The Rise Of AI Coworkers
Quick Summary
The Rise Of AI Coworkers를 중심으로, 업무의 단위가 채팅에서 AI 동료로 이동한다. Grokbot은 이름·역할·스킬·도구와 자체 컴퓨터를 가진 봇을 구성한다를 핵심 판단 포인트로 압축 정리한다.
영상 보기
클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론
The Rise Of AI Coworkers를 중심으로, 업무의 단위가 채팅에서 AI 동료로 이동한다. Grokbot은 이름·역할·스킬·도구와 자체 컴퓨터를 가진 봇을 구성한다를 핵심 판단 포인트로 압축 정리한다.
📌 핵심 요점
- 업무의 단위가 채팅에서 AI 동료로 이동한다. Grokbot은 이름·역할·스킬·도구와 자체 컴퓨터를 가진 봇을 구성한다. 요청에 답하는 데서 나아가 문제를 계속 살피고 먼저 제안하는 방향을 지향한다.
- 개인 과제에서 팀의 반복 업무로 활용이 확장된다. 마케팅의 광고 테스트, 영업 조사, 지원 요청 분류 등에서 전문 봇을 공유하는 사례가 나온다. 팀의 업무 원칙과 스킬을 공통 봇에 축적하면 개선 효과를 함께 누릴 수 있다.
- Slack 연결은 업무 맥락 전달과 피드백의 부담을 줄인다. Lauren은 Slack에서 Potato를 통해 Cursor 클라우드 에이전트를 실행하고 시제품을 확인했다. 공개 스레드에 동료가 참여하면서 구현과 제품 피드백을 같은 공간에서 이어갔다.
- 자율 실행의 기반은 단계적 권한 부여와 반복 검증이다. 읽기 전용 분석부터 시작해 신뢰에 따라 실행 범위를 넓히는 접근이 제시된다. 개발에서는 에이전트가 직접 실행·진단·수정을 반복하고, 정적 분석·린트·CI가 품질 제약을 강제해야 한다.
- 실행이 쉬워질수록 목표와 제품 판단이 병목이 된다. 많은 에이전트를 투입해도 의도 명세와 KPI가 잘못되면 성과로 이어지기 어렵다. 작은 버그의 자동 복구와 핵심 사용자 경험의 변경을 구분하고, 사람은 제품 방향과 출시 판단에 집중한다.
🧩 배경과 문제 정의
- Grokbot은 장시간 목표를 수행하고 도구를 사용하는 코딩 에이전트의 방식을 비개발 업무에도 적용하려는 제품이다. 채팅이나 파일보다 이름·역할·도구를 가진 AI 동료를 업무의 기본 단위로 삼는다.
- AI가 실제 회사 업무를 맡으려면 사람이 쓰는 컴퓨터와 도구에 접근하고, 요청을 기다리는 대신 지속적으로 문제를 살피며 먼저 행동할 수 있어야 한다는 문제의식이 출발점이다.
- 여러 사람과 봇이 함께 일하면 누구의 지시를 따를지, 어떤 권한을 부여할지, 행동과 대화를 어떻게 확인할지라는 문제가 생긴다. 업무 전체를 책임지는 단계까지 가기 위한 신뢰 형성도 아직 초기다.
- 개발 자동화의 핵심 조건은 코드 생성 능력뿐 아니라 업무 맥락 연결, 빠른 피드백, 공유 스킬, 정적 분석과 안전장치에 있다.
