AI 에이전트, AI 직원, 생성 AI, RPA. 비슷한 용어들이 나란히 있어 차이점을 명확하게 느끼기 어려우신가요.
결론적으로, AI 에이전트와 AI社員은 기술적으로 동일한 개념을 의미합니다. 차이점은 명칭이 아닌, 회사 내에서 운영 시 어떤 사항을 결정할지에 있습니다.
이 글에서는 직원 1명으로 구성된 회사에서 AI 34대를 운영하는 입장에서, 언어의 정제와 실제로 운영하면서 파악한 구분(라인)에 대해 논합니다.
이 글에서 알 수 있는 내용은 다음과 같습니다.
- AI 에이전트와 AI 사원은 무엇이 다른 것일까요(결론)?
- 생성형 AI, 챗봇 AI, RPA, Copilot과의 관계에 대해 심층적으로 논의합니다. 이 기술들은 자동화와 생산성 향상을 목표로 하지만, 접근 방식과 활용 분야에서 차이를 보입니다. 특히, Copilot은 Microsoft 365 앱 내에서 AI 기능을 제공하여 사용자의 업무 효율성을 높이는 데 초점을 맞추고 있으며, 챗봇 AI는 고객 응대, 정보 제공 등 특정 목적을 위해 설계되었고, RPA는 반복적인 업무를 자동화하는 데 특화되어 있습니다. 생성형 AI는 이러한 기술들을 기반으로 창의적인 작업, 콘텐츠 제작, 데이터 분석 등 다양한 분야에서 활용될 가능성을 보여주고 있습니다. 이러한 기술들의 상호 작용과 발전 방향에 대한 지속적인 관심과 연구가 필요합니다.
- “직원”이라고 부를 경우 운영에 어떤 변화가 있을지 궁금합니다.
- 34명을 움직여서 확인하고, 위임 가능한 범위 내의 선별
- 어떤 언어로 생각하고 시작해야 할까요
AI 에이전트와 AI 사원의 차이점은 무엇입니까? 결론부터 말씀드리겠습니다.
먼저 결론을 말씀드리겠습니다. 여기만 읽어도 의미가 통하도록 작성하고 있습니다.
이 장에서는 다음 내용을 다룹니다.
- 기술적으로 동일한 것을 지칭합니다.
- 틀린 것은 “무엇을 결정할 것인가”라는 질문 자체입니다.
- 부름에 따른 구분이 필요한 경우
기술적으로 동일한 것을 지칭합니다.
AI 에이전트는 특정 역할을 부여받아 필요한 정보나 도구를 활용하면서 일정 범위의 업무를 완료할 수 있도록 설계된 인공지능입니다.
Anthropic는 또한 AI 에이전트를 “목표를 부여받으면 자율적으로 작업을 추구하는 AI”라고 설명하고 있습니다.
AI 직원은 이 AI 에이전트에게 담당 업무를 할당하고, 회사 내에서 운영하는 형태로 구축했습니다. 내부적으로 작동하는 방식은 동일하며, 다른 기술이 아닙니다.
틀린 것은 “무엇을 결정할 것인가”라는 점입니다.
차이점이 무엇인지 결정해야 할 사항들입니다.
AI 에이전트로서 만들 때는 무엇을 어떻게 처리할지 결정하면 작동합니다. 입력, 절차, 출력이 세 가지입니다.
AI 직원으로 운영할 때는, 그에 더하여 누구의 담당인지, 무엇을 금지할지, 누가 승인할지, 언제 평가할지까지 결정합니다. 인간 직원 채용할 때와 동일한 항목입니다.
따라서 인공지능 직원(AI 직원)은 인공지능 에이전트에게 ‘소속’과 ‘책임’을 부여한 것으로 이해하기 쉬워집니다.
부유분할이 필요한 경우황면
회사 내에 1개밖에 없으므로, 어느 것으로 불러도 당황하지 않습니다. 당황스러운 것은 늘어났을 때입니다.
