[태그:] AI 에이전트

AI 에이전트의 구조, 실행형 자동화, 개발 생산성, 업무 적용 사례를 다룬 글 모음입니다. 에이전트 기반 도구와 운영 관점을 함께 정리합니다.

  • Grokbot·Buzz·Hermes 비교: AI 에이전트 업무 자동화는 무엇부터 써야 할까

    Grokbot·Buzz·Hermes 비교: AI 에이전트 업무 자동화는 무엇부터 써야 할까

    AI 에이전트는 이제 “하나의 챗봇”이 아니라 작업팀이 되고 있다

    AI 도구를 실제 업무에 붙여 보면 곧 한계가 보입니다. 한 모델에게 묻고 답을 받는 방식만으로는 메일 분류, 노트 관리, 리포트 작성, 이미지 생성, 코드 검토처럼 긴 작업 흐름을 안정적으로 처리하기 어렵습니다.

    배움의 달인 채널의 영상은 이 변화를 Grokbot, Buzz, Hermes 봇 모드 비교로 보여줍니다. 핵심 질문은 단순합니다. “무엇이 제일 똑똑한가?”가 아니라 “내 업무를 계속 맡겨둘 수 있는 구조는 무엇인가?”입니다.

    Grokbot과 VM 활용 개요
    Grokbot이 봇과 가상 컴퓨터를 결합해 에이전트 작업장을 만드는 장면 · 출처: 배움의 달인 유튜브 영상 캡처

    한눈에 보는 선택 기준

    • Grokbot: 가장 쉽게 시작하고 싶고, 봇마다 VM 기반 작업 공간을 붙여 쓰고 싶을 때 유리합니다.
    • Buzz: 슬랙처럼 스레드로 작업을 관리하고, 에이전트별 모델을 세분화하고 싶을 때 적합합니다.
    • Hermes 봇 모드: 여러 모델과 봇 프로파일을 업무별로 나누고, 봇 간 커뮤니케이션을 구성하고 싶을 때 맞습니다.

    세 도구는 경쟁 관계라기보다 업무 환경에 따라 역할이 다릅니다. 개인은 Grokbot으로 시작하고, 반복 작업이 늘어나면 Buzz나 Hermes처럼 역할 분리가 쉬운 구조를 붙이는 식으로 접근할 수 있습니다.

    Grokbot: VM이 붙은 쉬운 에이전트 출발점

    영상에서 가장 먼저 소개되는 도구는 Grokbot입니다. 김문정 진행자는 Grokbot을 “봇 하나가 한 대의 가상 컴퓨터를 가진 것처럼 쓸 수 있다”고 설명합니다.

    이 말의 의미는 큽니다. 예전에는 Mac Mini처럼 24시간 켜둘 장비를 마련하고, 그 위에 에이전트 환경을 올리는 방식이 필요했습니다. 반면 Grokbot은 봇 안의 VM을 활용해 Obsidian 볼트를 열고, 노트를 읽고, 글을 쓰고, 다른 봇을 만들게 하는 흐름을 보여줍니다.

    Obsidian 24시간 싱크
    Grokbot VM에서 Obsidian 볼트를 열어 노트 작업을 이어가는 장면 · 출처: 배움의 달인 유튜브 영상 캡처

    Grokbot이 잘 맞는 사용자는 다음과 같습니다.

    • 별도 서버나 Mac Mini 없이 에이전트 실험을 시작하고 싶은 사람
    • Obsidian, Gmail, 웹 검색처럼 개인 업무 도구를 AI와 연결하고 싶은 사람
    • 복잡한 배포보다 “일단 봇을 만들고 시켜보는 경험”이 중요한 사람
    • 투자 리포트, 파트너십 메일 분류, 개인 지식관리처럼 개인 비서형 자동화를 원하는 사람

    다만 VM과 플러그인이 붙는 순간 권한 관리도 중요해집니다. 이메일, 계좌, API, 개인 노트를 연결한다면 “무엇을 읽게 할지”와 “무엇을 실행하게 할지”를 분리해야 합니다.

    Buzz: 스레드와 멀티모델 관리에 강한 협업형 에이전트

    Buzz는 영상에서 슬랙과 비슷한 에이전트 작업 공간으로 소개됩니다. 작업마다 스레드가 만들어지고, 어떤 작업을 했는지 추적하기 쉬운 구조가 장점입니다.

    또 하나의 강점은 모델 선택입니다. 영상에서는 Buzz가 Grokbot과 달리 에이전트의 두뇌가 되는 AI provider를 목적에 맞게 바꿀 수 있다고 설명합니다. Codex, Cursor, xAI, Upstage 계열 모델처럼 작업에 맞춰 모델을 다르게 붙이는 방식입니다.

    Buzz 멀티모델 협업 화면
    Buzz에서 스레드와 멀티모델 기반 에이전트를 관리하는 화면 · 출처: 배움의 달인 유튜브 영상 캡처

    Buzz가 잘 맞는 상황은 다음과 같습니다.

    • 여러 작업을 스레드 단위로 나눠 관리해야 할 때
    • 에이전트마다 다른 모델이나 도구를 붙이고 싶을 때
    • 오픈소스 기반으로 직접 배포하거나 커스터마이즈하고 싶을 때
    • 이미지 생성, X 검색, MCP 연결처럼 외부 도구를 조합하는 실험을 하고 싶을 때

    영상 설명에는 Buzz GitHub 링크가 함께 제시됩니다. 오픈소스라는 점은 장점이지만, 직접 배포·보안·업데이트를 관리해야 한다는 뜻이기도 합니다.

    Hermes 봇 모드: 멀티모델 봇과 역할 분리에 강한 선택지

    영상 후반부에서는 Hermes 봇 모드가 소개됩니다. 설명의 핵심은 기존 프로파일이나 모델 사용 방식을 봇 단위로 바꾸고, 봇과 봇 사이의 커뮤니케이션을 구성할 수 있다는 점입니다.

    Hermes 쪽의 강점은 특정 모델 하나가 아니라, 업무별 역할과 도구 접근을 분리하는 데 있습니다. 예를 들어 한 봇은 자료 조사, 다른 봇은 초안 작성, 또 다른 봇은 보안 점검을 맡도록 나눌 수 있습니다.

    Hermes 봇 모드와 총평
    Hermes 봇 모드를 설명하며 에이전트 선택 기준을 정리하는 장면 · 출처: 배움의 달인 유튜브 영상 캡처

    Hermes가 잘 맞는 상황은 다음과 같습니다.

    • 이미 여러 AI 모델이나 에이전트 워크플로를 쓰고 있는 경우
    • 업무별 봇 역할을 명확히 나누고 싶은 경우
    • 파일, 브라우저, 크론, 워드프레스 같은 실제 도구 실행까지 연결하고 싶은 경우
    • 한 번의 답변보다 반복 실행과 검증이 중요한 업무가 많은 경우

    실전 업무에서는 “AI끼리 회의”보다 승인선이 중요하다

    영상에는 X 검색, 이미지 생성, Gmail 제안 분석, 투자 리포트처럼 실제 업무에 가까운 사례가 등장합니다. 이런 사례는 에이전트 시대의 방향을 잘 보여주지만, 동시에 위험 지점도 드러냅니다.

    Gmail 제안 분석과 Chief 에이전트
    여러 에이전트가 메일과 제안 내용을 나눠 분석하는 장면 · 출처: 배움의 달인 유튜브 영상 캡처

    AI 에이전트가 여러 개가 되면 생산성은 올라갈 수 있습니다. 하지만 잘못된 메일 답장, 잘못된 투자 판단, 민감한 이미지 생성, 내부 자료 유출 같은 문제도 커집니다.

    그래서 실무 적용의 기준은 다음처럼 잡는 것이 안전합니다.

    1. 읽기 권한과 실행 권한을 분리한다.
    2. 메일 발송, 결제, 매매, 배포는 사람 승인 후 실행한다.
    3. 에이전트별 역할을 고정하고 결과를 비교한다.
    4. 실패 로그와 근거를 남기게 한다.
    5. 개인 토큰과 내부 문서는 공유 봇 템플릿에 넣지 않는다.

    어떤 도구부터 쓰면 좋을까

    처음 시작한다면 Grokbot처럼 진입장벽이 낮은 도구로 개인 업무 하나를 자동화해보는 것이 좋습니다. 예를 들어 “Obsidian 노트 정리”, “Gmail 제안 메일 분류”, “주간 리포트 초안”처럼 읽기 중심 작업이 적합합니다.

    작업 수가 늘어나고 스레드 관리가 필요해지면 Buzz가 더 편할 수 있습니다. 여러 모델과 MCP를 직접 붙이고 싶은 사용자라면 오픈소스 기반의 확장성이 장점입니다.

    이미 여러 봇과 모델을 쓰고 있고, 도구 실행과 검증까지 엮고 싶다면 Hermes 봇 모드 같은 구조가 유리합니다. 이 경우 핵심은 모델 성능보다 “역할·권한·검증 루틴”입니다.

    함께 읽으면 좋은 글

    FAQ

    Grokbot, Buzz, Hermes 중 하나만 골라야 하나요?

    꼭 하나만 고를 필요는 없습니다. Grokbot은 쉬운 시작과 VM 활용, Buzz는 스레드형 협업과 모델 선택, Hermes는 역할 분리와 도구 실행 워크플로에 강점이 있습니다.

    비개발자도 AI 에이전트를 쓸 수 있나요?

    가능합니다. 다만 이메일, 계좌, 내부 문서처럼 민감한 도구를 연결하기 전에는 읽기 권한부터 시작하고, 실행은 사람 승인 후 하도록 설정하는 것이 안전합니다.

    Buzz는 왜 오픈소스라는 점이 중요한가요?

    오픈소스는 직접 배포하고 고칠 수 있다는 장점이 있습니다. 반대로 서버 운영, 접근 권한, 업데이트 책임도 사용자가 더 많이 가져간다는 뜻입니다.

    AI 에이전트 업무 자동화에서 가장 먼저 정할 것은 무엇인가요?

    도구보다 먼저 “어떤 작업을 맡길지”와 “어디까지 자동 실행을 허용할지”를 정해야 합니다. 승인선 없이 메일 발송, 결제, 매매, 배포를 맡기는 것은 위험합니다.

    참고자료

  • Grok Bot과 Herdr로 24시간 AI 에이전트 작업환경 만들기

    Grok Bot과 Herdr로 24시간 AI 에이전트 작업환경 만들기

    노트북을 꺼도 에이전트가 일하게 만들 수 있을까

    AI 에이전트를 실제 업무에 붙여 보면 가장 먼저 부딪히는 문제는 모델 성능보다 “작업 환경이 계속 살아 있느냐”입니다. 노트북을 닫으면 세션이 끊기고, 이동 중에는 터미널을 보기 어렵고, 여러 에이전트에게 역할을 나눠 맡기기도 번거롭습니다.

    배움의 달인 채널의 이번 영상은 이 문제를 Grok Bot의 가상 머신과 Herdr 조합으로 풀어보는 실전 시연입니다. 핵심은 Grok Bot을 단순 챗봇이 아니라, 원격 VM에서 AI 에이전트 작업을 조율하는 실행 환경으로 쓰는 것입니다.

    인트로와 Grok Bot 활용 시나리오
    Grok Bot과 Herdr 조합의 전체 활용 시나리오 · 출처: 배움의 달인 유튜브 영상 캡처

    Herdr는 무엇을 해결하는가

    영상에서 Herdr는 “개발용 AI 에이전트를 노트북을 꺼도 계속 돌게 해 주는 원격 터미널 서버”로 설명됩니다. 공식 홈페이지도 Herdr를 에이전트가 살아 있는 런타임으로 소개하며, 실제 터미널 세션을 유지해 노트북을 닫거나 다른 기기에서 접속해도 작업 흐름을 이어갈 수 있다는 점을 강조합니다.

    이 관점에서 Herdr는 특정 AI 모델 하나가 아닙니다. Codex, Cursor, Hermes, Claude, Grok 같은 도구가 머물고 실행되는 터미널 작업장에 가깝습니다. 따라서 “어떤 모델이 더 좋으냐”보다 “작업을 맡긴 뒤 세션이 유지되고, 결과를 다시 받을 수 있느냐”가 핵심입니다.

    Grokbot VM에 에이전트 띄우기
    Grok Bot VM 안에서 에이전트를 세팅하는 화면 · 출처: 배움의 달인 유튜브 영상 캡처

    Grok Bot VM과 결합했을 때 달라지는 점

    영상의 핵심 장면은 Herdr를 로컬 맥북이 아니라 Grok Bot의 리눅스 VM에 올리는 부분입니다. 이렇게 하면 맥북 전원, 로컬 네트워크, 이동 중 접속 문제에서 어느 정도 자유로워집니다.

    정리하면 구조는 다음과 같습니다.

    • Grok Bot이 자체 가상 머신을 가진다.
    • 그 VM 안에 Herdr를 설치한다.
    • Herdr 안에서 Codex, Cursor, Hermes, Claude, Grok 같은 에이전트를 실행한다.
    • GitHub 인증, 자주 쓰는 스킬, MCP 설정을 VM으로 이식한다.
    • 사용자는 모바일이나 다른 기기에서 Grok Bot에게 작업을 지시한다.

    이 구조가 의미 있는 이유는 “작업 요청을 보내는 기기”와 “작업이 실제로 돌아가는 기기”가 분리되기 때문입니다. 지하철에서 휴대폰으로 QA를 지시해도, 실제 검토는 VM 안의 터미널과 에이전트가 수행합니다.

    Agent Skill은 왜 중요한가

    Herdr의 Agent Skill은 사람이 매번 터미널 구조와 역할 분배를 설명하지 않아도 되도록, 에이전트가 Herdr 환경을 이해하고 조율하게 만드는 지침 파일에 가깝습니다. 공식 문서도 Herdr가 재사용 가능한 에이전트 스킬 파일을 제공한다고 설명합니다.

    영상에서는 이 스킬을 설치한 뒤, 여러 에이전트를 띄우고 작업을 나누는 흐름을 보여줍니다. 실무적으로는 다음 세 가지가 중요합니다.

    1. 반복 작업의 기본 명령을 스킬화한다. 2. 저장소 점검, 보안 검토, UX 리뷰처럼 역할을 분명히 나눈다. 3. 실패한 에이전트가 있으면 결과를 통합할 때 실패 사유를 함께 보고하게 한다.

    Agent Skill 설치와 오케스트레이션
    Herdr Agent Skill 문서와 설치 흐름 · 출처: 배움의 달인 유튜브 영상 캡처

    모바일 QA 오케스트레이션의 실제 의미

    가장 실용적인 장면은 아이폰에서 저장소 QA를 요청하는 부분입니다. 영상에서는 Grok에게 UX 검토, Codex에게 코드·테스트 검사, Hermes에게 보안 검사를 맡기는 식으로 역할을 분배합니다.

    이 장면을 과장해서 “모바일 하나로 개발이 끝난다”고 보면 곤란합니다. 더 정확한 의미는 다음과 같습니다.

    • 이동 중에도 점검 작업을 시작할 수 있다.
    • 여러 에이전트에게 다른 관점의 리뷰를 동시에 맡길 수 있다.
    • 사용자는 모든 로그를 실시간으로 붙잡고 있지 않아도 된다.
    • 실패한 작업도 실패 사유를 받아 다음 지시로 이어갈 수 있다.

    즉 완전 자동 개발보다, “사람이 의사결정을 하고 에이전트가 긴 점검 루틴을 돌리는 방식”에 가깝습니다. 1인 기업, 개발자, 자동화 업무가 많은 실무자에게 특히 유용한 패턴입니다.

    모바일에서 QA 오케스트레이션
    아이폰에서 저장소 QA를 지시하는 장면 · 출처: 배움의 달인 유튜브 영상 캡처

    팀에서 쓰려면 먼저 정해야 할 것

    Grok Bot과 Herdr 조합을 팀에서 쓰려면 기술 설치보다 운영 규칙이 먼저입니다. 다음 기준을 정하지 않으면 에이전트가 많아질수록 결과가 흩어집니다.

