🖼️ 4컷 인포그래픽

💡 한 줄 결론

이 대화의 핵심은 AI 경쟁의 승부처가 더 이상 LLM 단독 성능이 아니라, 워크 에이전트와 라이프 에이전트를 데이터·보안·플랫폼 위에서 실제로 작동시키는 생태계 전체로 이동하고 있다는 점입니다.

📌 핵심 요점

1. 코딩 에이전트는 이미 보급 국면에 들어섰고, 그다음 핵심 시장은 실제 조직 업무를 다루는 워크 에이전트와 개인 데이터를 다루는 라이프 에이전트로 제시된다.
2. 워크 에이전트 도입은 좋은 모델 하나로 해결되지 않으며, 사용자 교육, 데이터 정리, 보안, DLP, 비용, 회사별 최적화가 함께 갖춰져야 한다는 현실적 제약이 반복해서 강조된다.
3. 발표자는 경쟁 포인트가 LLM 자체보다 그 앞단의 에이전트 레이어와 데이터 접근권에 있다고 보며, 애플과 마이크로소프트가 강한 이유도 각각 개인 데이터와 업무 데이터를 쥐고 있기 때문이라고 설명한다.
4. 메타는 모델과 서비스 양쪽을 모두 시도하지만 방향성이 분산돼 있다는 평가를 받고, 반면 중국 모델 진영은 오픈소스와 생태계 확장 측면에서 빠르게 존재감을 키우고 있다는 진단이 나옵니다.
5. 후반부에서는 한국이 코딩 에이전트보다 워크 에이전트와 라이프 에이전트, 그리고 한국형 모델·토큰·보안 생태계 조합에서 아직 기회를 가질 수 있다는 기대가 제시된다.

🧩 배경과 문제 정의

• 이 대화는 코딩 에이전트 이후의 핵심 시장으로 워크 에이전트와 라이프 에이전트를 놓고, 이를 실제 조직과 플랫폼 안에서 어떻게 도입할지를 문제로 삼습니다.
• 핵심 맥락은 AI 경쟁이 단순한 모델 성능을 넘어 토큰 이코노미, 데이터 제어권, 플랫폼 통제력, 현장 도입 역량으로 이동하고 있다는 점입니다.
• 특히 워크 에이전트는 조직 업무에 곧바로 연결될 수 있지만, 데이터 정리, 사용자 교육, 보안, DLP, 비용까지 함께 갖춰져야 한다는 현실적 제약이 강조된다.
• 후반부로 갈수록 경쟁의 본질은 LLM 자체보다 기기, 데이터, 토큰, 에이전트를 묶은 생태계 전체에 있으며, 한국도 그 안에서 별도의 기회를 가질 수 있다는 방향으로 정리된다.

🕒 시간순 섹션별 상세정리

1. 토큰 이코노미와 플랫폼 주도권 구도 [00:00]

• 도입부에서는 구글 AI 생태계 홍보 뒤에, 빅테크가 AI 토큰을 많이 쓰게 만드는 방향으로 움직이고 있다는 관점이 제시된다.
• 애플은 라이프 에이전트를 자사 기기 통제 아래 둘 가능성이 크고, 메타는 토큰 이코노미의 중심에서 다소 멀어 보인다는 평가가 나옵니다.

2. 코딩 에이전트 다음 단계로서 워크·라이프 에이전트 [01:00]

• 코딩 에이전트는 이미 널리 보급됐고, 그다음 시장은 워크 에이전트와 라이프 에이전트라는 정리가 제시된다.
• 라이프 에이전트는 아직 시간이 더 필요해 보이지만, 워크 에이전트는 이미 일부 현장에서 돌아가고 있다는 인식이 드러납니다.
• 코딩 에이전트보다 워크·라이프 에이전트가 더 큰 시장일 수 있다는 문제의식이 함께 제시된다.

3. 워크 에이전트 도입의 현실적 난점 [01:35]

• 라이프 에이전트는 갤럭시나 애플 같은 플랫폼 사업자가 좌우할 가능성이 커서 진입이 쉽지 않다는 설명이 나옵니다.
• 워크 에이전트 역시 중요한 이메일, 일정, 우선순위 같은 답이 정해지지 않은 문제를 다뤄야 해서 생각보다 쉽지 않다는 점이 강조된다.
• 발표자는 120명 조직에서 개발자와 일반 직군 모두를 AI 전환하는 경험을 언급하며, 일반 직군 AX의 핵심이 워크 에이전트라고 봅니다.

