# AI 에이전트 기술은 만드는 것뿐 아니라, 플로우, MCP, 승인 프로세스를 통해 “AI 직원 실행 기반”으로 전환하는 방법입니다.

> https://bookfactory.kr/c/ai-tech/10174
> 게시판: AI·머신러닝
> 작성자: admin
> 작성일: 2026-08-20T17:59:57.463Z

---

![見出し画像](https://assets.st-note.com/production/uploads/images/305262435/rectangle_large_type_2_f6c7cc9425d7ca9fe387954351d85b7f.png?width=1280)

이전에는 Codex를 사용하여 Skills를 만드는 방법을 설명드렸습니다. Skills를 준비하면 AI에게 매번 동일한 전제 사항을 설명하는 횟수가 확실히 줄어듭니다.

단, 실무에서 사용을 시작하면 다음 장벽에 부딪힙니다.

초안은 나온다. 하지만 저장 위치가 매번 다르다.

어느 지점에서 확인을 해야 하는지, 어디까지 멈춰야 할지 결정하지 못한 상태였다.

외부 툴에 연결하면 편리할 것 같지만, 무작정 전송되는 것은 무섭다.

이는 숙련도의 문제 때문이 아닙니다. Skill은 AI에 업무 판단 기준을 제공하는 것입니다. 반면에 일을 끝까지 안전하게 진행하기 위해서는 처리 흐름, 도구와의 연결, 그리고 사람이 판단하는 경계를 포함하여 여러 요소가 필요합니다.

저는 AI 직원들을 다음 4단계로 접근하는 방식을 취하고 있습니다.

![AI社員の実行基盤をSkill・Flow・MCP・承認の4層で整理した図](https://assets.st-note.com/img/1787202262-tCHw1Jmo8QrdVE9js4Ahpbcv.png?width=1200)

스킬로 의도를 정하고, 플로우로 진행하며, MCP로 연결하고, 영향이 큰 작업은 사람에게 되돌립니다.

## 스킬을 만들었는데도 일이 끝나지 않는 이유

Skill에는 무엇을 읽고, 어떻게 순서대로 생각하고, 어떤 형식으로 출력할지를 작성할 수 있습니다. 예를 들어 “note 기사를 만드는 Skill”이라면, 독자, 문체, 참조해야 할 지식, 저장 위치, 공개 전에 멈추는 규칙까지 전달할 수 있습니다.

AI의 출력을 매번 획기적으로 하지 않는 것이 도움이 됩니다. 업무 형식을 남겨두는 정도로 다음 담당자나 다음 회차가 자신의 판단을 재활용할 수 있습니다.

하지만, 스킬만으로는 답하기 어려운 질문들이 있습니다.

- 텍스트 인식이 실패하면 어디에서 재실행할지
- 저장을 하기 전에 누가 내용을 확인하는지
- 저장 위치 검색 및 등록에 사용할 도구를 찾는 것
- 완료, 보관, 실패를 어떻게 기록할지.

즉, Skill은 절차서로서, 업무 전체의 운행 관리까지 담당하지 않습니다. AI에게 “잘 해봐”라고 요청하기 전에, 일이 어디서 시작되고 어디에서 끝나는지, 그리고 사람에게 언제 돌아가는지를 명확히 결정해야 합니다.

![Skillを単体で使う状態と、Flowとして見える化した状態の比較](https://assets.st-note.com/img/1787202265-w6zihLSxmkbn9evF48fgNtp1.png?width=1200)

Skill을 실행 가능한 흐름으로 바꾸면, 처리의 진행 상황과 실패 지점을 파악하기 쉬워집니다.

## AI 직원 실행 기반을 4단계로 구성한다

### 기술: 판단 기준을 일치시키다

Skill에 쓰기 위해 고려해야 할 것은 업무의 목적, 입력, 금지 사항, 출력 형식, 완료 조건입니다. 이는 “AI가 무엇을 해야 하는가”뿐만 아니라 “무엇을 하면 안 되는가”를 명확히 하는 역할입니다.

저의 운영 방식은, 예를 들어 기사 제작의 경우, 개인 정보를 보지 않고, 출처를 남기고, 결과물을 아카이브에 저장하고, 공개는 사람의 승인 없이 하지 않는 등의 규칙을 Skill와 주변 규칙에 두고 있습니다. 모델의 지혜에 기대는 것보다, 먼저 지켜야 할 경계를 제시하는 것이 더 검토하기 쉽습니다.