10체(体)를 넘어서는 시점부터는 “이 처리가 무엇을 하고 있는지”, “멈춘 때 누구에게 물어볼지”를 알 수 없게 됩니다.
담당자, 금지 사항, 승인자를 각각 결정해 놓으면 이 문제가 발생하지 않습니다. 제가 직원이라는 표현을 사용하는 이유는 이 항목을 채우도록 하기 위함입니다.
생성형 AI, 챗봇 AI, RPA, Copilot의 차이점
생성형 AI는 기존의 AI가 데이터를 분석하고 패턴을 인식하는 데 그쳤던 것과 달리, 새로운 콘텐츠를 스스로 생성할 수 있는 AI를 의미합니다. 텍스트, 이미지, 오디오, 비디오 등 다양한 형태의 콘텐츠를 만들 수 있으며, GPT-4, Gemini, Claude 등이 대표적인 예시입니다.
챗봇 AI는 사용자와 대화하는 AI 시스템입니다. 자연어 처리 기술을 활용하여 사용자의 질문에 답변하거나, 특정 작업을 수행하도록 돕습니다. ChatGPT, Bard, Claude 등이 챗봇 AI의 대표적인 예시입니다.
RPA(Robotic Process Automation)는 기업의 업무 프로세스를 자동화하는 기술입니다. 반복적이고 단순한 작업을 수행하는 로봇을 활용하여 업무 효율성을 높입니다.
Copilot은 Microsoft에서 개발한 AI 기반 생산성 도우미입니다. Word, Excel, PowerPoint 등 Microsoft Office 앱 내에서 사용자가 작업을 수행하는 데 도움을 주며, 텍스트 작성, 데이터 분석, 프레젠테이션 제작 등을 지원합니다. 특히, GPT-4를 기반으로 하여 뛰어난 성능을 자랑합니다.
주변 용어들도 정리해 두겠습니다. 여기가 섞여 있으면 도구 선택을 잘못하게 됩니다.
이 장에서는 다음 내용을 다룹니다.
- 생성형 AI(생성형 인공지능)는 기존 데이터를 학습하여 새로운 콘텐츠를 생성하는 인공지능입니다. 텍스트, 이미지, 오디오, 비디오 등 다양한 형태의 콘텐츠를 생성할 수 있으며, 창작 활동이나 데이터 분석 등 다양한 분야에서 활용됩니다.
반면, 챗봇 AI는 사용자의 질문이나 명령에 대해 대화 형태로 응답하는 인공지능입니다. 주로 고객 상담이나 정보 제공 등의 목적으로 활용되며, 자연어 처리 기술을 기반으로 작동합니다.
핵심적인 차이점은 생성형 AI가 새로운 콘텐츠를 ‘창조한다’는 점과 챗봇 AI가 사용자의 질문에 ‘답변한다’는 점입니다. 물론, 두 기술은 서로 융합되어 더욱 발전된 형태를 보여줄 수 있습니다. 예를 들어, 챗봇 AI가 생성형 AI를 활용하여 사용자의 질문에 맞는 답변을 생성하거나, 생성형 AI가 챗봇 AI의 대화 흐름을 제어하여 더욱 자연스러운 대화를 만들 수 있습니다.
- RPA와의 차이점은 판단 여부입니다.
- Copilot형과의 차이점은 “누가 주어인지” 입니다.
- 다섯 개의 단어의 위치 관계
생성형 AI와 챗봇 AI의 차이점은 “완료까지 끝맺음을 할 것인가” 하는 데 있습니다.
챗 AI는 질문을 하면 답변을 반환합니다. 다음에는 사람이 무엇을 할지 결정합니다.
AI 에이전트는 “정보를 수집하고 핵심을 정리하여 결정된 형식으로 제출한다”는 과정을 미리 정해진 절차에 따라 진행합니다.