4. 워크 에이전트의 구조와 사내 데이터 문제 [02:22]

• 워크 에이전트는 LLM 앞단에 붙어 회사 데이터와 규정을 넣고, 질문에 맞춰 자료를 찾고 분석하는 구조로 설명된다.
• 질문이 복잡할수록 여러 데이터를 반복 참조해야 하므로 단순 질의응답보다 더 에이전트적인 동작이 필요하다는 점이 언급된다.
• 하지만 회사 기밀과 내부 데이터를 넣으려면 글로벌 AI를 그대로 쓰기 어렵고, 해외 서버에 정보가 들어가는 점도 부담으로 제시된다.

5. 엔터프라이즈형 워크 에이전트 제품 방향 [03:15]

• 발표자는 이런 제약이 있는 회사를 위해 자사에서 오피스 에이전트 제품을 만들고 있다고 소개한다.
• 이 제품은 마이크로소프트 코파일럿이나 챗GPT 엔터프라이즈처럼 회사 데이터를 넣고 LLM으로 업무를 수행하는 워크 에이전트에 가깝다고 설명된다.
• 핵심은 모델 자체보다 회사 데이터와 업무 맥락을 안전하게 연결하는 사용 방식에 있다는 점이 드러납니다.

6. 빅테크 기능 확장 속 스타트업의 대응 질문 [03:31]

• 진행자는 제미나이, 챗GPT, 클로드가 기능을 하나씩 추가할 때마다 많은 스타트업이 사라진다는 문제의식을 꺼냅니다.
• 빅테크가 AI 기능을 계속 확장하는 상황에서, 다른 회사들은 여기에 어떻게 대응해야 하는지가 질문으로 제기된다.

7. 경쟁 포인트는 모델보다 워크 에이전트 레이어 [03:56]

• 답변에서는 LLM 모델은 계속 더 좋은 것으로 갈아타면 되고, 실제 경쟁은 그 앞단의 워크 에이전트와 데이터 레이어에서 벌어진다고 정리한다.
• 한국 데이터 이해, 복잡한 표 처리, 국내 보안 규정 준수, 데이터 안심 투입 여부 같은 요소가 중요하다고 설명된다.
• 새 모델이 나오는 것 자체는 오히려 좋은 일이며, 차별화는 보안, 비용, 데이터 연동, 한국적 상황 이해 같은 운영 조건에서 나온다는 논리로 이어진다.

8. 현장 수요와 후속 논의의 예고 [04:53]

• 발표자는 보안과 데이터 연동을 포함한 워크 에이전트 경쟁력이 실제로 있다고 보고 있다고 말한다.
• 이어 최근 건설 회사들 사례를 언급하려는 흐름이 시작되며, 워크 에이전트 수요가 특정 산업 현장으로 확장되고 있음을 시사한 채 이 구간이 마무리된다.

9. 워크 에이전트 도입의 전제 조건 [05:00]

• 많은 기업이 AI에는 관심이 있지만, 글로벌 AI를 바로 쓰기에는 아직 거리감이 크다는 현실이 제시된다.
• 좋은 모델과 도구만으로는 부족하고, 사용자 역량까지 포함한 DX 컨설팅이 함께 들어가야 한다는 설명이 이어진다.
• 워크 에이전트도 코딩 에이전트처럼 사용자가 제대로 지시할 수 있어야 작동한다는 점이 강조된다.

10. 사용자 교육과 데이터 준비의 병행 필요 [06:01]

• 일반 직군 AX에서도 교육이 매우 중요하며, 사용자 역량을 키우고 데이터를 준비해야 실제로 에이전트를 쓸 수 있다는 논리가 제시된다.
• 회사에 맞는 워크 에이전트와 적절한 LLM까지 함께 갖춰져야 일이 돌아가고, 이 중 하나라도 약하면 전체가 무너질 수 있다는 진단이 나옵니다.
• 이어 대다수 회사는 데이터가 흩어져 있고 문서화가 부족해, 워크 에이전트보다 데이터 정리 시장이 더 클 수도 있다는 관찰이 나옵니다.