### 2. 흐름: 처리 및 상태를 명확하게 보여주는 기능

플로우는 작업을 어떤 순서로 진행하고 어떤 상태를 가지도록 설계하는 것입니다. 예를 들어 “획득 → 정리 → 요약 → 저장 → 확인 대기 → 완료” 단계를 나눕니다.

특히 중요한 것은 실패나 확인 대기까지도 상태로 취급하는 것입니다. “잘 풀리지 않았다”는 진행 상황이 아닙니다. “음성 인식 API 대기”, “저장 전 인간 확인 대기” 등으로 나누어 보십시오. 그러면 다음으로 할 수 있는 일이 결정됩니다. 처리가 멈췄을 때도 처음부터 다시 시작하지 않고, 멈춘 단계부터 재개할 수 있습니다.

![エラー箇所をログから特定し、該当工程だけ直す流れ](https://assets.st-note.com/img/1787202268-DY5Wwy0xOkXSQJl8CF1ZtsEa.png?width=1200)

프로그램과 로그가 보이면, 실패 시 전체를 다시 하지 않고 문제의 부분만 수정할 수 있습니다.

### 3. MCP: AI를 도구로 연결하는 연결 지점

MCP는 AI가 외부 정보나 도구를 사용하는 데 필요한 연결구입니다. 예를 들어, 영상 정보를 가져오거나, 사내 지식을 검색하거나, 초안을 저장하는 등의 작업을 AI가 임의의 화면 조작이 아닌 정의된 도구로서 호출할 수 있습니다.

중요한 것은 MCP을 “무엇이든 가능한 권한”으로 제공하지 않는 것입니다. 처음에는 검색 및 획득에만 제한을 두고, 쓰기 작업이 필요해지면 대상 폴더나 작업을 좁혀야 합니다. OpenAI의 공식 헬프에서도 Skills와 외부 시스템에 연결되는 Apps는 별도의 계층으로 취급되며, Apps 측의 권한 및 작업 확인이 이관된다고 설명하고 있습니다.

아래 그림은 제가 시도하고 있는 진바 플로우의 구성 예시입니다. 고유한 서비스 구성은 달라져도, 업무 흐름과 실행 대상 사이에 MCP를 두고, 연결 대상마다 권한을 분리하는 방식은 동일하게 유지됩니다.

![FlowからMCPを介して複数のAIやアプリへ接続する構成](https://assets.st-note.com/img/1787202271-3tdBgZP0KuqD8i4Msvc2UN5k.png?width=1200)

진바 플로우에서의 구현 예시입니다. MCP는 연결 계층이며, 연결 대상에 따라 권한 및 실행 전 검증을 별도로 설계합니다.

### 4. 인정을 위한 결정: 인간으로 돌아가는 경계를 먼저 설정한다

승인은 AI가 약하기 때문에 적용하는 브레이크가 아닙니다. 영향이 큰 행위의 최종 판단을 사람이 내릴 수 있도록 설계한 것입니다.

저는 외부 전송, 공개, 삭제, 결제, 고객 데이터 업데이트와 같은 작업은 원칙적으로 사람의 승인을 필요로 하는 작업으로 설정하고 있습니다. 반면, 읽기, 요약, 초안 작성, 로컬 저장까지는 자동화 가능성을 검토합니다. 이러한 구분 방식을 통해 AI에게 맡길 범위를 확대해도 불안감을 줄일 수 있습니다.

클라우드플레어의 공식 문서에서도 결제, 삭제, 외부 커뮤니케이션과 같이 영향을 미치는 작업은 사람의 확인을 포함하는 대표적인 예시로 다뤄집니다. 중요한 것은 승인을 마지막에 갑자기 추가하는 것이 아니라, Flow 안에 “확인 대기”라는 상태로 두는 것입니다.

승인 규칙 자체는 Skill에도 “어떤 행위를 중단해야 하는가”로서 기록합니다. 그 규칙을 실제 업무에서 작동하도록 하는 것이 Flow 상의 “확인 대기”입니다.

