자동화가 실패하는 순간은 에이전트가 틀릴 때가 아니라, 아무도 멈추게 하지 않을 때다

매주 같은 CSV를 열고, 숫자를 요약하고, 팀 폴더에 저장하고, 담당자에게 “확인해주세요”라고 보내는 일이 있다. 스크립트로 만들자니 예외가 많고, 사람 손으로 하자니 매번 30분씩 사라진다. 그래서 에이전트라는 말을 들으면 반갑다. 그런데 “문장으로 지시하면 알아서 처리한다”는 약속만 믿고 연결 버튼부터 누르면, 자동화가 아니라 새로운 감시 업무를 얻게 된다.

OpenAI의 AgentKit 발표를 다룬 원문이 중요한 이유는 에이전트를 또 하나의 챗봇으로 설명하지 않았기 때문이다. 핵심은 스크립트의 조건문을, 도구를 호출하고 다음 단계를 판단하는 워크플로로 바꾸는 것이다. 다만 2026년 6월 OpenAI가 Agent Builder와 Evals를 11월 30일 이후 종료한다고 공지하면서 질문도 달라졌다. 지금 배워야 할 것은 특정 캔버스가 아니라, 도구가 바뀌어도 남는 설계법이다. [외부 정보]

스크립트와 에이전트의 차이는 ‘지능’보다 판단의 위치에 있다

스크립트는 “조건 X면 Y를 실행”한다. 입력과 예외를 미리 정의할수록 안정적이지만, 정의하지 않은 상황에서는 멈춘다. 에이전트는 요청을 해석하고, 연결된 도구 중 무엇을 쓸지 고르고, 여러 단계를 이어간다. 원문은 이를 PPC 자동화의 흐름인 수동 최적화 → 규칙 → 스크립트 → 자동화 레이어링 → 에이전트로 정리한다. [외부 정보]

이 차이는 “AI가 더 똑똑하다”는 뜻이 아니다. 판단이 코드 밖으로 이동했다는 뜻이다. 사람이 모든 분기를 코드로 적는 대신, 에이전트가 파일을 읽고 요약하고 다음 도구를 선택한다. 따라서 성능의 기준도 실행 속도 하나가 아니다. 어떤 데이터에 접근할 수 있는지, 어디서 멈추는지, 결과를 어떻게 검증하는지가 함께 설계돼야 한다.

OpenAI Agent Builder의 멀티 에이전트 워크플로 캔버스와 사용자 승인 노드
OpenAI Agent Builder 예시. 에이전트와 도구 사이에 가드레일·조건 분기·사용자 승인 노드를 둘 수 있다. 출처: OpenAI, Introducing AgentKit.

‘MCP는 배관, 에이전트는 수도꼭지’라는 비유가 실무에서 유용한 이유

원문은 Model Context Protocol(MCP)을 배관, AgentKit을 수도꼭지에 비유한다. MCP는 모델이 외부 데이터와 도구에 접근하는 방식을 정해진 능력 목록으로 노출한다. 중요한 점은 MCP가 시스템 전체의 열쇠가 아니라는 것이다. 원문이 예로 든 Google Ads MCP도 당시에는 엔티티 검색과 연결 고객 목록 조회처럼 읽기 중심의 기능만 제공했다. 입찰가 변경이나 광고 생성까지 자동으로 허용하는 구조가 아니었다. [외부 정보]

이 제한은 불편함이 아니라 도입의 조건이다. 에이전트가 “할 수 있는 일”을 좁게 정의하면 실수를 추적할 수 있고, 권한을 회수하기도 쉽다. 반대로 처음부터 메일 발송, 파일 삭제, 결제 승인까지 한 번에 연결하면 작은 오판이 큰 사고가 된다. 자동화의 첫 목표는 전면 무인화가 아니라 읽기 → 초안 작성 → 사람 승인 → 제한된 실행의 반복 가능한 루프여야 한다.

