이며, 별도 환경에서 설치를 재현한 사용기는 아니다.

    Threads·Files·Knowledge: 대화와 자료를 연결하는 기본 단위

    공식 문서에서 Threads는 사람과 에이전트가 함께 참여하는 지속적인 대화다. 에이전트가 스레드의 이전 내용을 참고하고, 다른 담당자의 결과를 이어받는 방식으로 설명된다.

    @claude처럼 대상을 지정해 요청하거나, 여러 담당자에게 역할을 나눌 수 있다. 다만 실제 사용할 이름은 자신의 Workspace에 연결된 에이전트 목록에서 확인해야 한다. 이름만 입력했다고 존재하지 않는 에이전트가 자동으로 준비되는 것은 아니다.

    자료는 용도에 따라 구분해 두는 편이 좋다.

    • Threads: 진행 중인 요청, 질문, 판단과 결과 논의.
    • Files: 업무에 필요한 문서와 에이전트가 생성한 산출물.
    • Knowledge: 여러 대화에서 다시 사용할 프로젝트 배경·규칙·결정 사항.
    • Inbox: 완료 알림이나 예약 작업 결과처럼 나중에 확인할 소식.

    프로젝트의 최신 용어와 작성 기준을 Knowledge에 정리하고, 개별 과업의 초안을 Files로 주고받으면 매번 긴 설명을 붙이는 일을 줄일 수 있다. 다만 공유한 문서가 최신이고 정확한지는 별도로 관리해야 한다. 여러 에이전트가 같은 잘못된 자료를 참고하면 오류도 함께 확산될 수 있다.

    OpenAgents에서 사람과 AI 에이전트가 같은 팀으로 참여하는 소개 화면
    출처: OpenAgents 공식 소개 영상 1.0, 시연 장면 00:36. 관련 논의를 설명하기 위한 장면 인용.

    공식 소개 영상은 팀원을 초대하고 사람과 에이전트가 같은 대화에서 일하는 흐름도 보여준다. 이는 사람이 빠지는 자동화보다, 필요한 순간에 사람이 판단을 보태는 협업 구조로 이해하는 편이 적절하다.

    협업 방식은 ‘여러 명 호출’보다 역할과 순서를 정하는 문제다

    공식 협업 문서에는 다음과 같은 모드가 소개된다.

    • Dynamic: 메시지에 따라 다음에 응답할 에이전트를 라우터가 선택하는 방식.
    • Master / sub-agents: 스레드의 리더가 요청을 받고 다른 담당자에게 나눠 맡기는 방식.
    • Workflow: 저장한 단계에 따라 업무를 진행하는 방식.

    최신 v1.1 제품 안내는 proactive·passive 응답 선택과 실행 담당자·검토 담당자의 역할 구분도 설명한다. 문서와 제품 화면의 용어가 다를 수 있으므로, 현재 버전의 스레드 설정을 확인하는 것이 좋다.

    중요한 것은 모드 이름보다 실제 업무의 책임이다. 단순히 “다 같이 알아서 해줘”라고 요청하기보다 누가 초안을 만들고, 누가 어떤 기준으로 검토하며, 무엇을 사람에게 보고할지 정하는 편이 낫다.

    예를 들어 개발 작업은 다음처럼 나눌 수 있다. 아래는 공식 데모를 그대로 재현한 결과가 아니라 적용 예시다.

    1. 실행 담당자가 변경 범위와 구현안을 제안한다.
    2. 검토 담당자가 요구사항·권한·오류 가능성을 확인한다.
    3. 실행 담당자가 승인된 범위만 수정하고 테스트 결과를 남긴다.
    4. 사람이 변경 내용과 미확인 항목을 검토한 뒤 병합·배포 여부를 결정한다.

    에이전트끼리 긍정적인 답을 주고받았다는 사실은 검증 완료와 다르다. 최종 결과는 실제 변경 파일과 테스트 기록, 근거 문서로 확인해야 한다.

    Tasks·Issues·Workflows·Routines는 무엇을 나눠 관리할까

    대화만으로 업무를 관리하면 요청이 어디까지 진행됐는지 놓치기 쉽다. 공식 문서는 상태를 추적할 작업 보드, 단계형 자동화와 예약 실행을 별도로 안내한다.

    Tasks와 Issues: 담당과 진행 상태 추적

    소개 영상과 문서는 작업의 대기·진행·완료 상태를 보여준다. 최신 v1.1 안내의 Issues는 담당자·참여자·라벨·논의를 스레드와 자료에 연결하는 기능으로 소개된다.

    이런 기능은 “대화에서 요청했다”와 “누가 끝까지 맡아 처리한다”를 구분하는 데 활용할 수 있다. 다만 완료 카드만 보고 실제 산출물이 존재하고 요구사항을 충족하는지 확인하는 절차를 생략해서는 안 된다.

    Workflows: 반복할 업무의 단계 연결

    Workflows는 여러 단계를 연결하는 자동화다. 공식 영상에는 에이전트의 초안, 사람의 검토, 다른 담당자의 후속 작업을 잇는 화면이 등장한다. 매번 같은 순서로 진행하는 보고서나 검토 업무에 적용할 수 있는 구조다.

    에이전트와 사람의 검토를 연결한 OpenAgents Workflows 소개 화면
    출처: OpenAgents 공식 소개 영상 1.0, 시연 장면 00:58. 관련 논의를 설명하기 위한 장면 인용.

    자동화 단계에는 성공 경로만 두기보다 자료 부족·검토 반려·실행 실패 때 어디서 멈추고 누구에게 알려야 하는지도 정하는 것이 좋다.

    Routines: 정해진 시점에 반복 실행

    Routines는 정해진 일정에 작업을 실행하고 결과를 대화나 Inbox로 받는 기능이다. 예를 들어 평일마다 고객 피드백을 요약하거나, 정기적으로 자료를 확인하는 업무를 생각해 볼 수 있다.

    OpenAgents Routines로 반복 작업을 예약하는 공식 소개 화면
    출처: OpenAgents 공식 소개 영상 1.0, 시연 장면 00:50. 관련 논의를 설명하기 위한 장면 인용.

    영상의 ‘24/7’ 표현은 예약 실행의 방향을 보여주는 홍보 문구로 읽어야 한다. 실제 실행은 연결 상태·서버 가동·모델 한도·작업 설정에 영향을 받는다. 무한 무료 실행이나 중단 없는 운영이 보장된다는 뜻은 아니다.

    연구·보고서 업무에는 어떻게 적용할 수 있을까

    개발 외에도 자료 수집·검토·집필처럼 역할이 나뉘는 업무를 적용 대상으로 생각해 볼 수 있다. 다음은 이 글의 실무 제안이며, 해당 조직에서 효과를 검증한 사례는 아니다.

    • 조사 담당: 공식 원문과 날짜, 인용 가능한 근거를 정리한다.
    • 검토 담당: 출처 누락·오래된 자료·상충하는 수치를 확인한다.
    • 집필 담당: 검토한 자료를 바탕으로 초안을 작성한다.
    • 사람: 사실과 해석, 공개 가능한 범위를 확인하고 최종 승인한다.

    Workspace에는 요청과 결과, 공유 자료를 모으고, 다음 업무에서도 쓸 작성 규칙은 Knowledge에 남길 수 있다. 이때 수집 담당의 요약을 원문으로 착각하지 않도록 출처 링크와 확인 범위를 함께 보관하는 것이 좋다.

    처음부터 많은 에이전트를 연결하기보다, 초안 담당과 검토 담당처럼 작은 조합으로 시작해 전달 누락과 검토 시간을 확인하는 편이 현실적이다. 협업 도구가 추가될수록 사람이 이해해야 할 변경과 판단도 늘 수 있기 때문이다.

    도입 전에 확인할 권한·데이터·비용

    로컬 실행과 데이터의 로컬 보관은 다른 이야기다

    공식 보안 안내는 로컬 에이전트의 코드 실행이 자신의 컴퓨터에서 이뤄진다고 설명한다. 동시에 호스팅 서버에는 메시지·에이전트 응답·관련 메타데이터가 저장된다고 안내한다. 사용자가 공유한 파일과 대화 내용도 서비스 이용 방식에 맞춰 검토해야 한다.

    따라서 “에이전트가 로컬에서 실행된다”를 “모든 정보가 내 PC 밖으로 나가지 않는다”로 바꿔 읽으면 안 된다. 모델에 보낼 내용, Workspace에 올릴 자료, 외부 공유 대상을 구분해야 한다.

    공식 메시징 문서는 대화의 공개 스냅샷 링크도 안내한다. 공유 링크를 만들기 전에는 비밀정보·고객 자료·내부 의사결정이 포함돼 있지 않은지 확인하는 편이 좋다.

    팀 공유와 에이전트 실행 권한을 따로 확인한다

    최신 v1.1 안내는 에이전트·장치의 기본 비공개와 접근 권한 부여, 에이전트 사용이나 행동에 대한 승인을 강조한다. 같은 Workspace에 초대했다고 모든 장치와 에이전트의 권한이 일괄 공유된다고 가정해서는 안 된다.

    반대로 화면에서 접근 권한을 나눴다는 사실만으로 실행 중인 에이전트가 운영체제 수준에서 격리됐다고 볼 수도 없다. 연결한 런타임의 파일·셸 권한과 승인 정책까지 확인해야 한다. 지원 목록에 이름이 있는 에이전트도 일부는 Beta이거나 실제 모델 연동 검증이 진행 중이므로 동일한 검증 수준으로 취급하지 않는다.

    무료 시작과 전체 운영비를 구분한다

    공식 사이트는 무료로 시작할 수 있다고 안내하지만, 모델 API·기존 에이전트 구독·원격 서버·브라우저 등의 비용은 별도로 확인해야 한다. 클라우드 에이전트에 제공하는 키와 로컬 Launcher에서 사용하는 키의 처리 경로도 구분해서 검토한다.

    오픈소스 플랫폼이라는 사실은 연결한 모든 모델과 외부 서비스까지 무료라는 뜻이 아니다. 반복 작업을 켜기 전에는 실행 빈도와 실패 시 재시도·알림 방식을 정해 두는 편이 좋다.

    자체 호스팅도 외부 전송을 자동 차단하지 않는다

    OpenAgents는 Apache 2.0 기반의 자체 호스팅을 안내한다. 협업 서버와 데이터를 자신의 인프라에서 관리하려는 조직이 검토할 수 있는 선택지다.

    다만 서버를 직접 운영해도 외부 모델 API나 다른 외부 서비스를 사용하면 관련 정보가 전달될 수 있다. 자체 호스팅과 폐쇄망 운영, 모델의 로컬 실행을 같은 것으로 취급하지 말고 데이터 흐름을 따로 설계해야 한다.

    어떤 경우에 검토할 만할까

    여러 에이전트와 사람이 같은 자료를 보고, 초안과 검토를 주고받고, 반복 업무를 추적해야 한다면 OpenAgents Workspace의 구조를 살펴볼 만하다. 반대로 혼자 단순한 질문을 처리하거나 에이전트 한 개로 끝나는 업무라면 협업 플랫폼이 불필요한 관리 단계를 더할 수도 있다.

    핵심 판단 기준은 연결 가능한 도구 수보다 자료와 결과가 덜 흩어지는지, 누가 무엇을 승인하는지 명확해지는지, 실제 산출물을 검증하기 쉬워지는지다. 작은 비공개 과업으로 시작해 이 조건을 확인한 뒤 적용 범위를 늘리는 것이 좋다.

    함께 읽으면 좋은 글

    FAQ

    OpenAgents Workspace와 OpenAI Agents SDK는 같은 것인가요?

    아니다. 이 글의 대상은 openagents.org의 협업 플랫폼이다. OpenAI Agents SDK와 이름이 비슷하지만 별도 프로젝트이며, 기존 에이전트들을 연결해 사람과 함께 일하는 공간에 초점을 둔다.

    Workspace를 쓰려면 Launcher도 반드시 설치해야 하나요?

    항상 그렇지는 않다. 공식 문서는 Cloud Agent로 시작하는 방법을 안내한다. 내 PC의 파일을 다루는 로컬 에이전트나 원격 장치를 연결하려면 Launcher·CLI 등 해당 연결 경로를 확인해야 한다.

    PC를 꺼도 예약 작업은 계속 실행되나요?

    꺼진 PC의 로컬 에이전트는 계속 실행될 수 없다. 예약을 유지하려면 에이전트가 실행되는 서버나 장치와 모델 서비스가 사용 가능해야 한다. Workspace에 접속 가능한 것과 에이전트가 가동 중인 것은 별개다.

    자체 호스팅하면 모든 데이터가 외부로 나가지 않나요?

    자동으로 그렇게 되지는 않는다. Workspace 서버를 직접 관리하는 것과 모델·외부 서비스에 전달되는 데이터를 통제하는 것은 다른 문제다. 사용하는 모델과 연결 도구까지 포함해 경로를 확인해야 한다.

    참고자료

    본문 이미지는 공식 소개 영상의 기능과 시연을 설명·비평하기 위한 캡처다. 영상 시연과 최신 문서, 이 글의 적용 제안을 구분했다. 별도의 설치 재현·성능 시험·보안 감사를 완료했다는 뜻은 아니다.

  • AI 코딩 인지 부채, Orca·Buzz보다 먼저 점검할 것

    AI 코딩 인지 부채, Orca·Buzz보다 먼저 점검할 것

    AI가 코드를 만들고, 다른 AI가 검토한 뒤 PR까지 올려 준다. 작업은 빨라 보이지만 정작 사람이 “왜 이렇게 바꿨고, 어디에 영향을 주는가”를 설명하지 못한다면 무엇이 남을까. 코드 생성 속도와 사람의 이해 속도 사이에 생기는 간극이 AI 코딩의 인지 부채다.

    Read in English

    모두의AI의 Orca·Buzz 사용 후기 영상은 이 문제를 다룬다. 두 도구가 나쁘다는 결론이 아니다. 제작자는 협업 방식의 가능성을 인정하면서도, 단일 에이전트의 결과를 이해하고 통제하는 능력보다 위임 범위가 먼저 커지는 상황을 경계한다. 도구의 기능 경쟁보다 개발자가 무엇을 확인해야 하는지에 초점을 맞춰 볼 만한 이유다.

    Orca와 Buzz가 편리해도 검토 책임은 사라지지 않는다

    영상은 Orca를 여러 코딩 에이전트와 모델을 한 작업 공간에서 연결하는 방식으로, Buzz를 사람과 에이전트가 채널에서 함께 대화하는 방식으로 소개한다. 제작자는 다른 모델에 검토를 맡기고, 역할을 나눠 개발한 뒤 PR을 받는 사용 경험을 설명한다.

    Orca와 Buzz의 에이전트 협업 방식을 비교하는 영상
    출처: 모두의AI, 원본 영상 01:35. 관련 논의를 설명하기 위한 장면 인용.

    이 글은 두 제품의 최신 사양과 성능을 독립 비교한 리뷰가 아니다. 화면에 포함된 생산성 배수 같은 홍보 문구도 측정 결과로 인용하지 않는다. 여기서 주목할 부분은 인터페이스가 아니라, 일을 넘기기 쉬워진 뒤 누가 결과를 이해하고 승인하는가다.

    AI가 AI에게 검토를 맡겼다는 사실만으로 검토가 독립적이거나 충분했다고 볼 수는 없다. 같은 전제를 받아들였거나, 같은 자료를 놓쳤거나, 중요한 실패 조건을 테스트하지 않았을 수 있다. 모델을 바꾸는 것은 관점의 차이를 얻을 수 있는 방법이지 오류가 제거됐다는 증명은 아니다.

    영상에서 제작자는 여러 에이전트가 만든 PR의 결과에 만족했다고 말한다. 동시에 변경한 파일과 의사결정을 따라가기 어려웠다는 부담도 이야기한다. 이 둘은 모순이 아니다. 결과가 그럴듯한 것과, 책임지고 수정할 수 있을 만큼 이해한 것은 다른 상태이기 때문이다.

    인지 부채는 ‘이해해야 할 일을 나중으로 미루는 것’이다

    영상에서 말하는 인지 부채는 AI가 작업한 내용을 이해하는 일을 뒤로 미룰수록 쌓이는 부담이다. 당장 화면이 정상으로 보이면 넘어가지만, 이후 장애나 추가 개발이 생겼을 때 처음부터 구조를 다시 파악해야 할 수 있다.

    이는 이 글에서 측정된 공식 지표나 모든 AI 사용자에게 적용되는 진단명이 아니다. 개발 과정에서 이해의 공백을 점검하기 위한 관점이다. 다음과 같은 상태를 살펴볼 수 있다.

    • 기능은 동작하지만 어떤 데이터와 파일을 거치는지 설명하기 어렵다.
    • AI가 남긴 요약은 읽었지만 실제 변경과 맞는지 확인하지 않았다.
    • 리뷰 댓글은 해결됐지만 어떤 테스트가 이를 뒷받침하는지 모른다.
    • 문제가 생기면 무엇을 되돌려야 하는지, 데이터까지 복구 가능한지 알기 어렵다.

    중요한 것은 코드를 전부 외우는 일이 아니다. 제작자도 모든 코드를 읽어야만 제품을 만들 수 있다는 주장을 하지는 않는다. 핵심은 시스템이 커질 때 변경의 범위와 주요 연결을 판단하고, 문제가 생겼을 때 수습할 수 있는 이해다.

    에이전트 수가 늘면 무엇을 더 확인해야 할까

    영상은 에이전트 사이에 가능한 관계가 늘어나는 도표를 보여준다. 모든 에이전트를 서로 한 쌍씩 연결하고 방향을 구분하지 않는다면 가능한 관계 수는 n(n-1)/2다. 이 가정에서 3개는 3쌍, 4개는 6쌍, 6개는 15쌍이다.

    에이전트 간 가능한 관계 수를 설명하는 영상 도표
    출처: 모두의AI, 원본 영상 12:15. 관련 논의를 설명하기 위한 장면 인용.

    다만 이 식은 가능한 연결을 세는 방식이다. 실제 메시지 수나 검토 비용이 반드시 그만큼 발생한다는 뜻은 아니다. 또 이 관계 수는 이차식이지, 수학적으로 지수 증가를 입증하는 식은 아니다. 중앙 조율자가 있는지, 누가 누구에게 결과를 전달하는지에 따라 실제 부담은 달라진다.

    현장에서 더 유용한 질문은 “몇 명을 늘렸나”보다 다음과 같다.

    1. 담당자별 변경 범위가 겹치지 않는가?
    2. 한 담당자의 결과가 다음 담당자에게 어떤 근거와 함께 전달되는가?
    3. 의견이 충돌하면 누가 어떤 기준으로 결정하는가?
    4. 최종 PR에서 합의 내용과 실제 변경을 대조할 수 있는가?
    5. 테스트 실패나 불확실한 항목이 사람에게 전달되는가?

    이를 확인하려고 모든 대화와 비공개 내부 추론을 읽을 필요는 없다. 요구해야 할 것은 변경 이유, 검토 가능한 근거, 영향 범위, 실행 결과와 미확인 사항이다. 긴 토론 기록보다 짧더라도 실제 diff와 테스트에 연결된 의사결정 기록이 더 도움이 될 수 있다.

    ‘사람이 보는 협업 화면’과 ‘사람이 이해한 결과’는 다르다

    영상의 Buzz 실습은 채널을 만들고 에이전트를 초대해 대화하는 모습을 보여준다. 누가 응답 중인지, 어떤 역할로 참여하는지 볼 수 있다는 점은 협업의 흐름을 살피는 데 도움이 될 수 있다.

    Buzz에서 에이전트가 참여할 채널을 만드는 실습 화면
    출처: 모두의AI, 원본 영상 05:50. 관련 논의를 설명하기 위한 장면 인용.

    하지만 대화가 보인다는 것과 실제 코드의 영향을 이해했다는 것은 다르다. 여러 에이전트가 긍정적인 답을 했더라도 중요한 실패 조건을 함께 놓쳤을 수 있다. PR이 생성됐다는 사실은 배포 준비가 끝났다는 뜻도 아니다.

    최종 보고는 대화 요약에서 끝내기보다 다음 항목으로 이어지는 편이 좋다.

    • 무엇이 바뀌었나: 기능과 주요 변경 파일.
    • 왜 바꿨나: 요구사항과 선택 근거.
    • 어디에 영향이 있나: 호출하는 기능·데이터·권한·외부 연동.
    • 무엇을 확인했나: 실행한 테스트와 실제 결과.
    • 무엇이 남았나: 검증하지 못한 조건과 승인할 사항.

    이 목록은 영상의 구현을 그대로 옮긴 것이 아니라, 해당 문제의식을 실제 검토에 적용하기 위한 제안이다.

    설명 되뇌기 훅: 커밋 전에 무엇을 이해했는지 묻는다

    제작자는 인지 부채를 줄이기 위해 커밋 전 이해도를 점검하는 훅을 만들었다고 설명한다. 처음에는 변경을 직접 설명하게 했고, 이후에는 객관식 질문을 통과하면 커밋하도록 바꿨다고 한다. 틀린 내용은 HTML 워크스루로 설명하고 다시 확인하는 흐름도 소개한다.

    커밋 전 이해도 질문과 설명 되뇌기 훅의 개념도
    출처: 모두의AI, 원본 영상 18:05. 관련 논의를 설명하기 위한 장면 인용.

    좋은 점은 “나중에 이해하자”는 의지를 작업 절차에 넣으려 했다는 것이다. 그러나 영상 설명만으로 구현 코드·검사 범위·우회 방지와 모든 커밋 경로의 통제를 검증한 것은 아니다. Claude Code의 기본 기능에 해당 퀴즈가 내장돼 있다고 읽어서도 안 된다.

    공식 문서상 Claude Code hooks와 Git의 pre-commit 훅은 서로 다른 체계다. Claude Code hooks는 세션이나 도구 호출 등의 특정 시점에 동작하는 자동화이며, Git 훅은 Git 작업 시점에 실행되는 별도 장치다. 어느 체계에 어떤 조건을 연결했는지에 따라 적용 범위가 달라진다.

    따라서 “훅을 넣었으니 커밋을 완전히 막는다”고 단정하기보다, 어떤 실행 경로를 검사하고 어떤 경우에 실패·허용하는지 확인해야 한다. 로컬 훅 하나를 서버의 승인 규칙이나 보안 경계와 같은 것으로 취급해서도 안 된다.