같은 모델을 사용하더라도 절차와 완료 조건이 있는지 여부에 따라 완전히 다른 존재가 됩니다. 매번 챗방에 자료를 다시 붙여넣고 있다면, 그것은 여전히 챗봇 AI의 활용법입니다.
RPA와의 차이점은 판단 여부입니다.
RPA는 정해진 작업을 정해진 순서대로 반복하는 시스템입니다. 화면의 위치나 항목명이 변경되면 해당 지점에서 멈춥니다.
AI 에이전트는 자료를 읽고 즉석에서 내용을 판단할 수 있습니다. 회의록에서 결정 사항을 추출하거나, 업무의 성격을 파악하여 분류하는 등의 작업은 RPA로는 충분히 처리하기 어렵습니다.
반면에, 매번 완전히 동일한 작업을 고속으로 반복하는 데 한정된다면 RPA가 더 정확하고 비용 효율적입니다. 판단이 필요한 경우에 따라 선택하여 활용하십시오.
Copilot형과의 차이점은 “누가 주어인지” 입니다.
데이터 작성이나 표 계산을 옆에서 도와주는 AI는 인간이 주도합니다. 사람이 작업을 하고 있을 때, AI가 보조합니다.
AI 에이전트는 AI가 주어를 담당하고 끝까지 진행하며, 인간은 확인과 승인을 합니다. 사람이 자리를 비워 있어도 진행 상황이 되는지, 명확한 판단 기준이 됩니다.
누가 우세한지는 논하지 않습니다. 매일의 작업을 빠르게 하고 싶다면 Copilot형, 반복적인 업무를 끊고 싶다면 에이전트형입니다.
다섯 개의 단어의 위치 관계
이 부분은 1장에 요약합니다.
아래부터 순서대로, 챗 AI(매번 지시), Copilot형(사람이 주어), AI 에이전트(AI가 주어이며 완수), AI 직원(담당과 책임을 할당한 운영 형태)입니다.
RPA는 별도의 시스템으로, 판단을 하지 않고 대신 정확하게 반복합니다.
AI 직원”이라는 용어를 사용했을 때 운영에 어떤 변화가 일어날까요?
호출 방식을 바꾸는 것만으로는 결과가 달라지지 않습니다. 달라지는 것은 채워야 할 항목들입니다.
이 장에서는 다음 내용을 다룹니다.
- 직무 정의서를 작성하게 될 것입니다.
- 입사, 수습, 평가 과정이 포함됩니다.
- 늘릴 때 순서를 정할 수 있습니다.
직무 정의서를 작성하게 될 것입니다.
사원으로서 채용된다고 생각한다면 담당 업무만으로는 부족합니다.
필요한 것은 미션, 대상 업무, 입력, 출력, 품질 기준, 금지 사항, 승인 범위, 이상 발생 시 정지 조건, 평가 지표, 부족 정보의 10가지 항목입니다.
특히 효과적인 것은 “이상 시 정지 조건”입니다. 잘 모르실 때 무리하게 채우려 하지 않고, 담당자에게 다시 확인하는 조건을 명시해 두면 대부분의 사고를 예방할 수 있습니다.
입사, 수습, 평가 과정이 포함됩니다.
인재 채용과 동일한 절차를 적용하며, 즉석에서 바로 실제 운영에 투입하지 않습니다.
과거의 실제 데이터를 기반으로 시험하는 단계를 “면접”이라고 합니다. 과거의 입력 자료를 제공하고, 당시의 완성물과 비교하여 평가하는 단계입니다.
제 검토 결과, AI가 “판단할 수 없다고” 반환한 적이 있었습니다. 이는 합격 점수가 자료에 없었기 때문이며, 제가 임의로 보완하지 않은 것이 올바른 움직임입니다.
합격이라고 적는 것으로는 명성이 더 좋아질 수 있지만, 그래도 적지 않은 것이 이 시스템의 안전성을 보장한다.