🕒 시간순 섹션별 상세정리
1. 채팅 도구에서 상시 작동하는 AI 동료로 전환
- Grokbot은 이름·정체성·역할·스킬·도구를 부여한 AI 동료를 만드는 제품이다. 장시간 목표를 수행하는 코딩 에이전트의 효과를 비개발 직군으로 확장하려는 내부 프로토타입에서 출발했고, 약 7주 만에 개발됐다 [01:57]
- 업무를 채팅이나 파일 중심으로 구성하는 대신 봇 중심으로 조직하며, 봇에도 자체 컴퓨터와 사람이 사용하는 도구에 대한 접근을 제공한다 [02:25]
2. 작은 개인 업무에서 회사의 기능 단위로 위임 확대
- 내부에서는 AI 활용에 적극적인 사람과 소극적인 사람 모두 좋은 반응을 보였다. 사용을 시작하기는 쉽지만 개인의 생활과 업무에 맞춰 설정할수록 활용 깊이가 커지는 패턴이 나타났으며, 제품은 여전히 초기 단계다 [03:34]
- 사용자는 기본 작업을 맡긴 뒤 도구 접근을 늘리고, 개별 과제에서 목표와 직무 전체로 위임 범위를 넓힌다. 내부 퍼포먼스 마케팅팀은 봇에 Google Ads·Facebook Ads 계정과 예산을 주고, 디자인 봇이 만든 소재를 받아 A/B 테스트하도록 한다 [04:33]
3. Slack에 연결된 에이전트가 개발의 바깥 작업을 흡수
- Lauren은 Slack 대화에서 버그·기능 요청의 맥락을 모아 코딩 에이전트에 요약하거나 복사하던 작업을 개발의 ‘외부 루프’로 본다. Grokbot의 커넥터와 Slack 연결은 에이전트를 실제 업무가 발생하는 장소로 가져온다 [06:03]
- Slack 스레드에서 동료처럼 대화하거나 X에서 봇을 태그할 수 있어, 사람이 수작업으로 맥락을 전달하던 마지막 연결 구간의 부담이 줄었다. Lauren은 이 변화가 자신의 생산성을 크게 높였다고 평가한다 [06:33]
4. 봇 구성은 직무별·고객별로 달라질 수 있다
- 사용자는 자신의 사고방식에 맞춰 봇을 나눌 수 있다. 엔지니어·마케터처럼 기능별 전문 봇을 두거나, 고객 한 명에 관한 여러 업무를 담당하는 봇을 둘 수 있으며 Lauren은 봇 수를 적게 유지하면서 일부 전문가를 둔다 [07:47]
- 봇마다 별도의 맥락과 스킬을 가진다는 구조는 AI 직원이라는 개념과 연결된다. 채용에 어려움을 겪는 소규모 기업에는 회계 같은 업무를 맡길 유인이 크며, 수 시간 안에 장부 정리를 맡길 봇을 만들 수 있을 것이라는 기대도 나온다 [08:59]
5. 문제별 전담 봇과 조직 공유 기능의 결합
- Roman은 하나의 초인적 봇이 수많은 문제를 동시에 맡기보다, 각 봇이 특정 문제에 집중하고 발견한 내용을 먼저 전달하는 구성을 선호한다. 해당 분야의 전문가가 봇을 견습 직원처럼 관리하는 방식이 기업의 업무 분담과 잘 맞는다는 관점이다 [10:37]
- 대화 시점 약 2주 전에 출시된 팀 봇은 여러 동료가 공유할 수 있다. 엔지니어링 외에도 GTM·지원 분야에서 도구 만들기를 좋아하는 사람이 몇 시간을 투자해 동료들의 반복 업무를 줄이는 자동화를 구축하는 패턴이 나타난다 [11:28]
6. 영업과 비개발 업무로 확장되는 반복 실행 체계
- 소프트웨어 개발의 반복 실행 체계는 비개발 업무에도 적용된다. 내부 영업팀은 잠재 고객과 거래 기회를 조사하고 영업 과정의 운영 업무를 처리하는 루프를 만들기 시작했다 [13:02]