    퀴즈 정답이 코드의 안전성을 보장하지는 않는다

    이해도 질문은 검토를 시작하게 하는 장치일 수 있다. 하지만 AI가 만든 질문과 정답이 잘못됐거나, 사용자가 답을 외우기만 했거나, 질문 뒤에 코드가 다시 바뀌었다면 확인의 의미가 약해진다.

    직접 적용한다면 다음과 같은 설계를 검토할 수 있다. 아래 내용은 제작자의 훅을 재현한 코드가 아니라 보완 제안이다.

    • 현재 검토 중인 변경에 질문을 연결하고, 변경이 달라지면 이전 통과 상태를 다시 확인한다.
    • 코드 내용을 기억하는 문제뿐 아니라 영향 범위·실패 조건·복구 방법을 묻는다.
    • 정답을 설명할 때 실제 변경과 테스트 근거를 함께 확인한다.
    • 이해도 점검을 통과해도 테스트·권한·데이터 보호 검토를 별도로 수행한다.
    • 급한 예외가 필요하면 생략 사실과 사후 확인 책임을 남긴다.

    예를 들어 “수정한 함수 이름은 무엇인가”만 묻는 것보다, “이 변경이 실패하면 어떤 사용자 흐름이 영향을 받고 무엇으로 확인할 수 있는가”를 설명하게 하는 편이 실제 검토 목적에 가까울 수 있다.

    코딩 학습 연구가 뒷받침하는 부분과 그렇지 않은 부분

    Anthropic은 2026년 1월 공개한 연구에서 주로 주니어인 소프트웨어 개발자 52명이 새로운 Python 라이브러리 Trio를 배우는 상황을 실험했다. 공식 소개에 따르면 AI 사용 집단의 퀴즈 평균은 50%, 직접 코딩한 집단은 67%였고, 과제 완료 시간의 차이는 통계적으로 유의하지 않았다.

    연구진은 생성된 코드를 받는 데서 끝내는 방식과, 후속 질문·설명·개념 확인을 통해 이해를 쌓는 방식의 차이도 논의한다. 다만 상호작용 유형에 대한 정성 분석을 특정 학습법의 인과 효과로 단정해서는 안 된다.

    이 연구는 새로운 라이브러리를 배우는 특정 과제의 결과다. Orca와 Buzz를 비교하거나 멀티에이전트의 성과를 측정한 실험은 아니다. 따라서 “AI를 쓰면 모든 개발자의 이해력이 떨어진다”거나 “멀티에이전트는 생산성을 낮춘다”는 결론으로 넓힐 수 없다.

    영상의 문제의식과 함께 읽을 지점은 좁고 분명하다. 작업을 완료하는 것과 그 과정에서 이해를 형성하는 것은 따로 확인할 필요가 있다.

    에이전트를 늘리기 전에 확인할 다섯 가지

    단일 에이전트를 완벽하게 통제해야만 다음 단계로 갈 수 있다는 뜻은 아니다. 다만 위임 범위를 늘리기 전에 현재 작업에서 다음 질문에 답할 수 있는지 확인해 볼 수 있다.

    1. 목적: 이번 변경이 해결하려는 사용자 문제를 설명할 수 있는가?
    2. 범위: 주요 변경 파일과 연결된 기능을 짚을 수 있는가?
    3. 근거: 구현과 리뷰의 핵심 판단을 실제 변경·요구사항과 대조할 수 있는가?
    4. 검증: 무엇을 테스트했고 무엇을 아직 확인하지 못했는가?
    5. 회복: 문제가 생겼을 때 어떤 코드·설정·데이터를 확인하고 복구해야 하는가?

    답하기 어렵다면 에이전트를 더 붙이기보다 작업을 작게 나누고, PR 범위를 줄이고, 변경 설명을 먼저 보강하는 방법을 검토할 수 있다. 반대로 역할이 분명하고 결과를 독립적으로 확인할 수 있다면 필요한 범위부터 병렬화를 늘려 볼 수 있다.

    최적의 에이전트 수를 이 영상 하나로 정할 수는 없다. 중요한 기준은 얼마나 많이 움직이는가가 아니라 사람이 결과를 이해하고 승인하며 필요할 때 고칠 수 있는가다.

    함께 읽으면 좋은 글

    FAQ

    인지 부채는 AI가 작성한 코드를 전부 읽어야 해결되나요?

    이 글의 핵심은 모든 코드를 암기하는 일이 아니다. 주요 변경 이유·영향 범위·검증 근거·실패 시 회복 방법을 판단할 수 있는 이해를 갖추는 것이다.

    Orca와 Buzz를 쓰지 말라는 뜻인가요?

    아니다. 제작자는 두 도구의 가능성과 장점을 인정한다. 단일 에이전트의 결과도 이해하기 어려운 상태에서 협업 규모만 늘리지 말자는 사용 경험과 제안으로 읽는 편이 적절하다.

    Claude Code에는 이해도 퀴즈를 통과해야 커밋되는 기능이 기본으로 있나요?

    영상은 제작자가 만든 훅과 워크스루 방식을 설명한다. 해당 퀴즈가 기본 기능이라고 볼 수 없으며, 실제 구현과 검사 범위도 별도로 확인해야 한다.

    AI 리뷰까지 통과했으면 사람이 검토하지 않아도 되나요?

    AI 리뷰의 통과만으로 안전성과 요구사항 충족이 보장되지는 않는다. 실제 변경·테스트·권한과 데이터 영향·미확인 항목을 바탕으로 사람의 승인 범위를 정해야 한다.

    참고자료

    본문 이미지는 원본 영상의 논의를 설명·비평하기 위한 캡처다. 제작자의 개인적 경험, 공식 기술 문서, 특정 조건의 학습 실험과 이 글의 실무 제안을 구분했다. 제품 성능 비교나 훅의 독립 실행·보안 검증을 완료했다는 뜻은 아니다.

  • Pixel Agents 사용법, Claude Code 작업을 픽셀 사무실로 보는 법

    Pixel Agents 사용법, Claude Code 작업을 픽셀 사무실로 보는 법

    Claude Code로 여러 작업을 동시에 돌리면 터미널을 오가며 상태를 확인하는 일도 늘어난다. 어떤 작업이 진행 중인지, 누가 입력을 기다리는지, 하위 에이전트가 아직 남아 있는지 한눈에 보기는 어렵다. Pixel Agents는 이 상태를 작은 픽셀 사무실의 캐릭터로 바꿔 보여주는 도구다.

    Read in English

    Nate Herk의 영상은 여러 터미널과 하위 에이전트의 활동을 시각적으로 살피는 데모를 보여준다. 다만 영상은 2026년 2월 자료다. 이 글은 영상의 사용 경험과 2026년 10월 27일 확인한 공식 저장소의 안내를 구분해, 현재 지원 범위와 설치 흐름, 상태 표시의 한계와 보안 주의점을 정리한다.

    Pixel Agents가 보여주는 것은 ‘작업의 상태’다

    Pixel Agents는 터미널에서 실행되는 AI 코딩 에이전트를 픽셀 캐릭터로 표현한다. 공식 README는 파일을 쓰거나 읽고, 명령을 실행하고, 사용자 입력이나 승인을 기다리는 활동에 따라 캐릭터가 움직이거나 표시를 띄운다고 설명한다.

    영상에서는 메인 에이전트가 조사 역할을 나누고, 별도 터미널의 에이전트가 다른 업무를 진행한다. 사용자는 사무실 화면을 보며 어떤 작업이 움직이고 있는지 살핀 뒤 해당 터미널로 돌아간다.

    여러 Claude Code 에이전트를 픽셀 사무실로 표시하는 영상
    출처: Nate Herk | AI Automation, 원본 영상 00:18. 관련 논의를 설명하기 위한 장면 인용.

    이때 캐릭터가 움직인다는 것과 결과가 정확하다는 것은 다르다. 활동 표시가 멈췄다는 사실만으로 요청한 파일이 완성됐거나 테스트를 통과했다고 볼 수도 없다. 상태 화면은 확인할 대상을 찾는 입구이고, 완료 여부는 실제 출력과 로그로 판단해야 한다.

    작은 사무실은 작업량과 개입 지점을 눈에 띄게 만들 수 있지만, 데이터의 흐름이나 모든 설계 결정을 그대로 그리는 워크플로 다이어그램은 아니다. 제작자도 영상 후반에서 무엇을 만들고 어떤 판단을 하는지까지 더 잘 보고 싶다는 의견을 밝힌다.

    영상과 현재 공식 안내에서 달라진 부분

    초기 도구를 소개하는 영상은 시간이 지나면 설치 조건과 기능이 달라질 수 있다. 이 영상의 설명을 현재 사용법으로 그대로 옮기기 전에 다음 차이를 확인해야 한다.

    • 운영체제: 영상은 Windows 중심의 당시 테스트 상황을 말하지만, 현재 공식 README는 Windows·Linux·macOS를 요구사항에 함께 안내한다.
    • 실행 형태: VS Code 확장뿐 아니라 브라우저로 사무실을 보는 독립 실행 CLI도 제공한다고 설명한다.
    • 팀 표시: 영상은 Agent Teams 시각화가 아직 없다고 말하지만, 현재 README는 하위 에이전트와 지속적인 팀 동료의 표시를 기능으로 안내한다.
    • 활동 감지: 영상은 활동 로그를 읽는 방식으로 설명한다. 현재 문서는 hooks 이벤트를 받는 기본 방식과 세션 기록에서 상태를 추론하는 보조 방식을 구분한다.

    이는 확인한 공식 저장소 기준의 안내다. 설치된 Marketplace 버전이나 Claude Code 환경에서 모든 기능이 동일하게 작동하는지는 해당 버전의 설명과 실제 동작을 확인해야 한다.

    또 현재 저장소의 확장 목표가 여러 에이전트와 에디터를 지원하는 것이라고 해서, 로드맵의 모든 제품을 이미 사용할 수 있다는 뜻은 아니다. README는 Claude Code를 현재의 기준 구현으로 소개하고 다른 도구 연동은 로드맵과 구분한다.

    VS Code에서는 어떤 순서로 시작할까

    현재 공식 README는 VS Code 확장과 독립 CLI의 시작 방법을 각각 설명한다. VS Code를 사용한다면 먼저 설정된 Claude Code CLI와 확장의 요구 버전을 확인한다. 확인한 문서의 VS Code 요구사항은 1.105.0 이상이다.

    기본 흐름은 다음과 같다.

    1. Marketplace에서 게시자 pablodelucca의 Pixel Agents를 확인하고 설치한다.
    2. 작업할 폴더를 열고 터미널 옆에 Pixel Agents 패널을 연다.
    3. 현재 안내의 + Agent에서 작업 디렉터리를 선택해 Claude Code를 실행한다.
    4. 작은 비공개 작업을 요청하고 활동·대기 표시가 실제 터미널 상태와 맞는지 확인한다.
    5. 필요할 때 세부 상태를 Debug View와 원래 터미널에서 대조한다.

    영상의 초기 UI는 + Agent를 누르면 터미널이 바로 열리는 모습을 보여준다. 현재 README는 디렉터리 선택 화면을 거치는 흐름을 안내하므로, 화면이 영상과 다르다고 곧바로 설치 실패로 볼 필요는 없다.

    에이전트가 사용자 권한 승인을 기다리는 영상 장면
    출처: Nate Herk | AI Automation, 원본 영상 01:00. 관련 논의를 설명하기 위한 장면 인용.

    영상에서 진행자가 겪었다는 ‘폴더 이름의 공백과 점 때문에 감지가 안 됐다’는 문제도 당시 환경의 경험으로 구분해야 한다. 이를 현재 모든 버전의 필수 제약으로 단정하거나 기존 프로젝트 이름을 무조건 바꾸기보다, 현재 문서와 감지 범위·연결 상태를 먼저 확인하는 것이 좋다.

    이 글은 영상과 문서를 대조한 사용 가이드다. 확장을 별도로 설치해 같은 결과를 재현하거나 사용자의 개발 환경을 변경한 것은 아니다.

    사무실 배치와 디버그 화면은 서로 다른 역할을 한다

    Pixel Agents에는 바닥·벽·가구 등을 배치하는 편집 기능이 있다. 시각적인 재미를 주고 여러 작업을 둘러보는 공간을 친숙하게 만들 수 있다. 현재 README는 디렉터리와 연결할 수 있는 영역, 레이아웃 저장과 외부 에셋 등도 안내한다.

    픽셀 사무실 가구와 배치를 편집하는 영상 장면
    출처: Nate Herk | AI Automation, 원본 영상 06:38. 관련 논의를 설명하기 위한 장면 인용.

    하지만 책상을 옮겼다고 모델이 바뀌거나 담당자의 파일 권한이 분리되는 것은 아니다. 시각적 배치와 실제 실행 설정을 구분해야 한다. 업무를 나누는 책임은 에이전트의 지시와 실행 구조에 있다.

    반대로 Debug View는 연결 상태와 에이전트 데이터를 살피는 데 쓰는 확인 지점이다. 화면에 에이전트가 나타나지 않으면 무조건 요청을 다시 보내기보다, 해당 세션이 감지 범위에 있는지와 표시되는 최신 정보를 먼저 대조할 수 있다.

    에이전트의 세부 작업을 확인하는 Debug View 영상 장면
    출처: Nate Herk | AI Automation, 원본 영상 07:10. 관련 논의를 설명하기 위한 장면 인용.

    이런 시각화가 특히 도움이 될 수 있는 상황은 여러 터미널을 동시에 쓰거나, 승인 요청을 놓치기 쉽거나, 긴 작업을 하면서 다른 업무를 병행하는 경우다. 다만 확인 시간을 실제로 줄이는지는 각자의 작업에서 비교해 봐야 하며, 영상만으로 생산성 향상을 수치로 입증할 수는 없다.

    병렬 터미널·하위 에이전트·Agent Teams를 구분한다

    한 사무실에 여러 캐릭터가 있다고 모두 같은 방식으로 협업하는 것은 아니다.

    • 여러 터미널의 작업: 서로 다른 세션에서 별도의 요청을 수행하는 구성이다. 함께 보인다고 자료와 맥락을 자동으로 공유하는 것은 아니다.
    • 하위 에이전트: 상위 에이전트가 특정 작업을 나눠 맡기는 구조다. 요청 범위와 결과 취합 방식을 확인해야 한다.
    • Agent Teams: 팀 동료와 역할·생명주기를 표시하는 기능을 현재 Pixel Agents 문서가 안내한다. 팀의 실제 조율과 권한은 기반 도구의 기능과 설정을 함께 확인해야 한다.

    표시되는 캐릭터 수를 직원 수나 독립 검증 횟수로 그대로 읽어서는 안 된다. 여러 에이전트가 같은 잘못된 자료를 받아 비슷한 답을 만들 수도 있다. 모니터링 화면에서 각 작업의 터미널과 산출물로 연결해 확인하는 습관이 더 중요하다.

    보안은 ‘귀여운 UI’나 게시자 인증으로 판단하지 않는다

    영상 제작자는 설치 전 네트워크 호출과 의심스러운 동작 등을 살펴봤고 안심할 수 있다고 판단했다고 말한다. 이는 제작자의 당시 검토 경험이지, 모든 버전과 설치 환경에 대한 독립적인 보안 감사 결과는 아니다. 저장소 별표 수나 게시자 인증 역시 코드와 의존성의 안전성을 보장하지 않는다.

    현재 기능을 보면 ‘로그를 읽을 뿐 명령이나 설정에는 관여하지 않는다’는 설명만으로 보안을 판단하기 어렵다. 공식 README는 hooks 설정, 실행 중인 서버로의 인증 이벤트 전달, 터미널에서 에이전트를 시작하는 기능을 안내한다. 설치·사용 과정에서 어떤 설정을 바꾸고 어떤 범위에 접근하는지 확인해야 한다.

    특히 다음 항목은 따로 살펴보는 것이 좋다.

    1. 출처와 버전: 공식 저장소·게시자·설치 버전과 변경 내역을 확인한다.
    2. 권한 승인: Skip Permissions 같은 권한 확인 우회 옵션을 편의 때문에 켜지 않는다. 켜진 설정이 유지될 수 있다는 안내도 확인한다.
    3. 감지 범위: 다른 워크스페이스의 세션까지 표시하는 설정이 필요한지 검토한다.
    4. 기록 노출: 로그·프롬프트·파일명과 화면 캡처에 고객 자료나 비밀정보가 섞이지 않는지 확인한다.
    5. 기본 검증: 화면의 승인 요청을 보고도 실제 명령과 대상 파일을 확인한 뒤 판단한다.

    시각화가 승인 대기를 알려줄 수는 있지만, 요청된 명령의 안전성을 대신 판정해 주는 것은 아니다. 여러 에이전트를 보면서 승인 버튼을 기계적으로 누르지 않도록 해야 한다.

    독립 CLI를 쓴다면 접속 주소도 비밀정보가 될 수 있다

    현재 공식 README는 Node.js 20 이상에서 독립 CLI를 실행해 브라우저로 사무실을 보는 방법도 안내한다. VS Code 밖의 터미널이나 원격 작업을 검토할 때 참고할 수 있는 선택지다.

    중요한 차이는 웹 서버가 생긴다는 점이다. 문서는 기본 주소가 로컬 루프백이며, 전체 인터페이스로 바인딩하면 로컬 네트워크에 UI와 WebSocket이 노출될 수 있다고 경고한다. 외부에서 접속할 수 있도록 주소만 바꾸는 일을 단순한 편의 설정으로 보아서는 안 된다.

    또 서버가 출력하는 토큰 포함 URL은 hooks 설정과 터미널 조작 등의 권한에 연결될 수 있다. 공개 채팅·스크린샷·문서에 붙여 넣지 말아야 한다. 로컬 주소처럼 보인다는 이유만으로 안전하거나 공개해도 된다고 판단하지 않는다.

    문서가 안내하는 터미널 비활성화 옵션처럼, 관찰만 필요한 상황에서 기능 범위를 줄이는 방법도 검토할 수 있다. 다만 이것을 켰다고 모든 접근 통제와 데이터 노출 문제가 해결된다는 뜻은 아니다.

    가장 좋은 활용법은 ‘보고, 확인하고, 필요한 때 개입하는 것’이다

    Pixel Agents는 코딩 에이전트의 활동을 친숙한 화면으로 보여준다. 터미널을 계속 넘겨보는 대신 상태를 훑고, 승인이나 세부 확인이 필요한 작업으로 돌아가는 입구로 활용할 수 있다.

    도입 효과는 작은 작업에서 다음 질문으로 확인해 볼 수 있다.

    • 화면의 활성·대기 상태가 실제 터미널과 맞는가?
    • 승인 요청을 더 빨리 발견할 수 있는가?
    • 완료로 보이는 작업의 산출물과 테스트 결과를 쉽게 확인하는가?
    • 시각적 재미가 상태 확인을 돕는가, 오히려 작업을 방해하는가?

    픽셀 캐릭터가 바쁘게 움직인다는 것보다 중요한 것은 무엇이 실행됐고, 어떤 결과가 남았으며, 지금 사람의 판단이 필요한지다. 시각화는 검증을 대체하는 도구가 아니라 검증할 곳을 찾기 쉽게 만드는 도구로 보는 편이 적절하다.

    함께 읽으면 좋은 글

    FAQ

    Pixel Agents는 Windows에서만 사용할 수 있나요?

    영상은 초기 Windows 중심 테스트 상황을 설명하지만, 현재 공식 README는 Windows·Linux·macOS를 안내한다. 설치하려는 확장 버전과 실행 환경의 요구사항은 따로 확인해야 한다.

    캐릭터가 멈추면 작업이 완료됐다는 뜻인가요?

    상태 표시만으로 완료와 품질을 확정할 수는 없다. 원래 터미널의 응답, 생성 파일, 실행·테스트 결과와 미확인 항목을 확인해야 한다.

    현재 Agent Teams도 표시하나요?

    확인한 공식 README는 하위 에이전트와 Agent Teams의 팀 동료·역할·생명주기 표시를 기능으로 안내한다. 영상의 당시 미지원 설명과 구분하고, 설치한 버전의 지원 범위를 확인한다.

    공식 게시자의 확장이면 보안 검토를 생략해도 되나요?

    아니다. 게시자 신원과 코드의 안전성은 다른 문제다. 버전·의존성·설정 변경·파일 및 로그 접근·서버 노출·권한 우회 옵션을 사용 환경에 맞게 검토해야 한다.

    참고자료

    본문 이미지는 원본 영상의 사용 경험을 설명·비평하기 위한 캡처다. 영상 당시 설명, 현재 저장소의 기능 안내와 이 글의 적용 제안을 구분했으며, 독립적인 실행 재현이나 보안 감사를 완료했다는 뜻은 아니다.

  • Hermes Bot Mode 사용법, AI 직원 위임과 그룹 채팅을 구분하는 법

    Hermes Bot Mode 사용법, AI 직원 위임과 그룹 채팅을 구분하는 법

    AI 직원을 여러 명 만들었는데도 한 직원의 답을 복사해 다음 직원에게 붙여 넣고 있다면, 문제는 에이전트 수보다 업무를 넘기는 방식에 있을 수 있다. 분석 담당과 작성 담당이 있어도 요청·근거·산출물이 연결되지 않으면 사용자가 계속 중간 전달자가 된다.

    Read in English

    Hermes Bot Mode는 기존 프로필을 봇 목록으로 보여주고, 고정 대화와 봇 간 메시지·그룹 채팅을 통해 이 연결을 돕는다. Citizen Developer 9c의 영상은 가상 제품 출시 업무로 이 과정을 보여준다. 이 글은 영상의 실제 진행과 공식 문서를 대조해 일반 세션, Bot Chat, 멘션 위임, 그룹 채팅을 언제 선택할지 정리한다.

    Bot Mode의 봇은 새로운 직원 시스템이 아니라 기존 프로필이다

    공식 문서에서 Bot은 Hermes 프로필이다. 각 프로필은 설정·모델·메모리·스킬·자격증명·대화 기록을 구분해 관리한다. Bot Mode는 이 프로필을 이름과 역할이 있는 목록으로 다루는 UI이며, 데스크톱 앱에 기본 제공된다.

    중요한 것은 봇을 만들었다고 모든 맥락과 권한이 하나로 합쳐지지는 않는다는 점이다. 분석 담당이 확인한 자료를 작성 담당에게 어떻게 전달할지, 어떤 파일에 접근할 수 있는지, 공개 전 누가 검토할지는 여전히 정해야 한다.

