AI활용법, 클로드코드, 코딩에이전트, 프롬프트엔지니어링, 업무자동화, AI생산성, 직장인AI
솔직히 말하면, 저도 한동안 AI를 열심히 쓰면서도 "뭔가 달라진 게 없는데?"라는 찜찜한 기분을 달고 살았습니다. ChatGPT에 질문하고, 결과물 받아서 손보고, 결국 제가 다시 쓰는 악순환. AI를 쓰는 건지, AI한테 끌려다니는 건지 모를 상태가 꽤 오래 이어졌습니다. 그러다 AI 활용에도 단계가 있다는 걸 알게 되면서, 제가 얼마나 좁은 범위에서만 AI를 쓰고 있었는지 체감했습니다.
AI가 내 일을 '도와주는 것'에서 멈추는 이유
혹시 이런 경험 있으신가요? ChatGPT나 Claude에 "마케팅 기획서 써줘"라고 던졌더니, 어디서 본 듯한 교과서적인 내용만 돌아오는 상황. 저도 처음엔 그랬습니다. 나름 구체적으로 물어본다고 생각했는데, 결과물엔 항상 '2% 부족한 느낌'이 있었습니다.
문제는 AI 성능이 아니었습니다. 제 질문의 수준이 AI의 능력을 가두고 있었던 겁니다.
이 단계를 증강(Augmentation)이라고 부릅니다. LLM(Large Language Model), 즉 ChatGPT·Gemini·Claude 같은 거대 언어 모델을 대화 방식으로 활용하는 것입니다. 여기서 LLM이란 대규모 텍스트 데이터를 학습하여 인간처럼 언어를 이해하고 생성하는 AI 모델을 말합니다. 사람이 주도하고 AI가 사고 과정을 보조하는 방식이라, 분명 도움은 됩니다. 하지만 "내 일이 크게 달라졌다"는 체감은 좀처럼 오지 않습니다. AI가 나 대신 일을 해주는 게 아니라, 내가 일하는 걸 옆에서 거들어주는 수준에 그치기 때문입니다.
그래서 저는 프롬프트 엔지니어링(Prompt Engineering)에 투자하기 시작했습니다. 프롬프트 엔지니어링이란 AI에게 원하는 결과를 끌어내기 위해 질문의 구조와 조건을 설계하는 기술을 말합니다. 단순히 "보고서 써줘"가 아니라, "너는 10년 차 전략기획 전문가야(페르소나), 현재 우리 팀 상황은 이렇고(맥락), 핵심 성과 위주로 요약해줘(작업), 표 형태로 정리해줘(형식)"처럼 구조를 갖춰 요청하는 방식입니다.
제가 직접 써봤는데, 결과가 완전히 달랐습니다. 1시간 동안 끙끙 앓으며 잡았을 논리 구조를 AI가 10초 만에 뽑아내더군요. 그것도 제가 생각지 못했던 관점까지 포함해서요. 특히 "최상의 결과를 위해 필요한 정보가 있다면 먼저 질문해줘"라는 역질문 요청 방식은 정말 신세계였습니다. AI가 "타겟 고객 연령대는요?", "강조하고 싶은 핵심 가치가 뭔가요?"라고 저한테 먼저 물어오는 경험, 한번 해보시면 다시는 예전 방식으로 돌아가기 어렵습니다.
LLM 활용의 핵심 포인트를 정리하면 다음과 같습니다.
- 페르소나 부여: AI에게 특정 전문가 역할을 맡겨 전문성을 끌어낸다
- 맥락 제공: 현재 상황, 제약 조건, 목적을 구체적으로 설명한다
- 역질문 요청: "먼저 질문해줘"로 AI가 필요한 정보를 스스로 요청하게 만든다
- 출력 형식 지정: 표, 글머리 기호, 단락 구분 등 원하는 포맷을 미리 지정한다
McKinsey Global Institute 보고서에 따르면 생성형 AI를 업무에 적극 도입한 직원은 동일 작업 수행 시간을 평균 40% 단축했다는 분석이 있습니다([출처: McKinsey & Company](https://www.mckinsey.com)). 증강 단계만 제대로 써도 이 정도 효과는 실현 가능하다는 얘기입니다. 다만, 이 단계에서 멈추면 '내 일 자체가 줄어드는' 경험은 하기 어렵습니다.
일이 '줄어드는' 경험을 하려면: 자동화에서 조직화로
증강 단계를 넘어서면 자동화(Automation)가 등장합니다. 코드가 주도하는 방식으로 반복 업무를 처리해주는 것입니다. 매번 제가 실행하지 않아도, 특정 조건이 충족되면 알아서 돌아가는 구조입니다. 잡무 일부를 아예 머릿속에서 지워버릴 수 있다는 점에서, 증강과는 차원이 다른 변화를 줍니다.