- 개인마다 견적 봇이나 거래 봇을 따로 만드는 대신, 팀 전체가 개선에 기여하는 전문 봇을 공유한다. 영업의 모범 사례나 엔지니어링 원칙·스킬을 공통 봇에 반영하면 팀원 모두가 그 축적의 혜택을 받는다 [13:39]
7. 다자 협업에서 드러나는 지시 우선순위와 사회적 맥락의 공백
- 단일 에이전트에 프롬프트를 주는 활용 다음 단계로 여러 에이전트를 조율하는 협업이 거론된다. 다만 봇을 여러 사람이 함께 사용하는 방식에는 여전히 해결되지 않은 문제가 많다 [14:53]
- Slack과 회의에 참여한 봇은 누가 분야 전문가이고 누가 결정권자인지 몰라 누구의 말을 따라야 할지 혼란을 겪는다. 이 맥락을 이해하도록 제품·실행 환경·모델 각각에서 개선해야 한다는 과제가 남는다 [15:41]
8. 사람의 입사 절차를 참고한 권한 부여
- 인증과 접근 제어에는 업계 전체에 통하는 확정적 해법이 아직 없다는 입장이다. 사람을 채용하듯 컴퓨터와 계정을 제공하고, 역할과 신뢰 수준에 맞춰 권한을 제한한 뒤 점차 확대하는 원칙을 봇에도 적용할 수 있다 [17:02]
- YC가 공개한 Quartermaster는 Slack 채널이나 함께 일하는 사용자의 권한을 상속하는 방식을 사용한다. 이에 따라 파트너와 소프트웨어 엔지니어가 봇을 통해 접근할 수 있는 범위도 달라진다 [17:25]
9. 봇 간 대화를 통한 업무 분담과 관찰 가능성
- Grokbot에는 봇들이 대화하고 협업하는 전용 도구가 있으며, 데스크톱과 모바일 앱에서 대화를 확인할 수 있다. 리드 엔지니어 봇에 다른 엔지니어 봇의 감독을 맡기자, 사람이 준 피드백을 하위 봇들에게 전달하는 사례가 있었다 [18:26]
- YC 내부에서도 코딩 에이전트들이 포럼처럼 대화하는 시스템을 만들었고, 사람의 추가 지시 없이 긴 대화를 이어가는 모습이 관찰됐다. 봇의 안전성은 모델팀과 실행 환경을 만드는 팀이 계속 검토하는 문제이며, Lauren은 질문에서 우려한 반란 같은 행동을 직접 보지는 못했다고 답한다 [19:25]
10. 거부 기능 제거 모델에서는 지시와 맥락이 위험을 좌우
- 한 진행자는 거부 기능을 제거한 모델도 기본적으로는 유용하게 행동하지만, 악의적인 지시를 받으면 거부하지 않는다는 점을 우려한다. 위험 요인으로 모델에 주는 지시와 맥락, 거부 기능 제거의 결합을 지목한다 [21:12]
- 다만 이런 모델을 찾아 직접 설정하고 가동하기는 어렵다는 평가도 함께 드러난다 [21:19]
11. 읽기 전용 업무부터 시작하는 단계적 신뢰 형성
- 신뢰 형성의 첫 단계는 작은 읽기 전용 업무다. 내부 데이터 봇은 데이터베이스를 읽고 Slack의 분석 요청에 답하지만 그 이상의 행동은 할 수 없어, 데이터 과학팀이 반복적으로 받던 요청을 줄이는 역할을 한다 [22:01]
- 조달 업무에서도 팀이 봇을 만들어 Slack에 추가하고 공유했다. 다음 단계는 과제를 처음부터 끝까지 실행하는 것이고, 그다음은 직무 전체나 지속적인 성과 목표를 맡는 것이지만, Roman은 그런 단계까지는 아직 상당한 거리가 있다고 본다 [22:33]
12. Slack 요청에서 실행 가능한 시제품으로 이어지는 개발
- Lauren의 월 PR 규모는 대화에서 2,000건 이상에서 4,000건 이상으로 늘어난 것으로 확인된다. 현재 봇과의 주요 접점은 Slack이며, X에서도 사용자의 문제 해결을 돕는다 [23:15]