    영상에 등장하는 자비스·뉴턴·헤밍웨이는 기능 이름이 아니라 역할을 설명하기 위한 예시다. 자비스는 조율, 뉴턴은 분석, 헤밍웨이는 콘텐츠 작성을 담당한다. 자신의 업무에서도 이름보다 책임과 산출물의 차이를 먼저 정하는 것이 좋다.

    일을 맡기는 네 가지 방식은 무엇이 다를까

    일반 세션·Bot Chat·멘션·그룹 채팅의 차이를 설명하는 영상
    출처: Citizen Developer 9c, 원본 영상 01:55. 관련 논의를 설명하기 위한 장면 인용.

    일반 세션: 프로젝트와 과업을 구분해 관리할 때

    프로젝트나 주제가 바뀔 때 대화를 분리하고 싶다면 일반 세션이 적합할 수 있다. 특정 담당자와 오래 대화하는 것보다, 과업별 맥락을 구분하는 것이 중요한 경우다.

    예를 들어 서로 다른 고객사의 보고서를 작성한다면 자료와 판단이 섞이지 않도록 프로젝트·자료 폴더·세션을 구분하는 편이 낫다. 단, 세션을 나눴다는 사실만으로 파일 접근 권한까지 분리되는 것은 아니다.

    Bot Chat: 같은 담당자와 반복적으로 조율할 때

    Bot Chat은 봇마다 정해진 고정 대화다. 공식 문서에 따르면 봇 목록에서 해당 봇을 누르면 최근의 아무 세션이 아니라 그 봇의 고정 Bot Chat으로 돌아간다. 다른 일반 세션은 별도로 열 수 있다.

    ‘매번 PM 역할의 담당자에게 업무를 맡긴다’처럼 역할 중심의 반복 업무에 어울린다. 다만 오래된 대화가 남는 만큼 최신 기준 문서와 이전 초안을 구분해야 한다. 고정 대화가 모든 기억을 영구적으로 정확하게 재현한다는 뜻은 아니다.

    멘션 위임: 현재 대화에서 다른 담당자의 결과가 필요할 때

    PM과 대화하다가 @분석담당처럼 봇을 지정해 작업을 넘길 수 있다. 이름은 실제 봇 목록과 자동완성에서 확인하는 것이 좋다. 화면에 보이는 친숙한 이름과 내부 프로필 태그가 다를 수 있기 때문이다.

    이 글의 위임 예시는 Bot Mode의 고정 Bot Chat을 기준으로 한다. 공식 문서는 봇 간 전달 도구가 일반 세션과 구분되는 조건에서 제공된다고 설명하므로, 모든 대화창에 같은 이름을 입력하면 동일하게 작동한다고 가정하지 않는 것이 좋다.

    공식 문서에서 이 과정은 사용자의 문장을 그대로 복사해 보내는 방식이 아니다. 현재 봇이 요청을 바탕으로 위임 메시지를 구성해 전달한다. 따라서 중요한 조건은 ‘알아서 전달하겠지’라고 두기보다, 위임할 범위·출처·완료 조건으로 명시하는 편이 안전하다.

    그룹 채팅: 서로의 결과를 읽으며 공동 검토할 때

    그룹 채팅은 여러 봇이 같은 대화를 보고 보완하거나 넘기는 공간이다. 분석 결과와 초안을 함께 대조하거나, 관점이 다른 담당자들이 결과물을 검토할 때 활용할 수 있다.

    한 담당자가 분석 결과를 받아 글만 작성하면 되는 일이라면 일대일 위임으로도 충분할 수 있다. 반대로 분석 담당과 작성 담당이 서로의 판단을 확인하면서 수정해야 한다면 공동 대화가 의미를 가질 수 있다.

    자비스·뉴턴·헤밍웨이를 선택하는 그룹 채팅 생성 화면
    출처: Citizen Developer 9c, 원본 영상 06:55. 관련 논의를 설명하기 위한 장면 인용.

    영상의 출시 준비 사례: PM 한 명을 통해 분석과 작성을 연결한다

    영상은 가상의 브랜드와 신제품을 설정하고, 제품 설명·고객 피드백·사용 가능한 주장 범위 등의 문서를 미리 준비한다. 실제 조직의 성과 사례가 아니라 Bot Mode의 사용 흐름을 보여주기 위한 데모다.

    진행 과정은 다음과 같다.

    1. 공통 자료 준비: 필요한 문서를 한 폴더에 모으고 읽어야 할 파일을 지정한다.
    2. PM에게 요청: 자비스에게 조율을 맡기고 뉴턴에게 분석을 위임하도록 요청한다.
    3. 분석 결과 정리: 제품 사실, 인사이트, 사람의 확인이 필요한 항목을 PM 관점으로 묶는다.
    4. 작성 담당에게 전달: 헤밍웨이에게 근거와 브리프를 바탕으로 헤드라인·FAQ 초안을 요청한다.
    5. 공동 검토: 필요한 문서 경로를 그룹 채팅에 다시 제공하고 문구와 근거를 대조한다.
    공유 자료 경로를 포함해 분석 담당자에게 위임하는 영상
    출처: Citizen Developer 9c, 원본 영상 09:55. 관련 논의를 설명하기 위한 장면 인용.

    여기서 중요한 장면은 매끄럽게 이어지지 않은 부분이다. 분석 결과가 돌아왔지만 즉시 원하는 요약으로 정리되지 않아, 진행자가 다시 PM 관점의 정리를 요청한다. 콘텐츠 초안도 내용을 다시 정리해 달라는 요청을 거친다.

    따라서 이 영상이 보여주는 것은 복사·붙여넣기를 줄일 수 있는 협업 방식이지, 사용자가 한 번 말하면 모든 단계가 완벽하게 완료된다는 증거가 아니다. 전달됨, 답변 도착, 요약 완료, 산출물 확인을 각각 구분해서 보는 것이 좋다.

    위임 요청에는 담당자 이름보다 완료 조건을 넣는다

    다음은 영상의 방식을 업무에 적용하기 위한 요청 예시다. 실제로 실행된 지시문을 그대로 옮긴 것이 아니라, 빠뜨리기 쉬운 조건을 보강한 제안이다.

    • 분석 위임: “분석 담당에게 제품 설명과 고객 피드백의 대조를 맡겨줘. 확인한 사실·출처·불확실한 항목을 나누고, 근거가 없는 효과 표현은 쓰지 않도록 전달해줘.”
    • 작성 위임: “작성 담당에게 검토된 브리프와 근거 문서만 전달해줘. 새로운 수치나 성능 주장을 만들지 말고, 헤드라인과 FAQ를 검토용 초안으로 저장하도록 요청해줘.”
    • PM 최종 보고: “담당자별 완료 여부, 생성 파일, 미확인 항목, 사람의 승인이 필요한 사항을 묶어서 알려줘.”

    현재 봇이 위임 내용을 다시 구성한다는 점을 고려하면, 기준 문서와 금지 사항을 명확히 하는 것이 중요하다. 결과가 ‘전달됐다’는 안내만으로 끝내지 말고, 실제 파일과 내용이 기대한 범위를 충족하는지 확인해야 한다.

    특히 송신 확인이나 대기열 등록은 수신 봇의 작업 완료와 다르다. 응답이 늦는다고 같은 일을 바로 다시 요청하면 중복 작업이 생길 수 있다. 상태와 결과를 먼저 확인하고 재요청 범위를 정한다.

    자료 경로를 공유해도 접근 권한과 맥락이 자동 통합되지는 않는다

    영상에서는 파일을 반복 첨부하기보다 참고 문서의 경로를 알려준다. 같은 자료를 분석·작성 담당자가 직접 확인하게 한다는 장점이 있다. 하지만 경로가 전달됐다는 사실만으로 접근 가능성이 보장되지는 않는다.

    서로 다른 기기나 서버에서 실행되는 봇이라면 같은 경로가 다른 위치를 가리키거나 아예 존재하지 않을 수 있다. 도구 설정과 파일 권한도 다를 수 있다. 실제로 문서를 열었는지, 어떤 버전을 읽었는지를 결과에서 확인하는 것이 좋다.

    PM의 개인 Bot Chat에서 나눈 내용이 그룹 채팅에 전부 자동 복사된다고 가정해서도 안 된다. 영상에서도 공동 검토를 시작하기 전에 생성된 문서 경로와 사용 순서를 다시 제공한다. 그룹에 넘어갈 때는 목적·기준 문서·최신 산출물·아직 결정하지 않은 사항을 짧게 묶어 주는 편이 낫다.

    공식 문서는 각 봇이 별도의 프로필을 사용한다고 설명하지만, 이것이 업무상 비밀의 공유 범위를 자동으로 판단해 준다는 뜻은 아니다. 프로필 복제 시 자격증명 복사 옵션 등도 확인하고, 필요한 자료와 도구 권한만 제공해야 한다.

    그룹 채팅은 무제한 회의도, 동시 병렬 실행도 아니다

    공식 문서에서 확인한 그룹 채팅의 기본 범위는 2~6개 봇, 사용자 메시지당 최대 3개의 순차 라운드, 봇 메시지 최대 10개다. 비용과 대화의 확장을 제한하기 위한 상한이다. 실제 설정과 동작은 사용 중인 버전의 문서를 확인해야 한다.

    여러 AI 직원이 문구와 근거를 함께 검토하는 그룹 채팅 화면
    출처: Citizen Developer 9c, 원본 영상 15:25. 관련 논의를 설명하기 위한 장면 인용.

    여러 봇이 한 방에 있다고 모두 동시에 답변하는 것은 아니다. 차례가 진행되며 각 봇은 새로운 의견이 있으면 답하고, 없으면 넘길 수 있다. 특정 봇을 멘션하면 그 담당자에게 범위를 좁힐 수 있고, @everyone 또는 @all로 전체를 대상으로 할 수 있다.

    ‘검토자 세 명이 모두 동의했다’는 결과도 독립적인 사실 확인과 같지는 않다. 같은 문서의 오류를 함께 받아들이거나, 서로의 초안을 반복 요약했을 수 있다. 검토 기준을 원문·출처·승인 조건에 연결해야 한다.

    공동 검토를 요청할 때는 다음처럼 역할과 종료 조건을 정할 수 있다.

    • 분석 담당은 문구별 근거 유무와 충돌만 확인한다.
    • 작성 담당은 통과한 사실을 유지하면서 표현을 다듬는다.
    • PM은 의견을 합치는 데서 끝내지 않고 미확인 항목과 결정 필요 사항을 남긴다.
    • 정한 범위를 벗어난 추가 작업이나 공개·외부 전송은 사람의 승인을 받는다.

    그룹 채팅의 라운드 제한이 모든 업무 비용의 상한을 보장하는 것은 아니다. 도구 호출과 모델·문맥 길이에 따라 비용은 달라질 수 있다. 간단한 문장 수정까지 항상 전체 그룹을 부를 필요는 없다.

    시작 전에는 앱·백엔드·역할·자료를 함께 확인한다

    영상은 클라이언트와 백엔드의 업데이트 여부를 모두 확인하도록 안내한다. 데스크톱 화면만 새로워져도 연결한 서버가 오래된 상태라면 기능이 다르게 보일 수 있다는 취지다. 실제 업데이트 방법은 로컬 설치인지, 원격 서버나 컨테이너인지에 따라 달라지므로 자신의 설치 방식에 맞는 공식 안내를 따른다.

    Bot Mode가 보이면 먼저 작은 비공개 과업으로 다음을 확인하는 편이 좋다.

    1. 원하는 봇의 고정 Bot Chat으로 돌아가는가?
    2. 멘션 자동완성에서 의도한 담당자를 정확히 선택할 수 있는가?
    3. 위임을 받은 담당자가 자료를 읽고 결과를 남기는가?
    4. PM이 그 결과와 미확인 사항을 구분해 보고하는가?
    5. 그룹 검토가 끝났을 때 최종 파일과 사람의 결정 사항이 명확한가?

    진행자는 초기 사용 중 고정 세션 표시나 멘션 전달에서 오류를 경험했다고 설명한다. 이는 영상 제작자의 당시 경험이며, 현재 모든 설치에서 같은 오류가 난다는 뜻은 아니다. 반대로 업데이트만 하면 모든 문제가 사라진다고 보장할 수도 없다. 문제가 생기면 화면의 표시, 전달 상태, 실제 결과를 나눠 확인해야 한다.

    이 글은 영상과 공식 문서를 대조한 사용 가이드다. 별도 환경에서 데모를 재현하거나 사용자의 앱·프로필·서버 설정을 변경한 것은 아니다.

    Bot Mode의 가치는 직원 수보다 전달 구조에 있다

    담당자 한 명과 반복적으로 조율한다면 Bot Chat, 과업별 맥락을 분리하려면 일반 세션, 특정 분석이나 작성을 넘기려면 멘션 위임을 검토할 수 있다. 서로의 결과를 읽으며 수정해야 할 때 그룹 채팅을 추가한다.

    처음부터 많은 봇을 한 방에 넣기보다, PM → 분석 → 작성 → 필요한 범위의 공동 검토 → 사람의 승인처럼 작은 흐름을 만들어 보는 것이 좋다. 복사·붙여넣기가 줄었다는 편의성과, 결과를 믿고 사용할 수 있다는 품질은 따로 확인해야 한다.

    함께 읽으면 좋은 글

    FAQ

    Hermes Bot Mode를 위해 새 프로필 체계를 만들어야 하나요?

    공식 문서에서 봇은 기존 Hermes 프로필이다. Bot Mode는 이를 목록·고정 대화·메시지·그룹 채팅으로 다루는 데스크톱 UI다. 별도의 새 에이전트 개념으로 볼 필요는 없다.

    일반 세션과 Bot Chat 중 무엇을 선택해야 하나요?

    프로젝트별로 대화 맥락을 구분하려면 일반 세션을, 같은 담당자와 반복적으로 조율하려면 Bot Chat을 검토한다. Bot Chat이 생겼다고 일반 세션이 불필요해지는 것은 아니다.

    멘션하면 요청 내용과 모든 대화가 그대로 전달되나요?

    공식 문서는 현재 봇이 위임 메시지를 구성한다고 설명한다. 원문과 전체 대화가 그대로 전달된다고 가정하지 말고, 필요한 자료·범위·산출물·금지 사항을 명확히 지정해야 한다.

    그룹 채팅에는 몇 개의 봇을 넣을 수 있나요?

    확인한 공식 문서는 2~6개 봇, 사용자 메시지당 최대 3라운드와 봇 메시지 10개 상한을 안내한다. 봇은 순차적으로 발언하거나 넘길 수 있으며, 모든 봇이 매번 답하는 것은 아니다.

    참고자료

    본문 이미지는 원본 영상의 실습을 설명·비평하기 위한 캡처다. 영상의 사용 경험, 2026년 10월 27일 확인한 공식 문서의 기능 안내, 이 글의 실무 적용 제안을 구분했다.

  • AI 에이전트 프레임워크 비교, 5종의 강점과 현재 선택 기준

    AI 에이전트 프레임워크 비교, 5종의 강점과 현재 선택 기준

    AI 에이전트를 만들려고 검색하면 CrewAI, AutoGen, OpenAI Agents SDK, Google ADK, LangGraph가 함께 등장한다. 이름은 익숙해져도 선택은 쉽지 않다. 빠르게 시제품을 만드는 도구와, 실패한 작업을 복구하고 사람의 승인을 기다리는 흐름을 세밀하게 만드는 도구가 같은 기준으로 비교되기 때문이다.

    Read in English

    노마드 코더의 「2025년. 최고의 AI 에이전트 프레임워크는?」는 같은 주식 분석 에이전트를 여러 프레임워크로 구현했다는 제작자의 경험을 바탕으로 장단점을 설명한다. 이 글은 2025년 영상의 평가와 현재 공식 자료를 구분해 읽는 비교 가이드다. 특히 유지보수 상태와 기능이 달라진 부분은 2026년 10월 27일 확인한 공식 자료로 보완했다.

    먼저 구분할 것: 경험담은 성능 순위표가 아니다

    영상 제작자는 같은 로직·프롬프트·도구를 사용해 프레임워크별 차이를 살폈다고 설명한다. 그러나 영상만으로 모델 버전, 반복 실행, 비용, 성공률, 평가 기준이 통제된 벤치마크를 확인할 수는 없다. ‘20분이면 만든다’, ‘가장 좋다’ 같은 표현은 제작자의 경험과 선호로 읽어야 한다.

    주식 분석 에이전트의 수익률 언급도 프레임워크의 우수성을 증명하지 않는다. 투자 결과는 시장 상황과 전략 등 다른 요인의 영향을 받으므로, 이 글에서는 선택 근거로 사용하지 않는다.

    실무에서는 다음 질문부터 정하는 편이 낫다.

    • 작업 형태: 고정된 순서인가, 상황에 따라 분기·반복·재개해야 하는가?
    • 모델과 도구: 어떤 모델·검색·파일·음성 기능을 연결해야 하는가?
    • 실행 상태: 중간 결과 저장, 중단 후 복구, 사람의 승인이 필요한가?
    • 운영 환경: 팀의 언어와 클라우드, 보안·배포 조건에 맞는가?
    • 유지보수: 새 프로젝트에 사용할 만큼 지원 상태가 명확한가?

    이 질문에 답하면 ‘최고의 프레임워크’보다 ‘이번 프로젝트에 맞는 후보’를 고르기 쉬워진다.

    CrewAI: 역할과 과업으로 업무를 나누고 싶을 때

    영상은 CrewAI를 에이전트 입문의 좋은 출발점으로 평가한다. 역할을 가진 에이전트에게 Task와 도구를 연결하고, Crew로 묶는 구성이 직관적이라는 이유다. 조사→작성처럼 역할과 산출물이 분명한 업무를 시제품으로 만들어 보는 데 검토할 수 있다.

    역할과 작업을 조립하는 CrewAI를 설명하는 원본 영상
    출처: 노마드 코더 Nomad Coders, 원본 영상 02:15. 관련 논의를 설명하기 위한 장면 인용.

    다만 ‘빠르게 조립하기 좋다’와 ‘데모에만 쓸 수 있다’는 다른 말이다. 현재 공식 저장소는 Crews와 Flows를 함께 안내한다. 역할 기반 협업뿐 아니라 이벤트 기반 제어, 상태·분기와 일반 Python 로직의 연결도 설명한다.

    따라서 영상의 ‘틀을 벗어나면 어렵다’는 평가는 당시 제작자가 경험한 사용성 평가로 구분해야 한다. 현재 CrewAI의 확장 가능성을 그 한 문장으로 제한할 수는 없다. 반대로 공식 자료가 운영용 구성을 소개한다는 사실만으로, 자신이 만든 Crew가 안전하게 운영될 준비를 마쳤다고 볼 수도 없다.

    처음에는 두 역할 정도로 작은 작업을 만들고, 입력·출력·오류 지점을 설명해 보는 편이 좋다. 구체적인 구성은 CrewAI 입문 가이드에서 확인할 수 있다.

    AutoGen: 2025년의 추천보다 현재 유지보수 안내를 먼저 본다

    영상은 AutoGen의 대화 중심 협업 방식과 Studio·AgentChat·Core 구성을 소개하고, .NET 환경에 적합한 선택지로 평가한다. 이 설명은 당시의 특징을 이해하는 데 도움이 된다. 하지만 지금 새 프로젝트를 시작한다면 먼저 확인할 내용이 바뀌었다.

    현재 AutoGen 공식 README는 프로젝트의 유지보수 종료를 명시하고, 새 사용자가 Microsoft Agent Framework에서 시작하도록 안내한다. 버그·보안 수정과 지원이 제공되지 않는다는 경고도 담겨 있다. 기존 사용자를 위한 이전 가이드도 연결한다.

    여기서 근거는 공식 README의 유지보수 안내다. GitHub 저장소가 기술적으로 읽기 전용 보관 상태인지 여부와 혼동해서는 안 된다. 중요한 판단은 새 서비스가 의존할 코드에 어떤 수정과 지원을 기대할 수 있느냐는 것이다.

    따라서 ‘C# 개발자는 AutoGen이 유일한 선택’이라는 영상의 조언을 그대로 현재 추천으로 옮기지 않는다. Microsoft Agent Framework는 .NET과 Python을 지원하며, 순차·동시·handoff·그룹 협업 등 여러 워크플로를 안내한다. Microsoft 생태계의 신규 도입 검토라면 이 후속 프레임워크와 이전 문서를 함께 확인하는 편이 타당하다.

    기존 AutoGen 시스템도 이름만 바꿔 즉시 이전할 수 있다고 가정해서는 안 된다. 사용 중인 메시지·도구·상태 관리와 배포 구성을 확인한 뒤, 작은 대표 작업부터 호환성과 결과를 검토해야 한다.

    OpenAI Agents SDK: 위임·도구·추적 기능을 간결하게 연결할 때

    영상은 OpenAI 모델과 도구의 연동, 추적 기능, 음성 에이전트 개발 경험을 장점으로 든다. 현재 공식 저장소에서도 Agents, tools, guardrails, sessions, tracing, 사람의 개입 기능을 확인할 수 있다.

    특히 다른 에이전트를 도구처럼 호출하는 방식(agents as tools)과 제어를 넘기는 방식(handoffs)을 구분해 볼 필요가 있다. 같은 ‘위임’이라도 호출한 쪽이 결과를 받아 계속 조정하는지, 다른 에이전트가 대화를 이어가는지에 따라 설계가 달라진다.

    메인 에이전트와 하위 역할의 연결을 설명하는 원본 영상
    출처: 노마드 코더 Nomad Coders, 원본 영상 05:30. 관련 논의를 설명하기 위한 장면 인용.

    현재 공식 README는 SDK를 제공자 중립적으로 소개하며 OpenAI 외 모델 연동도 안내한다. 영상의 ‘다른 모델 지원은 베타’라는 설명을 현재 전체 SDK의 상태로 단정할 수는 없다. 다만 SDK가 여러 제공자를 지원한다는 것과, 특정 제공자의 호스팅 도구·음성·실행 기능을 모든 모델에서 똑같이 쓸 수 있다는 것은 별개다.

    또 하나 주의할 것은 ‘배포에 필요한 기능이 있다’는 말이다. 추적이나 guardrail은 유용한 구성 요소지만, 그것만으로 사용자 로그인·권한 관리·비밀정보 보호·데이터 보존 정책이 완성되는 것은 아니다. 애플리케이션에서 누가 어떤 도구를 실행할 수 있는지는 별도로 설계해야 한다.

