조코딩의 AI 리터러시 특강 3강: 2026, AI 에이전트가 바꾼 우리의 업무

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

2026년 AI 에이전트가 바꾸는 업무의 핵심은 도구 조작과 반복 실행을 AI에 맡기고, 사람은 목표 설정과 결과 검토에 집중하는 것이다.

📌 핵심 요점

1. 강의는 AI의 변화를 질문·답변형 챗봇, 답변 전 검토를 거치는 추론 모델, 도구를 사용해 목표를 수행하는 에이전트의 세 단계로 설명한다.
2. AI 에이전트는 목표를 받아 계획하고, 도구로 실행한 뒤 결과를 확인하며 과정을 반복한다. 대화 이력과 사용자 취향, 중간 결과를 활용하는 메모리도 구성 요소로 소개된다.
3. 오픈클로는 메신저와 PC의 파일·메일·일정을 연결하는 대표 사례다. 강연자는 개별 제품의 인기보다 여러 도구를 조합해 업무를 수행하는 방식의 확산에 의미를 둔다.
4. 스킬은 전문 지식을 제공하고, MCP·CLI·API는 도구를 연결하는 수단으로 설명된다. 광고 집행, 블렌더 제작, 이메일 응대, 매출 분석, 가상 인플루언서 운영이 활용 사례로 제시된다.
5. 사람에게 중요한 역량은 무엇을 누구를 위해 어떤 기준으로 만들지 정하고, 결과를 통과시키거나 반려하는 판단이다. 장시간 과제 수행 능력의 향상도 소개되지만, 인용된 지표는 성공 확률과 측정 조건을 함께 읽어야 한다.

🧩 배경과 문제 정의

이 강의는 조코딩의 AI 리터러시 세 번째 영상으로, AI와 질문·답변을 주고받는 수준에서 나아가 반복 업무 하나를 끝까지 맡기는 방법을 설명한다. 핵심 문제는 AI가 어떤 답을 만드는지뿐 아니라 도구와 데이터를 이용해 어떤 일을 수행할 수 있는지 이해하는 것이다.

강연자는 챗봇·추론 모델·에이전트의 차이를 먼저 설명하고, 오픈클로와 스킬·도구 연결 개념을 거쳐 직접 활용한 사례를 제시한다. 마지막에는 실행을 위임한 뒤 사람에게 남는 목표 설정과 검토의 역할, 장시간 과제 수행 능력에 관한 주장을 다룬다.

🕒 시간순 섹션별 상세정리

1. 질문·답변에서 추론으로 발전하는 AI

• 반복 업무를 AI에 끝까지 맡기고 싶은 사람을 대상으로, 직접 사용한 업무 사례를 살펴보겠다고 강의 목적을 드러낸다. [00:30]
• 초기 챗봇은 사람이 묻고 답을 읽은 뒤 다시 묻는 방식이었으며, 이후 추론 모델은 답변 전에 내부 검토 과정을 거치는 단계로 묶인다. [01:13]
• 강연자는 수학 문제 정답률의 상승과 딥시크의 추론 모델 공개를 사례로 들어 추론 능력의 발전을 보여준다. 제시된 수치의 평가 조건은 전사에 상세히 나오지 않는다. [01:54]

2. 목표를 받아 실행하는 에이전트의 구조

• AI 에이전트는 목표를 받으면 계획을 세우고 도구를 사용해 행동한 뒤, 결과를 확인하며 과정을 반복하는 시스템으로 드러난다. [02:53]
• 출장 항공권 예약 예시에서는 브라우저·파일·메일을 활용해 조건을 찾고, 대화 이력과 취향 등을 기억해 예약까지 진행하는 흐름을 제시한다. [03:36]
• 강연자는 한 번의 답변에서 끝나는 챗봇과 결과 달성을 지향하는 에이전트를 비교하며, AI를 목표를 맡길 수 있는 일꾼으로 표현한다. [03:53]