- 동료 Samantha와 기능을 만들 때는 X에서 찾은 영상 링크를 Potato에 주고 유사 기능을 지원하려면 무엇이 필요한지 물었다. Potato는 Cursor 클라우드 에이전트를 실행했고, 자체 가상 머신에서 Grokbot 앱을 구동해 시제품과 영상·스크린샷을 가져왔다 [23:55]
13. 하나의 Slack 스레드에서 기능 전체를 완성
- 해당 기능은 Lauren이 Cursor를 직접 열지 않고 Slack 스레드에서 끝까지 개발했다. 약 200개의 메시지를 주고받으며 Lauren·Samantha·다른 PM이 만족하는 결과를 얻었고, 더 긴 절차를 거칠 때보다 빠르게 출시할 수 있을 것으로 기대했다 [25:38]
- 진행자는 이런 개발 방식의 보급률을 엔지니어의 1% 또는 5~10% 수준일 수 있다고 추정하고, 앞으로 100배 확산할 수 있다고 전망한다. 수치와 확산 규모 모두 추정과 전망으로 드러난다 [25:59]
14. 자동 병합의 전제는 스킬·제약·검증 체계에 대한 투자
- 이런 작업 방식은 하룻밤 사이에 완성되지 않는다. 적절한 스킬과 코드베이스의 안전장치·제약을 갖추고, 사람이 코드 리뷰에 쓰던 판단을 정적 분석과 도구에 반영하는 투자가 필요했다 [26:24]
- 이 체계가 에이전트의 코드에 대한 신뢰를 높이면서 엔지니어는 제품·사용자 경험·운영 실행에 더 집중할 수 있게 됐다. Lauren은 에이전트가 자신의 PR을 병합하도록 하며, 앞선 Slack 사례에서도 PR 코드를 읽기보다 생성된 결과물을 확인했다 [26:55]
15. P-stack으로 개인의 개발 원칙을 재사용 가능한 스킬로 축적
- P-stack은 내부 저장소에 설치돼 있으며 회사 구성원과 봇이 실행한 클라우드 에이전트가 같은 스킬을 사용할 수 있다. 내부 버전의 모드 이름은 ‘Lauren mode’이고, 출발점은 Lauren 자신의 스킬을 모아둘 공간이었다 [27:29]
- G-stack을 개인의 작업 원칙을 담은 도구 모음으로 본 경험이 P-stack에 영향을 줬다. Lauren은 기존 스킬을 포크하고 조합해 자신에게 맞는 스택을 만들 것을 권하며, 도구에 대한 신뢰가 사람과 에이전트의 위임 범위를 넓힌다고 본다 [28:30]
16. 외부 스킬 탐색과 도입까지 위임하는 개인 개발 체계
- 한 진행자는 Cappy를 자신의 소프트웨어 팩토리로 사용하며, ‘captain’을 통해 G-stack 병합 대기열을 관리한다. 동시에 약 10~15개의 작업 스레드가 돌아가고, P-stack과 T-stack 등 외부 도구에서도 아이디어를 얻는다 [29:41]
- 에이전트에 외부 도구를 찾아보고 자신에 대해 알고 있는 내용을 바탕으로 유용한 요소를 작업 흐름에 가져오도록 요청한다. 자동화의 대상이 구현 작업뿐 아니라 개발 도구와 스킬을 탐색하고 개선하는 과정으로도 넓어진다 [29:52]
17. 에이전트의 기억과 공개된 작업 방식이 개인과 조직의 학습을 돕는다
- 에이전트와의 대화 기록에는 사용자가 언제 개입하고 언제 실행을 맡기는지가 남는다. 이런 기억이 쌓일수록 에이전트는 사용자의 선호와 의도를 더 잘 파악할 수 있다 [30:00]