    Google ADK: 개발·평가 환경과 Google 연동을 함께 검토할 때

    영상은 Google ADK의 개발 UI, 평가 기능과 Google 생태계 연결을 높이 평가한다. 현재 Python 저장소에서도 개발용 Web UI, 평가 실행과 배포 관련 안내를 확인할 수 있다. Gemini에 최적화하면서도 모델 중립적이라는 설명도 제공한다.

    Google ADK의 테스트 환경을 소개하는 원본 영상
    출처: 노마드 코더 Nomad Coders, 원본 영상 08:30. 관련 논의를 설명하기 위한 장면 인용.

    이런 기능은 모델 응답만 보는 데서 나아가 도구 사용과 실행 경로를 확인하려는 팀에 유용한 검토 항목이다. 하지만 영상의 ‘UI가 있는 유일한 프레임워크’, ‘평가 기능이 있는 유일한 프레임워크’라는 표현은 그대로 사용하기 어렵다. UI·평가 도구의 제공 범위와 제품 구성은 생태계와 버전에 따라 다르므로, 배타적인 순위 주장보다 자신의 개발 과정에 맞는지 살펴봐야 한다.

    아키텍처도 2025년의 고정된 설명으로 제한하지 않는 것이 좋다. 현재 ADK 저장소는 그래프 기반 Workflow와 분기·반복·상태 관리 등을 소개한다. ‘메인 에이전트와 하위 에이전트 구조밖에 못 만든다’고 요약하면 현재 안내를 놓치게 된다.

    개발용 UI나 REST API 실행이 가능하다는 사실도 운영 배포 완료와 같지는 않다. 인증, 접근 통제, 비용·쿼터, 관측과 장애 대응은 실제 배포 환경에서 별도로 점검해야 한다.

    LangGraph: 상태와 제어 흐름을 명시적으로 설계하고 싶을 때

    영상 제작자가 가장 선호한다고 밝힌 도구는 LangGraph다. 역할을 조립하는 비유보다 노드와 연결을 직접 구성하는 그래프 방식에 가깝다고 설명한다. 이는 개인적 선호이지만, 어떤 설계 차이를 보는지 이해하는 데는 도움이 된다.

    현재 공식 저장소는 LangGraph를 오래 실행되며 상태를 유지하는 에이전트를 위한 저수준 오케스트레이션 프레임워크로 소개한다. 지속 실행과 복구, 사람의 개입, 메모리와 상태 관리가 주요 기능으로 안내된다.

    LangGraph의 기능과 제어 방식을 설명하는 원본 영상
    출처: 노마드 코더 Nomad Coders, 원본 영상 11:50. 관련 논의를 설명하기 위한 장면 인용.

    예를 들어 자료가 부족하면 조사로 돌아가고, 위험한 실행 전에는 승인을 기다리며, 중단된 작업의 상태를 이어가야 한다면 이런 제어 방식이 중요한 검토 대상이 된다. 다만 체크포인트 기능이 있다고 해서 외부 시스템에 발생한 모든 작업을 자동으로 되돌릴 수 있는 것은 아니다. 메일 발송이나 결제처럼 이미 발생한 부수효과의 중복 실행 방지는 별도로 고려해야 한다.

    ‘작은 API’ 역시 ‘실제 서비스 개발이 항상 쉽다’는 의미는 아니다. 상태 구조, 분기 조건과 오류 처리의 책임을 개발자가 더 명확히 맡아야 할 수 있다. 그래프 방식이 필요한 작업에는 장점이지만, 짧은 단일 과업에는 과한 설계가 될 수도 있다.

    어떤 상황에서 무엇부터 검토하면 좋을까

    다음은 영상의 고정 순위를 옮긴 것이 아니라, 현재 공식 안내를 바탕으로 재구성한 선택 출발점이다.

    1. 역할별 조사·작성 파이프라인을 빠르게 시험하고 싶다: CrewAI의 작은 Crew부터 검토한다. 역할과 산출물의 차이가 분명한지 먼저 본다.
    2. 도구·handoff·세션·추적을 SDK 중심으로 엮고 싶다: OpenAI Agents SDK를 검토한다. 사용할 모델과 기능별 호환 범위를 확인한다.
    3. Google 생태계 연동과 개발·평가 도구가 중요하다: Google ADK를 검토한다. 필요한 서비스와 배포 조건까지 확인한다.
    4. 상태·분기·복구·승인 흐름의 제어가 중요하다: LangGraph를 검토한다. 일반 코드와 에이전트 판단의 경계를 먼저 정한다.
    5. Microsoft·.NET 환경에서 새로 시작하거나 AutoGen을 이전한다: Microsoft Agent Framework와 공식 이전 안내를 함께 검토한다.

    이 목록은 서로 배타적이지 않다. 여러 프레임워크에서 비슷한 패턴을 구현할 수 있다. 결정적인 차이는 기능 이름이 있는지보다 팀이 필요한 동작을 얼마나 명확하게 구현·검증·유지할 수 있는가에 있다.

    비교는 같은 작은 과업과 운영 조건으로 한다

    한 번의 인상적인 데모보다 같은 입력을 반복해서 시험하는 편이 낫다. 처음부터 큰 업무 전체를 이식하기보다, 조사→근거 정리→검토처럼 작은 과업을 정해 다음 항목을 비교해 볼 수 있다.

    • 같은 요구사항에서 어떤 출처와 도구 실행 기록을 남기는가?
    • 자료를 찾지 못하거나 도구가 실패했을 때 어떻게 멈추는가?
    • 사람이 수정·승인한 뒤 작업을 이어갈 수 있는가?
    • 실행 비용과 지연, 재시도 횟수를 파악할 수 있는가?
    • 외부 전송이나 수정 권한을 필요한 범위로 제한할 수 있는가?

    같은 모델을 사용해도 프레임워크 내부 프롬프트나 기본 설정이 다를 수 있다. 따라서 이런 비교도 모든 변수가 통제된 보편적 성능 순위가 아니라, 자신의 업무에 맞는 적합성 시험으로 이해해야 한다.

    모든 프레임워크를 깊게 익힌 뒤에야 일을 시작할 필요는 없다. 후보 하나로 작은 과업을 만들고, 충족되지 않는 요구가 확인됐을 때 다른 후보를 검토해도 된다. 장기적으로 남길 것은 특정 도구의 문법만이 아니라, 역할·상태·도구 권한·검증 기준을 설명할 수 있는 설계다.

    함께 읽으면 좋은 글

    FAQ

    AI 에이전트 프레임워크 중 하나만 배워도 되나요?

    처음부터 모두 깊게 배울 필요는 없다. 대표 과업을 정하고 후보 하나로 시작하되, 역할·도구·상태·검증 같은 공통 개념을 익히면 다른 도구로 옮길 때도 도움이 된다.

    AutoGen을 지금 새 프로젝트에 추천해도 되나요?

    현재 공식 README는 유지보수 종료와 Microsoft Agent Framework로의 이동을 안내한다. 신규 도입은 이 안내와 후속 프레임워크를 먼저 확인해야 한다. 기존 시스템은 의존성과 이전 범위를 별도로 검토한다.

    CrewAI는 데모용이고 LangGraph만 운영용인가요?

    그렇게 나눌 수는 없다. CrewAI도 Crews와 Flows를 통해 업무 실행과 제어를 안내한다. 어떤 도구를 쓰든 인증·권한·출처 검증·장애 복구 등 운영 조건을 구현하고 시험해야 한다.

    OpenAI Agents SDK는 OpenAI 모델에서만 쓸 수 있나요?

    현재 공식 README는 여러 모델 제공자와의 연동을 안내한다. 다만 모델 연동과 특정 호스팅 도구의 사용 가능 범위는 다르므로, 필요한 기능별로 지원 조건을 확인해야 한다.

    참고자료

    본문 이미지는 원본 영상의 설명을 인용·비평하기 위한 캡처다. 제작자의 경험과 선호, 현재 공식 자료에서 확인한 기능·유지보수 안내, 이 글의 실무 적용 제안을 구분했으며 독립적인 성능 벤치마크를 수행한 것은 아니다.

  • CrewAI 입문 가이드, Agent·Task·Crew로 멀티에이전트 업무 설계하기

    CrewAI 입문 가이드, Agent·Task·Crew로 멀티에이전트 업무 설계하기

    AI에게 보고서를 쓰라고 한 번에 요청하는 것과, 조사·분석·작성을 나눠 맡기는 것은 무엇이 다를까. 여러 에이전트를 붙였다고 자동으로 더 좋은 결과가 나오지는 않는다. 누가 어떤 도구를 쓰고, 무엇을 만들어 다음 작업에 넘길지 정해야 분업이 의미를 갖는다.

    Read in English

    CampusX의 CrewAI 마스터클래스는 에이전트의 기초부터 멀티에이전트 프로젝트까지 다루는 긴 입문 강의다. 이 글은 강의와 공개 예제를 바탕으로 Agent·Task·Crew를 구분하는 방법, 보고서와 블로그를 만드는 기본 구조, 시장조사 프로젝트의 확장 방식을 정리한다. 설치 절차는 현재 공식 문서와 대조해 영상 당시의 파일 구조와 구분했다.

    CrewAI는 무엇을 대신 정리해 주는가

    CrewAI는 여러 AI 에이전트가 역할을 나눠 작업하도록 구성하는 Python 기반 프레임워크다. 모델 자체라기보다, 모델과 도구를 사용해 과업을 수행하는 에이전트들을 연결하는 실행 체계에 가깝다.

    하나의 큰 프롬프트에 조사·판단·작성 지시를 모두 넣을 수도 있다. 하지만 작업이 복잡해지면 어느 단계에서 근거가 빠졌는지, 어떤 역할의 출력을 수정해야 하는지 보기 어려워진다. CrewAI에서는 역할과 과업을 분리하고 실행 순서나 전달할 문맥을 명시할 수 있다.

    그렇다고 모든 업무를 여러 에이전트로 나눌 필요는 없다. 단순한 요약이나 짧은 문장 수정이라면 하나의 모델 호출이 더 간단할 수 있다. 역할마다 필요한 도구·정보·판단 기준이 실제로 달라질 때 분업을 검토하는 편이 낫다.

    에이전트 구성에서 LLM의 역할을 설명하는 CampusX 강의
    출처: CampusX, 원본 영상 31:40. 관련 논의를 설명하기 위한 장면 인용.

    입문자가 먼저 구분할 세 가지: Agent·Task·Crew

    Agent는 ‘누가 하는가’다

    Agent에는 역할(role), 목표(goal), 배경 설명(backstory) 등을 정의한다. 필요에 따라 모델과 사용할 도구도 지정한다. 조사 담당자라면 검색·자료 수집이, 작성 담당자라면 독자에 맞는 설명과 구성에 초점을 둘 수 있다.

    배경 설명에 전문가 경력을 적는 것은 역할을 유도하는 설정이다. 실제로 해당 경력을 가진 전문가가 검토했다는 의미가 아니며, 결과의 사실성을 보증하지도 않는다.

    Task는 ‘무엇을 완료해야 하는가’다

    Task에는 작업 설명(description)과 기대 산출물(expected_output)을 적는다. 담당 에이전트, 참고할 이전 작업 결과, 출력 파일 등을 연결할 수도 있다.

    ‘잘 조사하라’는 요청보다 조사 범위·기준 시점·필요 항목·출처·불확실성을 구체적으로 정하는 편이 후속 검토에 유리하다. 기대 산출물을 적는 것은 완료 조건을 명확히 하는 일이지, 모델이 반드시 그 조건을 충족한다는 보장은 아니다.

    Crew는 ‘어떤 체계로 함께 실행하는가’다

    Crew는 에이전트와 Task를 묶고 실행 방식을 정한다. 순서가 명확한 작업은 순차 실행(sequential)으로 시작할 수 있다. 관리자 역할이 조정하는 계층형(hierarchical) 구성도 있지만, 별도 판단과 위임 과정이 들어간다.

    멀티에이전트 실행 체계인 Crew를 설명하는 강의 화면
    출처: CampusX, 원본 영상 80:00. 관련 논의를 설명하기 위한 장면 인용.

    입문 단계에서는 직함을 많이 만드는 것보다, 입력 → 담당 역할 → 산출물 → 다음 작업의 연결을 종이에 먼저 그려보는 것이 도움이 된다.

    첫 예제: 보고서 작성과 블로그 작성을 분리한다

    공개 저장소의 research_and_blog_crew는 두 역할로 구성된다. 보고서 작성 에이전트가 주제에 관한 자료를 정리하고, 블로그 작성 에이전트가 이를 읽기 쉬운 글로 바꾼다.

    YAML 설정에는 보고서 약 2,000단어, 블로그 약 500단어라는 목표가 들어 있다. 이는 요청한 분량이지, 길이와 내용의 정확성을 자동 검증했다는 뜻은 아니다. Python 코드에서는 Process.sequential로 작업을 실행하고, 블로그 결과를 blogs/blog.md에 저장하도록 구성한다.

    여기서 놓치기 쉬운 점이 있다. 이 기본 예제의 에이전트에는 웹 검색 도구가 연결돼 있지 않다. 프롬프트에 ‘최신 사실’을 포함하라고 적었다고 해서 실제로 웹에서 최신 자료를 수집한 것은 아니다. 검색이 필요한 업무라면 도구와 접근 권한을 별도로 구성해야 한다.

    또한 파일에 글이 저장됐다는 것과 공개 게시가 완료됐다는 것은 다르다. 이 예제의 출력 파일 설정 자체가 WordPress 발행까지 수행하는 것은 아니다. 외부 공개가 필요하다면 검토·승인·게시 단계를 따로 설계해야 한다.

    CrewAI Agent의 역할과 목표를 설명하는 강의 화면
    출처: CampusX, 원본 영상 96:40. 관련 논의를 설명하기 위한 장면 인용.

    이 예제를 업무에 적용한다면 다음처럼 산출물 계약을 보강할 수 있다. 아래 항목은 강의 코드를 그대로 재현한 설정이 아니라 실무 적용을 위한 제안이다.

    • 보고서에는 확인한 사실, 원문 출처, 기준 시점, 아직 확인하지 못한 항목을 구분한다.
    • 블로그 작성자는 보고서에 없는 수치나 사례를 임의로 덧붙이지 않는다.
    • 최종 검토에서는 인용과 링크, 주장·근거의 일치 여부를 확인한다.
    • 외부 게시 권한은 초안 생성과 분리하고 승인 뒤에만 사용한다.

    확장 예제: 시장조사를 다섯 역할로 나눈다

    공개 저장소의 market_research_crew는 더 복잡한 분업을 보여준다.

    1. 시장조사 담당: 시장 규모와 성장 흐름, 산업 환경을 조사한다.
    2. 경쟁정보 분석 담당: 경쟁사와 대안, 차별화 가능성을 살펴본다.
    3. 고객 인사이트 담당: 고객군의 문제와 필요, 구매 관련 가설을 정리한다.
    4. 제품전략 담당: 앞선 결과를 바탕으로 기능 우선순위와 개발 방향을 제안한다.
    5. 사업분석 담당: 조사 결과를 통합해 사업 보고서로 정리한다.

    영상의 최종 실습에서는 ‘유튜브 영상을 요약해 여러 소셜 플랫폼에 게시하는 도구’라는 제품 아이디어를 입력하고, 관련 사업 보고서를 생성해 살펴본다. 여기서 만들어진 것은 그 제품의 시장·사업성 분석 보고서이지, 실제로 영상을 요약하거나 SNS에 게시하는 서비스 자체는 아니다.

    코드에서는 뒤의 Task가 앞선 결과를 context로 참조하도록 연결한다. 예를 들어 제품전략 Task는 시장·경쟁·고객 조사 결과를 받는다. 마지막 사업분석 Task는 여러 결과를 모아 reports/report.md에 저장한다.

    시장조사 프로젝트의 Crew Python 코드를 작성하는 실습 화면
    출처: CampusX, 원본 영상 191:40. 관련 논의를 설명하기 위한 장면 인용.

    이 예제에는 검색과 웹페이지 수집 도구가 연결돼 있다. 기본 보고서·블로그 예제와 달리, 에이전트가 외부 정보를 찾을 수 있는 구성이라는 차이가 있다. 다만 검색 결과를 확보했다고 해서 시장 수치나 사업 전망의 타당성이 자동으로 보장되지는 않는다.

    특히 AI가 작성한 고객 페르소나는 실제 고객 인터뷰가 아니다. 조사에서 확인한 관찰과 모델이 만든 가설을 분리해야 한다. 같은 모델의 결과를 다음 에이전트가 다시 요약하는 것만으로 독립적인 검증을 했다고 볼 수도 없다.

    설치 전에 확인할 차이: 현재 기본 구조와 강의의 YAML 구조

    강의 예제는 crew.py, config/agents.yaml, config/tasks.yaml로 역할과 과업을 구성한다. 그러나 이 글 작성 시 확인한 공식 설치 문서는 기본 프로젝트가 JSON 중심으로 생성된다고 안내한다. 에이전트는 agents/*.jsonc, 작업과 Crew 설정은 crew.jsonc에 들어간다.

    따라서 현재 설치한 CLI에서 영상과 파일 구성이 다르게 보이는 것이 반드시 설치 실패를 뜻하지는 않는다. 영상의 Python/YAML 구조로 학습하려면 공식 문서가 안내하는 --classic 옵션을 확인한다.

    uv를 사용할 수 있는 환경에서의 생성 절차는 다음과 같다. 설치 명령은 공식 문서를 따른 학습용 예시이며, 사용할 CrewAI 버전과 모델 공급자 설정에 따라 환경을 확인해야 한다.

    uv tool install crewai
    crewai create crew research_and_blog --classic
    cd research_and_blog
    

    생성된 프로젝트의 설명을 읽고 사용할 모델과 도구를 설정한다. API 키 등 비밀값은 환경변수나 .env로 관리하고 저장소에 올리지 않는다. 설정을 마친 뒤 프로젝트 루트에서 의존성을 설치하고 실행한다.

    crewai install
    crewai run
    

    무료 강의라는 표현과 실행 비용도 구분해야 한다. 강의를 무료로 볼 수 있어도, 선택한 모델·검색 API·외부 서비스에는 비용이나 이용 한도가 있을 수 있다. 학습 전에는 키 발급, 과금 방식, 요청 제한을 확인하는 것이 좋다.

    순차 실행·계층형·Flow는 같은 선택지가 아니다

    순차 실행은 이미 정한 Task의 순서를 따르는 방식이다. 조사 뒤 작성처럼 선후 관계가 명확할 때 구조를 이해하고 추적하기 쉽다.

    계층형은 관리자 역할이 작업을 조정하는 방식이다. 상황에 따른 위임이 필요할 때 검토할 수 있지만, 관리자의 판단에도 모델 호출과 오류 가능성이 생긴다. 에이전트를 많이 두거나 관리자를 추가하는 것 자체가 성능 향상을 증명하지는 않는다.

    Flow는 여러 처리 단계와 상태, 조건 분기를 코드로 연결하는 데 쓰는 별도 개념이다. 예를 들어 입력을 검사한 뒤 조사 Crew를 실행하고, 자료가 부족하면 보완 경로로 보내는 구조를 만들 수 있다. 이 예시는 공식 문서의 개념을 업무에 적용한 설명이며, 강의의 시장조사 프로젝트가 그런 분기까지 구현했다는 뜻은 아니다.

    처음에는 작은 순차 Crew → 산출물 검증 → 필요한 분기 추가 순서가 이해하기 쉽다. 동적으로 판단할 필요가 없는 부분까지 에이전트에게 맡기기보다, 명확한 규칙은 일반 코드로 처리할 수 있다.

    에이전트 수보다 먼저 정할 운영 기준

    멀티에이전트 시스템을 업무에 쓰려면 역할 이름 외에 운영 조건도 필요하다. 다음은 입문 예제를 실제 업무로 옮길 때 점검할 항목이다.

    • 도구와 권한: 읽기·검색·파일 저장·외부 전송 중 어디까지 허용할지 구분한다.
    • 전달 정보: 다음 Task가 받아야 할 근거·출처·미확인 항목을 정한다.
    • 검증: 필요한 필드와 형식, 인용 근거를 각각 확인한다. 형식 검사를 통과해도 사실이 맞는 것은 아니다.
    • 재시도와 비용: 무제한 반복 대신 실패 시 중단·재시도 기준과 비용 한도를 둔다.
    • 공개 승인: 자동 생성·저장과 고객 발송·공개 게시를 분리한다.

    역할 설정에 전문가라는 이름을 붙이는 것보다 중요한 것은 이 경계다. 어떤 Task가 잘못됐는지 추적하고, 확인하지 못한 결과를 그대로 다음 단계로 넘기지 않게 해야 한다.

    입문자의 첫 목표는 작은 Crew를 설명할 수 있는 것이다

    CrewAI를 처음 배울 때는 큰 조직도를 만드는 것보다 두 역할의 작은 작업부터 시작하는 편이 좋다. 같은 입력을 주었을 때 어떤 자료를 받고, 어느 단계에서 틀릴 수 있으며, 무엇을 최종 산출물로 남기는지 확인한다.

    CampusX 강의의 가치는 에이전트의 기초와 역할 분담을 실제 프로젝트 구조로 연결해 볼 수 있다는 데 있다. 다만 예제가 실행됐다는 사실과 업무에 바로 투입할 품질을 확보했다는 것은 구분해야 한다. 이 글은 강의·공개 코드·공식 문서를 대조한 해설이며, 예제 Crew를 별도로 실행해 같은 산출물을 재현했다는 뜻은 아니다.

    CrewAI 입문의 핵심은 도구 이름을 외우는 일이 아니다. 누가, 무엇을, 어떤 근거로 수행하고, 누가 결과를 확인하는지를 분명히 하는 것이다.

    함께 읽으면 좋은 글

    FAQ

    CrewAI를 쓰려면 Python을 알아야 하나요?

    이 강의는 Python 코드와 YAML 설정을 함께 다룬다. 에이전트의 개념만 이해하는 것과 예제를 수정·실행하는 것은 다르므로, 코드 구조와 패키지·환경변수의 기초를 익혀두는 것이 도움이 된다.

    강의와 생성된 프로젝트의 파일 구조가 다른 이유는 무엇인가요?

    현재 공식 설치 문서는 JSON 중심 프로젝트를 기본으로 안내한다. 영상의 Python/YAML 구조를 따라가려면 crewai create crew 프로젝트명 --classic 옵션을 확인한다. 설치한 버전에 따라 해당 버전의 문서도 함께 살펴봐야 한다.