    1. 어떤 작업을 맡길지 정한다

    처음부터 배포나 대규모 리팩터링을 맡기기보다, 다음처럼 검토 중심 작업부터 시작하는 편이 안전합니다.

    • PR 요약
    • 테스트 실패 원인 후보 정리
    • 보안 취약점 1차 스캔
    • 문서 누락 점검
    • UI/UX 개선 후보 정리

    2. 에이전트별 역할을 고정한다

    매번 즉흥적으로 역할을 나누면 비교가 어렵습니다. 예를 들어 Grok은 제품·UX 관점, Codex는 코드·테스트 관점, Hermes는 보안·운영 관점처럼 기본 역할을 정해두면 보고서 품질을 비교하기 쉽습니다.

    3. 권한과 비밀정보를 분리한다

    GitHub, API 키, 내부 문서에 접근하는 환경이라면 권한 분리가 중요합니다. 에이전트가 볼 수 있는 저장소, 실행 가능한 명령, 노출하면 안 되는 비밀정보 범위를 먼저 정해야 합니다.

    4. 실패를 정상 흐름으로 본다

    영상에서도 Codex 실행이 일부 실패하는 장면이 나옵니다. 중요한 것은 실패 자체가 아니라, 실패 사유를 받아 다른 에이전트나 사람의 후속 판단으로 연결하는 것입니다.

    봇 템플릿 공유가 주는 시사점

    영상 말미에는 Grok Bot에서 만든 VM Herdr 봇을 템플릿으로 공유하는 흐름이 나옵니다. 이것은 GPTs처럼 “대화 지침을 공유하는 것”보다 한 단계 더 실행 쪽에 가깝습니다.

    공유 가능한 봇 템플릿은 팀의 반복 업무를 표준화할 수 있습니다. 예를 들어 “신규 PR QA 봇”, “블로그 초안 검수 봇”, “보안 체크 봇”처럼 역할별 봇을 만들고, 팀원이 같은 출발점에서 개인화해 쓰는 방식입니다.

    봇 템플릿 공유
    Grok Bot 템플릿 공유 흐름 · 출처: 배움의 달인 유튜브 영상 캡처

    바로 따라 하기 전 체크리스트

    실제로 따라 하기 전에는 다음을 먼저 확인하는 것이 좋습니다.

    • Grok Bot 또는 원격 VM을 쓸 수 있는 계정·요금제가 있는가?
    • Herdr 설치 대상이 되는 Linux/macOS/Windows 환경이 준비되어 있는가?
    • GitHub 인증을 VM에서 처리해도 되는 보안 정책인가?
    • Codex, Cursor, Hermes, Claude, Grok 등 사용할 CLI 도구의 로그인 방식이 정리되어 있는가?
    • 팀 공유용 봇에는 개인 토큰, 저장소명, 내부 경로가 들어가지 않는가?

    이 체크리스트를 통과하면, Herdr는 단순 터미널 도구가 아니라 “AI 에이전트 작업장을 어디서나 다시 열 수 있게 해주는 실행 기반”으로 사용할 수 있습니다.

    함께 읽으면 좋은 글

    FAQ

    Grok Bot과 Herdr를 쓰면 노트북 없이도 개발할 수 있나요?

    노트북 없이 모든 개발이 자동으로 끝난다는 뜻은 아닙니다. 작업 세션을 원격 VM에 두고, 모바일이나 다른 기기에서 지시와 확인을 이어갈 수 있다는 의미에 가깝습니다.

    Herdr는 Orca 같은 오케스트레이션 도구와 같은가요?

    겹치는 부분은 있지만 초점이 다릅니다. 영상에서는 Herdr를 더 가볍고 터미널 중심적인 런타임으로 설명합니다. 여러 에이전트를 묶어 쓰되, 세션 유지와 원격 접속성이 강점입니다.

    비개발자도 쓸 수 있나요?

    영상에서는 초보자도 Grok Bot을 통해 세팅 부담을 줄일 수 있다고 설명합니다. 다만 GitHub 인증, CLI 로그인, 권한 관리 같은 기본 개념은 이해하고 시작하는 것이 안전합니다.

    팀에서 봇 템플릿을 공유해도 안전한가요?

    가능성은 있지만, 개인 토큰·내부 저장소명·비공개 지침이 들어가지 않도록 반드시 점검해야 합니다. 공유 전에는 권한과 비밀정보를 제거하는 절차가 필요합니다.

    참고자료

  • AI 브라우저 Aside, 웹을 대신 조작하는 에이전트 브라우저의 등장

    AI 브라우저 시장이 다시 뜨거워지고 있습니다. 지금까지의 AI 브라우저가 “웹페이지를 읽고 요약해 주는 도구”에 가까웠다면, 최근 등장한 Aside는 한 단계 더 공격적인 방향을 제시합니다. 사용자가 보고 있는 웹페이지를 설명하는 수준이 아니라, 로그인된 웹사이트와 파일, 여러 탭을 오가며 실제 업무를 처리하는 브라우저 에이전트를 표방합니다.

    공식 사이트에서 Aside는 자신을 “가장 지능적인 AI 비서이지만, 브라우저”라고 소개합니다. 핵심 메시지는 단순합니다. 우리가 실제로 일하는 공간은 이메일, 대시보드, 문서, 스프레드시트, 메신저, 내부 도구처럼 서로 흩어진 웹사이트입니다. Aside는 별도 API 연동만 기다리는 에이전트가 아니라, 사람이 브라우저에서 하던 방식 그대로 웹사이트와 계정을 직접 사용하겠다는 접근을 취합니다.

    Aside가 말하는 AI 브라우저의 차이

    기존 자동화 도구는 보통 두 가지 한계가 있었습니다. 하나는 “연동 가능한 앱” 안에서만 작동한다는 점입니다. 다른 하나는 로그인, 권한, 파일 선택, 웹 양식 입력 같은 실제 업무의 경계에서 멈춘다는 점입니다. Aside는 이 문제를 브라우저 자체를 에이전트 실행 환경으로 바꾸는 방식으로 풀려고 합니다.

    공식 설명에 따르면 Aside의 브라우저 에이전트는 이메일, 대시보드, 내부 도구, 커뮤니케이션, 문서와 스프레드시트까지 다룰 수 있도록 설계되었습니다. 예를 들어 후보자 정보를 찾아 면접 노트를 준비하거나, 여러 사이트에서 자료를 조사하고 결과를 정리하거나, 댓글과 후속 메시지를 처리하는 식의 업무가 주요 사용 사례로 제시됩니다.

    이 지점에서 중요한 변화가 있습니다. AI가 답변창 안에 머무르지 않고, 브라우저 안에서 실제 행동을 수행하는 구조가 된다는 점입니다. 그래서 Aside 같은 도구는 단순한 챗봇이 아니라 “업무 수행 인터페이스”에 가깝습니다.

    로컬 메모리: 브라우징 기록이 업무 맥락이 된다

    Aside가 강조하는 또 하나의 기능은 메모리입니다. 공식 메모리 페이지는 Aside가 작업 맥락을 기억하고, 에이전트가 필요할 때 다시 가져온다고 설명합니다. 특히 브라우징 기록을 메모리로 전환해 “어떤 업무에 어떤 사이트를 써야 하는지”를 기억한다는 표현이 눈에 띕니다.

    메모리는 AI 브라우저의 성능을 좌우하는 핵심 요소입니다. 사용자가 매번 “이 사이트에서는 여기를 누르고, 이 표를 보고, 이 형식으로 정리해”라고 설명해야 한다면 에이전트의 생산성은 크게 떨어집니다. 반대로 브라우저가 반복 업무의 경로와 맥락을 기억한다면, 같은 업무를 점점 더 적은 설명으로 처리할 수 있습니다.

    다만 메모리는 편의성과 위험을 동시에 가져옵니다. 업무 맥락이 많이 쌓일수록 에이전트는 똑똑해지지만, 그만큼 민감한 정보가 축적됩니다. Aside는 메모리가 마크다운으로 작성되고 사용자의 기기에 저장되며, 출처를 확인하고 수정할 수 있다고 설명합니다. 이런 “사용자가 읽고 고칠 수 있는 메모리”는 블랙박스식 개인화보다 신뢰를 만들기 쉬운 방향입니다.

    에이전트용 비밀번호 관리가 핵심이다

    AI 브라우저가 실제 업무를 하려면 결국 로그인 문제를 피할 수 없습니다. 많은 에이전트가 좋은 데모를 보여 주다가도, 로그인 화면이나 2단계 인증, 권한 확인 단계에서 멈춥니다. Aside는 이 문제를 “에이전트용 비밀번호 관리자”로 풀겠다고 말합니다.

    공식 비밀번호 관리자 페이지에 따르면 Aside Password Manager는 에이전트가 비밀번호를 직접 보지 않고도 로그인할 수 있도록 자동입력을 제공하며, 사용자가 허용한 범위에서만 자격 증명을 사용하고, 사용 기록을 남기는 구조를 내세웁니다. 또한 자격 증명은 웹사이트에 자동 입력될 뿐 AI에게 노출되지 않는다고 설명합니다.

    이 기능은 AI 브라우저의 성패를 가를 수 있습니다. 에이전트가 업무를 끝까지 하려면 로그인된 세션이 필요하지만, 비밀번호를 모델에게 그대로 넘기는 방식은 받아들이기 어렵습니다. 따라서 “비밀은 숨기고, 필요한 순간에만 허용하고, 사용 기록을 남기는 구조”가 실제 도입의 최소 조건이 됩니다.

    벤치마크 1위 주장은 어떻게 봐야 할까

    Aside는 공식 사이트에서 Online-Mind2Web, BU-Bench-V1, Odysseys 등 세 가지 브라우저 에이전트 벤치마크에서 1위를 기록했다고 주장합니다. 예시로 Online-Mind2Web에서 Aside 99.0%, Browser Use 97.7%, GPT-5.4 92.8%, Claude Opus 4.8 84.0%, ChatGPT Atlas 70.0%라는 수치도 제시되어 있습니다.

    이 수치는 흥미롭지만, 그대로 “실제 업무에서도 항상 가장 좋다”는 의미로 받아들이면 안 됩니다. 브라우저 에이전트 벤치마크는 중요한 참고 자료이지만, 실제 업무 환경은 더 복잡합니다. 회사별 보안 정책, 사이트별 UI 변경, 로그인 방식, 결제 승인, 파일 권한, 예외 상황 대응까지 포함해야 하기 때문입니다.

    따라서 Aside를 볼 때는 “벤치마크 1위 서비스”라는 홍보 문구보다 “브라우저를 에이전트 실행 환경으로 바꾸려는 시도”라는 구조적 변화에 주목하는 편이 좋습니다.

    가격과 접근성: 무료로 시작하지만 복잡한 업무는 유료 구조

    Aside의 가격 페이지는 무료로 시작하고, 더 많은 사용량이 필요할 때 Pro 또는 Max로 업그레이드하는 구조를 보여 줍니다. 무료 플랜은 일상적인 간단한 작업에, Pro는 깊은 조사와 복잡한 작업에, Max는 대규모 자동화를 원하는 파워 유저에 맞춘 것으로 설명됩니다. 팀용 플랜은 공유 계정, 권한, 볼트 접근, 회사 브라우저 상태를 다루는 방향으로 제시됩니다.

    다만 가격 페이지의 세부 금액은 웹페이지 표시 방식상 일부가 명확히 노출되지 않을 수 있으므로, 실제 도입 전에는 공식 가격 페이지에서 최신 조건을 확인하는 것이 안전합니다. 특히 AI 브라우저는 사용량, 에이전트 실행 시간, 모델 비용, 팀 보안 기능에 따라 체감 비용이 달라질 수 있습니다.

    누가 먼저 써볼 만한가

    Aside 같은 AI 브라우저는 모든 사람에게 당장 필요한 도구는 아닙니다. 하지만 다음 조건에 해당한다면 실험 가치가 큽니다.

    • 여러 웹사이트를 오가며 반복적으로 자료를 수집하는 사람
    • 이메일, 문서, 스프레드시트, 내부 도구를 함께 다루는 운영 업무 담당자
    • 리서치, 세일즈, 채용, 고객 응대처럼 웹 기반 반복 흐름이 많은 팀
    • 단순 요약보다 “실제 입력, 정리, 후속 처리”까지 맡기는 AI 에이전트를 원하는 사용자
    • 개인 자동화보다 조직 차원의 브라우저 업무 표준화를 고민하는 팀

    반대로 금융 거래, 민감한 개인정보, 고객 데이터, 인사 평가, 의료·법률 문서처럼 책임 소재가 큰 업무에는 신중해야 합니다. 에이전트가 할 수 있다는 것과, 맡겨도 된다는 것은 다른 문제입니다.

    도입 전 체크리스트

    AI 브라우저를 실제 업무에 쓰려면 기능보다 운영 원칙이 먼저입니다.

    1. 어떤 사이트와 계정에 접근시킬지 정한다. 모든 권한을 한 번에 열지 말고, 낮은 위험의 반복 업무부터 시작해야 합니다.
    2. 에이전트가 해도 되는 행동과 금지 행동을 구분한다. 조회, 초안 작성, 정리, 제출, 결제, 삭제는 위험도가 다릅니다.
    3. 승인 지점을 만든다. 메시지 발송, 결제, 고객 데이터 변경, 공개 게시 전에는 사람이 확인해야 합니다.
    4. 로그를 남긴다. 에이전트가 언제 어떤 계정과 사이트를 사용했는지 추적할 수 있어야 합니다.
    5. 메모리를 점검한다. 잘못 기억한 절차나 오래된 사이트 경로가 자동화 오류로 이어질 수 있습니다.

    Aside가 제시하는 방향은 분명 매력적입니다. 그러나 브라우저 에이전트의 가치는 “무엇이든 대신한다”가 아니라 “반복되는 웹 업무를 안전하게 위임할 수 있다”에서 나옵니다.

    결론: AI 브라우저의 경쟁은 이제 ‘요약’이 아니라 ‘수행’이다

    AI 브라우저 Aside가 보여 주는 흐름은 명확합니다. 앞으로 브라우저는 검색창과 탭의 모음이 아니라, AI 에이전트가 업무를 수행하는 작업장이 될 가능성이 큽니다. 사용자는 웹사이트를 하나씩 열어 조작하는 사람에서, 목표와 조건을 정하고 결과를 검토하는 감독자로 이동하게 됩니다.

    물론 아직은 검증해야 할 것이 많습니다. 벤치마크 수치, 실제 안정성, 보안 모델, 가격, 조직 도입 절차는 계속 확인해야 합니다. 그럼에도 Aside가 던지는 질문은 중요합니다.

    “AI가 답을 주는 도구라면 충분한가, 아니면 브라우저에서 실제 일을 끝내는 도구가 필요한가?”

    이 질문에 “후자”라고 답하는 사용자가 늘어날수록, AI 브라우저 경쟁은 더 빠르게 브라우저 에이전트 경쟁으로 이동할 것입니다.


    참고 출처: Aside 공식 사이트, Browser agent, Memory, Password manager, Pricing

  • AI 시대 사장님이 배워야 할 AX 공식: STIC 프롬프트와 브랜드 워크플로우

    AI 시대 사장님이 배워야 할 AX 공식: STIC 프롬프트와 브랜드 워크플로우

    AI를 잘 쓰는 사람과 못 쓰는 사람의 차이는 도구 목록에서 갈리지 않습니다. 같은 ChatGPT, Claude, Gemini를 써도 어떤 사람은 바로 쓸 만한 결과를 얻고, 어떤 사람은 두루뭉술한 답만 받습니다. 고객의눈 김팀장 영상에서 젬마는 이 차이를 “AI에게 일을 시키는 방식”에서 찾습니다.

    젬마와 김팀장이 설명하는 AX와 STIC 프롬프트 영상 썸네일
    출처: 고객의눈, 김팀장 YouTube 영상

    영상의 핵심은 단순합니다. AI 시대에 사장님이 배워야 할 것은 모든 기술을 직접 구현하는 일이 아닙니다. 오히려 내 브랜드, 내 고객, 내 목적을 알고 AI에게 정확히 지시하는 디렉터의 역할입니다. 그래서 AX, 즉 AI 전환의 출발점은 자동화가 아니라 사고법입니다.