- 이런 작업 방식은 아직 초기 단계지만, 5~10년 뒤나 빠르면 2년 뒤에는 사용하지 않는 편이 오히려 이해하기 어려워질 것이라는 강한 전망이 나온다 [30:38]
18. AI 동료는 회사가 이미 일하는 도구 안으로 들어간다
- 엔지니어링 작업 상당 부분은 Slack과 X에서 진행하지만, 점심 선택이나 이메일 확인 같은 개인용 봇까지 Slack에 넣지는 않는다. 업무용 봇을 스레드에 직접 추가하면 별도로 링크를 복사해 전달하는 수고가 줄어든다 [32:17]
- AI 동료의 방향은 기존 B2B SaaS를 모두 새로 만드는 것이 아니라, Slack·회의·Google Docs 등 기존 도구에 접근해 회사의 업무 방식 안에서 일하게 하는 것이다. 회의 참여와 문서 안에서의 작업은 앞으로의 목표에 해당한다 [33:06]
19. 독립적인 동료와 더 자연스러운 의도 전달이 미래 목표가 된다
- 2027년에 바라는 모습은 봇이 독자적인 신원, 전화번호, 신용카드를 갖고 인간이 수행하는 거의 모든 일을 할 수 있는 동료에 가까워지는 것이다 [33:55]
- 에이전트의 최종 인터페이스가 채팅일지는 열려 있다. Neuralink의 ‘Telepathy’에 대한 이해가 정확하지 않을 수 있다는 전제 아래, 뇌·컴퓨터 인터페이스가 의도 전달의 장벽을 낮추고 생각의 속도로 소통하게 할 가능성에 관심을 둔다 [34:19]
20. 회사 전체의 자동화에는 검증 체계와 맥락의 격차가 있다
- 코드는 컴파일과 CI 통과 여부를 확인할 수 있고 작성·테스트·배포를 지원하는 기반도 발달해 있다. 다른 지식노동에는 이에 대응하는 체계가 부족해, 소프트웨어 공장을 회사 전체로 확장하는 데 차이가 생긴다 [35:19]
- 소프트웨어의 맥락은 코드베이스에 모여 있지만, 다른 업무의 핵심 정보는 사람의 머릿속, 종이, 서류함, 접근하기 어려운 시스템에 흩어져 있다. 처음부터 회사를 설계하는 스타트업은 전사적인 자동화를 전제로 기존 기업과 다른 선택을 할 가능성이 있다 [35:55]
21. AI 네이티브 조직은 부서보다 결과와 책임을 중심으로 재편될 수 있다
- Jack Dorsey의 조직 구상에서는 중간관리자를 크게 줄이고, 모두가 직접 결과물을 만드는 개별 기여자(IC), 결과를 책임지며 이들을 조율하는 책임자(DRI), AI 활용법을 가르치는 플레이어 코치라는 세 역할을 중심에 둔다 [36:47]
- 마케팅이나 성장 담당자가 엔지니어링팀에 제작을 의뢰하는 대신 직접 구현할 수 있다면 역할의 기준도 부서에서 결과로 이동한다. 플레이어 코치는 동료의 AI 활용 수준을 높이는 역할이며, 일시적으로 필요한 역할일 가능성도 제기된다 [37:22]
22. 실행이 풍부해질수록 목표 정의와 성과 측정이 중요해진다
- 고객 성공팀의 공유 봇은 고객 요청을 분류하고 적절한 사람에게 배정하며, 일부 요청은 끝까지 처리한 뒤 필요한 경우 책임자에게 넘긴다. 사례의 요청량은 분당 수백 건으로 추정되며, 사람이 모두 읽기에는 지나치게 많다는 맥락이다 [37:59]
- 코딩 에이전트나 Grokbot을 100개씩 투입할 수 있다면 실패의 원인은 실행 부족보다 의도 명세나 목표 설정의 오류가 될 가능성이 커진다. 데스크톱 성능 개선보다 정의하기 어려운 마케팅 성과처럼, 업무별 KPI와 이를 정할 책임자를 명확히 해야 한다 [38:40]