    CrewAI가 최신 정보를 자동으로 검색하나요?

    항상 그렇지는 않다. 공개된 기본 보고서·블로그 예제에는 검색 도구가 연결돼 있지 않다. 최신 외부 자료가 필요하다면 검색·수집 도구와 인증, 결과 검증을 따로 구성해야 한다.

    에이전트를 많이 만들면 더 정확해지나요?

    에이전트 수만으로 정확성을 보장할 수 없다. 역할 간 차이가 불분명하면 전달 비용과 복잡성만 늘 수 있다. 분업이 필요한 이유, 필요한 도구, 검증할 산출물이 먼저 명확해야 한다.

    참고자료

    본문 이미지는 개념과 프로젝트 구조를 설명하기 위해 인용한 원본 강의 캡처다. 영상의 설명, 공개 코드에서 확인한 구성, 공식 문서의 현재 안내와 실무 적용 제안을 구분했다.

  • 김경일의 AI 활용법, 속도보다 검증과 협업이 중요한 이유

    김경일의 AI 활용법, 속도보다 검증과 협업이 중요한 이유

    AI가 초안을 대신 만들고 자료를 요약해 주면 일은 빨라진다. 그런데 빨라진 만큼 더 많이 처리하는 것이 언제나 좋은 결과로 이어질까. 틀린 정보가 섞였다면, 확인하지 않은 채 내보내는 결과물도 함께 늘어날 수 있다.

    Read in English

    STUDIO LOLA 인터뷰에서 인지심리학자 김경일 교수는 AI로 일이 편해진 만큼 오히려 더 긴장하게 됐다고 말한다. 중요한 불안은 대체될 가능성만이 아니다. AI가 준 잘못된 내용을 믿거나, 검증 없이 인용할 수 있다는 걱정이다. 영상의 핵심은 AI를 덜 쓰자는 주장이 아니라, 생성에 쓰는 시간과 판단에 쓰는 시간을 다시 배분하자는 문제의식으로 읽을 수 있다.

    AI가 편리할수록 ‘찾았다’와 ‘확인했다’를 구분한다

    과거에는 원하는 자료를 찾는 데 시간이 많이 들었다. 어렵게 찾은 답을 성과로 느끼기 쉬웠다. 지금은 질문을 입력하면 자연스러운 문장과 정리된 목록이 곧바로 나온다. 하지만 답변을 얻었다는 사실과 내용이 맞다는 사실은 다르다.

    김경일 교수는 특히 AI의 그럴듯한 답을 덜컥 믿을 가능성을 경계한다. 문장이 매끄러우면 검토도 끝난 정보처럼 느껴질 수 있기 때문이다. 보고서나 강의자료를 만들 때 AI의 설명을 그대로 옮기는 순간, 확인되지 않은 주장도 자신의 이름으로 전달하게 된다.

    AI의 답을 그대로 믿을 위험을 설명하는 김경일 교수
    출처: STUDIO LOLA, 원본 영상 06:00. 관련 논의를 설명하기 위한 장면 인용.

    영상에는 언어모델의 환각 문제가 계속 남을 것이라는 강한 견해도 나온다. 이를 미래 기술의 한계가 영구적으로 증명됐다는 뜻으로 받아들일 필요는 없다. 실무적으로 가져올 메시지는 더 분명하다. 지금 사용하는 AI의 답은 오류 가능성을 전제로 확인해야 한다.

    절약한 시간을 전부 추가 업무로 채우지 않는다

    김경일 교수는 에이전트 AI를 사용하면서 더 많은 일을 빠르게 처리하게 됐지만, 실수도 늘어나는 것 같아 긴장을 놓지 않는다고 설명한다. 이는 개인적 체감이지, 모든 사람에게 적용되는 생산성 수치나 실험 결과는 아니다.

    중요한 대목은 그다음이다. 그는 빨리 해내는 것만 목표로 삼기보다, 남은 시간에 점검하고 되돌아보고 검증하는 조용한 시간이 필요하다고 말한다.

    이 관점을 업무에 적용하면 AI 활용의 기준이 달라진다. 초안을 만드는 속도뿐 아니라, 오류를 발견하고 수정해 최종본을 확정하는 과정까지 봐야 한다. 생성이 빨라졌어도 사실 확인과 재작업에 시간이 많이 든다면, 체감 속도와 실제 업무 성과는 다를 수 있다.

    다음은 인터뷰의 문제의식을 바탕으로 정리한 실무 적용 방법이다. 영상에서 검증된 공식이나 측정 척도가 아니라, 확인 절차를 놓치지 않기 위한 작업 순서다.

    1. 생성: AI에 목적·대상·자료 범위를 주고 초안을 받는다.
    2. 분리: 사실 주장, 의견, 추정, 실행 제안을 나눠 표시한다.
    3. 확인: 수치·인용·법령·고유명사는 원문 자료와 대조한다.
    4. 판단: 근거가 부족한 문장을 빼거나 불확실성을 명시한다.
    5. 승인: 외부 발송·공개·실행 전에는 책임자가 최종 확인한다.

    AI에게 검토를 한 번 더 요청하는 것은 도움이 될 수 있다. 다만 다른 답변이 동의했다는 사실만으로 원문 확인을 대신할 수는 없다. 중요한 것은 검토 횟수보다 어떤 근거와 실제 결과를 대조했는지다.

    직업을 한 가지 디지털 과업으로 줄여 보지 않는다

    인터뷰는 영상의학 분야를 예로 들며, 눈에 보이는 전문 과업이 그 직업의 전부는 아니라는 점을 짚는다. 이미지 판독 외에도 환자를 설득하고, 다른 의료진과 조율하고, 조직 안에서 자원을 확보하며, 문제가 생겼을 때 책임지는 일이 있다는 설명이다.

    이 글에서는 영상에 언급된 연봉 변화나 업무별 비중을 검증된 통계로 사용하지 않는다. 대신 직업을 이해하는 관점을 가져올 수 있다. 자동화하기 쉬운 과업 하나와, 그 과업을 둘러싼 관계·상황·책임을 구분하는 것이다.

    교육담당자의 업무도 비슷하게 나눠 볼 수 있다. 안내문 작성과 설문 요약은 AI가 도울 수 있다. 하지만 참여를 주저하는 직원을 설득하거나, 현업 부서와 교육 일정을 조율하거나, 이해관계가 다른 사람들의 요구를 정리하는 일은 별도로 남는다.

    이는 어떤 직업이 영원히 안전하다는 보장이 아니다. 자동화 가능성을 논의할 때 직함만 보거나, 가장 눈에 띄는 기술 과업만 보고 판단하지 말자는 뜻이다.

    협업 능력은 머리로 아는 것보다 함께 일한 경험에서 나온다

    김경일 교수가 강조하는 또 다른 축은 자신과 다른 사람을 이해하고 함께 일하는 경험이다. 나이, 성별, 문화적 배경이 다르다는 이유로 협업 자체를 포기하는 태도를 경계한다.

    서로 다른 사람과 협업한 경험을 강조하는 김경일 교수
    출처: STUDIO LOLA, 원본 영상 09:20. 관련 논의를 설명하기 위한 장면 인용.

    공감이 중요하다는 문장을 아는 것과 실제로 다른 사람과 합의해 본 것은 다르다. 상대가 왜 같은 제안을 다르게 받아들이는지 듣고, 자신의 설명을 바꾸고, 갈등 뒤에 관계를 회복하는 과정에서 배울 수 있는 것이 있다.

    AI와만 대화하면 피드백을 쉽게 얻을 수 있지만, 실제 사람의 반대와 망설임까지 사라지는 것은 아니다. 협업 역량을 기르려면 사람과 함께 일하는 장면도 남겨둬야 한다.

    • 자신과 다른 역할의 동료에게 초안을 설명하고 이해되지 않는 부분을 듣는다.
    • 의견 충돌이 생기면 상대가 지키려는 조건과 걱정하는 위험을 먼저 확인한다.
    • 같은 내용을 관리자·실무자·이용자에게 각각 설명해 본다.
    • 작업이 끝난 뒤 결과뿐 아니라 조율 과정에서 놓친 점도 돌아본다.

    이런 활동을 AI 사용과 반대되는 것으로 볼 필요는 없다. 자료 정리와 초안 작성에는 AI를 쓰되, 절약한 시간을 사람을 만나고 맥락을 이해하는 데 쓸 수도 있다.

    AI 시대에 인문학을 공부한다는 것은 현실에서 물러나는 일이 아니다

    인터뷰에서 인문학은 변화하는 현실과 동떨어진 장식이 아니다. 김경일 교수는 시대의 전환점에서 사람을 이해해야 할 필요가 커진다는 관점으로 인문학의 역할을 설명한다.

    인지심리학과 인문학 공부의 연결을 이야기하는 김경일 교수
    출처: STUDIO LOLA, 원본 영상 05:10. 관련 논의를 설명하기 위한 장면 인용.

    AI의 기능을 익히는 공부와 인간을 이해하는 공부는 함께 갈 수 있다. 기술이 무엇을 할 수 있는지 알면서, 그 결과를 누가 받아들이고 어떤 상황에서 사용하는지도 살펴보는 것이다.

    가령 자동으로 작성된 안내문이 문법적으로 맞더라도 이용자에게 불친절할 수 있다. 설문 응답을 요약한 문장이 정확해 보여도 현장의 사정을 빠뜨릴 수 있다. 도구를 잘 다루는 능력에 사람과 상황을 읽는 판단이 더해져야 하는 이유다.

    오늘 AI로 만든 결과물에서 확인할 다섯 가지

    영상 제목의 ‘멍청해지는 사람’이라는 표현을 곧바로 인지 능력 저하에 관한 연구 결론으로 읽을 필요는 없다. 이 인터뷰가 제시하는 실천적 질문은 도구가 편리해질수록 판단까지 무심코 맡기고 있지는 않은가 하는 것이다.

    다음 결과물을 내보내기 전에 다섯 가지를 물어볼 수 있다.

    1. 내가 직접 확인한 사실과 AI가 제시한 설명을 구분할 수 있는가?
    2. 인용한 자료를 실제로 열어 보고 문맥까지 확인했는가?
    3. 이 결과가 틀렸을 때 누가 영향을 받는지 생각했는가?
    4. AI로 절약한 시간 중 일부를 점검과 되돌아보기에 썼는가?
    5. 실제 이용자나 동료의 의견을 듣고 수정한 부분이 있는가?

    AI 시대의 경쟁력을 더 많은 결과물을 내는 속도로만 설명하기는 어렵다. 김경일 교수의 인터뷰는 빠르게 받은 답을 다시 확인하고, 자신과 다른 사람과 함께 일하는 경험을 쌓는 쪽으로 시선을 돌린다. 편리함을 누리되 판단과 책임까지 넘기지 않는 것이 출발점이다.

    함께 읽으면 좋은 글

    FAQ

    AI를 많이 쓰면 반드시 사고력이 떨어지나요?

    이 인터뷰만으로 그런 인과관계를 입증할 수는 없다. 글의 핵심은 사용량 자체보다, AI의 설명을 확인 없이 믿고 판단을 넘기는 방식에 주의하자는 것이다.

    AI 답변은 어떻게 검증하면 좋을까요?

    수치·인용·법령 등 확인이 필요한 문장을 분리하고, 원문과 실제 자료를 대조한다. 근거가 확인되지 않으면 삭제하거나 불확실성을 표시한다. 다른 AI가 같은 답을 했다는 것만으로 검증을 마치지는 않는다.

    협업 경험이 AI 시대에 중요한 이유는 무엇인가요?

    업무에는 정보 처리뿐 아니라 사람을 설득하고 이해관계를 조율하며 결과에 책임지는 과정이 있다. 인터뷰는 이런 능력이 서로 다른 사람과 함께 일한 경험에서 형성된다는 점을 강조한다.

    AI로 절약한 시간은 어디에 쓰는 것이 좋을까요?

    추가 업무에만 모두 쓰기보다, 결과물 점검·원문 확인·되돌아보기와 실제 이용자·동료의 의견을 듣는 시간으로 일부를 남길 수 있다. 고정된 시간 비율보다는 업무의 위험도와 필요한 확인 수준에 맞추는 것이 좋다.

    참고자료

    본문 이미지는 해당 인터뷰의 설명·비평을 위해 인용한 영상 캡처다. 강연자의 견해와 개인적 체감은 보편적 연구 결과와 구분했으며, 실무 체크리스트는 인터뷰의 문제의식을 바탕으로 재구성했다.

  • REA 역공학 도구: 23분 앱 재구현 실험의 가능성과 한계

    REA 역공학 도구: 23분 앱 재구현 실험의 가능성과 한계

    소스코드를 주지 않았는데 AI가 비슷한 앱을 만들어냈다면, 원본을 이해했다고 말할 수 있을까. 화면이 닮았다는 것과 데이터 구조·예외 처리까지 파악했다는 것은 다른 문제다.

    Read in English

    Dante’s Datalab의 REA 실험은 이 차이를 보여준다. 제작자는 자신이 소스를 가진 자료 관리 앱을 분석하게 한 뒤, 별도 평가 에이전트로 원본과 결과물을 대조했다. 약 23분 만에 주요 기능을 재구현했지만, 결과는 완전 복제가 아닌 100점 만점의 74점이었다. 특히 잘못 해석한 근거 하나가 내부 설계를 다른 방향으로 이끌었다.

    REA는 새로운 디컴파일러보다 ‘분석 도구를 연결하는 층’에 가깝다

    REA는 Reverse Engineer Anything의 약자다. 공식 문서는 네이티브 바이너리, JavaScript·Electron 앱, 웹사이트 등을 조사하는 도구를 에이전트에 연결한다고 설명한다. 에이전트는 분석 결과를 읽고 다음 조사 대상을 정하며, 판단의 근거와 한계를 함께 남긴다.

    따라서 REA가 Ghidra·Hopper·IDA를 모두 대체하는 새로운 분석 엔진이라는 이해는 정확하지 않다. 기존 분석 도구와 실행 관찰을 코딩 에이전트의 작업 흐름으로 묶는 쪽에 가깝다. Electron 앱의 정적 JavaScript 분석에는 네이티브 분석 엔진이 필요하지 않다는 점도 공식 문서에서 구분한다.

    REA 저장소와 역공학 도구 연결 개념
    출처: Dante’s Datalab, 원본 영상 02:50. 관련 논의를 설명하기 위한 장면 인용.

    영상에서 중요한 용어는 Evidence다. 단순히 “이렇게 동작할 것 같다”고 답하는 대신, 어떤 파일·분석 결과·실행 관찰에서 판단했는지 기록한다. 다만 기록을 남겼다는 사실이 그 해석의 정확성까지 보장하지는 않는다.

    원본 소스 접근을 막았지만, 배포된 앱 내부는 분석했다

    실험 대상은 제작자가 수정 중인 Serpent 기반 자료 관리 앱이었다. 제작자는 원본 프로젝트 소스를 보유하고 있어, 분석 결과가 실제 구현과 맞는지 대조할 수 있었다. 상용 앱을 무단으로 복제하는 실험과는 출발 조건이 다르다.

    실험은 세 역할로 나뉘었다.

    • 준비 에이전트: 앱을 패키징하고 테스트 자료와 안내 문서를 준비했다.
    • 분석 에이전트: 설치된 앱을 조사하고, 같은 사용자 기능을 하는 앱을 새로 구현했다.
    • 평가 에이전트: 원본 소스와 재구현 코드를 모두 보고 동작과 근거를 비교했다.
    준비·분석·평가 에이전트로 구분한 실험 설계
    출처: Dante’s Datalab, 원본 영상 07:50. 관련 논의를 설명하기 위한 장면 인용.

    분석 에이전트에는 원본 프로젝트 폴더, 외부 검색, GitHub 조회가 금지됐다. 반면 설치된 앱에 포함된 번들 코드와 디스크에 남는 파일은 조사할 수 있었다. ‘원본 소스를 주지 않았다’는 말은 ‘코드를 전혀 볼 수 없었다’는 뜻이 아니다.

    엄격한 의미의 클린룸 개발과도 구분해야 한다. 이 실험에서는 분석 에이전트가 구현까지 맡았다. 영상 역시 분석자와 구현자를 분리한 방식이 아니라는 점을 밝힌다. 또 앱이 남긴 파일에서 원래 이름을 보게 됐으므로, 앱의 정체가 끝까지 완벽하게 가려졌다고 보기도 어렵다.

    23분 만에 만든 것은 완성품이 아니라 주요 사용자 흐름이다

    제작자의 공개 기록에 따르면 재구현에는 약 23분이 걸렸다. REA 호출은 9회였고, 결과물은 외부 패키지 없이 949줄의 코드로 구성됐다. 이 수치는 제작자의 해당 실행 기록이며, 여기서 별도로 재현한 벤치마크는 아니다.

    원본은 Electron 데스크톱 앱이었지만, 재구현 앱은 Node.js 기반 서버와 브라우저 화면을 사용했다. 같은 기능을 반드시 같은 기술로 만들 필요는 없다는 접근이다.

    라이브러리 열기, 자료 가져오기, 격자 표시, 태그, 검색, 상세 정보, 휴지통, 재시작 후 상태 유지 등은 동작했다. 반면 폴더·컬렉션·되돌리기 같은 기능과 일부 보기·필터는 빠졌다.

    재구현 앱에서 라이브러리를 만들고 여는 화면
    출처: Dante’s Datalab, 원본 영상 13:50. 관련 논의를 설명하기 위한 장면 인용.

    공개 채점표의 결과는 다음과 같다.

    • 화면 구조: 16/20점
    • 데이터 모델: 16/20점
    • 주요 동작: 25/30점
    • 예외 상황: 8/15점
    • 코드 구조 유사도: 9/15점
    • 합계: 74/100점

    여기서 74점을 ‘완성도 74%’나 ‘어떤 앱이든 복제할 확률’로 읽으면 안 된다. 제작자가 정한 다섯 평가 항목에 따라, 평가 에이전트가 이 결과물에 부여한 점수다. 원본과 같은 내부 구조를 택했는지도 포함한 기준이므로, 일반적인 제품 품질 점수와도 다르다.

    근거 24건 중 22건이 맞아도 설계는 틀릴 수 있다

    이 실험에서 가장 눈여겨볼 대목은 속도보다 오류다. 원본 소스와 대조한 Evidence 24건 중 22건이 맞았고, 1건은 확인할 수 없었으며, 1건은 틀렸다.

    문제가 된 항목은 Electron의 IPC 통신 해석이었다. 분석 에이전트는 채널 이름을 찾지 못한 상황을 실행 중 문자열 조합으로 해석했다. 이를 바탕으로 기능별 API를 새로 설계했지만, 원본에서는 컴파일 시점에 정해진 상수를 사용하는 구조였다.

    Evidence 24건의 원본 소스 대조 결과와 IPC 해석 오류
    출처: Dante’s Datalab, 원본 영상 16:50. 관련 논의를 설명하기 위한 장면 인용.

    중복 파일 처리에서도 차이가 드러났다. 재구현 앱은 파일 지문 정보를 저장했지만, 이를 중복 검사에 제대로 활용하지 못했다. 원본이 거르는 지원하지 않는 형식도 받아들였다. 정보를 발견하는 것과 그 정보가 필요한 이유를 구현하는 것은 별개였던 셈이다.

    이 사례는 근거의 개수만 세는 검증이 충분하지 않음을 보여준다. 많은 항목이 맞아도, 설계의 핵심 가정 하나가 틀리면 결과물 전체의 방향이 바뀔 수 있다. 중요한 추론일수록 원자료와 실제 동작을 함께 대조해야 한다.

    더 유용한 방향은 ‘복제’보다 이해와 기능 확장이다

    제작자는 재구현 뒤 대본 문단을 넣으면 관련 자료를 찾아주는 패널을 추가했다. 태그·파일명·메모를 비교해 자료를 순위로 보여주는 기능이다. 기존에 만든 데이터 접근과 화면 동작을 재사용하면서 확장했다는 점이 핵심이다.

    대본 문단과 자료의 태그·파일명을 비교하는 기능 확장 화면
    출처: Dante’s Datalab, 원본 영상 18:20. 관련 논의를 설명하기 위한 장면 인용.

    다만 시험 과정에서 붙인 태그가 검색 점수에 영향을 준 대목도 있었다. 새 기능이 돌아간다는 것만으로 추천 품질까지 검증된 것은 아니다. 실제 업무 데이터를 분리해 다시 시험해야 하는 이유다.

    이 관점에서 REA를 검토할 만한 대상은 남의 상용 앱만이 아니다. 오히려 분석 권한이 분명한 다음 대상이 먼저다.

    • 개발자가 떠나 내부 문서가 부족해진 자사 업무 프로그램
    • 문서와 실제 응답이 달라진 내부 API
    • 오래된 자체 파일 형식과 데이터 이전 작업
    • 동작은 하지만 회귀 테스트가 부족한 기존 프로그램

    목적을 “같은 앱 만들기”로 넓게 잡기보다, “검색은 어떻게 동작하는가”, “저장과 복원은 어떤 규칙을 따르는가”처럼 좁히면 검증 기준도 선명해진다.

    그림판 11분 데모: ‘같은 앱’보다 ‘내가 원하는 기능’

    성공지식백과의 추가 영상은 REA의 활용을 다른 방향에서 보여준다. 발표자는 윈도우 그림판을 바탕으로 간단한 그림판 형태의 앱을 재구현하고, 붙여넣은 이미지가 오른쪽 에셋 목록에 쌓이는 기능을 추가했다. 영상에서는 기본 그리기와 색상 변경·채우기, 이미지 붙여넣기를 직접 확인한다. 에셋 이름 변경, 재사용, 다운로드와 목록 삭제도 시연한다.

    여기서 구분할 점은 기존 윈도우 그림판 제품 자체를 수정한 것이 아니라, 새로 만든 앱에 맞춤 기능을 붙였다는 것이다. 핵심은 원본과 완전히 같아지는 데 있지 않다. 익숙한 작업 흐름에 자신이 필요했던 기능을 결합하는 데 있다.

    발표자는 약 11분 만에 결과물이 나왔다고 설명한다. 다만 이 영상에는 앞선 Serpent 실험처럼 원본 소스와 결과물을 대조한 채점표가 없다. 커서 표시 등 미완성 부분도 남아 있다. 짧은 시연에서 동작한 기능을 장기간 사용 가능한 제품 품질로 확대 해석하면 안 된다.