![AIの作業手順に人間の承認を含めるための設計要素](https://assets.st-note.com/img/1787202273-90egL1znsYHACN8JI3RdpZWf.png?width=1200)

승인 규칙은 Skill에 명시하고, Flow에서는 “확인 대기” 상태로 운영합니다.

## 실제 사례: 유튜브 텍스트를 지식 기반에 저장하는 방법

여기서는 제가 AI 직원 활용 사례로 고려하는 ‘유튜브 텍스트를 후속 검색 가능한 지식으로 보존하는’ 업무를 통해 검토해 보겠습니다.

먼저 Skill에 대해 대상은 공개 영상에 한정하고, 저장할 항목은 URL, 제목, 획득일, 요약, 원문 참조이며, 개인 정보나 권리 상 취급에 주의가 필요한 내용은 확인합니다. 여기서 무엇을 남기고 무엇을 남시지 않을지를 결정합니다.

다음 Flow에서는 URL 수신, 텍스트 음성 변환 획득, 주제별 정형화, 저장 후보 생성, 확인 대기, 저장 완료라는 단계를 거치게 됩니다. 획득에 실패하면 “실패”로 중단하고 URL과 자막의 유무를 재검토할 수 있도록 합니다. 요약의 품질에 대한 판단이 유보될 경우 “확인 대기”로 중단합니다.

MCP는 음성 녹취 획득과 지식 검색 및 저장 연결에 사용합니다. 하지만 갑자기 공개된 정본에 직접 수정 사항을 추가할 필요는 없으며, 처음에는 후보 파일을 아카이브에 보관하고 사람이 확인한 후에 정본에 반영하는 흐름으로도 충분합니다.

마지막으로 승인되었습니다. 획득한 텍스트를 외부로 재배포하지 않으며, 저장 위치가 공개 영역인 경우 확인합니다. 기존 지식을 덮어쓰려면 차이점을 제시합니다. 이 세 가지 사항을 중단하는 것만으로도 편리성과 안전성의 균형이 크게 변화합니다.

![YouTube URLから文字起こし取得、保存までを工程化したFlow](https://assets.st-note.com/img/1787202276-hH6PmFQGLACDJE0clnqew7K2.png?width=1200)

실 화면에서는 텍스트 인코딩 실패를 감지하고, 대체 언어를 선택하여 해당 공정에서 재실행합니다. 실패로 인해 상태가 꼬이더라도, 중간부터는 수정할 수 있습니다.

## 할 수 있는 것보다 맡길 수 있는 한계를 정하는 것

AI 도입 시 먼저 생각하게 되는 것은 “무엇을 할 수 있는가”입니다. 하지만 작은 팀에서는 먼저 결정해야 할 것은 “어느 정도까지는 위임해도 되는가”라고 생각합니다.

예를 들어 기사 제작의 경우, 뼈대 작성, 초안, 출처 후보, 이미지 제안 등은 AI에 맡겨도 무방한 영역입니다. 반면에, 게시 버튼을 누르는 행위, 고객 맞춤형 사례를 게재하는 것, 결과에 대한 명확한 표현을 확정하는 것은 사람이 직접 확인해야 할 영역입니다.

이 경계는 업무별로 1장의 표에 기록하면 작동합니다. 담당자가 늘어나도 “이것은 자동”, “이것은 확인”, “이것은 금지”가 공유될 수 있는 만큼, AI의 능력이 향상되더라도 경계를 유지하는 것이 좋습니다.

## 소규모 팀을 위한 5단계 도입 방법

처음부터 거대한 자동화를 만들 필요는 없습니다. 다음 순서가 현실적이라고 생각합니다.

- 매주 또는 매일 발생하는 업무를 하나 선택하십시오.
- 그 업무의 목적, 입력, 출력, 금지 사항을 Skill로 작성한다.
- 작업을 5~7단계로 나누고 완료, 실패, 확인 대기 여부를 결정한다.
- 처음에는 읽기 중심의 MCP만 연결했습니다.
- 외부 전송 및 수정 직전에 승인 포인트를 배치한다.

첫 번째 소재는 실패하더라도 되돌릴 수 있는 것이 적합합니다. 회의 메모 정리, 영상 자막 초안 작성, 기사 초안 작성, 문의 분류 등이 있습니다. 반대로 고객 자동 응답, 청구, 공개, 삭제부터 시작할 필요는 없습니다.