23. 가장 작은 자율 개발 루프는 실행과 자기 검증에서 시작한다
- 에이전트가 코드를 쓰더라도 사람이 대신 실행하고 확인한다면 자율적인 반복 구조가 완성되지 않는다. 우선 에이전트가 직접 코드를 실행하고 CPU 추적과 성능 지표를 수집하며 실제 사용자처럼 애플리케이션을 사용하도록 만들어야 한다 [40:23]
- 실행 결과를 확인할 수 있으면 에이전트는 자신이 만든 문제를 찾고 코드를 수정하는 과정을 반복할 수 있다. 다만 원하는 동작을 구현해도 느리거나 자원을 낭비할 수 있으므로, 기능적 정확성이 좋은 코드 품질까지 보장하지는 않는다 [41:08]
24. 검증된 내부 루프를 경보와 프로젝트 조율로 확장한다
- 지표가 임계값 아래로 내려갔다는 경보가 에이전트를 실행하고, 에이전트가 자신의 환경에서 문제를 재현한 뒤 기존 도구와 스킬로 실행·진단·수정을 수행하게 할 수 있다. 이런 외부 루프는 매번 사람이 작업을 시작하고 감독하는 부담을 줄인다 [42:06]
- 사람의 역할은 개별 에이전트를 계속 지켜보는 일에서 여러 에이전트를 조율하는 일로 이동한다. ‘projects’ 기능에서는 프로젝트 조정 에이전트가 하위 에이전트를 관리해 프로젝트 관리 자체도 봇에 맡기는 단계까지 확장했다 [42:44]
25. 철저한 코드 리뷰는 비용과 맥락 부족이라는 한계가 있다
- G Stack의 리뷰 스킬은 변경된 코드를 줄마다 확인해 실제 버그를 찾지만 수천만 토큰을 소비한다. 30종의 버그를 찾는 별도 평가를 유지하면서 리뷰 비용을 5천만 토큰에서 1천만 토큰으로 줄이려 했으나, 에이전트는 3천만 토큰이 필요하다고 주장한 사례가 있다 [43:13]
- P Stack의 ‘interrogate’는 서로 다른 모델 계열의 에이전트를 생성해 적대적 리뷰를 수행한다. 이런 방식은 여전히 가치가 있지만, 피드백의 중요도를 가릴 판단력이나 제품 목표에 대한 이해가 부족하면 과도하게 피드백에 맞춰질 위험이 있다 [44:34]
26. 품질 기준을 코드베이스와 제품 요구사항에 축적한다
- 코드베이스 자체를 기억의 한 형태로 보고, 아키텍처·API 설계·정적 분석·린트·컴파일러에 품질 기준을 반영하면 반복적인 토큰 사용을 줄일 수 있다. 사람의 실수를 막던 장치가 에이전트에도 도움이 된다 [46:03]
- 제품 논의와 요구사항을 프로젝트의 Markdown 문서에 저장했다면 리뷰도 이를 참고해 무엇을 실제 버그로 볼지 판단할 수 있다. 발생 확률이 0.1%이거나 실제로는 발생하지 않을 수도 있는 문제를 제품 맥락 없이 동일하게 취급할 필요는 없다는 제안이다 [46:48]
27. Electron의 스레드 경계를 정적 규칙으로 지켜 성능 저하를 막는다
- Electron의 렌더러 스레드는 긴 작업에 민감하다. 16밀리초나 8밀리초를 넘는 작업이 화면을 끊기게 할 수 있다는 문제를 매번 리뷰에서 찾는 대신, 린트 규칙과 의존성 그래프 검사기를 만들고 CI에서 강제했다 [48:24]
- 정적 분석으로 실행 시간을 예측한 것은 아니다. 메인 스레드와 렌더러 스레드 코드 사이의 import를 명시적으로 금지해, 무거운 작업이 렌더러로 유입되는 경로를 막는 방식이다 [49:11]
28. 속도·비용·품질의 동시 개선에는 구조적인 투자가 필요하다