    11분과 23분은 성능 순위를 뜻하지 않는다

    두 영상은 같은 도구를 다루지만 서로 다른 것을 보여준다.

    • 단테랩스의 약 23분 실험: 자료 관리 앱을 대상으로 원본 소스 접근을 제한했다. 별도 평가 에이전트가 원본과 결과물을 대조해 74점을 부여하고, 근거의 오류와 누락 기능을 공개했다.
    • 성공지식백과의 약 11분 데모: 그림판 형태의 앱과 에셋 패널을 만들고 화면에서 주요 동작을 시험했다. 같은 평가 기준의 점수나 원본 소스 대조 결과는 제시하지 않았다.

    대상 앱의 복잡도, 구현 범위, 실행 환경과 평가 방식이 다르다. 따라서 두 시간을 비교해 어느 에이전트가 더 빠른지, REA의 성능이 얼마나 향상됐는지 판단할 수는 없다. 전자는 이해의 정확성 검증, 후자는 개인 맞춤 기능을 만드는 활용 사례로 읽는 편이 적절하다.

    일반인에게 낮아진 것은 분석의 진입장벽이다

    추가 영상은 REA의 가치를 새로운 역공학 기술의 발명보다, 기존 도구를 접근하기 쉽게 연결한 데서 찾는다. 예전에는 분석 도구의 설치와 사용법을 따로 익혀야 했다면, 이제는 에이전트에 작업을 요청하는 흐름으로 시작할 수 있다는 관점이다.

    REA MCP와 기존 역공학 도구를 연결한 성공지식백과 영상 개념도
    출처: 성공지식백과, 추가 영상 01:50. 해당 설명·전망을 논의하기 위한 장면 인용.

    그러나 ‘시작하기 쉬워졌다’와 ‘검토할 지식이 필요 없다’는 같은 말이 아니다. 발표자 역시 결과물을 읽고 이해하고 분석·검토할 정도의 학습이 필요하다고 강조한다. 앞선 IPC 해석 오류와 중복 파일 처리 실패가 그 이유를 보여준다.

    실무에서는 처음부터 앱 전체를 맡기기보다 범위를 좁히는 편이 좋다. 분석 권한이 있는 프로그램에서 기능 하나의 입력·출력·저장 규칙을 확인하고, 그 설명과 근거가 맞는지 시험한 다음 확장한다. REA를 쓰지 않은 일반 코딩 에이전트와도 같은 과제를 비교해 보면, 추가 도구가 실제로 필요한지 판단하는 데 도움이 된다.

    핵심 로직이 서버로 이동할 수 있다는 전망은 어떻게 읽을까

    성공지식백과는 분석이 쉬워질수록 소프트웨어 회사가 핵심 로직을 앱 내부보다 서버 쪽에 두려 할 수 있다고 전망한다. 이용자 기기에 배포된 구현은 조사 대상이 될 수 있으므로, 제공 방식을 바꾸려는 유인이 생긴다는 해석이다.

    REA 확산 이후 소프트웨어 개발 방향에 대한 성공지식백과의 전망
    출처: 성공지식백과, 추가 영상 10:20. 해당 설명·전망을 논의하기 위한 장면 인용.

    이는 영상 발표자의 전망이지, 모든 앱이 서버 중심으로 바뀐다는 확정된 사실은 아니다. 설계 관점에서도 서버화는 운영비, 네트워크 지연, 오프라인 사용성, 개인정보와 접근 통제 등의 조건을 함께 따져야 한다. 서버에 있다는 이유만으로 모든 보안 문제가 해결되는 것도 아니다.

    마찬가지로 ‘소프트웨어가 끝났다’거나 ‘대부분의 앱이 오픈소스가 된다’는 표현은 변화의 크기를 강조한 전망으로 읽어야 한다. 기능 구현이 쉬워지는 것과 유지보수·보안·지원까지 갖춘 제품을 지속 운영하는 것은 별개의 일이다. 분석할 수 있다는 사실이 해당 제품의 코드나 자산을 사용할 라이선스를 부여하지도 않는다.

    개인 학습용이라면 언제나 괜찮다는 결론도 피해야 한다. 추가 영상의 활용 예시는 참고하되, 분석 목적과 권한·약관·라이선스는 기존 체크리스트에 따라 별도로 확인하는 것이 맞다.

    웹앱 사례가 더해지면 보이는 차이: MathSheets는 무엇을 재현했나

    AI with Hassan의 추가 영상은 Google Sheets의 화면과 기본 동작을 참고해 MathSheets라는 간단한 스프레드시트를 만드는 과정을 보여준다. 발표자는 웹앱 분석에 필요한 도구만 설치하고, 네이티브 바이너리 분석용 Ghidra·Hopper 같은 도구는 설치하지 않도록 요청한다.

    이는 모든 대상에 같은 역공학 도구를 쓰는 것이 아니라, 웹에서 관찰할 수 있는 기능과 설치형 프로그램 내부 분석을 구분하는 접근이다. 브라우저 화면과 상호작용을 조사하는 것만으로 서버 내부의 구현이나 운영 구조까지 알아냈다고 볼 수는 없다.

    영상에서는 셀 편집과 선택, 간단한 덧셈 결과를 시연한다. 발표자는 작업에 약 20~30분이 걸렸다고 설명하지만, 정확한 측정 기록이나 동일 과제의 반복 실험은 제시하지 않는다. 앞선 11분 그림판 데모나 23분 자료 관리 앱 실험과 시간을 직접 비교할 근거도 없다.

    AI with Hassan이 로컬 MathSheets에서 셀 입력과 덧셈 결과를 시연하는 화면
    출처: AI with Hassan, 추가 영상 10:35. 로컬 MathSheets의 시연 화면이며 Google Sheets 서비스 전체를 재현한 결과는 아니다.

    화면의 공유 버튼과 실제 공동작업 기능은 다르다

    영상만 보면 Google Sheets와 매우 비슷한 화면이 완성된 것처럼 보인다. 그러나 제작자가 공개한 MathSheets 저장소의 README는 구현 범위를 더 구체적으로 설명한다.

    • HTML·CSS·JavaScript로 만든 가벼운 스프레드시트이며, 앱 자체에는 서버가 필요하지 않다고 안내한다.
    • 셀 참조와 범위, SUM·AVERAGE 등 일부 수식, CSV 내보내기를 지원한다고 설명한다.
    • 데이터는 브라우저의 localStorage에 저장한다. 사이트 데이터를 지우면 사라지므로 보관할 자료는 CSV로 내보내라고 명시한다.
    • Share와 Email은 ‘soon’으로 표시된 미구현 메뉴라고 안내한다.

    따라서 이 사례를 Google Sheets의 공동 편집, 계정·접근 권한, 클라우드 저장과 운영 체계까지 복원한 결과로 읽어서는 안 된다. 공유 버튼이 보이는 것과 여러 사용자가 안전하게 같은 문서를 편집할 수 있는 것은 다르다. 위 기능 목록은 공개 문서에 따른 것이며, 여기서 해당 앱을 별도로 실행해 검증한 결과는 아니다.

    REA 공식 저장소와 영상의 예제 저장소도 구분해야 한다. 전자는 역공학 도구이고 후자는 이를 활용한 학습용 결과물이다. 예제 README의 License 항목에는 아직 라이선스를 지정하지 않았다고 적혀 있다. GitHub에서 코드를 볼 수 있다는 사실만으로 자유로운 재사용·배포 조건이 확정되는 것은 아니다. 사용 시에는 해당 저장소의 최신 라이선스와 이용 권한을 따로 확인해야 한다.

    멀티에이전트의 분업보다 먼저 정할 것은 검증 경계다

    Hassan은 그리드와 수식 등 작업을 하위 에이전트로 나누는 흐름을 보여준다. 입력·선택 같은 화면 작업과 수식 해석을 분리하면 각 역할을 명확히 할 수 있다는 사례다. 다만 에이전트를 여러 개 썼다는 사실 자체가 더 빠르거나 정확하다는 검증은 아니다. 단일 에이전트로 같은 과제를 수행한 비교 결과는 제시되지 않는다.

    스프레드시트를 업무에 쓰려면 화면 유사성 외에 다음과 같은 시험이 필요하다. 이는 영상이 모두 검증했다는 뜻이 아니라, 실제 사용 전 확인할 항목이다.

    1. 셀을 수정하면 이를 참조하는 다른 셀도 올바르게 다시 계산되는가?
    2. 빈 셀, 잘못된 수식, 순환 참조와 오류 값은 어떻게 처리하는가?
    3. 새로고침·브라우저 종료 뒤 데이터가 유지되고, CSV 내보내기와 다시 가져오기는 의도대로 동작하는가?
    4. 공동작업을 요구한다면 사용자별 권한, 동시 수정 충돌, 변경 기록과 복구를 별도로 구현·시험했는가?

    REA가 돌려주는 근거와 아직 모르는 부분(unknowns)은 이 검증 계획의 출발점으로 볼 수 있다. 모르는 항목을 구현 완료로 취급하지 않고, 확인한 동작·추론한 구조·미구현 기능을 나눠 관리하는 것이다. 코드 생성을 여러 역할에 나누더라도, 최종 통합과 검증의 기준은 하나로 맞춰야 한다.

    세 영상을 함께 보면 결론은 ‘어떤 앱이든 무료로 완벽 복제한다’가 아니다. 자료 관리 앱 실험은 분석 근거의 정확성, 그림판 데모는 개인 맞춤 기능 확장, MathSheets 사례는 화면·기본 동작과 서비스 전체의 차이를 각각 살펴보게 한다. 개발의 문턱이 낮아져도 어떤 문제를 해결하고 어디까지 신뢰할 수 있는지 판단하는 일은 남는다.

    REA의 효과를 판단하기 전에 남는 세 가지 한계

    첫째, 한 번 실행한 사례다. 대상 앱, 모델, 프롬프트, 테스트 데이터가 바뀌면 시간과 결과도 달라질 수 있다.

    둘째, REA를 쓰지 않은 비교 조건이 없다. 이번 결과만으로 일반 코딩 에이전트보다 얼마나 나았는지, 어떤 성과가 REA 덕분인지 분리할 수 없다.

    셋째, 평가에도 AI 에이전트를 사용했다. 원본 코드와의 대조는 유용하지만, 그 채점 자체를 독립적인 전문가 감사나 보안 검증과 같게 볼 수는 없다.

    따라서 영상의 제목보다 실험 조건과 실패 장면을 함께 읽는 편이 도구의 쓸모를 판단하는 데 도움이 된다.

    분석 권한과 라이선스는 도구 성능보다 먼저 확인한다

    REA가 오픈소스라는 사실은 분석 대상 앱의 권리까지 열어주지 않는다. 분석할 권한, 대상 프로그램의 라이선스·약관, 코드와 이미지·아이콘 등 자산의 이용 범위는 각각 확인해야 한다.

    영상은 국내 저작권법의 프로그램 관련 규정도 소개한다. 다만 기능 관찰, 코드 역분석, 호환성 확보, 결과물 배포는 목적과 범위가 서로 다르다. 이를 “역공학은 언제나 합법” 또는 “화면만 비슷하면 문제없다”로 단순화해서는 안 된다. 상용 앱 분석이나 결과물 배포를 계획한다면 구체적인 조건을 전문가에게 확인하는 편이 안전하다.

    실험 전에는 다음 다섯 항목을 점검할 수 있다.

    1. 직접 만든 프로그램이거나 분석·활용 권한을 확인한 대상인가?
    2. 대상 프로그램과 분석 도구의 라이선스 조건을 각각 확인했는가?
    3. 원본 코드·디자인 자산을 무단으로 재사용하지 않는가?
    4. 분석 로그와 공개 화면에서 개인정보·비밀정보를 제거했는가?
    5. 관찰된 사실과 추론을 구분하고, 정상 동작뿐 아니라 예외 상황도 시험하는가?

    REA 실험의 가치는 ‘앱 복사’라는 한 문장보다 크고, 동시에 그보다 제한적이다. 기존 프로그램을 이해하는 시간을 줄일 가능성을 보여주지만, 해석과 검증의 책임까지 없애주지는 않는다. 시작점은 권한이 분명한 프로그램의 작은 기능 하나를 이해하고, 근거와 테스트로 확인하는 일이다.

    함께 읽으면 좋은 글

    FAQ

    REA는 소스코드 없이 어떤 앱이든 완벽하게 복제하나요?

    그렇게 확인된 것은 아니다. 영상은 원본 프로젝트 소스 접근을 막은 조건에서 주요 기능을 재구현한 단일 사례다. 설치된 앱의 번들 코드는 분석할 수 있었으며, 누락된 기능과 잘못된 내부 설계 해석도 있었다.

    REA는 Ghidra나 IDA를 대체하나요?

    공식 문서상 REA는 기존 분석 엔진과 여러 관찰 도구를 에이전트에 연결하는 층에 가깝다. 분석 대상과 환경에 따라 사용하는 도구가 달라진다.

    23분과 74점은 REA의 일반적인 성능인가요?

    아니다. 제작자가 정한 환경과 평가 기준에서 한 번 나온 결과다. 반복 실험이나 REA 미사용 조건과의 비교가 없어 보편적인 성능으로 일반화할 수 없다.

    유료 앱을 구매했으면 역공학과 재배포도 자유로운가요?

    구매만으로 모든 분석·재사용·배포 권한이 생긴다고 볼 수 없다. 관련 법과 이용 약관, 라이선스, 분석 목적과 범위를 따로 검토해야 한다.

    그림판 11분 데모가 기존 23분 실험보다 뛰어난 결과인가요?

    대상 앱과 구현 범위, 평가 기준이 달라 직접 비교할 수 없다. 그림판 데모는 맞춤 기능 확장의 예시이고, 기존 실험은 원본 소스와의 대조 및 누락 기능 검증에 초점이 있다. 두 영상 모두 단일 실행 사례다.

    참고자료

    본문 이미지는 원본 영상의 관련 장면을 설명·비평하기 위해 인용한 캡처다. 실험 수치와 평가 결과는 영상 제작자의 공개 기록에 따른 것이며, 별도의 재현 실험 결과가 아니다.

  • 2026년 11월 국내여행 추천, 늦가을에 가기 좋은 여행지 7곳

    11월 여행은 날짜보다 풍경을 먼저 고르면 한결 수월합니다. 붉은 단풍을 보고 싶은지, 갈대밭을 걷고 싶은지, 해가 진 뒤에도 머물 만한 도시를 원하는지에 따라 목적지가 달라지거든요.

    Read in English

    2026년 11월 국내여행 추천지는 내장산, 백양사, 담양 메타세쿼이아길, 순천만습지, 경주, 서울숲, 제주 산굼부리입니다. 산을 오르는 여행부터 도심 반나절 산책까지, 걷는 부담과 이동 방식을 함께 고려해 골랐습니다.

    아래 내용은 2026년 10월 26일 확인한 공식 안내와 여행 동선 제안을 구분해 정리했습니다. 특정 날짜의 단풍 절정이나 갈대·억새 상태를 보장하는 목록은 아닙니다. 운영시간·요금·통제 여부는 방문 직전 해당 시설의 공지를 다시 확인해 주세요.

    11월 국내여행, 이렇게 고르면 쉽습니다

    • 단풍이 여행의 첫 번째 목적이라면: 내장산이나 백양사. 다만 방문 직전 현장 소식을 보고 결정하세요.
    • 오르막보다 나무 사이를 걷고 싶다면: 담양 메타세쿼이아길. 식사와 쉬는 시간을 넉넉히 잡는 코스가 어울립니다.
    • 나뭇잎 대신 탁 트인 가을 풍경을 원한다면: 순천만습지의 갈대, 제주 산굼부리의 억새를 후보로 두세요.
    • 단풍 상태와 상관없이 볼거리를 남겨두고 싶다면: 유적과 야경을 함께 보는 경주가 좋습니다.
    • 멀리 이동할 시간이 없다면: 서울숲을 중심으로 반나절 일정을 잡아도 충분합니다.

    초순에는 단풍 후보지의 현장 상태를 먼저 살피고, 중·하순 일정은 산책·유적·실내 휴식도 함께 넣는 편을 권합니다. 이는 확정된 절정 예보가 아니라, 잎이 떨어지거나 날씨가 바뀌었을 때를 대비한 일정 구성법입니다.

    1. 정읍 내장산 — 단풍을 중심에 놓는 하루

    내장산은 늦가을 산 풍경을 보고 싶은 여행자에게 먼저 떠오르는 선택지입니다. 국립공원공단 공식 페이지에서도 우화정과 자연사랑길 단풍터널을 소개합니다. 정상에 올라야만 여행이 완성되는 곳으로 생각할 필요는 없습니다.

    가벼운 나들이라면 우화정과 내장사 방향을 중심으로 걷고, 돌아오는 시간을 여유 있게 잡는 방식을 추천합니다. 산행을 원한다면 별도로 코스를 골라야 합니다. 산책 일정에 능선 등산을 덧붙이면 준비물과 귀가 시간이 달라집니다.

    특히 올해는 공단에 ‘2026년 가을 성수기 내장산국립공원 차량 출입 통제 공고’가 올라와 있습니다. 내비게이션에 목적지만 입력하고 출발하기보다, 차량이 들어갈 수 있는 구간과 주차 후 이동 방법을 먼저 확인하세요. 케이블카를 이용할 계획이라면 운행 여부와 대기 상황도 별도 확인 대상입니다.

    부모님과 함께라면 많이 보는 것보다 덜 기다리는 쪽에 무게를 두세요. 당일에는 산책과 식사 정도로 범위를 좁히고, 먼 곳에서 출발한다면 정읍에서 숙박하는 일정도 고려할 만합니다.

    공식 확인: 국립공원공단 내장산국립공원 안내·통제 공지

    2. 장성 백양사 — 사찰과 계곡 주변을 천천히

    백양사는 전남 장성의 백암산 아래에 자리한 사찰입니다. 백양사 공식 안내에는 쌍계루와 여러 전각, 산내암자가 구분돼 있습니다. 사찰 주변을 둘러보는 나들이와 백암산 등산은 다른 일정으로 생각하는 편이 좋습니다.

    추천 동선은 진입로 산책 → 쌍계루 주변 → 사찰 경내 → 식사입니다. 사진을 찍으러 가더라도 이동 구간을 계속 늘리기보다는 한곳에서 잠시 머무는 시간을 남겨보세요. 사찰의 분위기를 즐기려는 여행이라면 더욱 그렇습니다.

    내장산과 백양사는 같은 국립공원 권역에 속하지만, 관광객의 차량 접근은 각각의 진입 방향을 따릅니다. 가까워 보인다는 이유로 단풍 성수기 하루에 두 곳을 촘촘히 묶는 일정은 권하지 않습니다. 한 곳을 주목적으로 정하고 나머지는 다음 날 후보로 남겨두세요.

    사찰 경내에서는 예불과 수행을 방해하지 않도록 조용히 관람해야 합니다. 비가 온 뒤에는 젖은 낙엽과 계단도 주의하세요.

    공식 확인: 백양사 공식 홈페이지, 내장산국립공원 탐방 안내

    3. 담양 메타세쿼이아길 — 높이 솟은 나무 사이로

    담양 메타세쿼이아길은 산을 오르기보다 나무가 이어지는 길을 걷고 싶은 사람에게 어울립니다. 붉은 단풍나무와는 다른, 길 전체의 분위기를 보는 여행입니다. 수목의 색과 낙엽 상태에 따라 풍경은 달라집니다.

    메타세쿼이아길 산책 → 담양에서 식사 → 여유가 있으면 죽녹원 순서로 일정을 제안합니다. 두 산책 명소를 모두 넣었다면 카페나 식사 시간을 줄여가며 또 다른 장소를 추가하지 않는 편이 좋습니다. 걷는 코스가 겹치면 생각보다 피로해질 수 있습니다.

    부모님이나 어린아이와 함께라면 걷는 거리를 현장에서 조절하세요. 길 전체를 끝까지 걷는 것보다 돌아올 거리를 남겨두는 것이 중요합니다. 메타세쿼이아길과 주변 시설은 이용 구역과 요금 안내가 다를 수 있으니, 예약·매표 화면의 시설명을 확인해야 합니다.

    공식 확인: 담양군 메타세쿼이아길 공식 안내

    4. 순천만습지 — 갈대와 하늘을 넓게 보는 여행

    나뭇잎 색에만 여행을 걸고 싶지 않다면 순천만습지를 후보로 넣어보세요. 갈대와 갯벌이 이어지는 풍경은 산의 단풍과 다른 분위기를 만듭니다. 사진 한 장보다 길을 걸으며 시야가 바뀌는 과정을 즐기기 좋은 곳입니다.

    여기서는 갈대 탐방로 중심의 산책과 용산전망대를 포함한 코스를 구분해야 합니다. 전망대까지 가는 일정에는 오르막과 왕복 이동을 고려해야 하므로, 동행자의 체력에 따라 처음부터 선택하세요. 유모차나 보행보조기 이용자는 공식 안내를 통해 접근 가능한 구간을 따로 확인하는 편이 안전합니다.

    공식 안내상 11월~2월 매표·입장은 08:00~17:00이며, 관람은 입장 마감으로부터 1시간까지입니다. 노을이 목적이라면 순천만습지 이용시간과 당일 일몰시각을 함께 보세요. 용산전망대는 공식 안내에서 용산 입구부터 약 30분을 걸어 오르는 곳으로 설명합니다. 이는 습지 입장부터의 총 소요시간이 아닙니다. 일몰 직전에 도착해 전망대까지 서두르는 일정은 피하는 것이 좋습니다. 갯벌과 습지에서는 지정 탐방로를 벗어나지 않고, 새에게 먹이를 주거나 가까이 다가가지 않는 관람이 필요합니다.

    순천만습지와 순천만국가정원은 이름이 비슷해도 같은 장소가 아닙니다. 둘 다 방문한다면 이동과 관람 시간을 각각 잡아야 합니다. 하루에 모두 둘러보기보다, 취향에 따라 습지를 주목적으로 정하는 것도 좋은 방법입니다.

    정기휴무도 확인하세요. 순천만습지 공식 홈페이지는 매월 마지막 주 월요일을 정기휴무일로 안내합니다. 월요일 방문을 계획했다면 별도 운영 공지가 있는지 확인한 뒤 일정을 잡으세요.