11. 성공 사례를 기다리면 늦는다는 경고 [07:08]

• 일부 경영진이 동종 업계 성공 사례를 먼저 요구하지만, 발표자는 그런 사례가 이미 있었다면 시장을 선점당했을 가능성이 크다고 말한다.
• AX는 준비가 완벽해질 때까지 기다릴 일이 아니라, 지금부터 교육과 데이터 준비, 도입을 조금씩이라도 시작해야 한다는 입장이 제시된다.
• 1년 후 차이를 만들려면 지금 작게라도 시작해야 한다는 시간 감각이 강조된다.

12. AI 전환은 도구 판매가 아니라 도입 동행 [08:04]

• GS 사례를 통해, AI 에이전트는 제품만 판매해서는 제대로 쓰기 어렵고 파트너십과 협업이 함께 가야 한다는 인식이 소개된다.
• 발표자 역시 AI 전환은 도구 하나를 갖다 놓는 일이 아니라 역량의 문제라고 보며, 교육, EX 컨설팅, 회사별 최적화, 모델 선택이 함께 필요하다고 설명한다.
• 현재는 고객사마다 맞춤형으로 한 땀 한 땀 도와주는 방식이 맞고, 장기적으로는 더 완성된 SaaS형으로 갈 수 있다는 방향이 제시된다.

13. 메일 AI에서 워크 에이전트로의 확장 [10:01]

• 처음에는 AI가 접목된 이메일 처리에서 출발했지만, 시간이 지나면서 메일 안에만 머물러서는 한계가 있다는 판단으로 확장된다.
• 메일, 채팅, 문서 전반을 함께 다루는 워크 에이전트가 필요하다는 방향으로 제품 구상이 커졌다는 설명이 나옵니다.
• 발표자는 이런 흐름을 모바일 앱이 작은 기능에서 출발해 큰 서비스로 성장한 사례와 비슷하게 해석한다.

14. 데이터 에이전트의 필요성과 시장 성숙 전망 [11:08]

• 워크 에이전트가 제대로 일하려면 데이터가 정리돼 있어야 하지만, 실제 조직에서는 사람들이 데이터를 스스로 잘 정리하지 않는다는 현실이 언급된다.
• 그래서 워크 에이전트 앞단에서 데이터를 정리하는 데이터 에이전트와 사용자 교육까지 필요하다는 인식이 제시된다.
• 이런 체인이 갖춰져야 가치가 생기며, 지금 시작한 회사들의 제품이 1년 후에는 꽤 쓸 만해질 수 있다는 전망이 나옵니다.

15. 기업용 워크 에이전트의 도입 기준 [11:57]

• 특정 제품의 차별점보다, 한국 기업이 워크 에이전트를 도입할 때 무엇을 봐야 하는지가 더 중요하다는 방향으로 설명이 전환된다.
• 가장 중요한 기준으로 보안과 비용이 먼저 제시되고, 성능은 데이터 준비 상태와 사용자 역량에 따라 함께 끌어올려야 하는 요소로 설명된다.
• 초기 단계에서는 성능이 다소 부족해도 보안과 비용이 맞아야 실제 도입이 가능하다는 현실적인 기준이 강조된다.

16. DLP와 데이터 유출 위험의 현실성 [13:01]

• DLP는 회사 밖으로 나가는 기밀 정보와 개인정보를 통제하는 핵심 요소로 소개된다.
• 특히 무료 버전 챗GPT나 설정이 불명확한 유료 버전에 회사 정보와 개인정보를 그대로 넣는 행위가 실제 위험이 될 수 있다는 경고가 나옵니다.
• 회사 데이터 보호뿐 아니라, 사용자가 질문을 던질 때 어떤 정보를 외부 서버로 보내는지도 함께 관리해야 한다는 점이 강조된다.

17. 워크 에이전트의 핵심은 에이전틱 실행 [14:05]

• 발표자는 워크 에이전트에서 보안, 비용, 성능만큼 중요한 것이 에이전틱함이라고 설명한다.
• 에이전트는 단순히 답하는 것이 아니라, 스스로 계획을 세우고 이메일, 채팅, 문서 등 여러 도구를 오가며 정보를 모아 최종 결과를 만드는 구조로 묘사된다.
• 과거처럼 사람이 계획을 세워 주는 방식이 아니라, 이제는 AI가 계획을 세우고 일을 진행하는 방향으로 바뀌고 있다는 점이 이 구간의 핵심으로 제시된다.