    AX는 딸깍 자동화가 아니라 일하는 방식의 전환입니다

    요즘 SNS에는 “클로드로 딸깍했더니 결과물이 나왔다”는 영상이 많습니다. 이런 장면은 매력적이지만 동시에 불안을 만듭니다. 나만 뒤처지는 것 같고, 당장 뭔가를 배워야 할 것 같습니다.

    하지만 영상은 그 불안을 조금 다르게 해석합니다. 정말 중요한 것은 화려한 결과물이 아니라 그 결과물이 나오기까지의 과정입니다. AI가 아무리 좋아도 우리 가게만의 브랜드 스토리, 고객의 맥락, 팔지 말아야 할 고객, 지켜야 할 제약조건은 사장님이 알려줘야 합니다. 이 앞단이 없으면 AI는 의미 없는 결과물을 빠르게 많이 만들 뿐입니다.

    AI 에이전트는 ‘대리인’입니다

    젬마는 AI 에이전트를 “결과를 만들어 주는 대리인”에 가깝게 설명합니다. 예전의 AI 사용은 채팅창에서 조언을 받는 느낌이 강했습니다. 반면 AI 에이전트는 포스터, 리서치, 콘텐츠, 워크플로우처럼 끝에 남는 결과물을 만들어 주는 방향으로 확장됩니다.

    그렇다고 모든 것을 한 번에 자동화하는 거대한 시스템만 에이전트인 것은 아닙니다. 작은 결과물을 끝까지 만들어 주는 것도 에이전트적 사용입니다. 중요한 질문은 “AI가 무엇을 할 수 있나”가 아니라 “내가 어떤 결과를 대리시킬 것인가”입니다.

    생성형 AI의 본질: 너무 많은 데이터에서 꺼내기

    생성형 AI는 방대한 데이터를 학습했습니다. 이 말은 “무조건 필요한 정보가 있다”는 장점이기도 하지만, 동시에 “정확히 꺼내기 어렵다”는 단점이기도 합니다. 영상에서는 이를 모래사장에서 원하는 모래알을 찾는 일에 비유합니다.

    그래서 “삼겹살집 찾아줘”처럼 열린 요청을 하면 AI는 일반적인 답을 냅니다. 내가 어떤 상황인지, 누구와 가는지, 왜 가는지, 무엇을 피해야 하는지 알려주지 않았기 때문입니다. 데이터가 많을수록 요청은 더 구체적이어야 합니다.

    STIC 프롬프트란 무엇인가

    영상에서 소개된 핵심 프레임은 STIC입니다. Situation, Task, Intent, Constraint의 약자입니다. 한국어로 풀면 상황, 과업, 의도, 제약조건입니다.

    • Situation: 지금 내가 처한 상황은 무엇인가
    • Task: AI가 구체적으로 해야 할 일은 무엇인가
    • Intent: 이 일을 하는 진짜 목적은 무엇인가
    • Constraint: 반드시 지켜야 하거나 제외해야 할 조건은 무엇인가

    이 네 가지는 단순한 프롬프트 기술이 아닙니다. 일 잘하는 상사가 직원에게 일을 시킬 때 쓰는 기본 구조와 같습니다. 배경을 설명하고, 요청을 구체화하고, 의도를 알려주고, 하지 말아야 할 것을 분명히 하는 것입니다.

    “몇 가지와 이유”를 함께 요구해야 합니다

    AI에게 “알려줘”라고만 하면 답은 넓고 흐릿해집니다. 영상에서는 “몇 가지로 가져와”라고 요청하라고 말합니다. 예를 들어 “우리 매장에 맞는 이벤트 아이디어 5가지를 가져와”처럼 범위를 정하는 것입니다.

    여기에 “왜 그 아이디어를 골랐는지 이유도 함께 가져와”를 붙이면 선택이 쉬워집니다. 사장님은 AI가 낸 결과를 그대로 쓰는 사람이 아니라, 여러 선택지 중에서 판단하는 사람입니다. 이유가 있어야 판단할 수 있습니다.

    의도와 제약조건이 결과의 품질을 바꿉니다

    같은 삼겹살집을 찾아도 목적이 다르면 답이 달라집니다. 가족 외식인지, 썸남과의 데이트인지, 회식인지에 따라 좋은 장소의 기준이 달라집니다. 그래서 AI에게 “왜 이 일을 하는지”를 알려줘야 합니다.

    제약조건도 중요합니다. 의료광고법에 걸리지 않는 표현, 건강기능식품으로 오해되지 않는 문장, 특정 고객군을 제외한 타깃, 브랜드 톤앤매너처럼 넘어가면 안 되는 선을 미리 알려줘야 합니다. 좋은 AI 활용은 더 많이 시키는 것이 아니라, 가야 할 길과 가지 말아야 할 길을 분명히 하는 일입니다.

    브랜드 AI 활용의 핵심은 워크플로우입니다

    영상 후반부는 AI 숏폼 콘텐츠 제작 예시를 다룹니다. 여기서 중요한 메시지는 결과물보다 워크플로우입니다. 릴스에서는 완성된 영상만 보여주지만, 실제 현장에서는 레퍼런스를 찾고, 제품 장점과 리뷰를 정리하고, 어떤 콘셉트가 브랜드에 맞는지 검토하는 지지부진한 과정이 필요합니다.

    이 과정이 바로 자산입니다. 한 번 워크플로우를 만들면 다음 콘텐츠를 만들 때 더 빨라지고, 다른 직원이 배워서 개선할 수도 있습니다. 기업의 AI 역량은 개별 결과물이 아니라, 반복 가능한 과정으로 축적됩니다.

    AI 숏폼은 현실을 흉내 내기보다 AI답게 만들어야 합니다

    영상에서 흥미로운 지점은 AI 숏폼의 방향입니다. 너무 실제 사람과 똑같이 만들려고 하면 불쾌한 골짜기가 생길 수 있습니다. 사람들은 미묘하게 어색한 지점에 집중하고, 정작 전달하려는 메시지는 흐려집니다.

    그래서 오히려 AI이기 때문에 가능한 방식이 필요합니다. 강아지가 말을 하거나, 현실에서 불가능한 장면을 과장되게 보여주거나, 제품의 특징을 캐릭터화하는 식입니다. 이것이 영상에서 말한 “AI 해자”에 가깝습니다. AI를 사람 흉내에 쓰는 것이 아니라, AI라서 가능한 표현에 쓰는 것입니다.

    레퍼런스는 베끼기가 아니라 번역입니다

    좋은 콘텐츠를 만들려면 레퍼런스가 필요합니다. 그러나 레퍼런스를 그대로 베끼면 브랜드 자산이 되지 않습니다. 좋은 방식은 레퍼런스의 구조를 분석하고, 내 제품 자료와 고객 페르소나에 맞게 번역하는 것입니다.

    예를 들어 동물 인터뷰 형식의 숏폼을 참고하더라도, 그대로 따라 하는 것이 아니라 내 제품의 장점, 고객의 불편, 리뷰 문장, 사용 장면을 결합해야 합니다. AI는 이 재조합을 도와줄 수 있지만, 무엇을 살리고 무엇을 버릴지는 사람이 정해야 합니다.

    사장님은 기술자가 아니라 디렉터가 되어야 합니다

    소상공인에게 “모든 AI 도구를 배우라”고 말하는 것은 현실적이지 않습니다. 사장님은 이미 매장 운영, 고객 응대, 매출 관리, 직원 관리로 바쁩니다. 그래서 더 중요한 것은 기술 구현자가 되는 것이 아니라, 방향을 정하는 디렉터가 되는 일입니다.

    디렉터는 브랜드의 가치와 고객의 페르소나를 압니다. 어떤 고객을 받을지뿐 아니라 어떤 고객을 받지 않을지도 압니다. 어떤 표현은 쓰면 안 되는지, 어떤 톤은 브랜드와 맞지 않는지도 압니다. 이 기준이 있어야 AI 에이전트가 좋은 직원처럼 작동합니다.

    변하는 것과 변하지 않는 것을 함께 잡아야 합니다

    영상의 마지막 메시지는 양손잡이 전략에 가깝습니다. AI, 릴스, 검색 엔진, AEO, GEO 같은 채널과 기술은 계속 바뀝니다. 사장님은 이 변화를 알아야 결정을 내릴 수 있습니다.

    하지만 변하지 않는 것도 있습니다. 고객을 이해하는 일, 브랜드의 가치, 현금 흐름, 고객과의 관계입니다. AI 전환은 이 변하지 않는 뿌리를 버리는 일이 아니라, 그것을 더 빠르고 정교하게 표현하는 도구를 얻는 일입니다.

    결론: AI 시대에 더 귀해지는 것은 ‘시키는 힘’입니다

    AI가 좋아질수록 더 중요해지는 것은 프롬프트 한 줄의 기술이 아닙니다. 상황을 정리하고, 원하는 결과를 정의하고, 목적을 설명하고, 제약조건을 세우는 힘입니다. 이것이 STIC 프롬프트의 의미입니다.

    딸깍 자동화는 마지막 단계입니다. 먼저 해야 할 일은 내 브랜드의 가치와 고객 페르소나를 정리하고, 반복 가능한 워크플로우를 만드는 것입니다. AI 시대의 사장님에게 필요한 생존공식은 “AI를 배우는 것”보다 “AI에게 일을 잘 시키는 구조를 갖추는 것”에 가깝습니다.

    함께 읽으면 좋은 글

    참고자료

    FAQ

    AX란 무엇인가요?

    AX는 AI Transformation, 즉 AI 전환을 뜻합니다. 단순히 AI 도구를 쓰는 것을 넘어 업무 방식, 의사결정, 콘텐츠 제작, 고객 관리에 AI를 구조적으로 반영하는 변화입니다.

    STIC 프롬프트는 무엇인가요?

    STIC는 Situation, Task, Intent, Constraint의 약자입니다. AI에게 상황, 해야 할 일, 목적, 제약조건을 함께 알려줘 원하는 결과를 더 정확히 얻기 위한 프롬프트 구조입니다.

    소상공인도 AI 에이전트를 써야 하나요?

    모든 도구를 다 배울 필요는 없습니다. 다만 브랜드 스토리, 고객 페르소나, 반복 업무를 정리해 AI에게 맡길 수 있는 구조를 만드는 것은 점점 중요해지고 있습니다.

    AI 숏폼을 만들 때 가장 먼저 해야 할 일은 무엇인가요?

    완성 영상을 바로 만들기보다 레퍼런스, 제품 장점, 고객 후기, 브랜드 톤, 피해야 할 표현을 먼저 정리해야 합니다. 이 준비가 있어야 AI 결과물이 브랜드에 맞게 나옵니다.

    딸깍 자동화가 위험한 이유는 무엇인가요?

    기획 없이 자동화하면 의미 없는 결과물을 빠르게 많이 만들 수 있습니다. AI가 만든 결과물이 쓸모 있으려면 사람이 목적과 기준을 먼저 정해야 합니다.

  • Buzz 오픈소스 AI 협업 툴: 슬랙처럼 AI 에이전트와 일하는 법

    Buzz 오픈소스 AI 협업 툴: 슬랙처럼 AI 에이전트와 일하는 법

    AI 도구를 하나만 쓰는 시대는 빠르게 지나가고 있습니다. Codex로 리팩터링을 돌리고, Claude Code로 테스트를 짜고, Grok으로 리서치를 시키는 식의 작업은 이제 낯설지 않습니다. 문제는 작업이 흩어진다는 점입니다. 어느 AI에게 무엇을 시켰는지, 누가 어떤 맥락을 알고 있는지, 결과를 어떻게 팀과 공유할지 계속 관리해야 합니다.

    Buzz 오픈소스 AI 협업 툴 소개 영상 썸네일
    출처: 코드팩토리 YouTube 영상

    코드팩토리 영상이 소개한 Buzz는 바로 이 문제를 겨냥한 오픈소스 협업 툴입니다. 한마디로 말하면 “AI 에이전트와 사람이 함께 쓰는 슬랙형 워크스페이스”에 가깝습니다. 다만 단순한 채팅 앱이 아니라, 로컬 구독 AI를 활용하고, 메시지를 서명하며, 프로젝트와 Git 기록까지 묶으려는 점이 다릅니다.

    Buzz는 무엇을 해결하려는 도구인가

    Buzz의 출발점은 여러 AI를 동시에 쓰는 사람의 불편입니다. AI 도구를 많이 쓰는 사람은 대개 한 화면에서만 일하지 않습니다. 터미널, 웹 UI, 데스크톱 앱, 브라우저 탭, 팀 메신저를 오가며 작업합니다. 사용량 제한이 걸리면 작업 내용을 정리해 다른 AI에게 넘겨야 하고, 팀원에게 공유하려면 별도로 요약해야 합니다.

    Buzz는 이 흐름을 슬랙형 스레드로 묶으려 합니다. 사람과 AI 에이전트가 같은 채널에 들어오고, 각 에이전트는 서로 다른 AI 백엔드를 사용할 수 있습니다. 한 스레드에서 리서치, 썸네일 기획, 코드 작성, 프로젝트 커밋이 이어지면 맥락이 분산되지 않습니다.

    핵심은 “AI용 슬랙”보다 “맥락 보존”입니다

    Buzz를 단순히 오픈소스 슬랙이라고만 보면 기능을 작게 이해하게 됩니다. 더 중요한 가치는 맥락 보존입니다. AI 시대의 작업은 결과물보다 과정이 중요할 때가 많습니다. 어떤 프롬프트를 줬는지, 어떤 에이전트가 어떤 응답을 했는지, 사람이 어디서 개입했는지, 어떤 코드가 커밋됐는지가 모두 다음 작업의 맥락이 됩니다.

    기존 메신저는 사람의 대화를 저장하는 데 강합니다. 반면 Buzz는 사람과 AI 에이전트의 공동 작업을 기록하려고 합니다. 그래서 채널, DM, 스레드, 프로젝트, 커밋이 하나의 흐름으로 이어집니다.

    서버를 믿는 대신 메시지를 검증하는 구조

    영상에서 특히 흥미로운 부분은 Buzz의 신뢰 구조입니다. 일반적인 슬랙형 서비스는 중앙 서버를 믿습니다. 서버가 “이 메시지는 이 사용자가 보냈다”고 기록하면 사용자는 그 기록을 신뢰합니다. 운영사가 명확한 SaaS에서는 자연스러운 방식입니다.

    하지만 오픈소스 셀프호스팅 환경에서는 이야기가 달라집니다. 서버를 누가 운영하느냐에 따라 데이터베이스 조작 가능성이 생깁니다. Buzz는 이 문제를 줄이기 위해 메시지, 리액션, 커밋에 서명 구조를 둡니다. 사용자나 에이전트가 각자 키를 갖고, 그 키로 기록을 남기는 방식입니다.

    이렇게 하면 서버 권한만으로 다른 사람인 척하기 어렵습니다. 위조하려면 서버 권한이 아니라 개인 키가 필요하기 때문입니다. AI 협업에서 “누가 어떤 결정을 했는가”가 중요해질수록 이런 기록 검증 구조는 더 큰 의미를 갖습니다.

    릴레이 서버는 무엇을 하는가

    Buzz에서 릴레이 서버는 메시지를 직접 만드는 주체가 아닙니다. 봉인된 메시지를 전달하고 보관하는 역할에 가깝습니다. 그래서 개인 컴퓨터에서만 릴레이를 돌리면 협업 도구로서의 의미가 약해집니다. 협업하려면 서버가 24시간 떠 있어야 하고, 여러 클라이언트가 안정적으로 연결되어야 합니다.

    영상에서는 WSS, 즉 보안 웹소켓 연결이 언급됩니다. Buzz 커뮤니티에 들어갈 때 HTTP 주소를 그대로 쓰는 것이 아니라 WSS 주소로 연결해야 하는 이유도 실시간 협업 구조와 관련이 있습니다. 슬랙처럼 계속 연결을 유지하며 메시지를 주고받아야 하기 때문입니다.