3. 오픈클로와 에이전트 전략의 부상

• 오픈클로의 빠른 개발자 관심 확대를 소개하고, 메신저를 통해 PC의 파일·메일·일정 등 여러 도구에 접근하는 오픈소스 에이전트로 보여준다. [05:10]
• 강연자가 강조하는 지점은 제품 자체보다 여러 도구를 연결해 자율적으로 업무를 수행하는 개념의 확산이다. 엔비디아의 관련 발언과 네모클로 발표도 언급한다. [06:01]
• 이를 바탕으로 챗봇에서 에이전트로의 전환을 주장하며, 기업이 에이전트를 어떻게 배치하는지가 전략적 과제가 된다고 해석한다. [06:21]

4. 전문 지식인 스킬과 도구 연결 방식

• 스킬은 에이전트에 전문 능력을 적용하는 개념으로 소개되며, 영화 매트릭스에서 조종 능력을 내려받는 장면에 비유된다. [07:20]
• 도구 연결 방식으로 MCP, 글자 명령을 사용하는 CLI, 서비스의 공식 인터페이스인 API를 보여준다. [07:44]
• 강연자는 전문 지식을 제공하는 스킬과 실제 도구에 접근하는 연결 수단을 결합하면 업무 수행 범위를 넓힐 수 있다고 정리한다. [07:53]

5. 마케팅 지식과 광고 도구를 결합한 실행

• 마케팅 스킬 저장소에는 SEO, CRO, 콘텐츠 마케팅, 유료 마케팅 등의 지식이 담겨 있으며, 에이전트가 이를 활용할 수 있다고 보여준다. [08:31]
• 광고 API를 연결한 뒤 광고 소재와 캠페인을 만들고 실제 집행까지 맡긴 경험을 보여준다. 성과나 비용 효율에 대한 비교 결과는 제시하지 않는다. [09:11]

6. 블렌더 MCP를 활용한 3D 제작

• 블렌더를 익숙하게 다루지 못하는 사람도 MCP로 도구를 연결하고 원하는 작업을 설명해 3D 제작을 진행할 수 있다는 사례를 제시한다. [09:47]
• 강연자는 도구의 세부 조작법과 함께 연결 방법을 이해하는 일이 중요해지며, 사람은 무엇을 만들지 정하는 역할에 집중할 수 있다고 보여준다. [10:04]

7. 이메일 행정과 매출 데이터 분석

• 정부 과제 관련 기관들과 자료를 주고받는 과정에서, 보유 자료를 에이전트에 제공하고 이메일 응대를 맡긴 경험을 보여준다. [10:34]
• 강연자는 21개 기관 관련 이메일 195통, 발신자 74명, 계산서 21건, 증빙 엑셀 39개, 추가 문서 10개 등의 처리 내역을 제시한다. 정확한 처리 기간은 전사에서 분명하지 않다. [11:02]
• 매출·세금계산서·통장 자료를 활용해 유튜브와 브랜디드 콘텐츠 등의 수익 비중을 분류하고, 엑셀과 그래프로 정리한 사례도 보여준다. [11:54]

8. 가상 인플루언서와 광고 콘텐츠 제작

• 가상의 AI 캐릭터로 SNS 계정을 운영하면서 이미지·영상 생성, 메시지 전송, 게시를 에이전트에 맡긴 사례를 보여준다. [12:29]
• 제품 사진과 인물 이미지를 바탕으로 화장품 광고 영상을 생성하는 예시를 보여 주고, 사용자가 직접 촬영한 듯한 UGC 형식으로 보여준다. [13:10]
• 콘텐츠 생성에 필요한 프롬프트 작성부터 게시와 계정 관리까지 에이전트에 맡길 수 있다고 정리한다. [13:24]

9. 사람의 역할을 목표 설정과 검토로 재정의

• 강연자는 클릭·입력·복사·붙여넣기와 프로그램 간 이동 같은 조작 업무를 에이전트에 위임하는 방향으로 지식 노동이 바뀐다고 주장한다. [14:03]
• 사람은 무엇을 누구를 위해 어떤 기준으로 수행할지 정해 전달하는 역할을 맡아야 한다고 보여준다. [14:16]
• 결과를 기준에 대조해 통과시키거나 반려하고 최종 검토하는 일이 중요해지며, 무엇을 시키고 무엇을 받아들일지 판단하는 역할이 남는다고 정리한다. [14:43]