늘릴 때 순서를 정할 수 있습니다.
각 횟수마다 점진적으로 늘리면 유사한 작업을 수행하는 중복된 AI가 생성될 수 있습니다.
직원 관점에서 보면 “다음에는 어떤 직종을 채용할 것인가”라는 질문이 됩니다.
효과, 위험도, 제작 용이성을 기준으로 순위를 정하여 상위부터 진행합니다.
저희 회사의 방식은 이 순위 결정 자체를 최초의 AI 직원에게 맡기는 것입니다.
34명을 동원하여 알아본 결과, 위임 가능한 범위 내에서의 선별이 드러났다.
이제부터 운영 기록에서 나온 이야기입니다. 실제로 일어난 일을 기록하겠습니다.
이 장에서는 다음 내용을 다룹니다.
- 34체가 무엇을 수행하고 있는지
- 업무를 A부터 D까지 분류하는 방식을 논의하고 있습니다.
- 사람이 놓지 않으려 하는 네 가지 것들
- 정확도가 떨어지는 세 가지 현상
최근에 제가 겪었던 몇 가지 현상에 대해 이야기해 보겠습니다.
첫째, 꽤 오랫동안 사용해 왔던 딥러닝 모델의 정확도가 갑자기 떨어지는 현상입니다. 모델을 재학습시키거나 파라미터를 조정하는 등 다양한 시도를 해봤지만, 개선의 실마리조차 찾지 못했습니다. 특히, 학습 데이터의 변화가 없었고, 모델 구조 자체도 변경하지 않았기 때문에 더욱 당황스러웠습니다.
둘째, 제가 사용 중인 데이터 분석 도구의 성능 저하 현상입니다. 이 도구는 제가 수집한 데이터를 기반으로 다양한 통계 분석을 수행하고 시각화하는 데 사용됩니다. 최근에는 분석 결과가 일관성이 없고, 때로는 완전히 잘못된 결과를 보여주기도 합니다. 도구의 업데이트를 확인해 봤지만, 문제 해결책은 제시되지 않았습니다.
셋째, 제가 진행하고 있는 연구 프로젝트의 데이터 품질 문제 현상입니다. 프로젝트의 초기 단계에서 수집한 데이터에 오류가 포함되어 있었고, 이로 인해 분석 결과가 왜곡될 수 있다는 사실을 발견했습니다. 데이터 정제 작업을 진행했지만, 근본적인 해결책은 되지 않았습니다.
이 세 가지 현상 모두 제가 사용하는 기술과 도구의 성능 저하를 나타내는 신호라고 생각합니다. 앞으로 이러한 문제들을 해결하기 위해 더욱 노력해야 할 것입니다.
34개 작품이 무엇을 하는지
제 운영 기록상, 직원 1명이 관리하는 AI 34대가 운영되고 있습니다. 특별한 개발 없이 1대씩 늘려나간 결과입니다.
매일 아침 AI 뉴스 제안 3건, 매주 월요일 영업 후보 10개사 조사 및 문건 초안 작성, Zoom 회의록에서 기사를 제작하고, 지부 운영의 정기적인 작업을 포함합니다.
그 중 회의록은 기존 1시간에 걸리던 작업이 5분으로 완료될 수 있도록 개선되었습니다. 다만, 5분 이내에 완료되는 것은 초안 작성까지만 해당하며, 확인은 여전히 사람이 수행합니다.
각 체마다 담당 업무, 입력, 출력, 금지 사항, 승인 점이 분산되어 있는 것이 숫자보다 훨씬 중요합니다.
업무를 A부터 D로 분류하고, 위임 정도의 4단계
선배치는 이 4단계로 결정하고 있습니다.
- A: AI에게 맡겨 결정된 형식으로 저장까지 진행되는 업무
- B：AI가 초안을 만들고, 인간이 확인 및 승인하여 완성시키는 방식의 일
- C：인간 중심의 접근 방식을 취하고, AI는 단순한 정리나 후보 제시만 수행하는 역할을 지원한다.