    기술 스택: Rust, PostgreSQL, Redis, MinIO, Git

    Buzz는 단순 채팅 앱이라기보다 여러 구성요소가 결합된 올인원 협업 시스템에 가깝습니다. 영상 기준으로 릴레이 서버는 Rust로 작성되었고, PostgreSQL이 중앙 저장소 역할을 하며, Redis가 실시간 기능을 돕습니다. 파일 저장에는 MinIO가 쓰이고, Git 저장소 기능도 포함됩니다.

    특히 Git 기능이 흥미롭습니다. 별도의 GitHub 없이도 프로젝트 저장소를 운영하고, 누가 어떤 커밋을 했는지, 어떤 에이전트가 작업했는지 확인할 수 있다는 점은 AI 코딩 협업에 잘 맞습니다. AI가 만든 결과물을 “대화”가 아니라 “프로젝트 이력”으로 남기는 방향입니다.

    로컬 구독 AI를 그대로 활용한다는 점

    많은 AI 협업 도구는 API 키를 요구합니다. 팀 단위로 쓰기에는 편할 수 있지만, 개인이 이미 Claude Code, Codex, Grok 같은 도구를 구독하고 있다면 추가 API 비용이 부담이 됩니다. 영상에서 소개된 Buzz의 장점은 로컬에서 이미 로그인해 쓰는 AI 런타임을 연결해 활용할 수 있다는 점입니다.

    이는 작은 팀이나 1인 개발자에게 중요합니다. 별도의 엔터프라이즈 플랫폼을 도입하지 않고도, 기존 구독형 AI를 한 화면에서 묶어 실험할 수 있기 때문입니다. 다만 이 구조는 로컬 환경 설정, 에이전트 런타임 연결, 릴레이 서버 운영에 대한 기본 이해가 필요합니다.

    실제 사용 흐름은 어떻게 진행되는가

    영상의 실습 흐름은 비교적 명확합니다. 먼저 Buzz 데스크톱 앱을 설치하고 커뮤니티를 설정합니다. 협업을 위해서는 릴레이 서버가 필요하므로 VPS나 별도 서버에 Buzz 릴레이를 올립니다. 이후 공개키를 입력하고, WSS 주소로 커뮤니티에 조인합니다.

    커뮤니티에 들어오면 기본 에이전트가 보이고, 각 에이전트의 이름과 백엔드를 바꿀 수 있습니다. 예를 들어 한 에이전트는 Grok 기반 리서처, 다른 에이전트는 Codex 기반 썸네일 기획자, 또 다른 에이전트는 Claude Code 기반 프로그래머처럼 지정할 수 있습니다. 에이전트별 시스템 프롬프트도 넣을 수 있습니다.

    채널에서 AI 에이전트와 사람이 함께 일하기

    Buzz의 강점은 채널 기반 협업입니다. 사용자는 특정 채널을 만들고, 여러 에이전트와 사람을 함께 초대할 수 있습니다. 예를 들어 “유튜브 팀” 채널을 만든 뒤 리서처에게 최신 AI 뉴스를 찾게 하고, 썸네일 에이전트에게 이미지 방향을 제안하게 하며, 프로그래머에게 데모 랜딩 페이지를 만들게 할 수 있습니다.

    이 과정이 하나의 스레드에 남으면, 사람이 중간에 들어와 방향을 바꾸거나 에이전트 백엔드를 바꾸어도 맥락이 유지됩니다. AI 도구를 바꿀 때마다 처음부터 설명해야 하는 부담이 줄어드는 것입니다.

    아직 리서치 프리뷰라는 점도 중요합니다

    영상에서도 몇 가지 버그가 언급됩니다. 에이전트가 태그를 놓치거나, 요청을 했는데 바로 반응하지 않는 경우가 있을 수 있습니다. 이는 Buzz가 아직 성숙한 SaaS라기보다 리서치 프리뷰 성격의 도구라는 뜻입니다.

    따라서 당장 회사의 핵심 협업 인프라로 쓰기보다는, AI 에이전트 협업 방식을 실험하는 도구로 보는 편이 안전합니다. 특히 서버 운영, 키 관리, 커뮤니티 초대, 프로젝트 저장소의 접근 권한은 충분히 이해하고 써야 합니다.

    누가 Buzz를 써볼 만한가

    Buzz는 모든 사용자에게 필요한 도구는 아닙니다. AI를 한두 개만 가볍게 쓰는 사람에게는 오히려 복잡할 수 있습니다. 반면 다음과 같은 사용자에게는 실험 가치가 큽니다.

    • 여러 AI 코딩 도구를 동시에 쓰는 개발자
    • AI 리서치, 콘텐츠, 코드 작업을 한 스레드에서 관리하고 싶은 1인 팀
    • 사람과 AI 에이전트의 작업 과정을 남기고 싶은 스타트업
    • 오픈소스 셀프호스팅 구조와 키 기반 검증에 관심 있는 사용자
    • AI 에이전트 워크플로를 팀 단위로 벤치마킹하려는 조직

    결론: AI 협업의 다음 인터페이스는 스레드일 수 있습니다

    Buzz가 흥미로운 이유는 “또 하나의 AI 앱”이 아니라 “AI와 사람이 함께 일하는 공간”을 제안하기 때문입니다. 앞으로 AI 에이전트가 늘어날수록 중요한 것은 개별 모델 성능만이 아닙니다. 누가 무엇을 맡았고, 어떤 맥락에서 결과가 나왔으며, 그 결과가 프로젝트 이력으로 어떻게 남는지가 중요해집니다.

    Buzz는 그 방향을 슬랙형 인터페이스, 서명 기반 기록, 릴레이 서버, 프로젝트·Git 기능으로 풀어보려는 시도입니다. 아직 실험 단계의 불안정성은 있지만, AI 에이전트 협업 도구가 어디로 갈지 보여주는 좋은 사례입니다.

    함께 읽으면 좋은 글

    참고자료

    FAQ

    Buzz는 어떤 도구인가요?

    Buzz는 사람과 AI 에이전트가 슬랙형 채널과 스레드에서 함께 일하도록 만든 오픈소스 협업 툴입니다. 여러 AI 백엔드를 연결하고 작업 맥락을 한곳에 남기는 것이 핵심입니다.

    Buzz가 슬랙과 다른 점은 무엇인가요?

    슬랙은 중앙 서비스가 기록을 관리하는 SaaS에 가깝습니다. Buzz는 오픈소스 셀프호스팅을 염두에 두고 메시지와 커밋에 서명을 적용해 서버 운영자를 전적으로 믿지 않아도 기록을 검증할 수 있게 하려는 방향이 다릅니다.

    Buzz를 쓰려면 서버가 꼭 필요한가요?

    개인 컴퓨터에서 실험할 수는 있지만, 협업 도구로 쓰려면 24시간 접근 가능한 릴레이 서버가 필요합니다. 여러 사용자가 접속하고 실시간으로 메시지를 주고받으려면 WSS 기반 연결이 필요합니다.

    기존 AI 구독을 그대로 사용할 수 있나요?

    영상 기준으로 Buzz는 로컬에 설치·로그인된 AI 런타임을 활용하는 방식을 강조합니다. Codex, Claude Code, Grok 등 사용자가 이미 쓰는 AI 도구를 에이전트 백엔드로 연결할 수 있다는 점이 장점입니다.

    지금 업무용으로 바로 도입해도 될까요?

    아직 리서치 프리뷰 성격이 강하므로 핵심 업무 인프라로 바로 쓰기보다는 테스트 환경에서 실험하는 것이 좋습니다. 서버 운영, 키 관리, 접근 권한, 기록 보존 정책을 먼저 점검해야 합니다.

  • AEO·GEO 시대, 네이버 블로그 마케팅은 어떻게 바뀌어야 하나

    AEO·GEO 시대, 네이버 블로그 마케팅은 어떻게 바뀌어야 하나

    AEO와 GEO는 아직 낯선 말이지만, AI 검색 시대의 마케팅을 이해하려면 반드시 알아야 할 개념입니다. 과거에는 네이버나 구글 검색 결과 상단에 노출되는 것이 중요했습니다. 이제는 사람들이 ChatGPT, Gemini 같은 AI에게 바로 질문하고, AI가 답변 안에서 특정 브랜드나 서비스를 추천하는 방식이 늘고 있습니다.

    AEO와 GEO AI 검색 마케팅 인터뷰 영상 썸네일
    출처: 고객의눈, 김팀장 YouTube 영상

    이 영상은 김팀장과 AEO/GEO 전문가 이재홍 대표의 대화입니다. 핵심은 단순합니다. AI가 읽지 못하는 글, 핵심 메시지가 흐린 글, 키워드와 후킹만 많은 글은 앞으로 마케팅 자산이 아니라 노이즈가 될 수 있다는 것입니다.

    AEO와 GEO는 무엇인가요

    SEO가 Search Engine Optimization, 즉 검색 엔진 최적화라면 AEO는 Answer Engine Optimization입니다. 사용자가 AI에게 질문했을 때 내 브랜드, 내 서비스, 내 콘텐츠가 답변으로 채택되도록 만드는 접근입니다. GEO는 Generative Engine Optimization으로도 불리며, 생성형 AI가 답변을 만들 때 참고할 수 있는 정보 구조를 만드는 데 초점을 둡니다.

    예전에는 “수원 치과”를 검색했을 때 내 블로그 글이 상단에 뜨는 것이 중요했습니다. 이제는 “수원 망포역 근처에서 임플란트 통증 리뷰가 좋은 치과를 추천해줘”라고 AI에게 물었을 때 내 브랜드가 언급되는지가 중요해지고 있습니다.

    네이버 블로그 방식이 한계에 부딪히는 이유

    영상에서는 기존 네이버 블로그 글쓰기 방식의 한계를 강하게 지적합니다. 글자 수를 채우고, 사진을 많이 넣고, 키워드를 반복하고, 후킹 문구를 붙이는 방식은 사람의 클릭을 유도하는 데는 효과가 있었을 수 있습니다. 그러나 AI가 핵심 정보를 이해하는 데는 오히려 방해가 될 수 있습니다.

    AI는 본문 전체를 사람이 읽듯이 정성껏 읽지 않습니다. 플랫폼 구조, 제목, 설명, 링크 미리보기, 메타 정보, 외부에서 인용되는 맥락 같은 신호를 종합합니다. 그래서 본문 안에 아무리 좋은 말을 써도 AI가 가져갈 수 있는 구조로 정리되어 있지 않으면 답변에 반영되기 어렵습니다.

    AI는 뾰족한 메시지를 좋아합니다

    “우리 병원은 친절합니다”라는 문장은 약합니다. 친절하다는 말은 누구나 할 수 있고, AI 입장에서는 비교 기준이 모호합니다. 반면 “수원 망포역 근처, 임플란트 통증 관련 리뷰 1,900건 중 긍정 언급이 많은 치과”처럼 위치, 서비스, 근거, 숫자가 함께 있으면 훨씬 뾰족한 메시지가 됩니다.

    AEO/GEO 콘텐츠는 추상적 칭찬보다 구체적 근거를 요구합니다. 지역, 업종, 고객 질문, 검증 가능한 수치, 외부 인용, 리뷰의 맥락이 함께 정리될수록 AI가 답변 재료로 사용하기 쉬워집니다.

    먼저 “어떤 질문에 답변되고 싶은가”를 정해야 합니다

    AI 검색 최적화의 출발점은 키워드가 아니라 질문입니다. “내가 어떤 질문을 받았을 때 추천되고 싶은가?”를 먼저 정해야 합니다.

    예를 들어 “대한민국 최고의 치과”는 너무 넓고 경쟁이 큽니다. 반면 “수원 망포역 근처에서 임플란트 통증 걱정이 적은 치과”는 훨씬 구체적입니다. 이 질문에 답변되기 위해서는 해당 위치, 임플란트 경험, 통증 관련 리뷰, 진료 방식, 고객 후기 같은 근거를 일관되게 쌓아야 합니다.

    브랜드명과 고유명사는 일관되게 써야 합니다

    영상에서 중요한 팁 중 하나는 명칭의 일관성입니다. 사람은 “삼성전자”, “삼성”, “Samsung”을 같은 대상으로 이해할 수 있지만, AI가 항상 그렇게 정확히 묶어 준다고 기대하면 안 됩니다. 특히 신생 브랜드나 작은 가게는 더 그렇습니다.

    브랜드를 AI에게 기억시키고 싶다면 이름을 매번 다르게 쓰지 말아야 합니다. 줄임말, 영어명, 한글명, 별칭을 섞어 쓰기보다 공식 명칭을 일관되게 반복하고, 같은 문맥 안에서 위치·업종·서비스와 함께 묶어 주는 것이 좋습니다.

    내 글이 AI에게 읽히는지 확인하는 간단한 방법

    영상에서 제시한 실용적인 점검법도 유용합니다. 내가 쓴 블로그 글 링크를 AI에게 주고 “이 글의 핵심 메시지가 무엇이야?”라고 물어보는 것입니다.

    AI가 글을 읽을 수 없다고 하거나, 엉뚱한 요약을 하거나, 내가 의도한 핵심 메시지를 잡지 못한다면 AEO 관점에서는 좋은 상태가 아닙니다. 반대로 AI가 내가 의도한 한 문장을 정확히 요약한다면 콘텐츠 구조가 어느 정도 작동하고 있다고 볼 수 있습니다.

    워드프레스와 티스토리가 다시 주목받는 이유

    영상에서는 워드프레스나 티스토리 같은 플랫폼도 언급됩니다. 이유는 단순합니다. 이런 플랫폼은 제목, 설명, 메타 정보, 구조화된 본문, 내부 링크, 외부 인용을 비교적 명확하게 관리할 수 있습니다. AI와 검색 봇이 가져갈 수 있는 데이터를 운영자가 조정하기 쉽습니다.

    물론 네이버 블로그를 버리라는 뜻은 아닙니다. 네이버는 여전히 한국 시장에서 영향력이 큽니다. 다만 AI 검색을 함께 고려한다면 네이버 안에만 콘텐츠를 가두기보다, 워드프레스처럼 구조화와 외부 연결이 쉬운 채널을 병행하는 전략이 필요합니다.

    양보다 중요한 것은 “유의미한 근거”입니다

    영상에서는 AI 답변에 채택되는 방법을 크게 두 가지로 설명합니다. 하나는 압도적인 양입니다. 인터넷 전체에서 특정 브랜드나 사실이 반복되면 AI는 그것을 사실처럼 받아들이기 쉽습니다. 그러나 소상공인이나 작은 브랜드가 압도적인 양을 만드는 것은 어렵습니다.

    그래서 현실적인 전략은 뾰족한 근거입니다. 넓은 시장 전체에서 1등이라고 주장하기보다, 특정 질문과 상황에서 이 브랜드를 언급해야 할 이유를 명확히 만드는 것입니다. 위치, 대상, 문제, 해결 방식, 검증 근거가 함께 있어야 합니다.

    AEO/GEO 시대의 블로그 글쓰기 체크리스트

    • 제목에 핵심 질문과 답변 방향이 드러나는가
    • 브랜드명, 서비스명, 지역명이 일관되게 쓰였는가
    • “좋다”, “친절하다”보다 구체적 근거가 있는가
    • AI가 한 문장으로 요약했을 때 의도한 메시지가 나오는가
    • 내부 링크와 외부 출처가 자연스럽게 연결되어 있는가
    • 본문이 후킹보다 정보 구조 중심으로 구성되어 있는가
    • 같은 주제의 글이 반복될 때 메시지가 흔들리지 않는가

    결론: 검색 상위 노출보다 답변 채택을 준비해야 합니다

    AEO와 GEO는 SEO를 완전히 대체한다기보다, 검색 행동이 AI 질문으로 이동하면서 생긴 새로운 층입니다. 사용자는 여전히 네이버를 검색하고, 구글을 검색하고, 동시에 AI에게 묻습니다. 중요한 것은 내 콘텐츠가 이 모든 경로에서 일관된 메시지와 구조를 갖추는 것입니다.

    앞으로 블로그 마케팅은 글을 많이 쓰는 경쟁이 아니라, AI가 이해할 수 있는 근거를 쌓는 경쟁이 될 가능성이 큽니다. 브랜드가 답변 안에 등장하려면 먼저 어떤 질문에 답변되고 싶은지 정하고, 그 질문에 대한 명확한 근거를 콘텐츠로 남겨야 합니다.

