자율형 AI에이전트 너무 쉬워졌다. 설치파일 받고 바로 시작 (김민정 HRX랩 부대표)

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

헤르메스는 설치 파일로 시작할 만큼 자율형 AI 에이전트의 진입 장벽을 낮췄으며, 실제 업무 활용에는 반복 피드백과 사람의 최종 검토가 필요하다.

📌 핵심 요점

1. 설치는 쉬워졌다. 맥·윈도우·리눅스용 데스크톱 설치 파일을 제공하며, 대화로 봇의 역할과 스킬 구성을 요청할 수 있어 비개발자의 시작 부담을 줄인다.
2. 대화가 업무 기준으로 쌓인다. 출처 표기, AI·AX 시사점, 제목 스타일 같은 요구를 다음 작업에 반영한다. 여기서 말하는 ‘자기 발전’은 작업 경험과 피드백으로 산출물 기준을 개선하는 의미다.
3. 반복 콘텐츠 제작을 실행한다. 공식 사이트의 뉴스 수집부터 요약, 시사점 작성, 블로그용 HTML과 이미지 제작까지 이어서 처리한다. 크론으로 정해진 시각에 반복 실행할 수도 있다.
4. 봇 분리는 충분히 시험한 뒤 진행한다. 메인봇에서 업무 맥락을 쌓고 독립시킬 만한 작업만 분리하는 방식이 권장된다. 뉴스 제작 사례에서는 치프와 리서치·리뷰·인사이트·글쓰기 담당 네 에이전트가 역할을 나눴다.
5. 운영과 검수는 별도로 설계해야 한다. 로컬 환경은 재시작 문제가 생길 수 있고 상시 작업에는 실행 환경 유지가 필요하다. 실제 콘텐츠 운영도 시사점 오류와 의도 불일치 때문에 사람이 검토한 뒤 게시하는 방식으로 바뀌었다.

🧩 배경과 문제 정의

• AI 활용이 질문에 답을 받는 채팅에서 파일 처리와 반복 업무를 맡기는 에이전트로 확장되고 있지만, 독립적으로 작동하는 에이전트는 개발자만 설치하고 운영할 수 있다는 인식이 남아 있다.
• 헤르메스의 데스크톱 버전은 설치 부담을 낮췄다. 핵심 활용 과제는 뉴스 수집, 콘텐츠 제작, 강의 자료 정리 같은 실제 업무를 얼마나 안정적으로 맡길 수 있느냐이다.
• 자동화에는 사용자의 산출물 기준을 기억하고 수정 사항을 다음 작업에 반영하는 능력이 필요하다. 봇을 늘릴수록 생기는 관리 부담과 자동 발행 결과의 검수 문제도 함께 고려해야 한다.

🕒 시간순 섹션별 상세정리

1. 데스크톱 앱으로 낮아진 독립형 에이전트의 진입 장벽

• 기존 ChatGPT와 클로드에도 에이전트 기능이 있으며, 클로드 코드와 코워크 역시 에이전트에 해당한다. 헤르메스는 이들과 별도로 설치해 사용하는 독립적인 에이전트로 구분된다 [02:35]
• 초기 설치에서는 사용법을 따라 하다가 오류가 발생했지만, 코덱스에 링크를 주고 설치를 맡기는 방법으로 해결했다. 최근에는 데스크톱 앱을 로컬에 설치해 바로 사용할 수 있게 됐다 [03:33]

2. 기존 도구를 유지하면서 반복 업무를 헤르메스로 확장

• 노트북LM은 제미나이 연동, 백그라운드 작업, 수정 가능한 PPTX 생성 등으로 활용성이 좋아져 계속 사용하는 도구다. 헤르메스 도입이 기존 도구를 전부 대체하는 방식은 아니다 [04:17]
• 코덱스와 클로드 코드는 파일을 읽고 요약하며 코드와 문서를 만드는 작업을 수행한다. 기존 도구의 스케줄 기능으로도 뉴스 클리핑 같은 반복 업무를 처리할 수 있다 [05:21]