18. 에이전틱 RAG와 워크 에이전트 도입 기준 [15:00]

• AI가 명령을 받으면 스스로 계획을 세우고 여러 도구를 호출해 일을 처리하는 구조가 설명된다.
• 이런 흐름을 에이전틱하게 발전한 RAG로 연결하며, 워크 에이전트 도입 시에는 보안, 성능, 비용, 에이전틱 RAG 지원 여부 등을 함께 봐야 한다는 기준이 제시된다.

19. 애플 인텔리전스의 지연과 애플의 기본 전략 [15:45]

• 애플 인텔리전스는 기대보다 늦었지만, 애플은 원래 시장이 충분히 성숙한 뒤에 들어가도 된다고 판단하는 회사라는 해석이 나옵니다.
• 다만 이번에는 LLM 경쟁 구도에 조금 이르게 뛰어든 측면이 있었고, 당시 기술 성숙도가 아직 부족했다는 평가가 제시된다.
• 지금은 성숙 속도가 많이 올라가고 있어, 내년쯤에는 개인 데이터를 활용하는 에이전트형 기능이 더 실용적으로 나올 수 있다는 전망이 나옵니다.

20. 온디바이스 AI와 애플 하드웨어 우위 [17:00]

• 애플이 제미나이와 협력하는 동안에도 자체 하드웨어를 계속 발전시키고 있다는 점이 강조된다.
• M 시리즈와 아이폰용 칩의 발전이 이어지면서, 온디바이스 AI 시대에 필요한 기반 자산을 차곡차곡 쌓고 있다는 평가가 제시된다.
• 같은 가격대 기준으로도 하드웨어 성능 차이가 크다는 경험적 평가가 나오며, 애플의 강점이 단순 브랜드가 아니라 기기 자체의 경쟁력에 있다는 점이 부각된다.

21. 데이터 접근권과 애플식 에이전트 완성 가능성 [18:20]

• 전화기 안의 사진, 통화 기록 같은 데이터를 실제로 열어줘야 라이프 에이전트가 제대로 일할 수 있다는 점이 언급된다.
• 하지만 애플은 외부 앱에 광범위한 권한을 열어주는 데 부담이 크기 때문에, 결국 이런 기능은 애플이 직접 통제하는 방식으로 갈 가능성이 높다고 봅니다.
• 애플 인텔리전스는 애플만이 완성할 수 있는 성격이 강하고, 필요한 재료도 대부분 갖춰졌다는 평가가 제시된다.
• 마지막으로 AI 경쟁은 LLM 자체보다 그 앞단에서 기기, 데이터, 사용자 접점을 누가 더 잘 묶느냐의 문제라는 방향으로 논지가 정리된다.

22. 모델보다 앞단 에이전트와 데이터의 중요성 [20:02]

• LLM도 중요하지만, 실제 경쟁력은 그 앞단의 코딩 에이전트, 워크 에이전트, 라이프 에이전트에서 갈린다는 설명이 나옵니다.
• 코딩 에이전트는 어느 정도 완성 단계에 가깝지만, 워크 에이전트와 라이프 에이전트는 아직 초기 단계라는 진단이 제시된다.
• 특히 라이프 에이전트는 전화기와 직접 연결되기 때문에 어떤 모델을 붙이느냐보다 플랫폼 안에서 누가 이를 통제하느냐가 중요하게 다뤄집니다.

23. 애플의 지연과 데이터 제어권의 의미 [20:50]

• 애플이 성급하게 먼저 발표했던 것은 오픈AI나 제미나이가 플랫폼처럼 일상 전반을 장악할 수 있다는 우려 때문이었다는 해석이 나옵니다.
• 하지만 실제로는 그 전개가 예상보다 빠르지 않았고, 라이프 에이전트도 데이터와 연결 복잡성 때문에 쉽게 완성되지 않는다는 점이 드러납니다.
• 발표자는 라이프 에이전트의 핵심은 모델보다 데이터 접근권이라고 보며, 개인 생활 데이터는 결국 애플이 가장 많이 쥐고 있다고 설명한다.

24. 에이전트 전쟁은 데이터 제어권 전쟁 [21:16]

• 코딩 에이전트든 라이프 에이전트든 결국 제대로 작동하려면 앞단에 충분한 데이터가 있어야 한다는 점이 강조된다.
• 마이크로소프트는 업무 데이터를, 애플은 개인 생활 데이터를 가장 많이 보유하고 있어 에이전트 경쟁에서 강한 위치에 있다는 해석이 제시된다.
• 그래서 지금의 싸움은 단순한 LLM 전쟁이 아니라, 워크 에이전트와 라이프 에이전트를 둘러싼 데이터 제어권 전쟁이라는 방향으로 논지가 정리된다.