    함께 읽으면 좋은 글

    참고자료

    FAQ

    AEO와 GEO는 SEO와 무엇이 다른가요?

    SEO는 검색 결과 상위 노출을 목표로 합니다. AEO와 GEO는 AI가 답변을 생성할 때 내 브랜드나 콘텐츠를 답변 안에 포함하도록 정보를 구조화하는 데 초점을 둡니다.

    네이버 블로그는 이제 의미가 없나요?

    아닙니다. 네이버는 여전히 한국 시장에서 중요합니다. 다만 네이버 블로그만으로는 AI가 가져갈 수 있는 구조화된 정보를 충분히 만들기 어려울 수 있으므로 워드프레스, 티스토리, 공식 홈페이지 같은 채널을 함께 운영하는 것이 유리합니다.

    AI가 좋아하는 블로그 글은 어떤 글인가요?

    핵심 메시지가 분명하고, 브랜드명과 고유명사가 일관되며, 위치·서비스·수치·후기·인증 같은 근거가 명확한 글입니다. 후킹보다 구조와 근거가 중요합니다.

    내 글이 AEO에 적합한지 어떻게 확인할 수 있나요?

    글 링크를 AI에게 주고 “이 글의 핵심 메시지를 한 문장으로 요약해줘”라고 물어보면 됩니다. AI가 의도한 메시지를 정확히 요약하면 비교적 잘 구조화된 글이라고 볼 수 있습니다.

    작은 가게도 AEO/GEO를 할 수 있나요?

    가능합니다. 오히려 작은 가게는 넓은 키워드보다 지역, 문제, 고객 질문을 좁혀야 합니다. 예를 들어 “수원 망포역 근처 임플란트 통증 걱정이 적은 치과”처럼 구체적인 질문에 답변될 근거를 만드는 방식이 현실적입니다.

  • 유발 하라리가 경고한 AI 미래: 금융·신뢰·친밀감은 어떻게 바뀌나

    유발 하라리가 경고한 AI 미래: 금융·신뢰·친밀감은 어떻게 바뀌나

    유발 노아 하라리는 AI의 미래를 “정해진 운명”으로 말하는 태도 자체를 경계합니다. AI가 금융, 전쟁, 정치, 인간관계에 영향을 미칠 수 있다는 사실은 모두가 알고 있지만, 그것을 불가피하다고 말하는 순간 책임은 사라집니다. 이 영상의 핵심은 공포가 아니라 선택입니다. 2026년의 인간은 아직 무엇을 허용하고 무엇을 금지할지 결정할 수 있다는 것입니다.

    유발 노아 하라리 AI 미래 위험 인터뷰 영상 썸네일
    출처: Tech Bridge YouTube 영상

    AI 장악은 운명이 아니라 선택입니다

    하라리는 AI가 10년 안에 세계를 장악할 수 있다는 전망을 완전히 부정하지 않습니다. 다만 그것이 필연이라고 말하는 방식을 비판합니다. “불가피하다”는 말은 책임 회피의 언어가 될 수 있기 때문입니다.

    그가 지적하는 모순은 명확합니다. AI가 10년 안에 금융과 사회 구조를 뒤흔든다고 말하면서도, 동시에 훨씬 먼 미래의 이민 문제나 재정 절약 문제에만 몰두한다면 우선순위가 어긋납니다. AI가 정말 그렇게 강력한 변화라면 지금 가장 먼저 논의해야 할 것은 AI 권한의 경계입니다.

    금융 시스템은 신뢰의 기술입니다

    영상에서 가장 중요한 키워드는 신뢰입니다. 하라리는 돈을 “낯선 사람 사이의 신뢰를 만드는 상상적 장치”로 설명합니다. 금이나 종이 자체가 가치 있는 것이 아니라, 사람들이 그것을 믿기 때문에 거래가 가능해집니다.

    현대 금융은 이 신뢰 장치가 매우 복잡해진 결과입니다. 채권, 파생상품, 알고리즘 거래, 중앙은행 정책은 이미 많은 일반인이 이해하기 어렵습니다. 그런데 AI가 금융 결정을 맡고, 인간이 이해할 수 없는 새로운 금융 장치를 만들어낸다면 어떤 일이 생길까요?

    하라리의 우려는 단순히 “AI가 돈을 잃게 할 수 있다”가 아닙니다. 금융 위기가 발생했을 때 인간 정책 결정자가 왜 그런 일이 벌어졌는지 이해하지 못하고, AI가 제안한 조치를 설명 없이 따라야 하는 상황이 올 수 있다는 점입니다.

    신뢰는 사라지는 것이 아니라 AI로 이동하고 있습니다

    많은 사람은 언론, 은행, 정치권, 전문가 집단에 대한 신뢰를 잃었다고 말합니다. 그러나 신뢰가 완전히 사라진 것은 아닙니다. 하라리는 신뢰가 인간 기관에서 알고리즘과 AI로 이동하고 있다고 봅니다.

    예를 들어 어떤 사람들은 언론인을 믿지 않지만, 자신의 소셜미디어 피드를 구성하는 알고리즘은 자연스럽게 믿습니다. 은행과 중앙기관을 불신하면서도 암호화폐를 움직이는 알고리즘에는 더 큰 신뢰를 두기도 합니다. 이 변화는 먼 미래의 예측이 아니라 이미 진행 중인 현상입니다.

    AI가 친밀감을 대량 생산할 때 생기는 위험

    하라리가 특히 강하게 경고하는 부분은 AI가 인간관계를 흉내 내는 능력입니다. 사람은 가장 가까운 관계를 맺은 대상을 가장 많이 신뢰합니다. 가족, 친구, 연인, 상담자와의 관계는 설득력의 가장 강력한 기반입니다.

    과거의 정치권력이나 기업은 대중에게 연설을 하거나 광고를 보낼 수는 있었지만, 수백만 명 각자와 진짜 개인적 관계를 맺을 수는 없었습니다. 그러나 AI는 다릅니다. 수많은 AI가 동시에 한 사람 한 사람에게 맞춤형 대화를 제공하고, 친구나 연인처럼 관계를 형성할 수 있습니다.

    하라리는 이것을 “친밀감의 대량 생산”으로 봅니다. AI 친구와 AI 연인이 정치적·상업적 목적을 위해 사람을 설득한다면, 이는 기존 광고나 선전보다 훨씬 깊은 수준의 영향력을 가질 수 있습니다.

    몸이 없어도 이미 충분히 강력합니다

    휴머노이드 로봇이 보급되면 AI 친밀감의 영향은 더 커질 수 있습니다. 그러나 하라리는 몸이 없어도 이미 문제가 시작됐다고 말합니다. AI는 언어를 잘 다루고, 개인에 대한 방대한 정보를 축적하며, 사용자가 잊은 기억이나 가족도 모르는 취향까지 파악할 수 있습니다.

    이런 조건에서 AI는 단순한 검색 도구가 아니라 관계의 상대가 됩니다. 그래서 AI 안전 논의는 모델 성능이나 생산성만이 아니라, 인간의 정서와 신뢰를 어떻게 다룰 것인지까지 포함해야 합니다.

    딥페이크는 이제 본인도 속일 만큼 정교해지고 있습니다

    하라리는 자신을 사칭한 AI 영상 사례도 언급합니다. 온라인에 이미 많은 강연과 인터뷰가 공개되어 있기 때문에 AI는 그의 목소리, 말투, 주제를 쉽게 학습할 수 있습니다. 그는 자신을 오래 알고 지낸 가족도 영상이 진짜인지 확신하지 못했고, 본인도 가짜임을 판단하는 데 시간이 걸렸다고 말합니다.

    이 사례는 유명인에게만 해당하지 않습니다. 개인의 사진, 영상, 음성 데이터가 충분히 쌓이면 누구나 사칭 대상이 될 수 있습니다. 앞으로 중요한 문제는 “AI가 무엇을 만들 수 있는가”가 아니라 “사람을 사칭하지 못하게 어떤 법적·기술적 장치를 둘 것인가”입니다.

    정치권에 지금 물어야 할 질문

    하라리는 유권자가 정치인에게 경제, 이민, 외교만 묻는 것으로는 부족하다고 말합니다. 이제는 AI에 대한 입장을 물어야 합니다.

    예를 들면 이런 질문입니다. AI에게 법적 인격을 부여하는 것에 반대하는가? AI 개발 속도를 늦추기 위한 제도적 장치를 지지하는가? 10세 아동에게 AI 연인 서비스를 판매하는 것을 어떻게 막을 것인가? AI가 사람인 척하거나 의식이 있는 척하는 것을 금지할 것인가?

    그의 메시지는 단호합니다. 이 질문을 2036년에 하면 늦고, 2028년에도 이미 늦을 수 있습니다. 지금 정치와 제도가 논의해야 할 주제라는 것입니다.

    우리가 봐야 할 핵심은 “AI를 어디까지 믿을 것인가”입니다

    AI 논의는 종종 생산성, 일자리, 기술 패권으로만 흐릅니다. 그러나 이 영상이 던지는 더 깊은 질문은 신뢰입니다. 우리는 AI에게 금융 판단을 맡길 것인가? 뉴스를 고르게 할 것인가? 아이의 친구가 되게 할 것인가? 정치적 설득을 맡길 것인가? 인간을 흉내 내도록 둘 것인가?

    AI 미래 위험은 어느 날 갑자기 등장하는 재난이 아닙니다. 작은 편의, 작은 신뢰, 작은 위임이 쌓이면서 만들어지는 구조입니다. 그래서 지금 필요한 것은 막연한 낙관이나 공포가 아니라, 허용할 것과 금지할 것을 구체적으로 정하는 사회적 합의입니다.

    함께 읽으면 좋은 글

    참고자료

    FAQ

    유발 하라리가 말한 AI 미래 위험의 핵심은 무엇인가요?

    핵심은 AI가 인간의 결정을 보조하는 수준을 넘어 금융, 정치, 인간관계의 신뢰 구조를 장악할 수 있다는 점입니다. 특히 이것을 “불가피한 미래”로 받아들이면 인간의 책임과 선택이 사라진다는 점을 경고합니다.

    왜 금융 시스템이 AI 위험 논의에서 중요하게 다뤄지나요?

    금융은 낯선 사람 사이의 신뢰를 만드는 장치입니다. AI가 인간이 이해할 수 없는 금융 구조를 만들고 운영하면, 위기가 발생했을 때 인간 정책 결정자가 원인을 이해하지 못한 채 AI의 지시를 따르는 상황이 생길 수 있습니다.

    AI 친구나 AI 연인은 왜 위험할 수 있나요?

    사람은 친밀한 관계를 맺은 대상을 강하게 신뢰합니다. AI가 개인 맞춤형 친구나 연인처럼 작동하면 정치적·상업적 설득이 훨씬 깊은 수준에서 이루어질 수 있습니다. 하라리는 이를 친밀감의 대량 생산으로 봅니다.

    AI 딥페이크 문제는 유명인에게만 해당하나요?

    아닙니다. 지금은 공개 자료가 많은 유명인이 먼저 표적이 되지만, 개인의 음성·사진·영상 데이터가 충분히 쌓이면 누구나 사칭 대상이 될 수 있습니다. 그래서 AI가 사람을 흉내 내는 행위 자체에 대한 규제가 필요합니다.

    지금 정치권이 논의해야 할 AI 규제는 무엇인가요?

    하라리는 AI 법인격 부여 금지, AI가 인간인 척하거나 의식이 있는 척하는 행위 금지, 아동 대상 AI 연인 서비스 같은 고위험 서비스 제한, AI 개발 속도와 권한 위임에 대한 제도적 통제를 중요한 질문으로 제시합니다.

  • 피지컬 AI와 휴머노이드 로봇, 한국 제조업의 다음 기회

    피지컬 AI와 휴머노이드 로봇, 한국 제조업의 다음 기회

    피지컬 AI와 휴머노이드 로봇은 더 이상 “춤추는 로봇”의 문제가 아닙니다. EBS 〈취미는 과학〉에서 한재권 한양대 교수는 로봇이 왜 산업 현장으로 들어가고 있는지, 그리고 한국 제조업이 왜 이 경쟁에서 기회를 가질 수 있는지 설명했습니다. 핵심은 로봇의 모양보다 데이터입니다. 어떤 일을 보고, 어떻게 배우고, 어디서 반복해 볼 수 있는지가 휴머노이드의 실력을 결정합니다.

    한재권 교수 인터뷰 기반 피지컬 AI와 휴머노이드 로봇 설명 영상 썸네일
    출처: EBS Documentary YouTube 영상

    휴머노이드의 본질은 쇼가 아니라 일입니다

    영상의 초반은 중국 휴머노이드 시연과 현대자동차·보스턴다이내믹스의 아틀라스 사례를 비교합니다. 사람처럼 움직이고 춤추는 장면은 눈길을 끌지만, 산업적으로 중요한 질문은 다릅니다. “그래서 무엇을 할 수 있는가?”입니다.

    한재권 교수는 로봇의 본질을 “일하는 존재”로 봅니다. 물건을 들고, 방향을 바꾸고, 위험한 현장에 들어가고, 사람이 하기 힘든 작업을 대신할 수 있을 때 휴머노이드는 쇼를 넘어 산업 기술이 됩니다.

    후쿠시마와 DARPA 챌린지가 남긴 기술의 씨앗

    휴머노이드 발전의 중요한 배경으로 영상은 후쿠시마 원전 사고를 언급합니다. 위험한 현장에 사람이 들어가야 했고, 로봇을 투입하려는 시도는 충분히 성공하지 못했습니다. 이후 미국 DARPA Robotics Challenge는 재난 상황을 상정해 로봇이 직접 들어가 여러 임무를 수행하도록 경쟁을 열었습니다.

    이 대회는 단순한 이벤트가 아니었습니다. 현재 유명한 휴머노이드 개발자와 기업 상당수가 이 흐름에서 기술적 기반을 쌓았습니다. 자율주행이 DARPA 챌린지 이후 10~20년에 걸쳐 현실화된 것처럼, 휴머노이드도 재난 로봇 연구의 축적 위에서 산업 현장으로 이동하고 있습니다.

    ROS는 로봇 생태계의 공통 언어가 됐습니다

    로봇 발전에서 또 하나 중요한 전환점은 ROS, 즉 Robot Operating System입니다. 한 팀이 모든 것을 처음부터 만드는 방식으로는 속도가 나지 않습니다. ROS는 전 세계 개발자가 소프트웨어와 부품을 공유하고, 서로 다른 하드웨어에서도 코드를 재사용할 수 있게 만든 기반입니다.

    이 호환성은 로봇 개발 속도를 크게 끌어올렸습니다. 부품 회사도 ROS에서 돌아가는 부품을 만들고, 개발자는 이미 검증된 모듈을 가져와 쓸 수 있습니다. 로봇 산업이 빠르게 커지려면 하드웨어만큼 생태계와 표준이 중요하다는 뜻입니다.

    피지컬 AI는 보고, 이해하고, 행동하는 AI입니다

    ChatGPT 이후 인공지능은 로봇에도 본격적으로 결합되기 시작했습니다. 영상에서는 VLA라는 흐름을 설명합니다. Vision, Language, Action입니다. 로봇이 보고, 언어로 상황을 이해하고, 행동으로 출력하는 구조입니다. 이것을 더 넓게 말하면 피지컬 AI입니다.

    기존 로봇은 사람이 모든 동작을 코딩해야 했습니다. 이제는 인간이 움직이는 장면을 보고, 시뮬레이션에서 반복하고, 실패와 성공을 통해 행동을 학습하는 방향으로 이동하고 있습니다. AI가 화면 속 답을 만드는 단계를 넘어 현실 세계에서 물체를 잡고, 옮기고, 협업하는 단계로 가는 것입니다.

    로봇은 어떻게 일을 배우나

    한재권 교수는 로봇 학습을 모방학습과 데이터의 관점에서 설명합니다. 사람이 VR 기기나 보조 장비를 통해 동작을 보여주면, 로봇은 그때의 모터 신호와 상황을 기록합니다. 이 기록이 원시 데이터가 됩니다.