3. 대화에서 산출물 기준을 기억하는 ‘자기 발전’

• 기존 스킬 활용에서는 수정 사항을 다시 저장해 달라고 요청해 업무 지침을 갱신했다. 헤르메스의 차별점으로 꼽힌 것은 별도 저장 요청 없이 대화에서 사용자의 요구를 기록하는 방식이다 [06:15]
• 기사에 출처를 명시하고 AI·AX 관점의 시사점을 포함해야 한다는 기준을 기억해 다음 요청에 반영했다. 이 경험에서 말하는 자기 발전은 사용자와 작업한 내용을 바탕으로 산출물을 계속 개선하는 것이다 [06:52]

4. 답변을 넘어 파일과 도구를 다루는 실행 능력

• 회의록 요약과 담당자 메일 발송 사례에서 에이전트는 지정한 폴더에 접근해 파일을 읽고 내용을 정리한 뒤 메일 발송까지 이어간다. 핵심 차이는 사용자가 여러 번 클릭하고 움직여야 하는 일을 대신 실행한다는 데 있다 [08:09]
• 스킬은 해야 할 일, 주의점, 출력 형태와 참고 자료를 정리한 업무 매뉴얼이다. 헤르메스는 사용자와의 작업 과정을 통해 이 매뉴얼을 스스로 갱신하는 도구로 드러난다 [09:24]

5. 메인봇에서 콘텐츠 업무를 시험하고 뉴스봇으로 분리

• ‘콘텐츠 헤라’는 뉴스를 바탕으로 링크드인·인스타그램·블로그·X용 콘텐츠를 만드는 자동화를 시험한 봇이다. 그중 독립적으로 수행할 수 있다고 판단한 업무를 AI·AX 뉴스봇으로 분리했다 [10:31]
• 뉴스봇은 매일 아침 OpenAI·구글·클로드의 공식 사이트에서 업무와 관련된 AI·AX 관점의 핵심 소식을 골라 뉴스로 정리한다 [10:49]

6. 봇의 역할을 정하고 충분히 작업한 뒤 독립시키기

• 봇 이름은 강의나 영어 학습처럼 맡길 업무가 드러나도록 정한다. Soul MD에서 정체성을 설정하고 사용할 스킬을 선택할 수 있으며, 설정이 어렵다면 기존 봇에 새 봇을 만들어 달라고 요청할 수 있다 [12:40]
• 메인봇에 AX 업무를 분리하자고 처음 요청했을 때는 작업 경험이 더 필요하고 당장은 효율이 떨어진다는 답을 받았다. 이후 적절한 시점에 별도 봇을 만들었다 [13:29]

7. 로컬 기억 관리와 필요한 만큼의 봇 운영

• 사용 경험상 메인봇에서 뉴스, 강의안, 도서 기획을 함께 진행해도 각 작업의 맥락이 유지됐다. 관련 기억은 로컬에 저장되고, 목적별 폴더와 스킬 파일도 자동으로 정리돼 있었다 [15:24]
• 초반부터 봇을 많이 만들면 작업 위치가 헷갈리고 사용하지 않게 될 수 있다. 기업과 개인 모두 관리할 대상이 늘어나므로, 메인봇과 충분히 작업한 뒤 꼭 필요한 업무만 분리하는 방식이 권장된다 [16:05]

8. 로컬 운영의 재시작 문제와 텔레그램 접근

• 작동 문제가 생기면 터미널을 직접 다루는 대신 코덱스에 모델 변경, 게이트웨이 확인, 상태 점검을 맡긴다. 설치뿐 아니라 운영 중 점검에도 다른 에이전트를 활용하는 방식이다 [17:47]
• 처음에는 별도 가상 서버 없이 로컬에서 시험하는 방식이 권장된다. 다만 노트북을 껐다 켤 때 재가동이 지연되거나 꼬일 수 있으며, 24시간 작업하려면 실행 환경을 계속 켜 둬야 한다 [18:47]