10. 장시간 과제 수행 지표와 강의 마무리

• 강연자는 AI가 자율적으로 끝낼 수 있는 과제 길이가 약 7개월마다 두 배로 늘어난다는 조사 내용을 인용한다. 이는 사람이 수행하는 데 필요한 시간을 기준으로 드러난다. [15:13]
• 일부 모델이 16시간 이상 걸리는 과제를 절반의 확률로 완료하고 측정 상한을 넘었다고 보여준다. 이를 모든 업무의 안정적인 완수나 무제한 수행 능력으로 해석하기는 어렵다. [15:51]
• 무엇을 맡기고 어떻게 지시하며 어디까지 확인할지가 AI 리터러시의 질문임을 되짚고, 전체 강의 안내와 감사 인사로 마무리한다. [16:08]

🧾 결론

• 강의의 중심 주장은 AI 활용의 단위가 개별 질문에서 목표가 있는 업무 전체로 커지고 있다는 것이다.
• 실제 활용에서는 모델뿐 아니라 전문 지식, 연결된 도구, 업무 데이터가 함께 작동한다. 강연자의 사례도 이 조합을 바탕으로 한다.
• 업무를 맡길수록 목표와 완료 기준을 명확히 하고 결과를 검토하는 사람의 역할이 중요해진다.
• 소개된 사례와 성능 수치는 활용 가능성을 보여 주지만, 모든 업무에서 같은 수준의 자율 수행이 보장된다는 근거로 확대할 수는 없다.

📈 투자·시사 포인트

• 강의의 관점에서 기업의 AI 도입을 살필 때는 챗봇 제공 여부와 함께 실제 업무 도구·데이터 연결, 에이전트 배치 방식을 볼 필요가 있다.
• 스킬과 MCP·CLI·API가 강조된다는 점은 전문 지식을 재사용하고 실행 도구에 연결하는 계층의 중요성을 시사한다.
• 광고·행정·분석·콘텐츠 제작 사례는 자동화의 적용 범위가 여러 직무로 확장될 가능성을 보여 준다. 다만 비용 절감과 수익 개선의 규모는 영상에서 검증되지 않았다.
• 오픈소스 인기와 기업 경영진의 발언은 관심의 지표로 해석할 수 있다. 이를 개별 기업의 매출·이익이나 투자 수익으로 연결할 근거는 이 영상에 제시되지 않는다.

⚠️ 불확실하거나 확인이 필요한 부분

• 전사에는 초기 챗봇과 추론 모델의 명칭, 행사명, 조사기관명, 후반부 모델명에 인식 오류로 보이는 표현이 있다. 정확한 명칭과 출시 시점은 원자료 확인이 필요하다.
• 수학 정답률 13%와 83%, 오픈클로의 출시일·스타 수·성장 속도, 경영진 발언은 강연자가 인용한 내용이다. 비교 조건이나 원문 출처는 제공된 전사만으로 확인하기 어렵다.
• 이메일 처리량과 문서 생성량은 강연자의 경험담이다. 처리 기간, 사람의 개입 정도, 오류율, 실행 비용은 명확히 제시되지 않아 일반적인 생산성 수치로 쓰기 어렵다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 반복 업무 하나를 골라 목표, 필요한 입력 자료, 기대 결과물, 완료 기준을 문장으로 작성한다.
• 해당 업무에 필요한 전문 지식과 도구를 구분하고, 스킬 및 MCP·CLI·API 중 어떤 연결 방식이 필요한지 정리한다.
• 이메일 정리나 매출 분류처럼 영상에 나온 사례 중 하나를 작은 범위로 실행해 결과를 검토한다.
• 결과를 통과시키거나 반려할 기준을 미리 정하고, 오류와 재작업을 기록해 위임 범위를 조정한다.

❓ 열린 질문

• 여러 도구를 거치는 업무에서 사람의 검토가 가장 필요한 단계는 어디이며, 어느 범위까지 자율 실행을 맡길 수 있을까?
• 강연자의 사례를 다른 조직에 적용하면 처리 시간, 오류율, 운영 비용은 어떻게 달라질까?
• 전문 지식을 담은 스킬과 충분한 업무 데이터 중 실제 결과 품질을 더 크게 좌우하는 요소는 무엇일까?