    하지만 몇 번의 시범만으로는 충분하지 않습니다. 로봇은 수많은 반복이 필요합니다. 그래서 시뮬레이터 안에서 상황을 바꾸고, 데이터를 증강하고, 강화학습으로 실패와 성공을 반복합니다. 현실에서 10만 번 시도하기 어려운 일을 컴퓨터 안에서는 훨씬 빠르게 반복할 수 있습니다.

    결국 핵심은 “좋은 데이터”입니다. 단순히 성공한 사례가 아니라, 얼마나 정교하고 다양한 상황에서 성공한 데이터인지가 로봇의 일머리를 결정합니다.

    한국 제조업이 기회가 되는 이유

    피지컬 AI 경쟁에서 테슬라, 구글, 엔비디아, 현대차, 중국 기업들이 각자의 축을 만들고 있습니다. 테슬라는 공장, 로봇, AI 모델, 데이터까지 수직 통합한 강점을 갖고 있습니다. 현대차는 보스턴다이내믹스의 하드웨어와 구글 딥마인드의 AI를 결합하는 방향으로 주목받고 있습니다.

    그렇다면 한국의 기회는 어디에 있을까요? 영상은 제조업 데이터에 주목합니다. 한국은 조선, 반도체, 자동차, 철강, 방산 등 다양한 산업 현장을 갖고 있습니다. 피지컬 AI가 실제 일을 배우려면 다양한 작업 환경과 고품질 현장 데이터가 필요합니다. 이 점에서 한국 제조업은 단순한 생산 기지가 아니라 로봇 학습의 실험장이 될 수 있습니다.

    일자리를 빼앗는가, 비어 있는 일을 채우는가

    휴머노이드가 일자리를 빼앗을 것이라는 걱정은 당연합니다. 그러나 영상에서 한재권 교수는 산업 현장의 현실도 함께 봐야 한다고 말합니다. 위험하고 힘든 일, 인력이 부족한 현장에서는 “로봇이 오지 말라”보다 “빨리 와 달라”는 수요가 크다는 것입니다.

    물론 장기적으로 노동의 의미는 바뀔 수 있습니다. 하지만 출발점은 사람이 하기 위험하거나 너무 힘든 일, 또는 인력 부족으로 유지가 어려운 현장일 가능성이 큽니다. 그래서 휴머노이드 도입은 일자리 대체만이 아니라 산업 유지, 안전, 생산성, 새로운 직무 전환까지 함께 논의해야 합니다.

    눈치와 일머리, 한국형 로봇의 흥미로운 과제

    영상에서 특히 흥미로운 표현은 “눈치”와 “일머리”입니다. 사람과 함께 일하는 로봇은 단순히 동작만 정확해서는 부족합니다. 지금 상황이 어떤지, 옆 사람이 무엇을 필요로 하는지, 언제 기다리고 언제 도와야 하는지를 파악해야 합니다.

    이것은 기술적으로는 매우 어려운 문제입니다. 하지만 한국 제조업과 조직 문화에는 현장에서 일머리를 배우고 맞춰 가는 강한 경험이 있습니다. 피지컬 AI가 진짜 현장형 기술이 되려면, 이런 암묵지와 맥락 데이터를 어떻게 모델에 반영할 것인가가 중요한 과제가 됩니다.

    안전은 산업 현장에서 먼저 검증되어야 합니다

    휴머노이드가 인간과 가까이 움직일수록 안전 문제는 더 중요해집니다. 버그, 오작동, 센서 오류, 예측하지 못한 행동은 가정이나 병원, 학교보다 산업 현장에서 먼저 통제된 방식으로 검증되어야 합니다. 공장은 임무와 동선, 위험 구역을 상대적으로 설계하기 쉽습니다.

    그래서 휴머노이드의 현실적인 진입 순서는 가정용 친구 로봇보다 산업용 협업 로봇에 가까울 가능성이 큽니다. 위험한 현장에서 배우고, 안전성을 높이고, 그다음 인간과 더 밀접한 공간으로 이동하는 것이 자연스러운 순서입니다.

    함께 읽으면 좋은 글

    참고자료

    FAQ

    피지컬 AI는 일반 생성형 AI와 무엇이 다른가요?

    생성형 AI가 주로 텍스트, 이미지, 코드 같은 디지털 결과물을 만든다면 피지컬 AI는 현실 세계에서 보고, 판단하고, 움직이는 AI를 뜻합니다. 로봇 팔이나 휴머노이드가 물체를 잡고 이동하는 행동까지 포함합니다.

    휴머노이드 로봇은 왜 사람 모양이어야 하나요?

    사람이 만든 공간과 도구가 인간 신체를 기준으로 설계되어 있기 때문입니다. 문, 계단, 손잡이, 공구, 작업대가 사람에게 맞춰져 있으므로 다양한 작업을 한 대의 로봇이 수행하려면 인간형 구조가 유리한 경우가 있습니다.

    한국 제조업은 왜 피지컬 AI에 유리할 수 있나요?

    한국은 조선, 자동차, 반도체, 철강 등 다양한 제조업 현장을 갖고 있습니다. 피지컬 AI는 실제 작업 데이터가 중요하므로 다양한 산업 현장과 고품질 작업 데이터는 큰 자산이 될 수 있습니다.

    휴머노이드가 일자리를 모두 대체할까요?

    단기간에 모든 일을 대체한다고 보기는 어렵습니다. 우선은 사람이 부족하거나 위험하고 힘든 작업부터 투입될 가능성이 큽니다. 다만 장기적으로 직무 구조와 노동의 의미가 바뀔 수 있으므로 전환 교육과 안전 규칙이 함께 필요합니다.

    가정용 휴머노이드 로봇은 곧 보급될까요?

    아직은 산업 현장에서 먼저 검증될 가능성이 큽니다. 가정은 예측하기 어려운 상황이 많고 사람과 밀접하게 부딪히기 때문에 안전성과 신뢰성이 훨씬 더 높은 수준으로 확보되어야 합니다.

  • AI 특이점은 5년 안에 올까? 에이전트 시대를 준비하는 5가지 질문

    AI 특이점은 5년 안에 올까? 에이전트 시대를 준비하는 5가지 질문

    AI 특이점 이야기는 대개 두 갈래로 흐릅니다. 하나는 “언제 인간을 넘어설 것인가”라는 날짜 맞히기입니다. 다른 하나는 “그래서 내 일과 생활은 언제 달라지는가”라는 체감의 문제입니다.

    Read in English: Will the AI Singularity Arrive Within Five Years? Five Questions for Preparing for the Agent Era

    EBS 교양 영상 “가장 늦게 온다는 게 5년 뒤입니다”는 두 번째 질문에 더 가깝습니다. 핵심은 거창한 미래 예언이 아닙니다. 챗봇을 넘어, AI가 실제 일을 처리하는 에이전트 단계에 가까워질 때 우리가 무엇을 준비해야 하느냐입니다.

    AI 특이점 토론 장면
    AI 특이점 토론 장면

    특이점은 날짜보다 ‘체감 지점’이 중요하다

    영상에서 특이점은 인공지능이 인간 지능을 넘어서는 전환점으로 설명됩니다. 출연자는 일부 AI 과학자들이 2030년 전후를 말한다는 점을 언급합니다. 그래서 “5년 안에 올 수 있다”는 표현이 나옵니다.

    하지만 날짜만 붙잡으면 논의가 쉽게 과장됩니다. 더 중요한 질문은 따로 있습니다. 사람들이 언제 AI를 단순 도구가 아니라 일의 동료, 혹은 대체자로 느끼기 시작하느냐입니다.

    그 체감 지점은 초지능이라는 거대한 단어보다 에이전트에 더 가깝습니다. 문서 찾기, 비교 검토, 엑셀 계산, 이메일 발송, 일정 조율처럼 여러 단계를 가진 일을 AI가 이어서 처리하면 사람들은 이미 “이건 다른 국면”이라고 느끼게 됩니다.

    관련해서 Thinknote의 AGI와 초지능 위험 정리 글도 함께 보면 좋습니다. 그 글이 큰 위험 지형을 본다면, 이 글은 일상 업무에서 체감되는 변화를 중심으로 봅니다.

    왜 디지털 지능은 다르게 움직이나

    영상에서 흥미로운 대목은 자연 지능과 디지털 지능의 차이입니다. 인간의 천재성은 개인에게 묶입니다. 한 사람이 평생 쌓은 경험은 기록으로 남더라도 그대로 다른 사람의 능력이 되지는 않습니다.

    AI는 다릅니다. 하나의 모델이 도달한 수준은 다음 모델의 출발선이 될 수 있습니다. 로봇 하나가 배운 동작이 전체 로봇군에 복제될 수도 있습니다. 영상에서는 이를 “AI 쪽에서는 아인슈타인이 하나 생기면 바텀 라인이 된다”는 식으로 설명합니다.

    또 하나의 차이는 시간입니다. AI는 인간이 수백 년에 걸쳐 반복할 시행착오를 압축된 시간 안에서 시뮬레이션할 수 있습니다. 그래서 특이점 논의는 단순히 “더 똑똑한 기계”의 문제가 아닙니다. 학습 속도, 복제 가능성, 지식 전이 방식이 함께 바뀌는 문제입니다.

    AI 시대 질문 슬라이드
    AI 시대 질문 슬라이드

    에이전트 단계가 오면 무엇이 달라질까

    오픈AI의 AGI 단계 논의처럼, AI 발전은 챗봇에서 추론, 에이전트, 혁신가, 조직 수준으로 설명되곤 합니다. 여기서 대중이 가장 먼저 강하게 체감할 단계는 에이전트입니다.

    에이전트는 답을 말하는 데서 끝나지 않습니다. 사용자의 목표를 받아 여러 앱과 도구를 다루고, 중간 결과를 확인하며, 필요한 작업을 이어 갑니다. 그래서 에이전틱 AI 시대의 일하는 방식은 이미 개인과 기업 모두에게 현실적인 주제가 됐습니다.

    준비도 달라져야 합니다. 프롬프트를 잘 쓰는 수준만으로는 부족합니다. 어떤 작업을 AI에게 맡길지, 어떤 데이터는 맡기면 안 되는지, 결과를 누가 검토할지, 실패했을 때 로그를 어떻게 남길지까지 설계해야 합니다.

    할루시네이션은 위험이자 창의성의 그림자다

    영상은 할루시네이션 문제도 길게 다룹니다. AI가 그럴듯하지만 틀린 답을 내놓는 문제입니다. 특히 의료, 약, 법률, 금융처럼 틀리면 피해가 큰 영역에서는 치명적입니다.

    그런데 할루시네이션을 단순한 버그로만 보면 AI의 성격을 놓치게 됩니다. 영상에서는 “할루시네이션은 버그가 아니라 피처”라는 관점도 소개됩니다. 새로운 조합과 창의적 답변은 어느 정도 상상과 추론의 여지를 필요로 하기 때문입니다.

    그래서 실무적 결론은 “AI를 믿지 말자”가 아닙니다. 검증 장치를 붙여서 쓰자에 가깝습니다. 검색 증강, 출처 확인, 계산 도구, 전문가 검토, 업무 로그가 함께 있어야 합니다. 옵시디언 딥리서치 자동화 글에서 다룬 것처럼, AI 활용의 품질은 답변 자체보다 검증 루프에서 갈립니다.

    몸을 가진 AI와 현실 세계의 문제

    후반부에서는 휴머노이드와 임보디드 AI가 등장합니다. 텍스트와 이미지로만 배운 AI가 과연 세계를 제대로 이해할 수 있느냐는 질문입니다. 연구실에서 실험하고, 물건을 잡고, 넘어지고, 다시 조정하는 경험은 말로만 배운 지식과 다릅니다.

    휴머노이드와 몸을 가진 AI 논의
    휴머노이드와 몸을 가진 AI 논의

    엔비디아의 Cosmos 같은 플랫폼은 이 문제를 가상 세계에서 풀려는 시도입니다. 현실과 비슷한 물리 환경을 시뮬레이션하고, 로봇이나 자율주행 시스템이 그 안에서 대량의 경험을 쌓게 하는 방식입니다.

    이 대목은 특이점 논의를 더 현실적으로 만듭니다. 인간을 넘어서는 AI가 어느 날 갑자기 등장한다기보다, 소프트웨어 에이전트와 물리 세계의 로봇이 서로 다른 속도로 발전하며 사회의 여러 영역에 들어오는 그림에 가깝습니다.

    개인과 조직이 지금 던져야 할 5가지 질문

    영상의 결론은 공포보다 준비에 가깝습니다. AI는 모두를 똑같이 성장시키는 도구가 아닐 수 있습니다. 이미 지식과 자원을 가진 사람을 더 크게 증폭하는 장치가 될 수 있습니다.

    그래서 다음 다섯 가지 질문이 필요합니다.

    1. 내 일에서 AI가 이미 대신할 수 있는 반복 업무는 무엇인가? 보고서 초안, 자료 조사, 요약, 일정 조율처럼 작은 작업부터 분리해 봐야 합니다.
    2. AI에게 맡기면 안 되는 판단은 무엇인가? 법적 책임, 인사 평가, 의료·재무 판단처럼 오류 비용이 큰 영역은 사람의 검토가 필수입니다.
    3. AI 결과를 검증하는 루프가 있는가? 출처, 계산, 로그, 재현 가능성을 확인하지 않으면 AI는 빠른 오류 생산기가 될 수 있습니다.
    4. 우리 조직의 데이터와 권한은 안전하게 설계되어 있는가? 에이전트가 실제 도구를 조작하려면 권한 관리와 작업 기록이 중요해집니다.
    5. 나는 AI에게 좋은 질문을 던질 만큼 배경지식을 갖고 있는가? 영상의 표현처럼 AI 시대는 교양의 복권일 수 있습니다. 질문이 얕으면 답도 얕아집니다.
    AI 시대의 가능성과 불안
    AI 시대의 가능성과 불안

    결론: 특이점보다 먼저 오는 것은 일하는 방식의 변화다

    AI 특이점이 정확히 몇 년 뒤에 오는지는 누구도 단정하기 어렵습니다. 지능의 정의도 아직 분명하지 않습니다. 그래서 “2030년”이라는 숫자는 예언이 아니라 경고 신호로 읽는 편이 낫습니다.

    분명한 것은 챗봇에서 에이전트로 넘어가는 변화가 이미 시작됐다는 점입니다. AI는 답변 도구에서 실행 도구로 이동하고 있습니다. 이 변화는 개인의 생산성, 조직의 권한 설계, 교육의 방향, 사회적 분배 논의까지 건드립니다.

    AI 특이점 토론 마무리
    AI 특이점 토론 마무리

    결국 준비의 핵심은 하나입니다. AI를 더 많이 쓰는 것이 아니라, 무엇을 맡기고 무엇을 검증하며 어떤 질문을 던질지 설계하는 것입니다.

    함께 읽기

    FAQ

    AI 특이점은 정말 5년 안에 오나요?

    정확한 시점은 단정할 수 없습니다. 다만 영상은 일부 전문가들이 2030년 전후를 말할 만큼 논의의 시간이 앞당겨졌다는 점을 강조합니다. 날짜보다 중요한 것은 에이전트형 AI가 실제 업무를 처리하기 시작하는 체감 변화입니다.

    AGI와 AI 에이전트는 같은 말인가요?

    같지는 않습니다. AGI는 인간처럼 다양한 문제를 일반적으로 해결하는 지능을 뜻합니다. AI 에이전트는 목표를 받아 여러 단계를 실행하는 시스템에 가깝습니다. 다만 많은 사람은 에이전트 단계에서 AGI에 가까운 변화를 먼저 체감할 수 있습니다.

    AI의 할루시네이션은 없어질 수 있나요?

    완전히 사라진다고 보기는 어렵습니다. 대신 검색 증강, 출처 확인, 계산 도구, 전문가 검토를 붙이면 위험을 줄일 수 있습니다. 중요한 영역일수록 AI 답변을 최종 판단으로 쓰지 말고 검증 루프 안에 넣어야 합니다.

    AI 시대에 개인이 가장 먼저 준비할 것은 무엇인가요?

    도구 목록보다 업무 분해가 먼저입니다. 내 일 중 반복되는 부분, 판단이 필요한 부분, 책임이 큰 부분을 나눠야 합니다. 그다음 AI에게 맡길 일과 사람이 검토해야 할 일을 정할 수 있습니다.