자동화 방법은 크게 두 가지입니다. 코딩 에이전트(Claude Code, Codex, Antigravity)를 활용한 코드 기반 자동화와, Make·Zapier·N8N 같은 노코드(No-code) 자동화 도구를 쓰는 방식입니다. 노코드 자동화란 프로그래밍 언어 없이 시각화된 워크플로우 인터페이스로 업무 프로세스를 정의하고 실행하는 방식을 말합니다.
그런데 솔직히, 저는 자동화 도구를 배우던 초반에 "이게 생각보다 복잡하네"라는 느낌을 받았습니다. 정해진 시나리오대로는 잘 돌아가는데, 결과 퀄리티가 들쭉날쭉하거나 예외 상황이 생기면 손쓰기가 어렵더라고요.
그 한계를 넘어서는 게 세 번째 단계, 조직화(Orchestration)입니다. 여기서 오케스트레이션(Orchestration)이란 여러 AI 에이전트에게 역할을 분담하고 인간이 이를 지휘·감독하며 복잡한 업무를 처리하는 방식을 말합니다. 마케터, 리서처, 세일즈맨을 가상으로 고용하듯 AI 팀을 꾸리는 개념입니다. 사람을 채용하지 않아도요.
2단계 자동화가 시키는 것만 정확히 실행하는 방식이라면, 3단계 조직화는 목표와 업무 지시서를 주면 AI가 스스로 판단하며 일을 처리합니다. 중간에 휴먼 인 더 루프(Human-in-the-loop)가 개입하는 구조입니다. 휴먼 인 더 루프란 AI가 자율적으로 작업하는 과정에서 특정 시점에 사람이 검토·승인·수정으로 개입하는 방식을 말합니다. 완전 자동화보다 결과물 수준이 월등히 높아지는 이유가 바로 이것입니다.
제가 직접 써봐서 느낀 건데, Claude Code는 이 조직화 방식에서 특히 강점을 보입니다. 저는 현재 Claude Code로 벤치마킹 채널의 최신 영상을 수집해 인사이트 보고서로 정리해주는 에이전트, 북마크한 글들을 연결해 제 블로그 글로 재창조해주는 에이전트, 고객 문의 메일이 오면 Notion에 자동 업데이트하는 인바운드 세일즈 에이전트를 운영하고 있습니다. 출근해서 수행하는 거의 모든 업무에 이 에이전트들이 붙어 있는 셈입니다.
세계경제포럼(WEF)은 2025년 보고서에서 AI 에이전트 기술의 확산으로 지식 노동의 상당 부분이 재편될 것이라고 전망했습니다([출처: World Economic Forum](https://www.weforum.org)). 특히 코딩 에이전트가 범용 에이전트로 부상하는 흐름은, 모든 지식 노동이 이미 디지털화되어 있기 때문에 컴퓨터와 인터넷에 대한 통제권만 있으면 어떤 업무든 처리할 수 있게 된다는 논리와 맞닿아 있습니다.
코딩 에이전트를 단순히 웹이나 앱을 만드는 '바이브 코딩(Vibe Coding)' 도구로만 이해하면 아깝습니다. 바이브 코딩이란 자연어 프롬프트로 AI에게 코드를 짜게 해서 프로그램을 만드는 방식을 말하는데, 이는 조직화 방식의 절반 수준에 불과합니다. 에이전트한테 피드백을 반복해주면 주니어 직원이 성장하듯 시스템 자체가 개선됩니다. 재귀적으로 성장하는 AI 팀을 가지게 되는 것입니다.
AI 활용의 세 단계를 넘나들다 보면, 결국 세 가지가 서로 배타적이지 않다는 걸 알게 됩니다. 사고를 확장할 땐 LLM과의 대화가 여전히 가장 효율적이고, 단순 반복 잡무는 2단계 자동화로 제거하는 게 낫습니다. 복잡한 판단이 필요한 업무는 3단계 조직화로 처리하되, 중간중간 제가 방향을 잡아주는 구조로 가면 됩니다. 지금 어떤 AI 도구를 써야 할지 고민이라면, 먼저 내 업무 중 어떤 문제를 해결하고 싶은지를 먼저 정의해보시길 권합니다. 도구를 먼저 고르는 것보다 문제를 먼저 정의하는 사람이 AI를 훨씬 잘 씁니다.
---