AI 기본 개념 · 입문

AI에게 일을 통째로 맡긴다는 것
대화형 AI와 위임형 AI의 결정적 차이

좋은 답을 받는 것과 일이 끝나는 것은 다릅니다. 마케터·기획자·경영진을 위한 위임의 기본기

1. 좋은 답을 받았는데 왜 일은 안 끝나는가

보고서를 써야 하는 상황을 떠올려 봅시다. 챗봇에게 목차를 물어보면 훌륭한 목차가 나옵니다. 문단을 부탁하면 그럴듯한 문단이 나옵니다. 그런데 정작 보고서는 아직 존재하지 않습니다.

답변을 복사해 문서에 붙이고, 회사 양식에 맞추고, 앞뒤 문단의 말투를 통일하고, 숫자가 맞는지 대조하는 일이 남아 있기 때문입니다. 이 노동은 눈에 잘 띄지 않지만 실제로는 전체 시간의 상당 부분을 차지합니다.

여기서 중요한 구분이 하나 생깁니다.

구분	대화형 AI	위임형 AI
내가 주는 것	질문	목표
AI가 주는 것	답변	완료된 작업(산출물)
끝나는 시점	답이 나오면 끝	목표가 달성될 때까지 반복
남는 것	대화 기록	실제 파일·문서
사람의 역할	답을 받아 직접 적용	맡기고, 확인하고, 책임진다

이 차이를 "AI가 더 똑똑해졌다"로 이해하면 핵심을 놓칩니다. 달라진 것은 지능이 아니라 손이 닿는 범위입니다. 예전 AI는 채팅창 안에서만 말할 수 있었고, 지금의 AI는 파일을 열고 고치고 저장할 수 있습니다. 같은 모델이라도 손이 닿느냐 아니냐에 따라 결과물의 성격이 완전히 달라집니다.

이렇게 목표를 받아 스스로 계획하고 실행하는 AI를 위임형 AI 또는 에이전트(Agentic AI)라고 부릅니다. 코드를 다루는 영역에서 이 방식을 가장 멀리 밀고 간 사례가 Claude Code이고, 이 글에서는 위임형 AI가 실제로 어떻게 동작하는지 보여주는 대표 사례로 다룹니다.

2. 위임형 AI는 어떻게 일하는가

사람에게 일을 맡길 때를 생각해 봅시다. 우리는 한 번 지시하고 결과를 받는 것이 아니라, 상대가 스스로 계획하고 → 해보고 → 결과를 보고 → 어긋나면 고치는 과정을 거칠 것이라 기대합니다. 위임형 AI도 같은 구조로 움직입니다. 이 순환을 작업 루프(Loop)라고 부릅니다.

대화형 AI가 한 번의 응답으로 끝난다면, 위임형 AI는 끝났다고 판단할 때까지 계속 돕니다. 이것이 "질문을 잘하는 기술"만으로는 다룰 수 없는 이유이기도 합니다. 질문은 한 번이지만, 루프는 여러 번 돌기 때문입니다.

그래서 통제 지점이 필요해집니다

루프가 스스로 돈다는 것은 편리한 만큼 위험하기도 합니다. 그래서 실무에서는 승인 지점(Human-in-the-Loop)을 둡니다. AI가 자율 실행을 잠시 멈추고 사람의 확인을 받는 지점입니다.

• 되돌리기 쉬운 일(초안 작성, 자료 정리)은 승인 지점을 느슨하게 둡니다.
• 되돌리기 어려운 일(파일 삭제, 외부 발송, 결제)은 반드시 사람이 확인한 뒤 진행하게 합니다.

승인 지점을 어디에 두느냐가 위임 설계의 핵심입니다. 너무 많이 두면 자동화의 의미가 사라지고, 너무 적게 두면 사고가 났을 때 되돌릴 수 없습니다.

3. 세 축 프레임: 위임 · 맥락 · 검증

일을 맡기는 행위는 세 가지 질문으로 나눌 수 있습니다. 앞으로 이 시리즈 전체에서 이 세 축을 공통 언어로 사용합니다.

실패는 대부분 세 축 중 하나에서 납니다

AI에게 맡겼는데 엉뚱한 결과가 나왔을 때, 막연히 "AI가 별로다"라고 결론 내리기 쉽습니다. 세 축으로 나눠 보면 원인이 훨씬 분명해집니다.