지금 도입한다면, ‘에이전트 하나’가 아니라 승인 가능한 업무 하나를 고른다

원문이 권하는 “작게 시작하라”는 조언을 실제 업무로 번역하면 다음 순서가 된다. 이 순서는 특정 제품의 매뉴얼이 아니라, AgentKit 이후에도 Agents SDK나 Workspace Agents에 옮겨갈 수 있는 설계 순서다. [외부 정보]

  1. 반복 작업을 한 문장으로 고른다. “매주 도착한 캠페인 리포트를 요약해 검토 폴더에 저장한다”처럼 입력과 완료 상태가 보이는 일을 고른다. “마케팅을 자동화한다”는 너무 크다.
  2. 도구는 읽기 권한부터 붙인다. 메일·드라이브·리포트 중 하나만 연결하고, 에이전트가 어떤 파일을 읽었는지 기록하게 한다. 데이터 위치를 모르면 추론하지 말고 질문하도록 지시한다.
  3. 승인 지점을 문장으로 쓰지 말고 단계로 만든다. 외부 발송, 데이터 수정, 비용 발생 직전에는 반드시 사람의 확인을 요구한다. 승인 없는 자동 발송은 성공률이 높아도 운영 가능한 자동화가 아니다.
  4. 평가 사례를 열 개 만든다. 정상 입력만 넣지 말고 빈 파일, 잘못된 날짜, 중복 보고서, 권한 없는 폴더를 넣는다. 결과의 정답뿐 아니라 “멈춰야 할 때 멈췄는지”를 평가한다.

이 네 단계를 통과하면 얻는 이득은 단순한 시간 절약이 아니다. 사람이 하던 복사·붙여넣기와 파일 분류가 사라지고, 사람은 예외 판단과 최종 승인에 집중할 수 있다. 업무가 코드에만 갇히지 않으므로 도메인 담당자와 개발자가 같은 흐름을 보고 수정할 수 있다. OpenAI는 Agent Builder 사례로 Ramp의 반복 주기 70% 단축, LY Corporation의 두 시간 이내 워크플로 구축, Canva의 ChatKit 통합 1시간 미만이라는 고객 발언을 소개했다. 이는 보편적 성과 보장이 아니라, 시각적 구성과 연결된 도구가 프로토타입 시간을 줄일 수 있음을 보여주는 사례다. [외부 정보]

OpenAI Agents SDK가 모델과 도구를 연결해 에이전트를 구성하는 구조도
도구와 실행 환경을 분리해 에이전트를 구성하는 구조. Agent Builder가 종료돼도 MCP·샌드박스·평가라는 설계 요소는 다른 구현으로 이어질 수 있다. 출처: OpenAI, The next evolution of the Agents SDK.

Agent Builder가 사라져도 배워야 할 것은 남는다

OpenAI는 2026년 6월 업데이트에서 코드로 계속 운영할 워크플로에는 Agents SDK를, 자연어 설정이 더 어울리는 반복 업무에는 ChatGPT의 Workspace Agents를 권장했다. 2026년 4월 공개된 Agents SDK 업데이트는 파일 검사·명령 실행·코드 편집을 통제된 샌드박스에서 수행하는 하네스와 MCP, skills, AGENTS.md 같은 구성 요소를 강조한다. [외부 정보]

이 변화는 실패라기보다 추상화의 위치가 바뀐 신호다. 시각적 캔버스에 익숙해지는 것보다, 권한이 제한된 도구·명시적인 승인·재현 가능한 평가를 업무 정의에 포함하는 편이 오래 간다. 플랫폼이 바뀌어도 이 세 가지는 그대로 옮길 수 있다. 반대로 특정 UI의 노드 이름만 외우면 다음 제품이 나오는 순간 학습이 초기화된다.

이번 주에 자동화할 것은 ‘가장 똑똑한 일’이 아니라 ‘가장 확인하기 쉬운 일’이다

당장 후보를 하나 고르자. 매주 반복되고, 읽을 자료가 정해져 있고, 결과를 사람이 1분 안에 검토할 수 있는 작업이면 충분하다. 에이전트에게 자료를 읽히고 초안을 만들게 한 뒤, 승인 버튼 앞에서 멈추게 하라. 첫 성공의 기준은 에이전트가 혼자 끝냈다는 이야기가 아니다. 어떤 근거로 무엇을 했는지 확인하면서도, 내 업무 시간이 줄었다는 사실이다.

당신의 첫 후보는 무엇인가? “주간 리포트 요약”, “회의 후속 메일 초안”, “브랜드 가이드에 맞춘 광고 문구 검토”처럼 입력·도구·승인 지점을 댓글로 적어보자. 그 한 문장을 에이전트가 실행 가능한 워크플로로 바꾸는 데서, 스크립트 이후의 자동화가 시작된다.

근거 출처

이 글에서 사실로 제시한 내용은 외부 정보(하베스터 수집)에 해당한다. 상호작용(에이전트-드루 대화·작업)의 경험담이나 내부 운영 통계는 사용하지 않았다.

이 글은 외부 자료를 바탕으로 한 AI & TOOLS 분석 초안이다. 도구의 최신 제공 범위와 권한 정책은 도입 전에 각 공식 문서에서 다시 확인해야 한다.