- D: 인간만이 하는 일이다. AI는 판단이나 실행을 대체하지 않는다.
가상 개인 사업체 자료를 검증한 결과, 회의록 정리 및 주간 보고서 작성은 B, 청구 금액 확정 및 개별 상담을 실시하는 것은 D였습니다.
판정 이유를 작성할 수 없는 업무는 A 또는 B에 배치하지 마십시오. 이유가 작성되지 않은 상태로 상위 단계로 이동하면, 추후 담당자가 설명할 수 없는 운영이 됩니다.
인간이 놓아주지 않는 네 가지 것들
다음과 같습니다.
사업의 방향성, 최종적인 “실행/지행” 여부 판단, 고객과의 직접 대화, 그리고 계약, 청구액, 지급, 공개, 전송, 삭제입니다.
Anthropic는 또한 에이전트가 자율적으로 작동하는 것에 가치가 있다고 보면서도, 목표를 달성하는 방식에 대해서는 인간이 통제권을 유지해야 한다고 주장합니다.
누가 만들어도 발생하는 정확도가 떨어지는 세 가지 현상
클로드, 젬마이, 코덱스라는 3가지 도구를 동일한 과제에 대해 수행했을 때, 동일한 지점에서 막혔습니다.
첫째, 그럴듯하지만 근거 없는 분류가 되기 쉽습니다. 업무 명칭만 전달하면 AI는 일반론으로 판단하여 자사에서 왜 그렇게 판단하는지에 대한 맥락이 생략됩니다.
두 번째는 금지 사항을 명시하지 않을 경우 경계가 모호해지는 것입니다. “자유롭게 전송하지 마라”라고만 규정하면 초안 보관이 허용되는지, 금액을 제안하는 것이 허용되는지 등의 불명확한 부분이 남게 됩니다.
세 번째로, 완성물이 깨끗하더라도 채용 여부를 결정할 수 없는 상황입니다. 정답 기준과 정답 예시가 없기 때문에 “사용해 볼 수 있을 것 같다”는感想로 끝맺게 됩니다.
AI 에이전트와 AI 사원, 어느 쪽을 먼저 고려하여 만들어 시작해야 할까요?
말로 정리된 내용을 바탕으로 실제로 어떻게 시작할지 논의하겠습니다.
이 장에서는 다음 내용을 다룹니다.
- 단 하나의 체만 제작한다면 에이전트 버전으로도 충분합니다.
- 업무를 인계할 때는 직원으로서 설계하라
- 첫 번째 몸에 무엇을 할 것인가
단 하나만 만든다면 “에이전트”로 충분합니다.
단순히 한 번 만들어 보기에 한해 담당자, 승인자, 평가를 결정할 필요는 없습니다.
입력, 절차, 출력을 결정하고 작게 움직여 보세요. 첫 번째 본체는 반드시 다시 제작되므로, 여기서 시간을 들여 꼼꼼하게 다듬는 것은 필요하지 않습니다.
업무를 위임할 때, “인력”으로서 설계하라
여러 업무를 AI로 전환하기 위한 전제라면, 처음부터 직원 형태에 맞춰 설계하는 것이 빠릅니다.
첫 번째 항목부터 10개 항목을 채워두는 것이 훨씬 수고가 덜 듭니다.
팀 내 설명할 때에도 “누가 어떤 일을 담당하고, 무엇이 금지되었으며, 누가 승인하는지”가 명시된 자료가 있으면 일이 더 빨리 진행됩니다.
첫 번째 몸에 무엇을 할 것인가
어떤 경우에 생각하시든 최초의 1대에겐 업무를 위임하지 않는 것을 권장합니다.