- 빠르고 저렴하면서 품질도 높은 개발이 더 가능해졌지만, 그 상태에 도달하기가 쉽다는 뜻은 아니다. 무제한 토큰을 사용할 수 있는 환경에서 미래의 개발 방식을 탐색한 경험을 바탕으로, 코드베이스와 정적 분석에 우선 투자하면 일상적인 고품질 개발도 경제적으로 운영할 수 있다고 본다 [50:18]
- 토큰의 가치는 개수만으로 비교하기 어렵다. 현재의 최상위 모델 토큰은 전년보다 더 많은 일을 할 수 있고 작은 모델도 과거의 큰 모델보다 좋아졌다는 평가를 바탕으로, 소프트웨어와 다른 영역에서도 지능의 실질 단가가 낮아지고 풍요가 커질 것으로 전망한다 [51:41]
29. 구현 능력보다 제품 비전의 합의가 병목이 된다
- Lauren이 한 달에 PR 4,000개를 올리는 팀에서는 기능 개발에 필요한 시간과 인력보다 로드맵, 비전, 좋은 제품의 기준을 맞추는 일이 더 큰 병목으로 나타난다 [52:20]
- 아이디어를 논의할 때 이미 해당 기능의 PR이 준비돼 있는 일이 반복되지만, 이를 모두 병합하면 무관한 사이드 프로젝트가 섞인 제품이 될 수 있다. 구성원이 하루나 일주일에 수천 개의 작은 결정을 내리는 만큼 일관된 제품 철학과 방향에 더 많은 시간을 쓴다 [52:53]
30. 버그의 자동 복구와 핵심 사용자 경험의 변경은 다르게 다룬다
- ‘Sandy’는 제품·지원 채널·X에서 매일 수천 건의 고객 피드백을 받는다. 작은 버그는 자동화된 개발 체계가 재현·수정·병합하고 새벽 3시에 자동 배포하는 경우도 있다 [53:46]
- 사용자가 매일 접하는 핵심 화면까지 같은 방식으로 바꾸면 버튼 위치가 연일 달라지는 등 혼란을 줄 수 있다. 이런 변경은 내부에서 충분히 사용하고 불편할 만큼 오래 검토하며, 내부에서 확실한 호응을 얻지 못하거나 반응이 엇갈리면 출시하지 않는다 [54:22]
31. 유지보수를 에이전트에 맡겨 사람은 제품 경험에 집중한다
- 개발 속도가 빨라도 떠오르는 모든 기능을 출시할 필요는 없다. 사람을 위한 소프트웨어에는 의도적으로 설계한 경험이 필요하므로 인간의 판단과 취향이 계속 중요하다는 입장이다 [55:05]
- 자동화된 개발 체계는 기능 추가보다 성능 개선, 사용자 버그, 사용성 불편 같은 유지보수에 집중시킨다. 과거에는 누군가의 전담 업무였던 일을 여러 에이전트가 맡으면 엔지니어는 제품 경험을 더 깊이 고민할 시간을 얻는다 [55:53]
32. 비전공자의 성장에는 제작·공유·소통을 반복한 경험이 있었다
- Lauren은 싱가포르에서 성장하고 호주 Monash에서 회계·재무를 공부했다. 금융 모델링 수업에서 Excel과 VBA로 평가 모델을 만들며 금융 내용보다 스프레드시트와 매크로 제작에 더 큰 재미를 느꼈고, 졸업 후 동급생과 창업하고 호주 스타트업 커뮤니티에 참여하면서 첫 일자리를 얻었다 [56:29]
- 코딩을 배우던 시절부터 블로그와 X에 배운 내용을 공유했고, Ember 커뮤니티의 Tom Dale과 Leah Silber에게 Portland의 콘퍼런스 발표를 제안받았다. 콘퍼런스에 가본 적도 없고 대중 앞에서 말하는 일을 두려워했지만, 발표를 통해 아이디어를 전달하고 사람들을 함께 이끄는 능력을 배웠다 [58:01]
🧾 결론
- AI 동료는 별도의 채팅창을 넘어 Slack 등 회사가 이미 사용하는 도구에서 맥락을 받아 일하는 방향으로 발전하고 있다.