![業務全体をFlowにする場合と、一部だけをFlowにする場合の比較](https://assets.st-note.com/img/1787202279-90ZTvg2Kuey41k6MNLtmqFcf.png?width=1200)

처음부터 모든 것을 자동화하지 않고, 실패해도 되돌릴 수 있는 부분부터 플로우로 만드는 방법도 있습니다.

## AI 직원들은 능력보다 운영에 집중하며 성장한다.

기술은 중요합니다. 하지만 기술만 늘려도 일의 시작과 끝이 모호하다면, AI 직원들은 단발성 유용한 도구로 멈춰 설 것입니다.

판단 기준을 Skill에 남겨두고, 처리와 상태를 Flow로 추적한다. MCP에서 필요한 도구에만 연결하고, 영향이 있는 작업은 승인으로 되돌린다. 이 4단계가 갖춰지면 AI를 ‘가끔 사용하는 채팅’에서 재현 가능한 업무의 메커니즘에 더 가깝게 만들 수 있다.

먼저, 이번 주에 다시 다룬 업무 중 하나를 선택해주세요. 그리고 “얼마나 자동화하고, 어디에서 사람이 확인하는지”를 종이에 적어보세요. 그 한 장이 AI 직원들을 안전하게 키우는 첫 번째 설계도 역할을 합니다.

## 참고된 공식 정보

- 코덱스 플러그인｜OpenAI

코덱스 플러그인은 OpenAI의 GPT 모델을 더욱 강력하게 만들어줍니다. 코덱스 플러그인을 사용하면 다양한 외부 도구와 연동하여 GPT 모델의 기능을 확장할 수 있습니다. 예를 들어, 코덱스 플러그인을 통해 실시간 데이터, 이미지, 오디오, 비디오 등 다양한 유형의 데이터를 GPT 모델에 제공하여 더욱 풍부하고 정확한 답변을 생성할 수 있습니다.

코덱스 플러그인은 다음과 같은 기능을 제공합니다.

*   실시간 데이터 접근: 코덱스 플러그인을 사용하면 현재 날짜, 시간, 날씨, 주가 등 실시간 데이터를 GPT 모델에 제공할 수 있습니다.
*   이미지 생성: 코덱스 플러그인을 사용하면 GPT 모델을 사용하여 이미지를 생성할 수 있습니다.
*   오디오 및 비디오 분석: 코덱스 플러그인을 사용하면 GPT 모델을 사용하여 오디오 및 비디오를 분석할 수 있습니다.
*   외부 도구 연동: 코덱스 플러그인은 다양한 외부 도구와 연동하여 GPT 모델의 기능을 확장할 수 있습니다.

코덱스 플러그인은 GPT 모델을 사용하여 더욱 다양한 작업을 수행할 수 있도록 지원합니다. 코덱스 플러그인을 사용하면 다음과 같은 작업을 수행할 수 있습니다.

*   콘텐츠 생성: 코덱스 플러그인을 사용하면 GPT 모델을 사용하여 블로그 게시물, 기사, 소셜 미디어 게시물 등 다양한 유형의 콘텐츠를 생성할 수 있습니다.
*   데이터 분석: 코덱스 플러그인을 사용하면 GPT 모델을 사용하여 데이터를 분석하고 인사이트를 도출할 수 있습니다.
*   문제 해결: 코덱스 플러그인을 사용하면 GPT 모델을 사용하여 문제를 해결하고 해결책을 찾을 수 있습니다.

코덱스 플러그인은 GPT 모델을 더욱 강력하고 유용하게 만들어줍니다. 코덱스 플러그인을 사용하면 GPT 모델을 사용하여 더욱 다양한 작업을 수행하고 더욱 풍부하고 정확한 답변을 얻을 수 있습니다.
- ## ChatGPT 활용법｜OpenAI

ChatGPT는 OpenAI에서 개발한 대규모 언어 모델입니다. 텍스트 기반으로 다양한 작업을 수행할 수 있으며, 사용자의 질문에 답변하거나, 창의적인 콘텐츠를 생성하거나, 코드를 작성하는 등 다재다능한 능력을 보여줍니다.