25. 메타의 다중 전선과 AI 전략 불안 [22:35]

• 메타는 페이스북, 인스타그램, 메타버스 등 이미 손대는 일이 많고, AI에서도 모델과 응용 서비스를 모두 하려는 모습으로 묘사된다.
• 라마 모델과 오픈소스 기여는 의미가 있었지만, 워크 에이전트나 소비자용 킬러 서비스에서는 아직 뚜렷한 성과가 잘 보이지 않는다는 평가가 나옵니다.
• 광고 중심 수익 구조 탓에 비즈니스 솔루션을 잘 팔 수 있을지에 대한 의문도 함께 제기된다.
• 전체적으로는 기회는 있었지만 선택과 집중이 늦어졌고, AI 경쟁에서는 메타가 다소 밀리는 것 아니냐는 조심스러운 결론으로 이어진다.

26. 메타의 약화와 중국 오픈소스 부상 [25:00]

• 메타는 많은 GPU를 확보했음에도 AI 토큰 이코노미의 본질에서 점점 멀어지고 있다는 평가가 제시된다.
• 오픈소스 진영에서도 라마보다 Qwen 같은 중국 모델이 더 주목받고 있다는 분위기가 소개된다.
• 딥시크, Qwen, GLM 등 중국 모델들이 빠르게 존재감을 키우고 있다는 점이 강조된다.

27. 미국·중국·한국의 다극 구도 전망 [26:07]

• 발표자는 AI 경쟁이 미국의 주요 모델들, 중국의 주요 모델들, 그리고 한국의 K-AI 축으로 나뉘는 방향으로 갈 수 있다고 봅니다.
• 어떤 국가의 모델이냐보다 어떤 집단과 생태계가 그것을 사용하느냐가 더 중요할 수 있다는 관점이 제시된다.
• 이 흐름 속에서 미국산 토큰, 중국산 토큰, 한국산 토큰 같은 개념이 생길 수 있다는 해석이 나옵니다.

28. 한국형 토큰과 생태계 가능성 [27:03]

• 한국은 제3세계 시장이나 중립적 수요를 겨냥한 한국형 토큰 경쟁력을 가질 수 있다는 기대가 제시된다.
• 중국도 자체 하드웨어와 데이터센터, 모델 생태계를 빠르게 만들고 있고, 한국 역시 데이터센터, GPU, 국산 하드웨어와 모델로 비슷한 생태계를 만들려는 흐름이 언급된다.
• 발표자는 1년쯤 뒤 한국 기업용 워크 에이전트가 본격적으로 자리 잡을 가능성을 기대한다.

29. 워크·라이프 에이전트의 한국 시장 기회 [28:13]

• 코딩 에이전트는 클로드 코드 같은 글로벌 도구가 강하더라도, 워크 에이전트는 여전히 한국 시장에 기회가 남아 있다는 주장이 제시된다.
• 회사 기밀과 공공 데이터는 해외로 보내기 어려우므로, 한국형 모델과 한국형 에이전트 조합이 더 유리할 수 있다는 설명이 나옵니다.
• 라이프 에이전트 역시 갤럭시 같은 기기 기반으로 삼성 쪽 가능성이 언급되며, 성능이 조금 떨어져도 가격, 속도, 보안이 받쳐주면 충분히 경쟁할 수 있다는 논리로 이어진다.

30. 중동 사례와 한국 AI 확장 기대 [29:23]

• 중동 정세와 방산 주목 사례를 언급하며, 미국과 중국 외의 선택지를 원하는 수요가 존재할 수 있다는 방향으로 논의가 이어진다.
• 네이버와의 협력처럼 중동 지역에서 자체 AI를 구축하려는 흐름이 더 가속화될 수 있다는 전망이 제시된다.
• 마지막에는 한국이 이런 다극 구도 속에서 일정한 역할을 할 수 있을 것이라는 기대를 남긴 채 이 구간이 마무리된다.

31. LLM 단일 관점의 한계 [30:01]

• 미국과 유럽, 중국 외의 선택지를 필요로 하는 수요가 있을 수 있다는 관점이 제시된다.
• 이런 맥락에서 LLM 하나만 보고 판단해서는 안 된다는 정리가 나옵니다.