9. 메인봇에서 다른 봇으로 지시를 전달하는 구조

• 메인봇에서 다른 봇을 호출하자 상대 봇의 대화에 헤르메스가 보낸 메시지가 표시됐다. 최근 업데이트된 봇 간 대화 기능으로, 지시가 어디에서 왔는지도 확인할 수 있다 [20:14]
• 메인봇은 긴 대화에서도 맥락을 비교적 잘 유지했으며, 그 이유로 별도의 로그 관리가 드러난다. 기존 작업 이력을 바탕으로 추가로 분리할 만한 업무도 추천받았다 [20:48]

10. AI·AX 뉴스의 선정 기준과 완성형 산출물

• 주요 활용 업무는 AI 뉴스, 강의 자료, 크론을 통한 반복 작업, 도서 관련 정리 등이다. 뉴스 결과물은 열람뿐 아니라 홈페이지와 블로그 게시에도 사용한다 [21:40]
• 공식 사이트에서 당일 주요 소식을 선정하고 키워드, 한 줄 요약, 본문을 구성한다. 특히 해당 기사가 AI·AX 관점에서 왜 중요한지 이유를 반드시 포함하도록 요청했다 [22:14]

11. 주제 선정부터 게시 준비까지 자동화하되 발행은 검토

• 사람이 자료를 조사하고 글을 정리한 뒤 HTML로 변환하던 과정을 에이전트가 주제 선정부터 HTML과 이미지 제작까지 이어서 수행한다 [22:55]
• 버퍼에 카드뉴스를 올려 두고 사용자가 승인하면 게시하도록 구성한 경험이 있다. 결과를 충분히 신뢰할 수 있다면 API 연동 등을 통해 블로그 자동 발행까지 확장할 수 있다 [23:27]

12. 채널별 콘텐츠 형식과 시사점 검수

• 같은 뉴스에서 제목과 링크드인 글, 해시태그, 블로그용 HTML, 헤드라인 이미지와 카드뉴스를 함께 만든다. 카드뉴스는 조회수가 높은 스타일을 참고하도록 요청했고, 초기 디자인이 마음에 들지 않아 수정하는 과정에서 새로운 스타일을 추천받았다 [24:39]
• AI·AX 시사점은 틀릴 수 있고 작성자가 전달하려는 뜻과 다를 수도 있다. 이 때문에 실제 운영은 자동 발행에서 직접 리뷰한 뒤 게시하는 형태로 바꿨다 [25:15]

13. 뉴스 치프와 네 서브 에이전트의 역할 분담

• 크론은 특정 시간에 반복 작업을 실행하도록 예약하는 기능이다. 뉴스 제작에서는 리뷰, 리서치, 인사이트 도출, 글쓰기 역할을 맡은 네 에이전트가 작동한다 [25:52]
• 뉴스 치프가 네 서브 에이전트를 이끌어 전체 다섯 에이전트가 제작을 수행한다. 이 구성은 멀티 에이전트의 작동을 확인하기 위해 독립시킨 사례다 [26:12]

14. 그룹 채팅은 작업의 필수 조건이 아닌 관찰·추가 지시 수단

• 새 그룹 채팅에서 참여할 봇을 선택하면 에이전트들과 함께 대화할 공간을 만들 수 있다. 실제 뉴스 제작팀의 그룹 채팅도 봇들이 의견을 주고받는 모습을 확인하려고 열었다 [27:25]
• 예약된 뉴스 제작은 그룹 채팅과 관계없이 치프가 서브 에이전트에 일을 배정해 수행한다. 그룹 채팅에서는 역할 소개나 당일 제작 내용에 대한 추가 대화를 요청할 수 있다 [28:11]

15. 결과물 피드백을 다음 작업의 기준으로 반영

• 산출물 품질이 떨어지면 그룹 채팅에서 각 에이전트가 맡은 역할과 실제 수행 내용을 물어 문제를 점검할 수 있다 [29:07]
• 더 간단한 방법은 메인봇에 결과물 수정을 요청하는 것이다. 카드뉴스 제목이 부적절하다면 최신 경향과 조회수가 높은 제목을 다시 조사해 대안을 추천하도록 할 수 있다 [29:27]