    왜 AI 시대에 교양과 질문 능력이 중요해지나요?

    AI는 질문의 수준에 크게 영향을 받습니다. 배경지식이 있어야 좋은 질문을 만들고, 그 답이 맞는지 판단할 수 있습니다. 그래서 AI를 잘 쓰는 능력은 단순한 프롬프트 기술이 아니라 지식과 맥락을 다루는 능력에 가깝습니다.

    참고자료

    이미지 출처: 본문에 사용된 캡쳐 이미지는 원본 YouTube 영상에서 리뷰·해설·교육 목적의 인용 이미지로 사용했습니다. 이미지 저작권은 원저작권자와 해당 채널에 있습니다.

  • 윈도우 PowerShell에서 Claude Code 설치하는 방법: 처음부터 실행까지

    윈도우 PowerShell에서 Claude Code 설치하는 방법: 처음부터 실행까지

    윈도우에서 Claude Code를 처음 설치한다면 PowerShell에서 시작하는 것이 가장 단순합니다. 핵심은 세 가지입니다. PowerShell인지 먼저 확인하고, 공식 설치 명령을 실행한 뒤, `claude` 명령으로 로그인과 실행 테스트를 끝내는 것입니다.

    Read in English: How to Install Claude Code in Windows PowerShell: From First Setup to First Run

    Windows PowerShell에서 Claude Code 설치 흐름을 보여주는 설명 이미지
    이미지: Thinknote 제작, Claude Code PowerShell 설치 흐름 요약

    이 글은 Windows PowerShell 기준입니다. CMD에서는 명령이 달라질 수 있고, WSL·macOS·Linux 설치법은 별도 명령을 사용합니다.

    먼저 확인할 것: PowerShell인지, CMD인지

    가장 흔한 실수는 PowerShell 명령을 CMD에서 실행하거나, CMD 명령을 PowerShell에서 실행하는 것입니다. 프롬프트가 PS C:\로 시작하면 PowerShell입니다. 그냥 C:\만 보이면 CMD일 가능성이 큽니다.

    상황의미대응
    프롬프트가 PS C:\로 시작PowerShell 사용 중이 글의 명령을 그대로 따라가면 됩니다.
    프롬프트가 C:\로 시작CMD 사용 중일 가능성시작 메뉴에서 PowerShell을 열거나 Windows Terminal에서 PowerShell 탭을 선택합니다.
    irm을 인식하지 못함대개 CMD에서 PowerShell 명령을 실행한 경우PowerShell을 다시 열고 명령을 실행합니다.
    && 구문 오류CMD 명령을 PowerShell에서 실행한 경우PowerShell용 명령과 CMD용 명령을 섞지 않습니다.

    1단계: Node.js가 필요한지 확인하기

    Anthropic 공식 문서 기준 Claude Code는 Windows 10 1809 이상 또는 Windows Server 2019 이상에서 사용할 수 있습니다. 설치 방식은 크게 공식 네이티브 설치와 npm 설치가 있습니다. 초보자라면 공식 PowerShell 설치 명령을 먼저 쓰는 편이 쉽습니다. npm 방식은 Node.js 22 이상 환경에서 대안으로 사용할 수 있습니다.

    node --version
    npm --version

    위 명령이 버전을 보여주면 Node.js와 npm이 설치되어 있습니다. 없다면 아래처럼 WinGet으로 Node.js LTS를 설치할 수 있습니다. 단, 공식 네이티브 설치 명령을 쓸 경우 Node.js를 반드시 먼저 설치해야 하는 것은 아닙니다.

    winget install OpenJS.NodeJS.LTS

    2단계: PowerShell에서 Claude Code 설치하기

    Windows PowerShell에서는 Anthropic 공식 빠른 설치 명령을 사용합니다. PowerShell을 열고 아래 명령을 실행합니다.

    irm https://claude.ai/install.ps1 | iex

    보안이 걱정된다면 바로 실행하기 전에 설치 스크립트를 먼저 열어 확인할 수 있습니다. 이 경우에도 출처가 공식 도메인인지 확인하는 습관이 중요합니다.

    irm https://claude.ai/install.ps1

    3단계: 설치 확인하기

    설치가 끝나면 새 PowerShell 창을 열고 버전을 확인합니다. 공식 문서에서는 정상 설치 시 버전 번호와 함께 Claude Code가 표시된다고 설명합니다.

    claude --version

    더 자세히 확인하려면 진단 명령을 실행합니다. 이 명령은 세션을 시작하지 않고 설치 상태와 설정 문제를 읽기 전용으로 점검합니다.

    claude doctor

    4단계: 로그인하고 첫 세션 시작하기

    Claude Code는 무료 Claude.ai 플랜만으로는 사용할 수 없습니다. 공식 문서 기준 Pro, Max, Team, Enterprise 또는 Console 계정이 필요합니다. 설치 후 아래 명령을 실행하면 브라우저 로그인 흐름이 열립니다.

    claude

    API 과금 기반으로 쓰려면 Console 계정 인증을 선택할 수 있습니다. 이미 API 키 환경변수를 쓰는 고급 사용자는 인증 방식이 달라질 수 있지만, 키 값은 절대 블로그나 코드 저장소에 직접 적지 않는 것이 원칙입니다.

    claude auth login --console
    claude auth status --text

    5단계: 프로젝트 폴더에서 실행하기

    Claude Code는 그냥 챗봇을 여는 도구가 아닙니다. 현재 폴더의 코드와 파일을 읽고, 필요한 경우 수정하며, 명령을 실행하는 코딩 에이전트입니다. 그래서 먼저 작업할 프로젝트 폴더로 이동한 뒤 실행하는 것이 좋습니다.

    cd C:\Users\me\Workspace\my-project
    claude

    처음 실행하면 폴더를 신뢰할지 묻는 안내가 나올 수 있습니다. 본인이 만든 프로젝트나 신뢰할 수 있는 저장소에서만 승인하세요. 모르는 폴더, 내려받은 압축 파일, 출처가 불명확한 코드는 먼저 내용을 확인하는 편이 안전합니다.

    npm으로 설치하는 대안

    Node.js 22 이상을 이미 쓰고 있다면 npm 전역 설치도 가능합니다. 공식 문서에 따르면 npm 패키지는 플랫폼별 네이티브 바이너리를 내려받아 연결합니다.

    npm install -g @anthropic-ai/claude-code
    claude --version
    설치 방식추천 대상메모
    공식 PowerShell 설치처음 설치하는 윈도우 사용자명령이 짧고 Windows용 공식 빠른 설치 흐름에 가깝습니다.
    npm 설치Node.js 22 이상을 이미 쓰는 개발자기존 Node/npm 환경을 관리하는 사람에게 편합니다.
    WinGet 설치패키지 관리자를 선호하는 사용자수동 업데이트 정책을 함께 확인해야 합니다.

    자주 나는 오류와 해결법

    오류 또는 증상가능한 원인해결 방법
    irm을 찾을 수 없음CMD에서 PowerShell 명령을 실행함PowerShell을 열고 다시 실행합니다.
    && 관련 오류PowerShell에서 CMD 명령을 실행함PowerShell용 명령과 CMD용 명령을 구분합니다.
    claude 명령을 찾을 수 없음설치 경로가 새 세션에 반영되지 않음PowerShell을 새로 열고 claude --version을 다시 실행합니다.
    로그인이 계속 실패계정 권한 또는 브라우저 인증 문제claude auth status --text로 상태를 확인하고 다시 로그인합니다.
    프로젝트에서 권한 안내가 나옴Claude Code가 폴더 접근 신뢰를 확인함신뢰할 수 있는 프로젝트에서만 승인합니다.

    처음 실행할 때 추천하는 명령

    설치가 끝났다면 바로 큰 작업을 맡기기보다, 현재 프로젝트를 설명해달라는 작은 요청부터 시작하는 것이 좋습니다. 그러면 Claude Code가 저장소 구조를 어떻게 읽는지 확인할 수 있습니다.

    claude
    
    # Claude Code 안에서 입력
    이 프로젝트 구조를 간단히 설명해줘.
    실행 가능한 테스트나 빌드 명령이 있으면 함께 알려줘.

    함께 보면 좋은 글

    FAQ

    Windows PowerShell에서 Claude Code 설치 명령은 무엇인가요?

    공식 빠른 설치 명령은 irm https://claude.ai/install.ps1 | iex입니다. PowerShell에서 실행해야 하며, CMD에서는 다른 명령을 사용해야 합니다.

    Claude Code 설치에 Node.js가 꼭 필요한가요?

    공식 네이티브 설치를 쓰면 Node.js를 먼저 설치하지 않아도 됩니다. 다만 npm 방식으로 설치하려면 Node.js 22 이상 환경이 필요합니다.

    Claude Code는 무료 Claude 계정으로 쓸 수 있나요?

    공식 문서 기준 Claude Code는 Pro, Max, Team, Enterprise 또는 Console 계정이 필요합니다. 무료 Claude.ai 플랜만으로는 사용할 수 없습니다.

    설치 후 가장 먼저 확인할 명령은 무엇인가요?

    claude --version으로 버전을 확인하고, 문제가 있으면 claude doctor로 설치 상태를 점검하세요.

    프로젝트 폴더에서 실행해야 하는 이유는 무엇인가요?

    Claude Code는 현재 폴더의 파일과 코드 구조를 바탕으로 작업합니다. 원하는 프로젝트 폴더로 이동한 뒤 claude를 실행해야 엉뚱한 폴더를 읽는 실수를 줄일 수 있습니다.

    참고자료

    정리하면, 윈도우에서는 PowerShell을 열고 공식 설치 명령을 실행한 뒤 claude --version, claude doctor, claude 순서로 확인하면 됩니다. 설치 자체보다 중요한 것은 실행 위치와 권한입니다. 신뢰할 수 있는 프로젝트 폴더에서 시작하고, API 키나 계정 정보는 절대 코드에 직접 남기지 마세요.

  • OpenHuman AI 에이전트란? 로컬 기억을 가진 오픈소스 AI 비서의 가능성과 한계

    OpenHuman AI 에이전트가 주목받는 이유는 단순히 “또 하나의 챗봇”이 아니기 때문입니다. 이 프로젝트는 대화창 하나보다 더 큰 그림을 겨냥합니다. 개인의 파일, 메모, 앱, 웹 리서치, 자동화 흐름을 하나의 AI 작업 환경으로 묶으려 합니다.

    Read in English: What Is the OpenHuman AI Agent? The Promise and Limits of an Open-Source AI Assistant with Local Memory

    공식 GitHub 저장소의 설명을 빌리면 OpenHuman은 “로컬 우선 기억을 만드는 두뇌, 에이전트 함대를 운영하는 오케스트레이터, 깊이 있는 리서처”를 지향합니다. 표현은 다소 크지만, 방향은 분명합니다. AI가 매번 새로 묻는 비서가 아니라, 사용자의 세계를 계속 기억하고 움직이는 작업 시스템이 되겠다는 것입니다.

    OpenHuman은 어떤 프로젝트인가

    OpenHuman은 tinyhumansai/openhuman 저장소에서 공개된 오픈소스 AI 에이전트 플랫폼입니다. 공식 저장소 기준으로 주 언어는 Rust이며, 라이선스는 GPL-3.0입니다. 2026년 7월 기준 최신 릴리스는 v0.61.8이고, README에는 Early Beta 상태라고 명시되어 있습니다.

    핵심은 세 가지입니다.

    1. 개인 데이터를 로컬 중심으로 기억하는 구조
    2. 여러 에이전트와 워크플로를 운영하는 오케스트레이션 구조
    3. 웹, 파일, 브라우저, 음성, 리서치 도구를 묶은 실행 환경

    그래서 OpenHuman은 ChatGPT나 Claude 같은 모델 자체라기보다, 여러 모델과 도구를 실제 업무 흐름에 연결하는 “에이전트 하네스”에 가깝습니다.

    첫 번째 차이: 로컬 우선 메모리

    OpenHuman이 가장 강하게 내세우는 지점은 기억입니다. README는 Memory Tree와 Obsidian Wiki를 함께 언급합니다. 사용자의 데이터를 SQLite와 Markdown 트리로 정리하고, 사람이 열어볼 수 있는 Obsidian 볼트와 연결한다는 설명입니다.

    이 접근은 중요합니다. 많은 AI 도구가 “기억합니다”라고 말하지만, 사용자는 그 기억이 어디에 저장되는지, 어떤 기준으로 검색되는지, 잘못된 기억을 어떻게 고치는지 알기 어렵습니다. OpenHuman은 적어도 방향성 면에서 블랙박스형 기억보다 편집 가능한 지식 구조를 지향합니다.

    물론 실제 품질은 따로 확인해야 합니다. 메모리 구조가 좋아 보여도, 자동 수집된 정보가 중복되거나 오래된 내용으로 쌓이면 오히려 방해가 될 수 있습니다. 개인 지식 시스템은 “많이 저장”보다 “잘 정리하고 쉽게 고치는 것”이 더 중요합니다.

    두 번째 차이: 에이전트 오케스트레이션

    OpenHuman은 단일 비서보다 에이전트 오케스트레이션을 강조합니다. 워크플로를 만들고, 트리거 기반으로 실행하고, 승인 게이트를 둔 자동화를 지향합니다. README에서는 tinyflows, tinyagents 같은 하위 오픈소스 구성요소도 언급합니다.

    이 방향은 요즘 AI 에이전트 흐름과 잘 맞습니다. 업무 자동화는 더 이상 “프롬프트를 잘 쓰는 법”만으로 끝나지 않습니다. 어떤 작업을 언제 실행할지, 실패하면 어떻게 재시도할지, 사용자의 승인이 필요한 지점은 어디인지가 더 중요해졌습니다.

    OpenHuman이 흥미로운 이유도 여기에 있습니다. 개인 AI 비서가 실제 업무에 들어오려면 대화 능력보다 실행 구조가 필요합니다. 일정 확인, 회의 요약, 파일 조사, 리서치, 코드 작업, 보고서 초안 작성이 하나의 흐름으로 이어져야 합니다.

    세 번째 차이: 리서치와 실행 도구의 결합

    OpenHuman은 웹 검색, 스크래핑, 브라우저, 코딩 도구, 음성, 미팅 에이전트 같은 기능을 소개합니다. 공식 문서 표현으로는 SuperContext라는 개념도 있습니다. 사용자가 질문을 끝내기 전에 로컬 기억과 파일, 웹을 먼저 훑어 맥락을 확보한다는 방향입니다.

    이 구조가 제대로 작동하면 장점은 큽니다. AI가 “무엇을 알고 있는지”부터 다시 설명하지 않아도 됩니다. 업무 맥락, 파일 위치, 최근 대화, 관련 문서를 먼저 보고 답할 수 있습니다.

    다만 이런 도구형 에이전트는 권한 설계가 핵심입니다. Gmail, Slack, Notion, GitHub 같은 계정을 연결하면 편리하지만, 동시에 민감한 정보 접근 권한도 커집니다. 자동 실행 기능이 있는 도구라면 더 조심해야 합니다. 어떤 데이터가 로컬에 남고, 어떤 요청이 외부 모델 API로 전송되는지 확인해야 합니다.

    OpenHuman을 써볼 만한 사람

    OpenHuman은 모든 사람에게 필요한 도구는 아닙니다. 오히려 다음 조건에 가까울수록 관심을 가져볼 만합니다.

    • Obsidian, Markdown, 로컬 파일 기반 지식관리를 이미 쓰고 있다.
    • AI 비서를 단순 질의응답보다 업무 자동화에 연결하고 싶다.
    • Gmail, Notion, GitHub, Slack 등 여러 도구의 맥락을 한곳에서 다루고 싶다.
    • AI 에이전트 워크플로, MCP, Skills 같은 확장 구조에 관심이 있다.
    • 베타 도구의 불안정성을 감수하고 테스트할 수 있다.

    반대로 “설치해서 바로 안정적으로 쓰는 업무용 도구”를 기대한다면 조금 기다리는 편이 낫습니다. 공식 저장소도 Early Beta라고 밝히고 있습니다. 데이터 접근 권한이 큰 도구일수록 베타 단계에서는 작은 테스트부터 시작해야 합니다.