사내 업무를 병행하며 AI에 맡기고, 핵심 업무와 인간이 지속해야 할 업무에 분담하는 담당자를 만들어주세요. 업무 현황 분석, 채용 우선순위, 직무 정의서, 면접 설계의 4가지 항목이 나오면 2차원 이후에는 망설일 일 없습니다.
AI 에이전트와 AI 사원의 차이점에 대한 자주 묻는 질문
**Q1: AI 에이전트와 AI 사원은 무엇이 다릅니까?**
AI 에이전트와 AI 사원은 둘 다 인공지능 기술을 기반으로 하지만, 그 목적, 기능, 그리고 역할에서 명확한 차이가 있습니다.
**AI 에이전트**는 특정 작업을 자동화하기 위해 설계된 것으로, 대부분 사용자의 지시를 바탕으로 행동합니다. 예를 들어, 일정 관리, 이메일 자동 응답, 고객 문의 자동 응답 등 특정 업무를 수행하는 데 활용됩니다. AI 에이전트는 자율성보다 사용자의 지시를 따르는 데 중점을 둡니다.
반면 **AI 사원**은 더 높은 수준의 지능과 학습 능력을 가지고 있으며, 인간처럼 복잡한 문제를 해결하거나 의사 결정을 지원할 수 있습니다. AI 사원은 특정 산업 또는 직종에서 인간 전문가와 협력하면서 더 고도화된 업무를 수행할 수 있도록 기대됩니다. AI 사원은 자율성, 적응성, 그리고 창의성에 중점을 둡니다.
**Q2: AI 에이전트의 예를 몇 가지 挙げてください。**
AI 에이전트의 예로는 다음과 같은 것들이 있습니다.
* **Google Assistant:** 음성 명령에 따라 정보를 검색하거나, 음악을 재생하거나, 스마트 홈 기기를 제어할 수 있습니다.
* **Amazon Alexa:** Google Assistant와 유사한 기능을 제공하며, Amazon 서비스와 연동될 수 있습니다.
* **챗봇:** 고객 문의에 자동으로 응답하고, FAQ 답변이나 문제 해결을 지원할 수 있습니다.
* **자동 이메일 응답 시스템:** 사용자의 이메일 내용에 따라 자동으로 응답 이메일을 생성하고 발송할 수 있습니다.
**Q3: AI 사원의 구체적인 활용 예시는 있습니까?**
AI 사원의 구체적인 활용 예시는 다음과 같이 생각해 볼 수 있습니다.
* **금융 산업:** 투자 포트폴리오 최적화, 위험 관리, 부정 탐지 등
* **의료 산업:** 진단 지원, 신약 개발, 환자 모니터링 등
* **제조 산업:** 품질 관리, 생산 계획, 고장 예측 등
* **법률 산업:** 계약서 검토, 판례 조사, 소송 전략 수립 등
이러한 분야에서 AI 사원은 인간 전문가와 협력하여 보다 효율적이고 정확한 업무 수행을 지원합니다.
**Q4: AI 에이전트와 AI 사원은 앞으로 어떻게 발전해 나갈 것이라고 생각하십니까?**
AI 에이전트와 AI 사원은 앞으로도 기술의 발전과 함께 더욱 고도화된 기능과 능력을 획득해 나갈 것으로 예상됩니다. 특히, 다음과 같은 발전이 기대됩니다.
* **자율성 향상:** 더욱 복잡한 작업을 자율적으로 실행할 수 있게 됨
* **적응성 향상:** 환경 변화나 사용자 니즈에 맞춰 스스로 학습하고 적응할 수 있게 됨
* **창의성 향상:** 새로운 아이디어나 해결책을 창출할 수 있게 됨
이러한 발전으로 인해 AI 에이전트와 AI 사원은 우리의 삶과 일에서 더욱 없어서는 안 될 존재가 될 것입니다.