16. 봇 프로필에서 업무 속성과 지침 확인

• 프로필 관리 화면에는 각 봇의 속성이 정리돼 있다. Soul MD와 연결된 설정에서 브리핑·카드뉴스 업무, 난이도 요청, 시사점 관련 지침을 확인하는 내용까지 계속된다 [29:58]

17. 업무를 세분화하고 사람의 최종 검토를 설계한다

• 리서치 결과를 다음 작업으로 전달하도록 업무를 세부 단위로 나누면 에이전트의 역할과 사람의 개입 지점이 드러난다. 게시 단계에는 “직접 올리지 말고 최종 검토를 요청하라”는 조건을 넣을 수 있다. [30:48]
• 업무를 세밀하게 나누는 데 필요한 지식은 실제 담당자에게 있으므로, 자신에게 맞는 에이전트는 본인이 설계해야 한다는 관점이다. 생성된 설계를 자신의 업무 흐름에 맞춰 분리·추가하고 반복 실행하면서 보완한다. [31:31]

18. 대화 이력으로 자동화 대상을 찾고 기존 도구와 연결한다

• 헤르메스는 함께 수행한 업무를 바탕으로 수업 운영 조교나 바이브 코딩 실습 동반자 같은 봇을 추천한다. 추천의 전제는 축적된 작업 맥락이며, 처음에는 자신이 실제로 하고 싶은 업무부터 시작하는 방식이 적합하다. [32:52]
• 뉴스 인사이트를 블로그에 올리는 작업에서 출발해, 강의·보고서의 리서치와 초안을 헤르메스로 준비한다. 이후 Markdown 인수인계 파일을 만들어 클로드 코드에 넘기고, 미리 설정한 PPT 스타일 스킬로 발표 자료를 완성한다. [33:31]

19. 무료 모델과 봇별 모델 설정으로 실행 환경을 구성한다

• 프로모션으로 제공되는 무료 모델을 활용하거나 Ollama를 설치해 로컬 언어 모델을 사용할 수 있다. 다만 실제 사용한 PC는 용량이 작아 높은 사양의 모델을 추천받지 못했다. [34:39]
• 모델은 바꿀 수 있고 봇마다 별도로 지정할 수도 있다. 글쓰기에는 GPT, 분석에는 클로드를 연결하는 식으로 작업별 선호에 따라 구성하는 예가 드러난다. [35:15]

20. 프로필 자동 설정과 누적 피드백으로 에이전트를 조정한다

• 요약 방식이 마음에 들지 않으면 메인 대화에서 구체적인 수정 지침을 줄 수 있다. 봇의 설계를 요청하고 승인하면 역할 지침과 프로필을 직접 복사해 넣는 과정 없이 설정할 수 있으며, 시연에서는 메인 프로필과 서브 에이전트 프로필 네 개를 구성한다. [37:07]
• 클로드 코드에서 수정 결과를 스킬에 반영하는 방식과 비교해, 헤르메스는 대화를 통해 변경 사항을 누적하고 점진적으로 조정할 수 있다는 평가다. 별도로 프로필을 열어 매번 수정하는 부담도 줄어든다. [38:17]

21. 데스크톱 설치 후 개인 업무에서 설계와 활용을 시험한다

• 시연에서 생성된 봇에는 역할 지침과 사용할 스킬, 카드뉴스나 스레드 초안 같은 작업 제안 방식이 포함됐다. 항목을 하나씩 수동으로 설정하는 대신 대화로 구성을 요청할 수 있어 비개발자의 설정 부담을 낮춘다. [39:39]
• 맥·윈도우·리눅스용 설치 파일을 제공하며 일반 프로그램처럼 다운로드해 설치한다. 연결된 포털에서 무료 모델 행사와 기능 업데이트도 확인할 수 있다. [40:08]