    공식 확인: 순천만습지 공식 홈페이지

    5. 경주 — 낮에는 유적, 저녁에는 야경

    경주는 단풍의 절정을 놓쳐도 여행을 이어가기 좋은 선택지입니다. 대릉원과 주변 유적을 보고, 저녁에는 동궁과 월지를 둘러보는 식으로 낮과 밤의 목적을 나눌 수 있습니다.

    추천하는 흐름은 대릉원 주변 산책 → 황리단길에서 식사와 휴식 → 동궁과 월지 야간 관람입니다. 이는 추천 일정이며, 실제 방문일의 입장·매표 마감과 행사 여부를 확인한 뒤 조정해야 합니다.

    대릉원과 천마총은 관람·요금 안내를 구분해서 확인하세요. 동궁과 월지 역시 별도 관람시설입니다. 여러 명소의 입장 조건을 하나의 정보로 묶어 생각하면 현장에서 계획이 어긋날 수 있습니다.

    경주역에서 내려 곧바로 유적지 도보 여행이 시작되는 것은 아닙니다. 역에서 도심까지의 이동과 귀가편을 먼저 확보하세요. 숙소를 잡는다면 야간 관람을 마친 뒤 돌아가는 동선도 함께 보는 것이 좋습니다.

    공식 확인: 경주시 문화관광

    6. 서울숲 — 멀리 떠나지 않는 반나절 가을

    여행을 위해 꼭 숙박과 장거리 이동이 필요한 것은 아닙니다. 서울숲은 서울 성동구에 있는 도심 공원으로, 짧은 산책 뒤 성수동에서 식사나 차를 즐기는 일정을 만들기 좋습니다.

    서울숲 산책 → 성수동 식사·카페 정도로 단순하게 잡아보세요. 사진 명소를 빠짐없이 찾기보다, 걷다가 마음에 드는 구간에서 쉬는 편이 반나절 나들이와 잘 맞습니다. 특정 은행나무 구간의 황금빛을 기대한다면 출발 전 최근 현장 소식을 확인하세요.

    야외 공원을 이용하는 시간과 개별 시설의 운영시간은 구분해야 합니다. 서울시 공식 안내상 곤충식물원의 11월~2월 운영시간은 10:00~16:00, 마지막 입장은 15:30이며 월요일은 휴관입니다. 나비정원은 5월~10월 운영으로 안내돼 있으니 11월 일정에 넣지 않는 편이 좋습니다. 어린이를 동반한다면 서울숲 시설별 이용시간을 확인하세요.

    주말에는 주차 가능 여부에 일정을 맡기기보다 대중교통 동선을 먼저 살펴보는 편을 추천합니다. 먼 지역으로 떠나기 어려운 날에도 가을을 즐길 수 있는 선택지입니다.

    공식 확인: 서울시 서울숲 안내

    7. 제주 산굼부리 — 억새를 보되 바람도 함께 살피기

    제주에서 늦가을 풍경을 찾는다면 산굼부리를 후보로 둘 수 있습니다. 분화구 지형과 억새 경관을 함께 보는 곳으로, 단풍 위주의 육지 여행과는 분위기가 다릅니다.

    추천 일정은 산굼부리 관람 → 인근에서 식사 → 날씨와 체력에 따라 주변 한 곳 추가입니다. 제주 여행이라고 동쪽과 서쪽의 명소를 하루에 섞기보다, 같은 권역에 머무는 편이 이동 부담을 줄입니다.

    산굼부리는 야외 관람지입니다. 햇볕이 좋더라도 바람이 강하면 걷는 동안 체감이 달라질 수 있으니, 바람막이와 미끄럽지 않은 신발을 준비하세요. 억새 상태와 기상에 따라 기대한 사진이 나오지 않을 수 있다는 점도 염두에 두면 좋습니다.

    항공·숙박·렌터카를 잡기 전에는 취소·변경 조건을 함께 보세요. 날씨가 나쁜 날은 야외 일정을 무리하게 유지하지 않고, 숙소 근처의 실내 관람이나 휴식으로 바꿀 수 있도록 여백을 두는 편이 낫습니다.

    공식 확인: 산굼부리 공식 홈페이지

    당일치기와 1박 2일, 어디까지 묶을까?

    수도권에서 반나절이라면 서울숲, 단풍 한 곳에 집중하는 하루라면 내장산이나 백양사를 추천합니다. 다만 당일치기 가능 여부는 출발지에 따라 달라집니다. 왕복 교통시간이 길다면 관광지를 추가하기보다 숙박 여부를 먼저 결정하세요.

    전남권에서 1박 2일을 잡는다면 장성 백양사와 담양을 하루씩 나누는 일정을 고려할 수 있습니다. 순천만습지를 선택했다면 순천에 머무르며 주변을 둘러보는 쪽이 여유롭습니다. 경주는 야간 관람을 포함한 1박 2일, 제주는 항공 이동을 고려한 별도 일정으로 보는 것이 좋습니다.

    남도 여행 범위를 더 넓히고 싶다면 보성 녹차밭과 율포해변 하루 코스도 참고하세요. 다만 순천 일정에 보성까지 자동으로 추가하기보다는 이동시간을 먼저 계산해 보세요.

    출발 전에 확인할 네 가지

    1. 최근 현장 상태: 단풍 예보와 실제 관측은 다릅니다. 2026 전국 단풍지도로 지역별 흐름을 살핀 뒤 공식 현장 소식을 확인하세요.
    2. 마지막 입장 시각: 운영 종료시간만 보면 늦을 수 있습니다. 매표 마감과 마지막 입장을 구분해 확인하세요.
    3. 주차 이후 동선: 주차장부터 목적지까지의 거리, 셔틀·대중교통 운행 여부, 돌아오는 방법까지 살펴보세요.
    4. 산책과 등산의 차이: 전망대나 능선이 들어가는 순간 준비가 달라집니다. 국립공원 통제정보와 동행자의 체력을 먼저 보세요.

    수도권에서 산책보다 산행을 원한다면 남한산성 산행기를 별도로 참고할 수 있습니다. 도시 공원 나들이와 같은 걷기 강도로 생각하지 않는 것이 좋습니다.

    11월 국내여행 자주 묻는 질문

    11월이면 내장산과 백양사 단풍을 확실히 볼 수 있나요?

    확실하다고 말할 수는 없습니다. 같은 지역에서도 고도와 수종, 기온·바람·비에 따라 상태가 달라집니다. 예약할 때는 변경 조건을 보고, 출발 직전 공식 현장 소식과 통제정보로 다시 판단하세요.

    부모님과 함께라면 어디가 좋을까요?

    장거리 산행 대신 담양 메타세쿼이아길이나 서울숲처럼 걷는 범위를 조절할 수 있는 곳부터 검토해 보세요. 다만 평탄한 길도 오래 걸으면 부담이 됩니다. 주차·하차 지점, 화장실, 휴식 공간, 실제 접근 가능한 구간을 확인해야 합니다.

    자동차 없이 갈 만한 여행지는 어디인가요?

    이 목록에서는 서울숲을 먼저 추천합니다. 경주도 철도와 시내 교통을 조합할 수 있지만, 역과 관광지 사이의 이동이 필요합니다. 내장산·백양사 등은 방문일의 지역 교통과 마지막 귀가편을 확인한 뒤 선택하세요.

    비가 오면 일정을 취소해야 하나요?

    모든 여행을 취소할 필요는 없지만 산행과 노출된 야외 코스는 다시 판단해야 합니다. 강풍·호우 또는 탐방 통제가 있으면 따르고, 젖은 낙엽과 계단도 주의하세요. 실내 관람으로 바꿀 때도 해당 시설의 휴관일과 예약 여부를 확인해야 합니다.

    11월 여행은 모든 명소를 담기보다, 보고 싶은 풍경 하나를 정할 때 더 여유로워집니다. 단풍이면 내장산이나 백양사, 넓은 가을 풍경이면 순천만습지나 산굼부리. 여기에 걷는 거리와 이동시간을 맞추면 나에게 맞는 늦가을 여행이 됩니다.

  • AI 시대 인간의 경쟁력: 김대식·김혜연이 말하는 고유성의 힘

    AI 시대 인간의 경쟁력: 김대식·김혜연이 말하는 고유성의 힘

    AI 시대 인간의 경쟁력은 더 많은 지식을 외우는 데 있을까. 더 빨리 결과물을 만드는 데 있을까. 김대식 교수와 김혜연 안무가의 대담은 조금 다른 곳을 향한다. AI를 일하게 만드는 실행력, 그리고 다른 사람의 복사본으로는 얻을 수 없는 자기 삶의 고유성이다.

    Read in English

    교보문고 보라가 공개한 이 영상은 기술 전망 강연과 예술가의 대화를 함께 담았다. 설명란 기준 촬영일은 2026년 9월 19일, 공개일은 10월 13일이다. 아래에서는 두 사람의 발언을 재구성하고, 일과 학습에 적용할 기준을 덧붙인다. 미래 예측과 개인적 견해를 검증된 사실처럼 받아들이지는 않는다.

    기술이 중요하지 않다는 말은 공부를 그만두라는 뜻이 아니다

    영상 제목의 강한 표현만 보면 기술을 익힐 필요가 없다는 이야기처럼 들린다. 그러나 김대식 교수는 강연에서 바이브 코딩과 에이전틱 AI를 공부해야 한다고 권한다. 지식과 기술의 무용론으로 읽으면 앞뒤가 맞지 않는다.

    그가 대비시키는 것은 ‘만드는 능력’과 ‘무엇을 만들 것인가’다. 비슷한 수준의 글과 그림, 영상을 더 쉽게 만들 수 있다면 제작 기술만으로 벌리던 격차는 줄어든다. 그러면 사람을 붙잡는 이야기, 경험에서 나온 관점, 무엇을 남기고 버릴지 고르는 기준이 더 눈에 띈다.

    영상 3분대의 영화 이야기가 그 차이를 설명한다. 이미 있는 작품을 그럴듯하게 흉내 내는 일과 사람들이 처음 만나는 이야기를 만드는 일은 다르다. 김 교수는 새로운 이야기를 위해 많은 경험과 독서가 필요하다고 말한다. 배움을 포기하는 대신 배운 것을 자기 관점으로 엮으라는 주문에 가깝다.

    새로운 이야기와 제작 기술의 차이를 설명하는 김대식 교수
    출처: 교보문고 보라, 원본 영상 03:40. 해당 논의의 장면 인용.

    예컨대 AI로 발표 자료의 초안을 빠르게 만들 수는 있다. 하지만 청중이 왜 이 문제에 관심을 가져야 하는지 정하는 일은 남는다. 현장에서 들은 반론 하나가 매끈한 슬라이드 열 장보다 설득력을 가질 때도 있다. 이 예시는 강연의 구분을 업무에 옮겨 본 해석이다.

    직업 이름 대신 업무를 네 가지로 나눠 보자

    김 교수는 6분 무렵부터 두 축으로 일을 나눈다. 혼자 하는가, 다른 사람과 함께 하는가. 그리고 정답이 있는가, 없는가. 이 분류의 쓸모는 특정 직업의 소멸을 예언하는 데 있지 않다. 한 직업 안에서 자동화와 사람의 판단이 어디에 놓이는지 구분하는 데 있다.

    • 혼자 하며 정답이 있는 일: 규칙이 분명한 반복 과업이다. AI에 맡길 후보를 찾기 쉽지만 오류 확인은 필요하다.
    • 혼자 하며 정답이 없는 일: 연구와 창작처럼 탐색이 큰 비중을 차지한다. AI를 배제하기보다 대안 탐색에 활용할 수 있다.
    • 함께 하며 정답이 있는 일: 정확한 절차와 대인 관계가 겹친다. 지식 제공을 보조해도 설명과 신뢰 형성이 남는다.
    • 함께 하며 정답이 없는 일: 서로 다른 이해관계 속에서 방향을 정한다. 무엇을 좋은 결과로 볼지 합의하는 과정이 중요해진다.
    정답 여부와 협업 여부로 일을 구분하는 강연 장면
    출처: 교보문고 보라, 원본 영상 06:42. 해당 논의의 장면 인용.

    특히 교사의 역할을 설명하는 대목이 눈에 남는다. 김 교수는 지식 전달보다 상담, 동기 부여, 회복탄력성을 돕는 역할에 주목한다. 교사가 지식을 몰라도 된다는 뜻은 아니다. 전달 비용이 낮아진 지식 위에서 학생과 어떤 관계를 맺을지 묻는 것이다.

    다만 영상의 ‘100% 대체’ 같은 표현은 강연자의 강한 전망이다. 이 분류만으로 실제 고용 변화를 계산할 수는 없다. 의료와 교육처럼 책임과 안전이 큰 영역에서는 정확성, 제도, 현장 조건도 따로 봐야 한다.

    AI 도입을 막는 것은 기술 부족만이 아니다

    8분대부터 질문은 직원의 감정으로 옮겨 간다. AI가 내 도구인지, 동료인지, 결국 나를 밀어낼 경쟁자인지 모호하다면 학습 의지만 요구하기 어렵다. 사람은 생산성 지표 이전에 자기 자리를 걱정한다.

    여기서 ‘기술보다 인간’이라는 말이 조금 구체적이 된다. 조직은 새 도구 사용법만 가르칠 것이 아니라 전환의 조건을 설명해야 한다. 절약한 시간은 누가 얻는가. 역할이 바뀌면 재학습할 기회가 있는가. 실수의 책임은 누가 지는가.

    강연에는 조사 비율과 기업 사례도 등장한다. 다만 이 글에서는 해당 조사 원문과 익명 기업의 실적을 독립적으로 확인하지 않았다. 따라서 수치를 일반적 사실로 재인용하지 않는다. 남길 질문은 더 단순하다. 직원이 AI 활용을 자기 손해로 느낀다면 도입 계획은 지속될 수 있을까.

    기업에서 권한과 책임을 어떻게 나눌지는 에이전틱 AI 시대의 기업·개인 업무 재설계와 함께 읽으면 연결이 쉽다. 이번 대담은 그 운영 문제에 정체성과 고유성이라는 질문을 더한다.

    김혜연 안무가의 답: 성과보다 먼저 행위에 몰입한다

    14분대에 김대식 교수는 일이 자기 가치의 기준에서 밀려난다면 무엇으로 자신을 정의할지 묻는다. 김혜연 안무가는 몸을 쓰는 예술가의 경험으로 답한다. 돈이나 교환 가치로 먼저 계산하기보다 하고 있는 행위 자체에 몰입한다는 것이다.

    이 대답은 ‘예술가는 자동화에 안전하다’는 직업 순위와 다르다. 무용 역시 생계와 기술 변화의 영향을 받는다. 대담이 보여 주는 차이는 삶의 가치를 결과물의 가격에만 묶지 않는 태도다. 더 잘 팔리는 결과를 만들지 못하는 날에도 몸을 움직이는 이유가 남을 수 있다.

    행위 자체에 대한 몰입을 이야기하는 김혜연 안무가
    출처: 교보문고 보라, 원본 영상 14:50. 해당 논의의 장면 인용.

    일하는 사람에게도 작은 여지가 있다. 취미를 모두 수익화할 필요는 없다. 산책에서 본 장면, 오래 붙잡은 질문, 남에게 설명하기 어려운 취향도 자기 삶의 일부다. 곧바로 성과가 나오지 않는 경험을 낭비로만 분류하면, 정작 고유한 이야기가 자랄 공간이 줄어든다.

    노동과 삶의 가치를 더 길게 생각하고 싶다면 일이 사라진 세상에서 삶의 의미를 찾는 질문으로 이어갈 수 있다. 생산성의 미래와 삶의 의미는 연결되지만 같은 질문은 아니다.

    데이터가 많다는 것과 자기 기억이 있다는 것은 다르다

    16분 이후 김 교수는 대량 생산과 인간의 고유성을 대비시킨다. 이어 AI가 다루는 정보와 한 사람이 살아온 기억의 차이를 이야기한다. 넘어졌다는 사실을 설명하는 데이터와 내가 넘어졌을 때 느낀 기억은 같은 것이 아니라는 관점이다.

    인간의 고유성과 개인의 이야기를 논의하는 두 출연자
    출처: 교보문고 보라, 원본 영상 17:20. 해당 논의의 장면 인용.

    이 구분을 ‘AI는 영원히 창의성을 가질 수 없다’는 과학적 결론으로 넓히지는 말자. 현재의 시스템 특성, 미래의 기술 가능성, 인간 경험의 철학적 의미는 구분할 문제다. 영상 제목의 ‘절대’도 입증된 기술 한계라기보다 인간의 삶을 강조하는 문제 제기로 읽는 편이 안전하다.

    실용적으로 남는 질문은 있다. 내 결과물에서 나를 지우면 무엇이 달라질까. 어디서나 구할 수 있는 설명만 남는다면, 정보량을 더하기 전에 관찰과 판단을 보강할 필요가 있다. 반대로 내 경험만 내세우고 사실 확인을 생략해도 곤란하다. 고유성은 정확성을 면제하는 자격이 아니다.

    지금 할 일은 에이전트를 늘리기보다 맡길 일을 정하는 것

    강연의 마지막은 AI를 직접 써 보라는 권유로 끝난다. 여기서 ‘많은 에이전트’라는 표현을 실행 개수 경쟁으로 받아들이면 위험하다. 목표가 모호하거나 검증 비용이 크면 자동화가 오히려 일을 늘린다. 아래는 대담을 바탕으로 정리한 적용 제안이다. 출연자가 그대로 제시한 절차는 아니다.

    1. 반복 과업 하나를 고른다. 자료 분류나 초안 정리처럼 결과를 비교하기 쉬운 일부터 시작한다.
    2. 완료 기준을 먼저 쓴다. 필요한 근거, 빠뜨리면 안 되는 항목, 틀렸을 때의 비용을 정한다.
    3. 사람의 승인선을 남긴다. 결제, 공개 발행, 개인정보 처리처럼 되돌리기 어려운 행동은 분리한다.
    4. 절약 시간과 검토 시간을 함께 기록한다. 빨라 보이는 느낌보다 실제 순효과를 확인한다.
    5. 남은 시간을 자기 관점에 쓴다. 현장을 보고 사람을 만나고, 기존 답이 놓친 질문을 모은다.

    구체적인 도구 선택이 필요하면 AI 에이전트 업무 자동화 도구 비교를 참고할 수 있다. 다만 도구 선택과 자동화의 성공은 별개다. 무엇을 맡기고 무엇을 직접 책임질지 정하는 쪽이 먼저다.

    자주 묻는 질문

    AI 시대에는 지식과 기술을 배울 필요가 없나?

    그렇지 않다. 김대식 교수도 AI 활용과 바이브 코딩 학습을 권한다. 지식을 소유하는 것만으로 차별화하기 어려워진다는 주장과, 지식이 필요 없다는 주장은 다르다. 결과를 평가하려면 여전히 해당 분야의 이해가 필요하다.

    인간의 고유성은 개인 브랜딩과 같은 뜻인가?

    영상에서는 개인 브랜드도 언급한다. 그러나 고유성을 홍보 문구로만 좁히면 경험과 기억의 이야기를 놓친다. 어떤 선택을 해 왔고 무엇에 관심을 두는지가 바탕이다. 브랜딩은 그것을 전달하는 방식에 가깝다.

    정답이 있는 업무는 모두 AI로 바뀌나?

    영상에는 강한 대체 전망이 나오지만 확정된 고용 예측은 아니다. 실제 도입에서는 데이터 품질, 오류 비용, 책임, 규제와 대면 관계가 함께 작동한다. 직업 전체보다 과업 단위로 나누어 시험하는 편이 낫다.

    AI가 인간의 경험을 절대 따라잡을 수 없다는 말은 사실인가?

    그렇게 단정할 근거를 이 영상 하나로 확보할 수는 없다. 출연자는 인간이 몸으로 살아온 기억과 고유한 삶을 강조한다. 이를 미래 AI 전체에 대한 검증된 불가능성 명제로 바꾸지 않는 것이 좋다.

    더 많이 생산한 뒤에 무엇을 남길 것인가

    이 대담을 기술을 버리고 인간다움만 붙잡으라는 이야기로 읽기는 어렵다. 오히려 두 가지 숙제가 동시에 생긴다. 반복 작업을 AI와 나누는 법을 익힐 것. 그리고 그 덕분에 생긴 시간을 남의 복사본이 아닌 삶에 쓸 것.

    오늘 할 수 있는 일도 작다. 맡겨 볼 반복 업무 하나와, 효율을 따지지 않고 계속하고 싶은 활동 하나를 적어 보자. 전자는 일하는 방식을 바꾸고 후자는 일을 넘어선 자기 설명을 남긴다.

    참고자료

    본문 이미지는 원본 영상의 해당 논의를 설명하기 위한 장면 인용이다. 출처는 교보문고 보라이며 각 이미지에 영상 시각을 표시했다. 자동 자막에 오인식이 있어 문장은 의미 중심으로 재구성했다. 강연의 미래 전망, 조사 수치, 익명 기업 사례는 별도 검증된 사실과 구분했다.

  • 2026 전국 단풍지도|설악산부터 내장산까지, 언제 어디로 갈까?

    2026 전국 단풍지도|설악산부터 내장산까지, 언제 어디로 갈까?

    올가을 단풍 여행은 어디부터 잡으면 좋을까요? 2026 전국 단풍지도를 보면 강원 산지의 10월 단풍에서 중부·남부의 11월 단풍으로 여행 후보를 넓혀갈 수 있습니다. 다만 지도에 적힌 날짜는 예약일처럼 확정된 일정이 아닙니다. 산 전체의 예상 시기와 내가 걸을 숲길의 풍경은 다를 수 있습니다.

    이 글은 웨더아이가 2026년 9월 4일 발표한 단풍 예상지도와 상세표를 바탕으로 작성했습니다. 설악산은 이후 발표된 기상청의 9월 28일 첫 단풍 관측을 따로 반영했습니다. 날짜를 먼저 비교하고, 지역별 명소에서 걷고 싶은 길을 골라보세요.

    2026 단풍지도, 이렇게 읽으면 됩니다

    2026 전국 단풍지도, 주요 산 14곳의 첫 단풍과 절정 예상일 및 설악산 실제 관측 안내
    2026 주요 산 14곳의 첫 단풍·절정 예상지도. 날짜 자료: 웨더아이(2026.9.4). Thinknote 재구성, 지형: Natural Earth(퍼블릭 도메인). 설악산 첫 단풍은 9월 28일 실제 관측됐습니다. 내장산 절정일은 원문 내부 불일치가 있어 재확인이 필요합니다. 원본 지도 이미지가 아닌 독립 제작 안내도이며 탐방 경로도로 사용할 수 없습니다. 지도를 누르면 확대됩니다.