Q. “AI 사원”이라는 용어는 일반적으로 사용되는 용어입니까?
일반적으로 확정된 정의는 없습니다. 저희에서는 담당 업무, 금지 사항, 승인 항목 등을 할당하고 운영하는 AI 에이전트를 지칭할 때 사용하고 있으며, 회사 내에서 통용되는 용어라면 다른 이름으로도 괜찮습니다.
Q. AI 에이전트와 AI 어시스턴트는 다른 개념인가요?
도우미는 인간의 작업을 옆에서 돕는 방식, 에이전트는 AI가 주어가 되어 업무를 끝까지 수행하는 방식을 의미한다는 기준으로 정리하면 더 명확해집니다.
Q. RPA가 있다면 AI 에이전트가 불필요한가요?
용도는 다릅니다. 매번 같은 작업을 반복하는 경우라면 RPA가 더 정확하고 저렴합니다. 자료를 읽고 판단이 필요한 일은 RPA로는 모든 절차를 구현할 수 없습니다.
Q. AI 직원에게 성격이나 이름은 필요한가요?
필요하지 않습니다. 실무에서 효과는 담당 업무와 금지 사항을 구체적으로 정하는 것입니다. 이름은 회사 내에서 부르기 편하도록 하는 것일 뿐이라고 생각하십시오.
Q. 몇 개 정도부터 관리 필요하게 되나요?
체수보다 오히려 담당이 중복되기 시작했을 때입니다. 같은 자료를 읽는 별개의 AI가 생겨나왔을 때, 직무 정의서를 재검토해야 한다는 신호로 생각해주세요.
요약 | 같은 기술을 어디까지 결정하고 운영하느냐의 차이
AI 에이전트와 AI 사원은 동일한 기술적 기반을 가지고 있으며, 소속과 책임의 범위에 대한 차이입니다.
단 한 개만 시도해 보면서 에이전트로서 활용하는 것이 좋습니다. 업무를 넘겨줄 경우에는 처음부터 직원으로서 설계하는 것이 좋습니다. 이처럼 사용 방식에 따라 충분합니다.
또한, 어떤 경우에 생각하든 첫 번째 개체에는 업무를 대행시키지 않고, 분류 담당자를 만드는 것이 가장 빠른 길입니다.
실제 제작 방법은 다음 개별 기사에서 동일한 조건과 동일한 결과물을 비교할 수 있도록 구성되어 있습니다.
AI 직원들을 만들고 싶은 분께｜실제 기기 화면이 담긴 개별 기사
첫 번째 시리즈에는 “업무를 점검하는 AI 직원”을 제작하는 내용이 담겨 있습니다.
AI 에이전트(인공지능 에이전트)를 직접 만들어 보고 싶으신 분들을 위한 글입니다. 실제 기기의 화면을 담은 개별 기사입니다.
2체로서 회의록부터 주간 보고서까지 자동화하는 시리즈
어떤 기사도 폴더 생성 방법과 .md 파일 저장 방법부터 시작하여 실제 화면을 74~100매 분량으로 제공하며, 사용 설명서의 모든 내용은 복사하여 사용할 수 있는 형태로 공개하고 있습니다.
AI 도입을 사내에서 추진하고자 하시는 분들께 드립니다.
저희가 직접 제작하는 것이 어려운 경우, AI 위탁 교육, 법인 대상 교육 및 도입 지원, 개별 상담을 제공하고 있습니다.
어느 업무부터 위임할지, 회사 내에서 어디까지 허용할지 함께 정리합시다.
문의 사항은 저희 회사 문의 양식으로 부탁드립니다.
[이 기사에 언급된 주요 정보] Anthropic “안전하고 신뢰할 수 있는 에이전트 개발을 위한 프레임워크” Anthropic “에이전트 스킬 소개” Claude Code 공식 문서 Google 개발자 블로그 “중요 업데이트: Gemini CLI를 Antigravity CLI로 전환” OpenAI “Codex 앱 소개”
출처: note 원문
번역: Gemma 3(.44) 초벌 + 교정 96청크
원문 보기 | 출처: note.com