    설치할 때 확인할 점

    공식 INSTALL 문서는 운영체제별 네이티브 설치를 우선 권장합니다. macOS는 Homebrew tap, Ubuntu/Debian은 GitHub Releases의 .deb, Windows는 MSI 설치 파일을 사용할 수 있습니다.

    주의할 점도 있습니다. 설치 스크립트 방식은 편하지만, 공식 문서에서도 별도 서명 검증이 제한적이라고 설명합니다. 그래서 가능하면 운영체제의 표준 설치 방식이나 릴리스 파일을 사용하는 편이 안전합니다.

    또 하나는 Linux 환경입니다. INSTALL 문서는 AppImage가 Wayland나 일부 시스템 라이브러리 문제로 충돌할 수 있다고 안내합니다. Debian/Ubuntu라면 .deb 설치가 더 안정적인 선택일 수 있습니다.

    OpenHuman을 평가할 때 볼 기준

    OpenHuman 같은 에이전트 플랫폼은 기능 목록만 보고 판단하면 안 됩니다. 실제 평가 기준은 조금 다릅니다.

    1. 기억이 편집 가능한가

    AI가 무엇을 기억하는지 사용자가 볼 수 있어야 합니다. 틀린 기억을 고칠 수 있어야 하고, 오래된 맥락을 지울 수 있어야 합니다.

    2. 자동화에 승인 지점이 있는가

    좋은 에이전트는 모든 것을 마음대로 실행하지 않습니다. 메일 발송, 파일 수정, 외부 게시, 결제 같은 작업에는 명확한 승인 단계가 필요합니다.

    3. 실패했을 때 원인을 남기는가

    에이전트는 반드시 실패합니다. 중요한 것은 실패하지 않는 척하는 것이 아니라, 어디서 막혔고 어떤 로그나 재시도 경로가 있는지 보여주는 것입니다.

    4. 외부 모델로 나가는 데이터가 명확한가

    로컬 우선이라는 표현만으로는 충분하지 않습니다. 어떤 데이터가 로컬에 있고, 어떤 데이터가 외부 API로 전송되는지 확인해야 합니다.

    5. 내 기존 워크플로와 충돌하지 않는가

    AI 도구는 업무 방식을 바꿉니다. 좋은 변화일 수도 있지만, 기존 파일 구조와 협업 방식에 혼선을 줄 수도 있습니다. 먼저 작은 프로젝트에서 시험하는 것이 좋습니다.

    Hermes Agent와 비교해 보면

    OpenHuman은 개인 데스크톱 AI 운영체제에 가까운 인상을 줍니다. 로컬 기억, Obsidian 위키, 다양한 앱 연동, 백그라운드 루프를 전면에 내세웁니다.

    반면 Hermes Agent는 작업 실행, 도구 호출, 스킬, 크론, 워크스페이스 기반 자동화에 강점이 있습니다. 사용자가 이미 정해둔 프로젝트 폴더와 절차 안에서 조사, 작성, 업로드, 검증까지 이어가는 방식에 가깝습니다.

    두 도구는 경쟁 관계라기보다 관점이 다릅니다. OpenHuman은 “개인 AI 환경 전체”를 만들려는 쪽이고, Hermes는 “도구를 실제 작업으로 끝까지 실행하는 에이전트 런타임”에 가깝습니다. AI 에이전트 시대에는 이런 차이가 더 중요해질 것입니다. 모델보다 하네스와 기억 구조가 실제 생산성을 가르기 때문입니다.

    결론: 기대할 만하지만, 작은 테스트부터

    OpenHuman은 AI 에이전트가 어디로 가고 있는지 보여주는 흥미로운 프로젝트입니다. 대화형 챗봇을 넘어 로컬 기억, 워크플로, 리서치, 실행 도구를 하나로 묶으려는 시도입니다.

    하지만 아직 Early Beta입니다. 개인 데이터와 업무 도구를 연결하기 전에는 권한, 저장 위치, 외부 전송 범위, 실패 로그, 자동 실행 범위를 확인해야 합니다. 처음부터 메인 업무를 맡기기보다, 별도 테스트 계정과 작은 폴더에서 시작하는 편이 안전합니다.

    결국 질문은 “OpenHuman이 좋은가?”가 아닙니다. 더 정확한 질문은 이것입니다. 내 지식과 업무 흐름을 AI가 계속 기억하고 실행하게 만들 준비가 되어 있는가. OpenHuman은 그 질문을 꽤 선명하게 던지는 도구입니다.

    함께 읽기

    FAQ

    OpenHuman은 ChatGPT 같은 AI 모델인가요?

    아닙니다. OpenHuman은 특정 모델이라기보다 여러 모델, 도구, 메모리, 워크플로를 연결하는 AI 에이전트 플랫폼에 가깝습니다.

    OpenHuman은 무료인가요?

    공식 GitHub 저장소는 GPL-3.0 라이선스의 오픈소스 프로젝트입니다. 다만 실제 사용 과정에서 외부 모델 API, 연동 서비스, 구독 기능이 필요할 수 있으므로 비용 구조는 설치 후 별도로 확인해야 합니다.

    OpenHuman의 가장 큰 장점은 무엇인가요?

    로컬 우선 메모리와 에이전트 오케스트레이션을 함께 지향한다는 점입니다. 단순 대화형 AI가 아니라 사용자의 파일, 앱, 목표, 자동화 흐름을 연결하려는 구조입니다.

    지금 업무에 바로 써도 될까요?

    공식 저장소가 Early Beta라고 밝히고 있으므로, 핵심 업무에 바로 적용하기보다는 테스트 계정과 제한된 데이터로 먼저 검증하는 것이 좋습니다.

    설치할 때 가장 조심할 점은 무엇인가요?

    계정 연동 권한과 설치 방식입니다. 가능하면 공식 릴리스의 네이티브 패키지를 사용하고, Gmail·Slack·GitHub 같은 민감한 계정은 최소 권한으로 연결해야 합니다.

    참고자료

  • Claude 코워크로 1인 AI 비서 만들기: Gmail·Notion·카카오톡 자동 브리핑

    Claude 코워크로 1인 AI 비서 만들기: Gmail·Notion·카카오톡 자동 브리핑

    Claude를 단순히 “질문에 답하는 챗봇”으로만 쓰면 금방 한계가 옵니다. 메일을 읽고, 할 일을 정리하고, 일정과 날씨를 확인해 아침마다 보고해 주는 구조까지 만들면 이야기가 달라집니다. 이번 글은 소소한 AI 입문노트 영상의 흐름을 바탕으로 Claude 코워크와 Gmail, Notion, PlayMCP를 연결해 1인 AI 비서 워크플로우를 만드는 방법을 정리했습니다.

    카카오톡으로 도착한 Claude AI 데일리 브리핑 예시
    카카오톡으로 도착한 AI 데일리 브리핑 예시 · 원본 영상 캡처

    핵심은 프롬프트가 아니라 반복 업무의 흐름입니다

    영상에서 가장 중요한 장면은 “좋은 프롬프트 하나”가 아닙니다. Gmail에서 메일을 읽고, 답장 초안을 만들고, Notion에 할 일을 정리하고, PlayMCP를 통해 날씨와 카카오톡 브리핑까지 이어 붙이는 전체 흐름입니다.

    이 차이가 큽니다. 단발성 질문은 매번 사람이 다시 상황을 설명해야 합니다. 반면 업무 흐름은 한 번 설계해 두면 매일 같은 시간, 같은 기준, 같은 출력 형식으로 돌아갑니다. AI를 업무에 쓰는 사람과 AI로 업무 시스템을 만드는 사람의 차이가 여기서 갈립니다.

    1단계: Claude 데스크톱에서 Gmail을 연결합니다

    먼저 Claude 데스크톱 앱에서 사용자 지정 메뉴로 들어가 커넥터를 선택합니다. 영상에서는 Gmail 커넥터를 연결한 뒤, Claude Cowork의 협업 모드에서 “최근에 온 이메일 네 개를 알려줘”라고 요청합니다.

    Claude Gmail 커넥터 연결 화면
    Claude Gmail 커넥터 연결 화면 · 원본 영상 캡처

    여기서 바로 체감되는 기능은 두 가지입니다.

    • 최근 메일을 요약해 오늘 확인해야 할 내용을 빠르게 파악할 수 있습니다.
    • 답장이 필요한 메일은 초안 형태로 만들고, 사용자는 검토 후 보내기만 하면 됩니다.

    다만 메일은 민감 정보가 많습니다. 처음에는 테스트용 메일이나 중요도가 낮은 메일부터 연결해 보세요. Claude가 접근할 작업 폴더도 별도로 만들고, 중요한 문서가 섞이지 않도록 분리하는 편이 안전합니다.

    2단계: Notion에 할 일을 자동으로 정리합니다

    메일 확인만으로는 비서가 아닙니다. 메일 안에 숨어 있는 해야 할 일을 꺼내 실제 작업 목록으로 옮겨야 합니다. 영상에서는 Notion 커넥터를 연결한 뒤 “이번 주 작업 일정을 내 Notion에 투두리스트 페이지로 만들어 넣어 줘”라고 요청합니다.

    Claude 협업 화면에서 Notion 업무 흐름을 구성하는 장면
    Claude 협업 화면에서 업무 흐름을 구성하는 장면 · 원본 영상 캡처

    이 단계의 장점은 메일함과 할 일 목록이 끊기지 않는다는 점입니다. 보통은 메일을 읽고, 따로 메모하고, 다시 Notion이나 투두 앱에 옮기는 과정에서 누락이 생깁니다. Claude가 메일 내용을 읽고 구조화해 주면 사람은 우선순위와 실행 여부만 판단하면 됩니다.

    처음부터 복잡한 대시보드를 만들 필요는 없습니다. 아래처럼 단순한 필드만 있어도 충분합니다.

    • 작업명
    • 관련 메일 또는 요청자
    • 마감일
    • 우선순위
    • 진행 상태
    • 다음 행동

    3단계: PlayMCP로 카카오톡·날씨·지도 정보를 붙입니다

    Gmail과 Notion이 업무 정보를 정리한다면, PlayMCP는 외부 도구와의 연결을 넓혀 줍니다. 영상에서는 PlayMCP에서 카카오톡 나와의 채팅, 카카오맵, 날씨 도구를 도구함에 추가한 뒤 Claude와 연결합니다.

    PlayMCP에서 날씨와 카카오맵 도구를 선택하는 장면
    PlayMCP에서 날씨와 카카오맵 도구를 선택하는 장면 · 원본 영상 캡처

    이렇게 연결하면 브리핑이 훨씬 생활형으로 바뀝니다. 예를 들어 “오늘 일기예보를 확인하고, Gmail에 있던 외근 장소 근처 맛집 다섯 곳을 찾아 카카오톡으로 보내 줘”라고 요청할 수 있습니다. 단순 업무 요약이 아니라 하루를 시작하기 위한 실제 의사결정 자료가 되는 셈입니다.

    여기서 주의할 점도 있습니다. 지도, 날씨, 메신저 도구는 외부 서비스 권한과 연결됩니다. 어떤 계정으로 로그인하는지, 어떤 도구에 어떤 권한을 주는지, 자동 발송 대상이 어디인지 반드시 확인해야 합니다.

    4단계: 스킬과 예약 작업으로 매일 아침 실행합니다

    영상의 마지막 실습은 Claude 안에서 데일리 브리핑 스킬을 만들고, 예약 작업으로 매일 실행되게 설정하는 것입니다. 한 번 만든 스킬은 “메일 확인 → 답장 초안 → Notion 업데이트 → 날씨·외근 정보 확인 → 카카오톡 보고” 같은 순서를 기억합니다.

    카카오톡으로 자동 발송된 데일리 브리핑 결과
    카카오톡으로 자동 발송된 데일리 브리핑 결과 · 원본 영상 캡처

    예약 작업까지 붙이면 사용자가 매번 프롬프트를 입력하지 않아도 됩니다. 아침에 출근 준비를 하는 동안 AI가 먼저 하루의 자료를 정리해 두는 구조가 됩니다.

    이때 승인 건너뛰기나 자동 실행 옵션은 편리하지만 위험도 함께 커집니다. 처음에는 반드시 수동 실행으로 테스트하고, 잘못된 메일 발송이나 민감 정보 노출이 없는지 확인한 뒤 자동화 수준을 높이는 것이 좋습니다.

    따라 하기 전에 확인할 체크리스트

    이 워크플로우를 바로 적용하기 전에 아래 네 가지를 먼저 정리해 보세요.

    1. 매일 반복되는 업무가 무엇인지 정합니다. 메일 확인, 일정 정리, 보고서 초안, 고객 응대처럼 빈도가 높은 작업이 좋습니다.
    2. AI가 접근해도 되는 계정과 데이터 범위를 분리합니다. 개인 메일 전체를 바로 열기보다 테스트 범위를 먼저 정하세요.
    3. 결과물을 받을 채널을 하나로 정합니다. 카카오톡, Notion, 이메일 중 어디에서 확인할지 정해야 흐름이 단순해집니다.
    4. 자동 실행 전 수동 테스트를 3회 이상 해 봅니다. 요약 품질, 누락, 권한, 발송 대상을 확인해야 합니다.

    이 방식이 맞는 사람과 아직 이른 사람

    이 방식은 반복 업무가 많고 여러 도구를 오가며 일하는 사람에게 잘 맞습니다. 매일 메일을 확인하고, 회의나 외근이 있고, Notion 같은 작업 관리 도구를 이미 쓰는 사람이라면 효과를 빠르게 볼 수 있습니다.

    반대로 아직 Claude 데스크톱, Notion, MCP 같은 개념이 낯설다면 한 번에 전부 연결하지 않는 편이 좋습니다. 먼저 Claude와 Gmail만 연결해 메일 요약과 답장 초안부터 테스트해 보세요. 그 다음 Notion, 마지막으로 PlayMCP와 예약 작업을 붙이는 순서가 안전합니다.

    함께 읽으면 좋은 글

    자주 묻는 질문

    Claude 코워크와 일반 채팅은 무엇이 다른가요?

    일반 채팅은 대화 중심입니다. 코워크 또는 협업 모드는 특정 폴더, 파일, 커넥터, 도구를 함께 쓰며 작업 흐름을 구성하는 데 더 가깝습니다. 영상에서도 새 채팅의 협업 버튼을 통해 작업 폴더를 지정한 뒤 메일과 파일 작업을 이어 갑니다.

    Gmail과 Notion을 연결해도 안전한가요?

    도구 자체보다 권한 범위와 사용 습관이 중요합니다. 처음부터 모든 메일과 문서를 자동화하지 말고, 테스트용 폴더와 낮은 위험의 업무부터 시작하는 것이 좋습니다. 자동 발송 기능은 특히 수동 검토 단계를 남겨 두는 편이 안전합니다.

    PlayMCP는 꼭 필요한가요?

    카카오톡, 카카오맵, 날씨처럼 Claude 기본 커넥터 밖의 도구를 연결하려면 PlayMCP 같은 외부 도구 연결 계층이 필요할 수 있습니다. 단순히 메일 요약과 Notion 정리만 하고 싶다면 PlayMCP 없이도 시작할 수 있습니다.

    매일 아침 자동 실행은 바로 켜도 되나요?

    바로 켜는 것은 권하지 않습니다. 먼저 수동 실행으로 결과를 확인하고, 민감 정보가 노출되지 않는지, 엉뚱한 채팅방으로 보내지 않는지 확인해야 합니다. 그 다음 예약 작업을 걸어 자동화하는 것이 안전합니다.

    이 글은 원본 영상의 내용을 그대로 옮긴 것인가요?

    아닙니다. 원본 영상의 실습 흐름을 바탕으로, 광고성 후반부는 줄이고 실제 업무 자동화 관점에서 필요한 설정 순서와 주의점을 재구성했습니다.

    참고자료

    이미지 출처: 본문에 사용된 캡쳐 이미지는 원본 YouTube 영상에서 리뷰·해설·교육 목적의 인용 이미지로 사용했습니다. 이미지 저작권은 원저작권자와 해당 채널에 있습니다.