증상	실패한 축	실제 원인
일은 잘했는데 내가 원한 게 아니다	위임	목표를 내가 명확히 정하지 않은 채 맡겼다
회사 규칙·용어를 자꾸 어긴다	맥락	지켜야 할 규칙을 알려주지 않았다
그럴듯한데 맞는지 알 수 없다	검증	무엇을 확인할지 미리 정하지 않았다
매번 같은 실수를 반복한다	맥락	지적은 했지만 어디에도 기록해 두지 않았다

특히 마지막 줄이 중요합니다. 대화 중에 "그렇게 하지 마세요"라고 말하면 그 대화에서는 고쳐지지만, 다음 대화에서는 처음부터 다시 시작합니다. 지적을 매번 반복하고 있다면 그것은 AI의 문제가 아니라 맥락을 휘발되는 방식으로 주고 있다는 신호입니다.

이 문제를 해결하는 방법이 지침을 대화가 아니라 문서로 남기는 것입니다. 프로젝트 폴더에 CLAUDE.md라는 문서를 두면, AI가 일을 시작하기 전에 매번 그 문서를 읽고 규칙을 지킵니다. 이 문서를 어떻게 쓰는지가 시리즈 2편의 주제이므로 여기서는 존재만 기억해 두시면 충분합니다.

4. 비개발 직군에게 실제로 열린 것

여기서 오해를 하나 정리하겠습니다. 이 글은 코딩을 배우자는 이야기가 아닙니다. 위임형 AI가 다루는 것은 결국 파일이고, 사무직의 일도 대부분 파일로 이루어져 있습니다. 코드를 쓸 줄 아느냐가 아니라 맡길 일을 설명할 수 있느냐가 관건입니다.

산출물 관점에서 보면 이런 일들이 위임 대상이 됩니다.

세 사례에 공통점이 있습니다. 결과가 맞는지 확인할 방법이 분명하다는 것입니다. 이것이 위임 가능 여부를 가르는 실질적인 기준입니다.

5. 자율성이 커지면 검증 책임도 커진다

위임형 AI의 가장 흔한 오해는 "맡기면 신경 쓸 일이 줄어든다"입니다. 실제로는 반대입니다. 손이 덜 가는 대신 확인해야 할 것이 늘어납니다. 내가 한 줄씩 만들지 않았기 때문에, 무엇이 어떻게 만들어졌는지 내가 모르는 상태가 되기 때문입니다.

맡기면 안 되는 일의 기준

기술적으로 가능한지가 아니라 책임이 어디에 있는지로 판단하는 것이 좋습니다.

맡겨도 되는 일	맡기면 안 되는 일
정답이 정해져 있고 확인할 수 있는 일	판단 자체가 결과물인 일 — 인사 평가, 채용 결정
틀려도 되돌릴 수 있는 일	되돌릴 수 없는 일 — 대외 발송, 계약, 결제 승인
기준을 문장으로 쓸 수 있는 일	기준을 말로 설명할 수 없는 일
결과를 내가 검토할 수 있는 일	내가 검토할 능력이 없는 일

마지막 줄이 가장 중요합니다. 내가 검증할 수 없는 일은 위임이 아니라 방치입니다. AI가 만들어 준 결과를 판단할 수 없다면, 잘 만들어졌을 때와 잘못 만들어졌을 때를 구분할 수 없다는 뜻이고, 그 상태에서 결과를 쓰는 것은 위험합니다.

맡기기 전에 검증 기준을 먼저 적는다

실무에서 가장 효과가 큰 습관 하나를 꼽으라면 이것입니다. 지시를 내리기 전에, 결과를 무엇으로 판정할지 한 줄로 적어 두는 것입니다.

• "표에 모든 거래처가 빠짐없이 들어갔는가"
• "금액 합계가 원본 합계와 일치하는가"
• "보고서에 지난달 대비 증감이 들어갔는가"

이 문장들을 먼저 적어두면 두 가지가 동시에 해결됩니다. 내가 무엇을 원하는지 분명해지고(위임 축), 동시에 결과를 판정할 기준이 생깁니다(검증 축). 맡긴 뒤에 기준을 만들면 이미 나온 결과에 기준을 맞추게 되어, 검증이 형식적인 절차로 전락합니다.