22. 기업 활용의 핵심은 맡길 업무를 이해하고 운영까지 경험하는 데 있다

• 기업에서 에이전트를 활용하려면 실제로 어떤 일을 맡길지 담당자가 먼저 이해해야 한다. 자신의 업무를 대상으로 충분히 시험하며 활용 가능성을 확인하는 과정이 필요하다. [40:53]
• 반복 자동화는 접근하기 쉬운 활용 방식이지만, 업무에 따라 챗봇이나 바이브 코딩으로 만든 웹도 선택지가 된다. 기업의 AI 활용은 에이전트를 설계하는 데서 실제 가동·운영·관리까지 이어지는 단계로 발전하고 있다. [41:20]

🧾 결론

• 에이전트 활용의 출발점은 자신이 반복하는 업무 하나를 정하고 원하는 산출물 기준을 구체화하는 것이다.
• 설치가 간편해져도 업무 분해, 피드백, 기억 확인, 최종 승인까지 포함한 운영 설계가 결과를 좌우한다.
• 기존 도구와 역할을 나눌 수 있다. 사례에서는 헤르메스로 리서치와 초안을 준비하고, PPT 스타일이 설정된 클로드 코드로 발표 자료를 완성했다.

📈 투자·시사 포인트

• 데스크톱 설치와 대화 기반 설정은 비개발자의 에이전트 실험 범위를 넓힐 수 있다. 다만 자료에는 실제 이용자 증가나 시장 규모를 판단할 수치가 없다.
• 기업 도입에서는 에이전트 설계뿐 아니라 실제 가동·운영·관리 역량이 중요해진다. 담당자가 자신의 업무를 이해하고 개인 업무에서 충분히 시험하는 접근이 제시된다.
• 생산성 효과를 평가할 때는 초안 생성뿐 아니라 검수, 수정, 재가동, 여러 봇 관리에 드는 시간도 함께 살펴야 한다.
• 무료 모델과 로컬 모델은 초기 시험의 선택지지만, 프로모션 조건과 PC 사양에 따라 활용 범위가 달라진다. 자료만으로 장기 비용이나 투자 수익성을 판단하기는 어렵다.

⚠️ 불확실하거나 확인이 필요한 부분

• 기억 유지와 피드백 반영은 발표자의 사용 경험에 근거한다. 지시를 빠뜨리거나 기억이 혼동되는 사례도 있어 일관된 품질이 보장된다고 볼 수 없다.
• AI·AX 시사점은 사실과 다르거나 작성자의 의도에서 벗어날 수 있다. 에이전트의 자체 검수만으로 게시 품질이 확보되는지는 확인되지 않았다.
• 앱을 닫아도 텔레그램으로 접근한 사례는 노트북과 기존 설치가 작동하는 구성에 해당한다. 재부팅 이후 동작과 상시 실행 안정성은 자신의 환경에서 확인해야 한다.
• 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

• 데스크톱 설치 후 뉴스 정리나 강의 자료 초안처럼 실제 반복 업무 하나를 메인봇에서 시험한다.
• 출처, 출력 형식, 시사점 작성 기준과 함께 ‘게시 전 최종 검토 요청’ 조건을 업무 지침에 넣는다.
• 결과물을 수정한 뒤 다음 실행에도 변경 기준이 반영되는지 확인하고, 누락되면 이전 지시와 수정 이력을 점검한다.
• 예약 실행과 재부팅 이후 동작을 확인하고, 상시 작업에 필요한 실행 환경을 정한다.

❓ 열린 질문

• 누적된 기억과 업무 지침이 충돌할 때 어떤 기준으로 정리해야 반복 실행의 일관성을 유지할 수 있을까?
• 단일 봇보다 여러 에이전트의 역할 분담이 유리해지는 업무 규모와 관리 부담의 기준은 무엇일까?
• 사람의 최종 검토를 줄이려면 사실 정확성, 시사점 적합성, 형식 준수에서 어느 수준의 검증이 필요할까?