Goal Engineering
Quick Summary
에이전트가 장기 목표를 효과적으로 추구하려면 인간이 검토하고 피드백하기 쉬운 업무 단위에 맞춰 목표와 범위를 설계해야 한다는 것이 Goal Engineering의 핵심이다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약
에이전트가 장기 목표를 효과적으로 추구하려면 인간이 검토하고 피드백하기 쉬운 업무 단위에 맞춰 목표와 범위를 설계해야 한다는 것이 Goal Engineering의 핵심이다.
📌 핵심 요약
- 에이전트는 단순한 텍스트 생성에서 도구 호출·의사결정·전체 작업 수행으로 발전했으며, 저자들은 앞으로 개방형 목표를 받아 완수하는 방향으로 나아갈 것으로 전망한다. Hone은 이러한 미래의 사례로 제시되며, 최적화할 지표를 정의하는 것이 설정의 핵심 요소다.
- 에이전트의 실패에는 적절한 맥락의 부족이 큰 원인으로 작용한다. 문서나 API 접근보다 전달하기 어려운 것은 전문가 머릿속에만 있는 취향·판단·업무 방식이며, 이를 전달하려면 질 높은 인간 피드백과 직관적인 검토 UX가 필요하다.
- Actively AI의 초기 고객사별 에이전트는 각 잠재 고객사를 진전시키고 영업 담당자가 승인할 행동을 생성했다. 그러나 업무 종류와 검토 시점이 분산되어 에이전트 간 맥락 전환이 많았고, 여러 고객사에 공통으로 적용할 학습을 공유하기도 불편했다.
- Actively AI는 두 번째 버전에서 Deep Agents 기반의 motions를 도입해 아웃바운드나 초기 거래 진전 같은 업무 단위로 에이전트를 구성했다. 유사한 작업을 함께 검토하고 피드백을 다른 작업에 적용하기 쉬워졌으며, 고객사별 맥락은 백그라운드의 맥락 수집 에이전트가 제공한다.
- 저자들은 인간이 검토하기 쉬운 범위에 목표를 맞추면 암묵적 지식을 전달하고 에이전트의 지속적인 학습과 자율성 향상을 도울 수 있다고 주장한다. 인간 검토에는 많은 시간이 들지만 가치가 크며, 프롬프트 엔지니어링과 컨텍스트 엔지니어링은 사라져도 Goal Engineering은 남을 것이라고 전망한다.
🧩 주요 포인트
- 업무의 성패를 좌우하는 취향과 판단이 문서화되어 있지 않음 → 목표 설계에는 인간 피드백을 쉽게 수집할 수 있는 범위와 검토 UX가 포함되어야 한다.
- Actively AI의 고객사별 구조에서 공통 업무 학습이 여러 에이전트에 분산됨 → motions처럼 유사한 작업을 묶는 방식이 검토 부담과 학습 공유 문제를 줄이는 데 유리하다.
- 고객사별 맥락과 업무 수행 방식은 성격이 다름 → 객관적 맥락은 수집 에이전트가 제공하고, 여러 고객사를 다루는 motions는 피드백을 통해 업무 방식을 익히는 역할 구분이 가능하다.
🧠 상세 정리
1. 작업 수행을 넘어 개방형 목표로
에이전트가 맡을 수 있는 작업의 범위는 지난 몇 년 동안 단순한 텍스트 생성에서 도구 호출과 의사결정, 전체 작업의 실행으로 크게 넓어졌다. 저자들은 다음 단계가 개방형 목표를 부여받고 그 목표의 완수를 향해 움직이는 에이전트라고 보며, Hone의 출시를 이러한 미래를 엿볼 수 있는 사례로 든다. 이때 에이전트의 방향과 범위를 잘못 설정하면 많은 토큰이 낭비될 수 있으므로, 무엇을 추구하도록 할지 설계하는 일이 중요해진다. Hone의 설정에서 최적화할 지표를 정의하는 것이 핵심 요소라는 설명은, 목표를 주는 과정 자체가 에이전트의 활동 방향을 결정한다는 문제의식으로 이어진다.
2. 피드백하기 쉬운 범위가 필요한 이유
저자들이 제시하는 목표 설계 원칙은 에이전트가 자신의 범위 안에서 일하는 동안 인간이 최대한 쉽게 피드백을 줄 수 있도록 업무 범위를 정하는 것이다. 에이전트가 실수하는 큰 이유 중 하나는 적절한 맥락의 부족인데, 필요한 문서나 API에 대한 접근은 비교적 쉽게 보완할 수 있지만 어디에도 기록되지 않은 지식은 인간 전문가의 피드백으로 전달해야 한다. 특히 광고를 개선해 마케팅 성과를 높이는 것처럼 주관적 판단이 개입되는 업무에서는 무엇이 보기 좋고 듣기 좋은지, 브랜드가 얼마나 도발적으로 표현해도 되는지 같은 취향과 의견이 중요하다. 이러한 맥락을 빠르게 배우지 못하면 에이전트의 유용성이 떨어지므로, 저자들은 피드백의 수집 편의성과 품질을 높이는 직관적이고 만족스러운 검토 UX에 충분히 투자할 가치가 있다고 주장한다.