32. AI 생태계 전체를 봐야 한다는 결론 [30:08]

• 하드웨어, 데이터센터, 토큰, 에이전트까지 함께 봐야 한다는 요약이 제시된다.
• 결국 관련 회사들을 생태계 단위로 넓게 살펴볼 필요가 있다는 메시지로 마무리된다.

🧾 결론

• 이 대화는 AI 전환을 도구 도입이 아니라 조직 역량 전환의 문제로 봅니다.
• 발표자가 반복해서 강조하는 것은, 워크 에이전트가 실제로 작동하려면 모델보다 데이터 준비, 사용자 교육, 보안 설계, 운영 최적화가 먼저 갖춰져야 한다는 점입니다.
• 특히 워크 에이전트는 메일, 채팅, 문서, 사내 규정, 내부 데이터까지 연결해야 하므로, 단순 챗봇보다 훨씬 높은 수준의 실행 구조가 필요하다는 인식이 분명한다.
• 후반부로 갈수록 논지는 “누가 더 좋은 모델을 만들었는가”보다 “누가 더 많은 데이터 접근권과 플랫폼 통제력을 가졌는가”로 이동한다.
• 다만 애플, 메타, 중국 모델, 한국형 토큰 생태계에 대한 평가는 발표자의 전망과 해석이 섞여 있으므로, 실제 시장 결과와는 분리해서 볼 필요가 있다.

📈 투자·시사 포인트

• 워크 에이전트 시장은 단순 AI 툴보다 더 큰 기회가 될 수 있지만, 실제 사업 기회는 모델보다 보안, DLP, 데이터 연동, 업종 맞춤형 도입 지원에 있을 가능성이 큽니다.
• 초기 시장에서는 완전한 SaaS보다 교육, 컨설팅, 데이터 정리, 회사별 최적화가 결합된 서비스형 도입 모델이 더 현실적일 수 있다는 시사점이 나옵니다.
• 플랫폼 측면에서는 애플의 개인 데이터, 마이크로소프트의 업무 데이터처럼 누가 핵심 데이터 접근권을 갖고 있는지가 에이전트 경쟁의 가장 중요한 자산으로 보인다.
• 국가 단위로는 미국과 중국 중심 구도 속에서도, 한국이 한국형 모델·토큰·워크 에이전트·보안 규정 대응 역량을 묶어 별도 시장을 만들 수 있다는 기대가 제시된다.
• 다만 한국형 생태계 기회는 아직 전망 단계의 성격이 강하므로, 실제 제품 완성도, 비용 경쟁력, 데이터 주권 수요, 고객 도입 사례가 뒤따라야 의미 있는 판단이 가능한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 애플 인텔리전스의 실제 일정, 성숙 시점, 그리고 “내년쯤 쓸 만해질 것”이라는 전망은 발표자의 판단이므로 공식 발표와 분리해서 봐야 한다.
• 메타가 AI 경쟁에서 실제로 뒤처지고 있는지, 혹은 내부적으로 어떤 에이전트 전략을 준비 중인지는 이 대화만으로 확정하기 어렵습니다.
• “미국산 토큰, 중국산 토큰, 한국산 토큰”이라는 표현은 설명을 위한 프레임에 가까워 보이며, 실제 산업 표준 용어인지 확인이 필요한다.

✅ 액션 아이템

• 애플 인텔리전스, 코파일럿, 클로드 코드, 제미나이 등 주요 플랫폼의 실제 기능 범위와 공식 출시 상태를 최신 자료로 대조한다.
• 워크 에이전트 도입 시 필요한 보안, 비용, DLP, 데이터 연동, 사용자 교육 항목을 체크리스트로 정리한다.
• 회사 내부 데이터가 어디에 흩어져 있고 어떤 형태로 정리돼 있는지 먼저 진단한다.
• 일반 직군 사용자를 대상으로 프롬프트 작성과 업무 지시 역량 교육이 얼마나 필요한지 파일럿 범위에서 점검한다.

❓ 열린 질문

• 워크 에이전트 도입에서 가장 먼저 해결해야 할 병목은 모델 성능인가요, 데이터 정리인가요, 아니면 사용자 교육인가요?
• 한국 기업 환경에서는 글로벌 엔터프라이즈 AI보다 한국형 워크 에이전트가 실제로 더 유리할까요?
• 라이프 에이전트 시장은 결국 애플과 삼성 같은 플랫폼 사업자가 대부분 가져가게 될까요?