    위 지도는 웨더아이의 예상 날짜를 바탕으로 Thinknote가 새로 구성했습니다. 원본의 사진 배경이나 지도 디자인은 복제하지 않았습니다. 지형은 퍼블릭 도메인인 Natural Earth 자료를 사용했습니다. 번호는 아래 표와 연결되며, 위치는 개략적인 안내입니다.

    원본은 웨더아이 「2026년 단풍 예상시기」에서 볼 수 있습니다. 첫 단풍 예상지도 원본과 단풍 절정 예상지도 원본도 함께 비교해 보세요.

    첫 단풍과 절정은 같은 날짜가 아닙니다

    자료에서 첫 단풍은 정상부터 산 전체의 약 20%, 절정은 약 80%가 물든 때를 뜻합니다. 붉고 노란 풍경을 넓게 보고 싶다면 첫 단풍보다 절정 예상일을 먼저 참고하는 편이 낫습니다. 반대로 초록과 단풍색이 섞인 풍경을 좋아한다면 첫 단풍 무렵도 여행 후보가 됩니다.

    설악산은 예측보다 관측 소식을 먼저 보세요

    사전 예상표의 설악산 첫 단풍 날짜는 10월 3일입니다. 하지만 강원지방기상청은 9월 28일 설악산 첫 단풍을 발표했습니다. 따라서 지금 여행을 준비한다면 9월 28일이라는 실제 관측을 우선해야 합니다. 절정 예상일 10월 25일은 여전히 사전 전망이지, 관측으로 확정된 날짜가 아닙니다.

    주요 산 14곳, 첫 단풍과 절정 예상일 한눈에 보기

    표의 날짜는 웨더아이 지도·상세표의 사전 예상일입니다. 원자료에 포함된 금강산은 국내 여행 후보를 정리하는 이 표에서 제외했습니다. 설악산의 관측일과 내장산 자료의 불일치는 표 아래에서 따로 설명합니다.

    번호권역산첫 단풍 예상절정 예상
    1강원설악산10/3 예상 / 9/28 실제 관측10/25
    2강원오대산10/710/16
    3강원치악산10/1010/31
    4수도권북한산10/2311/4
    5충청월악산10/2511/5
    6충청속리산10/2711/4
    7충청계룡산10/2411/4
    8경상팔공산10/2611/12
    9경상가야산10/2211/5
    10영호남지리산10/2811/5
    11호남내장산11/511/11* (원문 불일치)
    12호남무등산10/2711/6
    13호남두륜산10/2911/11
    14제주한라산10/3111/13

    내장산은 날짜를 한 번 더 확인하세요. 같은 원문에서 절정 지도와 상세표는 11월 11일로 표시하지만, 상단 소개문은 11월 1일로 적고 있습니다. 이 글의 지도와 표는 상세표·지도에 맞춰 11월 11일을 표기했습니다. 어느 쪽이 최종 정정값인지는 확인되지 않았으므로, 숙박이나 교통을 예약할 때 확정일로 받아들이지 마세요.

    강원도: 설악산·오대산·치악산에서 시작하는 가을

    강원 지역의 절정 예상일은 오대산 10월 16일, 설악산 10월 25일, 치악산 10월 31일입니다. 같은 강원도라도 날짜가 다르니 ‘강원도 단풍은 한 주말에 끝난다’고 생각할 필요는 없습니다.

    설악산 — 산세와 단풍을 함께 보고 싶을 때

    설악산은 바위 능선과 숲의 색을 함께 보고 싶은 여행 후보입니다. 설악동에서 출발하는 여행이라면 소공원 주변 방문과 본격적인 산행을 구분해 계획해 보세요. 첫 단풍이 시작됐다는 이유만으로 낮은 곳부터 높은 능선까지 같은 색을 기대하면 곤란합니다.

    당일 단풍 상태를 보고 싶다면 기상청 유명산 단풍현황을 확인하세요. 올해 관측 소식은 2026 설악산 첫 단풍과 여행 준비에 별도로 정리했습니다.

    오대산 — 월정사와 선재길을 여행 후보로

    오대산에서는 월정사 일대와 선재길을 함께 살펴볼 만합니다. 국립공원공단은 선재길을 월정사에서 동피골을 거쳐 상원사로 이어지는 코스로 안내합니다. 사찰을 둘러보는 일정과 숲길을 길게 걷는 일정은 나눠 계획하세요. 월정사 주변만 방문할지, 상원사 방향으로 걷는 구간을 늘릴지에 따라 준비가 달라집니다.

    전나무숲의 초록과 단풍나무의 가을색을 같은 것으로 생각하지 않는 것도 좋습니다. 오대산의 절정 예상일이 곧 모든 수종과 모든 탐방 구간의 절정일은 아닙니다.

    치악산 — 구룡사 일대와 산행 구간을 나눠보기

    치악산은 원주권 단풍 여행 후보로 볼 수 있습니다. 구룡사 일대 방문을 중심으로 잡을지, 산행을 더할지 먼저 정하세요. 절정 예상일은 10월 31일이지만, 실제 탐방 구간의 최근 사진과 통제 여부를 확인한 뒤 일정을 정하는 편이 좋습니다.

    수도권·충청: 가까운 산과 사찰 숲길을 찾는다면

    수도권에서는 북한산, 충청에서는 속리산·계룡산·월악산을 비교할 수 있습니다. 예상표상 절정은 북한산·속리산·계룡산이 11월 4일, 월악산이 11월 5일입니다. 이 날짜가 인근 도심 공원이나 가로수길에도 그대로 적용되는 것은 아닙니다.

    북한산 — 단풍만큼 이동 거리와 하산 시간을 고려하기

    북한산은 수도권에서 당일 산행을 계획할 때 살펴볼 만한 선택지입니다. 정상 조망을 원하는지, 숲길에서 가을 분위기를 즐기려는지에 따라 경로를 골라보세요. 둘레길과 정상 등산로는 필요한 체력과 장비가 다릅니다.

    가까운 산이라도 늦은 출발은 피하는 편이 좋습니다. 걷는 시간을 가늠하고 싶다면 북한산 둘레길 5구간과 형제봉 산행기도 참고할 수 있습니다.

    속리산·계룡산 — 사찰 주변 방문과 등산을 분리하기

    속리산에서는 법주사와 세심정 방향, 계룡산에서는 동학사 일대를 후보로 잡아보세요. 사찰 주변을 둘러보는 여행과 능선까지 오르는 산행은 서로 다른 일정입니다. ‘단풍 명소’라는 이름만 보고 긴 코스를 짧은 산책처럼 계획하지 않는 것이 좋습니다.

    월악산까지 함께 비교한다면 이동시간과 동행자의 체력을 기준으로 한 곳을 고르세요. 하루에 여러 산을 넣기보다 한 구간에서 머무는 시간을 확보하는 편이 단풍을 즐기기에는 낫습니다.

    호남: 내장산·무등산·두륜산의 늦가을

    호남권 표의 절정 예상일은 무등산 11월 6일, 두륜산 11월 11일입니다. 내장산은 지도·상세표의 11월 11일과 소개문의 11월 1일이 달라 재확인이 필요합니다.

    내장산 — 내장사 일대를 중심으로, 날짜는 유연하게

    내장산 단풍 여행은 내장사 일대를 중심으로 동선을 생각해 볼 수 있습니다. 산 아래 진입 구간과 능선은 단풍 진행 속도가 같지 않을 수 있습니다. 방문일을 정하기 전 최근 현장 사진에서 촬영장소와 촬영일을 함께 살펴보세요.

    특히 올해는 자료 안의 날짜가 서로 다릅니다. ‘내장산은 무조건 이날’이라는 일정 대신, 변경 가능한 교통·숙박 조건을 살피고 최신 안내를 확인하는 방식이 안전합니다.

    무등산·두륜산 — 출발지를 기준으로 고르기

    광주권에서 출발한다면 무등산, 전남 남부 여행과 묶는다면 해남 두륜산을 후보로 볼 수 있습니다. 무등산의 원효사 일대나 두륜산의 대흥사 일대를 살펴보되, 사찰 주변 방문과 정상 산행을 같은 일정으로 취급하지 마세요.

    남쪽이라고 언제나 더 늦게 물드는 것도 아닙니다. 위도뿐 아니라 높이와 수종에 따라 차이가 있으므로, 표의 날짜와 내가 갈 장소의 상태를 함께 확인해야 합니다.

    경상·영호남: 가야산·팔공산·지리산의 다른 풍경

    가야산과 지리산의 절정 예상일은 11월 5일, 팔공산은 11월 12일입니다. 세 산을 한 시기로 묶기보다 각자의 여행 목적에 맞춰 골라보세요.

    • 가야산: 해인사 일대의 사찰 방문과 단풍 여행을 함께 계획할 때 살펴볼 후보입니다. 정상 산행을 더한다면 별도의 시간과 체력 계획이 필요합니다.
    • 팔공산: 동화사 일대를 후보로 두고 대구·경북권 나들이 동선을 짤 수 있습니다. 케이블카 등 개별 시설을 이용한다면 운영 여부와 요금은 해당 운영처에서 확인하세요.
    • 지리산: 피아골처럼 계곡을 따라 단풍을 보는 여행을 후보로 삼을 수 있습니다. 계곡 탐방이라고 해서 모두 평탄한 산책은 아니므로 구간 난이도를 확인해야 합니다.

    지리산은 여러 시·군에 걸쳐 있습니다. 지도에 적힌 ‘지리산’ 날짜 하나를 피아골과 모든 사찰·계곡의 절정일로 옮겨 쓰지 않는 것이 좋습니다. 가려는 탐방로가 어디인지부터 정한 뒤 사진과 공지를 확인하세요.

    제주: 한라산의 날짜를 제주 전체에 적용하지 않기

    웨더아이 상세표의 한라산 첫 단풍 예상일은 10월 31일, 절정 예상일은 11월 13일입니다. 이것은 한라산 기준의 전망이며, 제주 시내나 해안가 숲길이 모두 같은 날 물든다는 뜻은 아닙니다.

    한라산 단풍 여행은 어리목·영실 등 탐방로 정보를 살펴보며 시작해 보세요. 단풍 구경과 백록담 정상 탐방은 목표가 다릅니다. 탐방로별 개방·통제, 입산 가능 시간, 예약 적용 여부를 확인한 뒤 일정을 정해야 합니다.

    제주에서는 이동 구간의 고도가 달라지면 날씨 체감도 달라질 수 있습니다. 도심 날씨만 보고 산행 옷차림을 정하지 말고 바람을 막을 옷과 보온용 옷을 준비하세요.

    내 여행 날짜에 맞춰 후보를 줄이는 법

    • 10월 중순에 떠난다면: 오대산을 우선 후보로 두고 최신 현황을 확인하세요. 사전 예상표에서 절정이 10월 16일로 제시돼 있습니다.
    • 10월 하순에 떠난다면: 설악산·치악산을 비교해 보세요. 설악산 첫 단풍은 이미 관측됐지만, 절정일은 아직 예상 정보입니다.
    • 11월 초에 떠난다면: 북한산·속리산·계룡산·월악산·가야산·지리산·무등산을 출발지에 맞춰 추려볼 수 있습니다.
    • 11월 중순 무렵에 떠난다면: 팔공산·두륜산·한라산을 후보로 확인하세요. 내장산은 원문의 날짜 불일치 때문에 최신 안내를 한 번 더 확인해야 합니다.

    이 구분은 표의 예상일을 여행 일정에 맞춰 묶은 것입니다. 해당 기간의 단풍을 보장하는 추천은 아닙니다. 교통편을 예약한 뒤에는 출발 직전 실제 단풍 현황과 기상·탐방 통제를 다시 확인하세요.

    자주 묻는 질문

    2026 단풍지도는 기상청이 만든 지도인가요?

    이 글의 예상일은 민간 기상업체 웨더아이의 2026년 9월 4일 발표 자료입니다. 기상청의 공식 단풍 관측과 구분해 소개했습니다. 본문 지도 이미지는 해당 날짜 자료를 바탕으로 Thinknote가 재구성했습니다.

    설악산 첫 단풍은 9월 28일인가요, 10월 3일인가요?

    10월 3일은 사전 예상일이고, 9월 28일은 이후 기상청이 발표한 실제 첫 단풍 관측일입니다. 여행 계획에는 더 최근에 확인된 관측 정보를 우선 반영하세요.

    내장산 절정일은 11월 1일인가요, 11월 11일인가요?

    확인한 웨더아이 원문 안에서 소개문은 11월 1일, 지도와 상세표는 11월 11일로 다릅니다. 이 글은 지도·표 기준의 11월 11일을 표시하면서 불일치를 명시했습니다. 최종 정정값이 확인되지 않아 확정일로 안내하지 않습니다.

    산의 절정일에 맞춰 사찰이나 계곡에 가도 되나요?

    여행 시기를 잡는 참고자료로는 쓸 수 있습니다. 다만 산 전체 기준의 절정과 특정 사찰·계곡·둘레길의 상태는 다를 수 있습니다. 출발 전 그 장소의 최근 사진과 공지를 확인하는 편이 좋습니다.

    가을 여행을 더 준비한다면

    단풍에 지역 행사를 더하고 싶다면 2026년 10월 가볼 만한 축제를 함께 살펴보세요. 축제 일정과 단풍 절정은 별개이므로, 한쪽의 날짜로 다른 쪽의 상태를 단정하지 않는 것이 좋습니다.

    출처와 확인 기준

    정보 확인일: 2026년 9월 28일. 예상일은 기상에 따라 달라질 수 있으며, 명소 소개는 방문 후보 안내입니다. 각 장소의 2026년 절정일이나 현재 개방 상태를 보장하지 않습니다.

  • 2026 설악산 첫 단풍, 9월 28일 확인…가을빛 만나러 언제 갈까?

    2026 설악산 첫 단풍, 9월 28일 확인…가을빛 만나러 언제 갈까?

    설악산에 가을빛이 들어오기 시작했습니다. 2026년 9월 28일 확인한 기상청 ‘유명산 단풍현황’에서 설악산이 ‘첫단풍’ 단계로 표시됐습니다. 첫단풍 사진의 촬영일도 같은 날입니다. 가을 산행을 기다렸다면 반가운 소식입니다.

    다만 첫 단풍이 곧 절정은 아닙니다. 산 아래부터 능선까지 온통 붉어졌다는 뜻도 아닙니다. 지금 설악산 여행을 준비한다면, 단풍 소식과 실제로 걸을 구간을 나눠 살펴보는 편이 좋겠습니다.

    설악산 암벽 사이로 붉은색과 노란색 단풍이 물든 풍경, 2018년 자료사진
    설악산의 암벽과 단풍. 2018년 10월 4일 촬영한 자료사진으로, 2026년 현재 단풍 상태를 보여주는 사진은 아닙니다. 사진: Christophe95, Wikimedia Commons 원본, CC BY-SA 4.0. 원본 구도·색상 유지, 화면 크기에 맞춰 표시(자동 축소본 포함). 사진 및 수정본에는 같은 라이선스가 적용됩니다.

    2026 설악산 첫 단풍, 공식 현황에서 확인한 내용

    기상청 날씨누리의 설악산 단풍현황은 단풍 전, 첫단풍, 절정 사진을 구분해 보여줍니다. 9월 28일 확인한 화면에서는 다음 내용이 표시돼 있습니다.

    • 현재 단계: 첫단풍
    • 첫단풍 사진 촬영일: 2026년 9월 28일
    • 관측장소 안내: 근접 사진은 설악동 소공원, 전체 사진은 설악산 동쪽 사면인 북양양
    • 절정 정보: 촬영일과 사진이 아직 등록되지 않은 상태

    여기서 날짜를 읽는 방식이 중요합니다. 위 날짜는 기상청 현황 화면에 적힌 첫단풍 사진의 촬영일입니다. 이 글은 그 표시를 근거로 첫 단풍을 확인한 소식을 전합니다. 별도로 확인되지 않은 절정 예정일이나 평년 대비 일수는 덧붙이지 않았습니다.

    첫 단풍과 절정, 여행자가 기대하는 풍경은 다릅니다

    첫 단풍은 가을색이 시작됐다는 신호입니다. 나무에 붉은 잎이 보이기 시작하는 때와 산 전체가 짙게 물드는 때 사이에는 차이가 있습니다. 초록 잎과 노란 잎, 붉은 잎이 섞인 풍경도 이 무렵의 매력입니다.

    ‘첫 단풍 소식이 나왔으니 이번 주말이면 어디서든 절정이겠지’라고 생각하면 기대와 다른 풍경을 만날 수 있습니다. 같은 설악산이라도 높이와 사면, 나무 종류에 따라 보이는 색이 다릅니다. 기사에 나온 산 이름만 보지 말고 사진을 찍은 위치까지 확인해 보세요.

    올해 절정은 언제일까?

    9월 28일 확인한 기상청 화면에는 설악산의 절정 사진과 날짜가 비어 있습니다. 따라서 이 자료만으로 특정 날짜를 2026년 절정일로 확정할 수는 없습니다. 빈칸은 예보가 아니라, 해당 현황에 아직 절정 관측 자료가 올라오지 않았다는 뜻으로 읽어야 합니다.

    일정을 조정할 수 있다면 출발 직전에 공식 사진을 다시 확인하세요. 여행사나 블로그의 예상일을 참고하더라도, 발표기관과 발표연도를 함께 살피는 것이 좋습니다. 지난해 날짜가 올해 정보처럼 보이는 경우도 걸러낼 수 있습니다.

    설악산 단풍 여행, 날짜보다 먼저 정할 것

    가볍게 가을을 보고 싶다면, 짧게 걷는 일정부터

    사진을 찍고 주변을 둘러보는 여행과 긴 산행은 준비가 다릅니다. 가족 나들이라면 정상 도착을 목표로 잡기보다, 동행자의 체력에 맞춰 걷는 범위를 정해 보세요. 설악동 일대 방문을 계획하더라도 방문 구간의 개방 여부와 이동 동선은 따로 확인해야 합니다.

    첫 단풍을 조금 더 가까이 보겠다고 무리하게 높은 곳으로 올라갈 필요는 없습니다. 이번 여행에서 보고 싶은 것이 단풍인지, 능선 조망인지, 정상인지 먼저 정하면 일정을 줄이기도 쉬워집니다.

    산행이 목적이라면, 하산 시간을 먼저 정하기

    걷는 거리를 늘리기 전에 돌아올 시간을 정해 두세요. 사진을 찍거나 쉬는 시간까지 포함해 계획하는 편이 안전합니다. 바람을 막을 겉옷, 보온용 옷, 물과 간식, 휴대전화 보조배터리도 챙겨야 합니다.

    비가 오거나 바람이 강하면 단풍 상태보다 탐방 안전이 먼저입니다. 출발 전에는 국립공원공단의 설악산 공지와 탐방로 통제 안내를 확인하세요. 대피소 이용 등이 필요한 일정은 국립공원 예약시스템에서 예약 조건도 살펴보는 것이 좋습니다.

    사진이 목적이라면, 촬영일과 장소를 함께 보기

    단풍 사진은 아름다울수록 저장해 두고 싶어집니다. 하지만 사진 한 장만으로 오늘의 산을 판단하기는 어렵습니다. 촬영연도와 날짜, 장소가 없는 사진은 여행 시기를 정하는 근거로 쓰지 않는 편이 낫습니다.

    이 글의 풍경 사진 역시 2018년 10월 4일에 촬영한 설악산 자료사진입니다. 설악산 단풍의 분위기를 전하기 위해 넣었으며, 2026년 9월 28일의 현장 사진은 아닙니다. 현재 상태는 위에 연결한 기상청의 올해 관측 사진을 기준으로 확인해 주세요.

    출발 전, 이 네 가지만 확인하세요

    • 단풍 상태: 기상청 현황에서 설악산의 단계와 가장 최근 사진 촬영일 확인하기
    • 기상 상황: 비·바람·기온을 확인하고 옷차림과 일정을 조정하기
    • 탐방 가능 여부: 국립공원공단 공지에서 이동할 탐방로의 개방 여부 확인하기
    • 귀가 계획: 주차와 이동에 걸릴 시간을 고려하고 하산 시각 정해 두기

    단풍이 시작됐다는 소식은 여행을 재촉하지만, 좋은 여행은 서두른다고 완성되지는 않습니다. 지금의 가을색을 보러 갈지, 더 짙은 단풍을 기다릴지 정한 뒤 내 체력에 맞는 길을 고르면 됩니다.

    설악산 첫 단풍, 자주 묻는 질문

    2026년 설악산 첫 단풍이 확인됐나요?

    네. 2026년 9월 28일 확인한 기상청 유명산 단풍현황에서 설악산이 첫단풍 단계로 표시돼 있습니다. 첫단풍 사진의 촬영일도 2026년 9월 28일입니다.

    첫 단풍이 시작되면 바로 절정인가요?

    아닙니다. 기상청 현황도 첫단풍과 절정을 구분해 표시합니다. 첫 단풍 소식만으로 설악산 모든 구간이 붉게 물들었다고 판단하지 않는 것이 좋습니다.

    2026년 설악산 단풍 절정일은 확정됐나요?

    이 글에서 확인한 9월 28일 기상청 현황에는 절정 날짜가 등록돼 있지 않습니다. 특정 날짜를 확정일로 제시하지 않으며, 방문 전 최신 현황을 다시 확인하는 것을 권합니다.

    본문의 단풍 사진은 올해 찍은 사진인가요?

    아닙니다. 2018년 촬영된 실제 설악산 사진입니다. 저작자 표시와 동일조건변경허락 조건을 둔 CC BY-SA 4.0 사진을 사용했으며, 사진 아래에 저작자·원본·라이선스 링크를 표시했습니다.

    함께 읽으면 좋은 가을 나들이 글

    산행에 다른 나들이를 더하고 싶다면 2026년 10월 가볼 만한 축제를 참고해 보세요. 가까운 산을 걷는 이야기가 궁금하다면 북한산 둘레길 5구간과 형제봉 산행기, 마천동에서 성남으로 이어지는 남한산성 산행기도 함께 읽을 수 있습니다.

    자료 출처와 사진 이용 안내

    정보 확인일: 2026년 9월 28일. 단풍 상태와 탐방 통제는 달라질 수 있습니다. 사진은 저작권이 소멸한 이미지가 아니라, 표시된 라이선스 조건에 따라 재사용하는 이미지입니다.