- 직무 전체를 책임지는 자율성은 아직 목표에 가깝다. 현재 사례는 제한된 업무에서 실행과 검증을 연결하며 위임 범위를 넓히는 과정으로 읽어야 한다.
- 품질을 유지하려면 리뷰를 계속 늘리기보다 코드베이스·정적 분석·공유 스킬·제품 요구사항에 판단 기준을 축적해야 한다.
- 사람의 역할은 개별 작업 수행에서 목표 정의, 에이전트 조율, 제품 경험의 일관성을 지키는 일로 이동할 수 있다.
📈 투자·시사 포인트
- 기업용 AI를 평가할 때 모델 성능과 함께 기존 업무 도구 연결, 권한 관리, 행동 확인 기능을 살펴볼 필요가 있다. 자료에서 이 요소들은 실제 업무 위임의 조건으로 반복 등장한다.
- 비개발 업무로의 확장에서는 검증 체계와 맥락 접근성이 관건이다. 코드와 달리 정보가 사람과 문서·시스템에 흩어진 업무는 자동화의 난도가 높다.
- 개발 자동화의 경제성은 토큰 사용량만으로 판단하기 어렵다. 반복 리뷰 비용을 줄이는 정적 규칙과 재사용 가능한 스킬에 대한 투자가 함께 제시된다.
- 조직 운영에서는 부서별 제작 요청보다 결과와 책임을 중심으로 역할을 조정할 가능성이 논의된다. 다만 자료만으로 시장 규모나 특정 기업의 투자 수익성을 판단할 근거는 없다.
⚠️ 불확실하거나 확인이 필요한 부분
- Grokbot의 사례는 초기 제품과 내부 활용 경험에 집중돼 있다. 다른 기업에서도 같은 생산성과 신뢰 수준을 얻을 수 있는지는 확인되지 않는다.
- 월 PR 4,000건 이상이라는 언급은 처리량 사례다. 이 수치만으로 제품 품질, 고객 가치, 비용 대비 효과가 개선됐다고 단정할 수 없다.
- 개발 방식의 보급률, 향후 100배 확산, 수년 내 일상화 전망은 발언자의 추정과 기대다. 검증된 시장 통계나 확정된 일정으로 다루면 안 된다.
- 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 요청이 많은 업무 하나를 골라 읽기 전용 봇으로 시작하고, 답변의 정확성과 줄어든 수작업을 확인한다.
- 봇의 소유자·관리자·협업자와 지시 충돌 시 결정권자를 정하고, 역할과 신뢰 수준에 맞춰 접근 권한을 제한한다.
- 실행 범위를 넓히기 전에 결과 확인 방법과 사람에게 넘길 조건을 정의하고, 행동과 봇 간 대화를 확인할 수 있게 한다.
- 개발 에이전트가 직접 애플리케이션을 실행하고 기능·성능을 점검하도록 구성하며, 반복되는 품질 문제는 린트·정적 분석·CI 규칙으로 옮긴다.
❓ 열린 질문
- 여러 사람이 서로 다른 요구를 할 때 AI 동료는 전문성·결정권·업무 책임을 어떤 기준으로 구분해야 할까?
- 코드의 테스트와 CI에 대응하는 검증 체계를 영업·마케팅·회계 같은 업무에서는 어떻게 만들 수 있을까?
- 과제 단위의 성공을 직무 전체의 지속적인 성과 책임으로 확장하려면 어떤 신뢰와 측정 기준이 필요할까?