**ChatGPT의 주요 기능:**

*   자연어 이해: ChatGPT는 인간의 언어를 이해하고 분석하는 능력이 뛰어나며, 복잡한 질문이나 요청도 정확하게 파악할 수 있습니다.
*   텍스트 생성: ChatGPT는 다양한 스타일과 형식의 텍스트를 생성할 수 있습니다. 예를 들어, 시, 소설, 에세이, 블로그 게시물, 이메일, 광고 문구 등을 작성할 수 있습니다.
*   코드 생성: ChatGPT는 간단한 코드부터 복잡한 코드까지 다양한 프로그래밍 언어로 코드를 생성할 수 있습니다.
*   번역: ChatGPT는 여러 언어 간의 번역을 수행할 수 있습니다.
*   요약: ChatGPT는 긴 텍스트를 요약하여 핵심 내용을 빠르게 파악할 수 있도록 도와줍니다.
*   대화: ChatGPT는 사용자와 자연스러운 대화를 나눌 수 있습니다.

**ChatGPT 활용 예시:**

*   아이디어 구상: 창작 활동이나 사업 아이디어를 구상할 때 ChatGPT를 활용하여 다양한 아이디어를 얻을 수 있습니다.
*   글쓰기 지원: ChatGPT를 활용하여 글의 초안을 작성하거나, 문장 표현을 개선하는 데 도움을 받을 수 있습니다.
*   학습 지원: ChatGPT를 활용하여 어려운 개념을 설명받거나, 퀴즈를 풀거나, 학습 자료를 생성하는 데 도움을 받을 수 있습니다.
*   업무 효율성 향상: ChatGPT를 활용하여 이메일 작성, 보고서 작성, 데이터 분석 등 다양한 업무를 자동화하여 업무 효율성을 향상시킬 수 있습니다.

**ChatGPT의 한계:**

*   환각 현상: ChatGPT는 때때로 사실과 다른 정보를 생성하는 ‘환각 현상’을 보일 수 있습니다. 따라서 ChatGPT가 제공하는 정보를 맹신하기보다는 비판적인 시각으로 검토해야 합니다.
*   편향성: ChatGPT는 학습 데이터에 포함된 편향성을 반영할 수 있습니다. 따라서 ChatGPT가 생성하는 텍스트가 특정 관점을 지니고 있을 수 있다는 점을 인지해야 합니다.
*   창의성 부족: ChatGPT는 기존의 데이터를 기반으로 텍스트를 생성하기 때문에, 완전히 새로운 아이디어를 창출하는 데는 한계가 있을 수 있습니다.

**ChatGPT에 대한 추가 정보:**

*   OpenAI 웹사이트: [https://openai.com/](https://openai.com/)
*   ChatGPT 데모: [https://chat.openai.com/](https://chat.openai.com/)

**참고:** ChatGPT는 지속적으로 업데이트되고 발전하고 있으며, 새로운 기능과 개선 사항이 계속 추가될 예정입니다.
- OpenAI는 커넥터 및 원격 MCP 서버를 제공합니다. 커넥터는 OpenAI API를 다른 애플리케이션과 통합할 수 있도록 하는 API입니다. 원격 MCP 서버는 OpenAI API를 실행하는 데 필요한 인프라를 제공합니다.

OpenAI는 커넥터 및 원격 MCP 서버를 사용하여 다양한 애플리케이션에서 OpenAI API를 사용할 수 있도록 지원합니다. 예를 들어, 커넥터를 사용하여 OpenAI API를 기반으로 챗봇을 만들 수 있습니다. 원격 MCP 서버를 사용하여 OpenAI API를 기반으로 데이터 분석을 수행할 수 있습니다.

OpenAI는 커넥터 및 원격 MCP 서버에 대한 자세한 정보를 제공하는 문서를 제공합니다. 자세한 내용은 [OpenAI 문서](https://platform.openai.com/docs/connectors)를 참조하십시오.

무라카미 하루키의 『카호』는 2000년 일본 아카데미상을 수상한 작품으로, 영화 『카호』의 각 컷마다 무라카미 하루키가 쓴 짧은 이야기를 덧붙인 독특한 형식의 소설입니다.
- 인간-이-루프 패턴｜클라우드플레어

**출처:** [note 원문](https://note.com/meru2002/n/ndb1370df26c7)

*번역: Gemma 3(.44) 초벌 + 교정 46청크*

[원문 보기](https://note.com/meru2002/n/ndb1370df26c7) | 출처: note.com