3. Actively AI의 초기 고객사별 구조와 한계
영업팀을 위한 에이전트를 만드는 Actively AI는 처음에 잠재 고객사마다 하나의 에이전트를 배정하고, 해당 고객사를 진전시키기 위한 행동을 만들어 영업 담당자의 승인을 받도록 했다. 이는 범위가 비교적 제한되고 방향과 결과가 분명한 목표였으며, 고객사에 관한 맥락이 가장 중요하다고 보면 자연스러운 구성이었다. 그러나 실제 업무에서는 아웃바운드 방식, 답변 작성, 거래 전략, 적극성의 수준, 대규모 조직을 상대하는 방법처럼 여러 고객사에 공통으로 적용되는 지식도 필요했다. 고객사 하나를 진전시키는 데 필요한 다양한 업무가 시간에 걸쳐 흩어지면서 개별 에이전트에는 당장 검토할 항목이 적었고, 영업 담당자는 에이전트 사이를 자주 오가야 했다. 한 고객사에서 얻은 업무 방식의 학습을 다른 고객사의 에이전트에 공유하는 경험도 불편해, 고객사 중심의 구성이 피드백과 학습의 흐름에는 잘 맞지 않는다는 문제가 드러났다.
4. motions로 업무와 학습 범위 재구성
Actively AI의 두 번째 버전은 Deep Agents를 기반으로 만든 목표 지향형 에이전트를 motions라고 부르며, 아웃바운드나 초기 단계 거래 진전처럼 특정한 업무를 중심으로 구성했다. 이런 업무의 수행 방식은 완전히 정의되어 있지 않고 개별 영업 담당자의 선호에도 영향을 받으므로, 담당자 머릿속의 지식을 해당 motion이 피드백으로 배워야 한다. 하나의 motion에는 유사한 작업이 모여 있어 영업 담당자가 함께 검토하기 쉽고, 한 작업에서 얻은 피드백을 같은 motion의 다른 작업에 적용하는 것도 자연스럽다. 저자들은 이 구성이 피드백의 범위와 제공 편의성을 에이전트의 범위에 맞추기 때문에 강력한 에이전트를 만드는 일을 훨씬 쉽게 해준다고 설명한다.
5. 고객사 맥락 수집과 실제 업무의 역할 구분
업무 단위로 에이전트를 재구성했다고 해서 고객사별 맥락이 중요하지 않다는 뜻은 아니며, 저자들은 그 중요성을 분명히 인정한다. 다만 고객사에 관한 맥락은 이미 기록되어 있는 경우가 많고 상대적으로 객관적이어서, 피드백으로 전달해야 하는 업무 방식이나 개인적 선호와는 성격이 다르다. 이에 Actively AI는 백그라운드에서 고객사별 정보를 모으는 맥락 수집 에이전트를 두고, 실제로 고객사를 영업 퍼널의 다음 단계로 진전시키는 일은 여러 고객사에 걸쳐 작동하는 motions가 맡도록 했다. 각 motion은 영업 활동의 특정 부분을 담당하면서 필요한 고객사 맥락을 가져오고, 그 업무에 대한 피드백을 통해 더 빠르게 배우는 구조로 설명된다.
6. 인간 검토의 가치와 Goal Engineering의 미래
저자들은 미래의 에이전트가 목표만 전달받아도 스스로 그 목표를 최적화하는 방향으로 일할 수준까지 발전할 것으로 전망한다. 그 과정에서 인간의 검토는 많은 시간을 요구하지만, 에이전트에게 무엇을 해야 하는지 가르치고 특정 업무 영역에 맞게 적응시키는 수단이므로 매우 가치 있다고 강조한다. 특히 사람의 머릿속에만 있는 지식을 에이전트에게 전달하기 쉬운 형태로 끌어내려면, 목표를 인간이 검토하기 쉬운 업무 범위에 맞추고 좋은 검토 UX를 제공해야 한다는 것이 결론이다. 이를 통해 더 많은 정보를 얻고 지속적인 학습과 유용성·자율성의 향상을 지원할 수 있다는 논리를 바탕으로, 글은 프롬프트 엔지니어링과 컨텍스트 엔지니어링은 사라져도 Goal Engineering은 남을 것이라는 전망으로 끝난다.
🧾 핵심 주장 / 시사점
- 목표가 명확하고 범위가 제한적이라는 이유만으로 좋은 에이전트 구성이 되는 것은 아니다. Actively AI 사례에서는 인간이 피드백을 제공하는 흐름과 목표의 경계가 맞는지가 중요했다.
- 여러 작업에 공통으로 적용되는 업무 방식은 유사한 작업을 묶은 에이전트에서 학습하기 쉽다는 것이 motions 사례의 핵심 시사점이다.
- 검토 UX는 에이전트를 평가하는 접점인 동시에, 문서화되지 않은 전문가 지식을 전달하는 통로다. 따라서 검토 편의성은 장기 목표 수행을 위한 학습 조건과 연결된다.
✅ 액션 아이템
- 에이전트의 목표와 범위를 인간 피드백의 수집 용이성과 검토 UX를 기준으로 재검토.
- Actively AI의 motions 사례를 바탕으로 유사한 작업을 묶어 검토하고 피드백을 공유할 수 있는 업무 단위 검토.
- 고객사별 맥락 수집과 motions의 업무 수행 방식을 구분해, 객관적 맥락과 인간 피드백이 각각 필요한 범위 확인.
❓ 열린 질문
- 에이전트의 목표 범위를 어떻게 정해야 인간 피드백의 품질과 검토 UX를 함께 높일 수 있을까?
- Actively AI의 motions처럼 유사한 작업을 묶을 때, 한 작업의 피드백을 다른 작업에 적용할 수 있는 범위는 어디까지일까?
- 고객사별 맥락 수집 에이전트와 motions 사이에서 객관적 맥락과 영업 담당자의 주관적 판단을 어떻게 구분할 수 있을까?