🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

5인 회사가 헤르메스 에이전트를 720시간 가까이 업무 흐름에 넣어 본 핵심은, AI를 챗봇이 아니라 회의·이메일·업무 기록을 읽고 매일 실행을 제안하는 공용 운영 시스템으로 바꾸는 데 있다.

📌 핵심 요점

1. 헤르메스 에이전트는 회의록, 이메일, 슬랙 대화, 업무 기록을 모아 조직 맥락을 읽고, 오늘 할 일·리스크·다음 액션을 제안하는 방식으로 쓰였다.
2. 맥미니 같은 개인 장비 기반 운영은 실험에는 가능하지만, 24시간 안정성, 업데이트 관리, 전원 문제, 보안 측면에서 공용 조직 인프라로 쓰기에는 한계가 드러났다.
3. Hostinger 같은 VPS 기반 설치는 개인 PC 의존도를 줄이고, 슬랙에서 여러 구성원이 함께 쓰는 공용 에이전트 운영에 더 적합한 선택지로 제시됐다.
4. AI 네이티브 조직이 되려면 단순히 AI에게 질문하는 수준을 넘어, 노션·슬랙·Gmail·회의 녹음·스탠드업 기록을 중앙에 모아 지속적으로 쌓는 맥락 허브가 필요하다.
5. 에이전트 활용의 품질은 초기 세팅보다 데이터 축적과 피드백 루프에 크게 좌우되며, 회의록·SOP·압축 문서·업무 로그가 쌓일수록 데일리 태스크와 이메일 초안의 실용성이 개선됐다.

🧩 배경과 문제 정의

• 5~6명 규모의 AX 컨설팅 조직에서 AI를 단순 질의응답 도구가 아니라 실제 업무 흐름에 팀원처럼 포함해야 한다는 문제의식에서 출발한다.
• 헤르메스 에이전트는 회의록, 이메일, 업무 기록, 다음 액션을 모아 조직 맥락을 파악하고, 매일 필요한 업무를 제안하는 운영 시스템으로 쓰인다.
• 개인 PC나 맥미니 기반 설치는 24시간 운영, 업데이트, 보안, 전원 안정성 측면에서 한계가 있으며, 조직 공용 인프라로 활용하기에는 관리 부담이 커진다.
• AI 네이티브 조직으로 전환하려면 데이터 수집과 정리, 도구 연동, 에이전트 세팅, 자가 학습 환경까지 이어지는 업무 기반이 필요하다.

🕒 시간순 섹션별 상세정리

1. 헤르메스 에이전트가 회의록·업무·이메일을 조직용 산출물로 바꾼다

• GPT 이미지 2.0 API와 연동한 회의록은 이미지로 공유되며, 구성원들은 회의 후 요약과 핵심 내용을 시각 자료로 확인한다 [00:15]
• 에이전트는 매일 아침 해야 할 일을 제안하고, 업무 상태·확인 사항·리스크·다음 액션을 도표로 정리한다 [00:30]

2. AX 컨설팅 회사가 먼저 조직 운영 방식을 AI 중심으로 바꿔야 한다

• 조슈아앤컴퍼니는 대기업과 여러 회사에 기업 교육, 구축 서비스, AX 컨설팅을 제공하는 조직이다 [00:52]
• AI 전환을 컨설팅하는 회사라면, 내부 운영 방식부터 AX 방식으로 전환해야 한다는 문제의식이 있다 [01:05]

3. 맥미니 설치는 개인용에는 가능하지만 공용 운영에는 안정성과 보안 한계가 있다

• 맥미니에 헤르메스 에이전트를 로컬로 설치하면 24시간 켜둘 수 있다는 장점이 있다 [03:11]
• 그러나 야간 업데이트, 전기 끊김, 전기세, 개인 장비 의존 같은 운영 변수가 발생한다 [03:25]

4. VPS 기반 설치는 소규모 조직의 공용 에이전트 운영에 더 안정적인 선택지가 된다

• 호스팅어 같은 VPS에 헤르메스를 설치하면 웹 서버 환경에서 24시간 지속 운영할 수 있다 [04:20]
• 개인 컴퓨터 종료나 OS 업데이트로 인한 중단 가능성을 줄일 수 있다 [04:36]

5. AI 네이티브 회사가 되려면 데이터 수집부터 자가 학습 환경까지 이어져야 한다

• Y Combinator의 AI 네이티브 컴퍼니 논의는 AI가 조직 운영과 업무 방식의 기본 전제가 되는 흐름을 보여준다 [06:46]
• 잭 도시의 관점에서도 AI는 사람의 일과 조직 계층 구조에 중요한 역할을 하며 기존 회사 운영 방식을 흔든다 [07:02]

6. 슬랙과 중앙 서버에 회의·이메일·노션 데이터를 모아 맥락 허브를 만든다

• 노션, 슬랙, Gmail 같은 조직의 공용 자산을 헤르메스에 연결해 회사 데이터가 지속적으로 축적되게 해야 한다 [08:43]
• 다만 별도 연동 도구가 충분하지 않아 필요한 API 연동을 하나씩 직접 구성해야 하는 번거로움이 있다 [08:58]

7. 녹음·스탠드업·이메일을 회사 맥락 데이터로 적재한다

• 노션은 마크다운 기반 서비스가 아니므로, 핵심 파일과 링크 기반 자료를 옵시디언의 MD 형태로 추가 축적하는 방식을 선택한다 [12:01]
• 플라우드 노트는 재피어를 지원해 녹음 이후 생성된 데이터를 다른 서비스로 자동 전송할 수 있다 [12:26]

8. G스택·G브레인으로 외부 기준과 내부 기억을 결합한다

• G스택은 Y Combinator의 사업 SOP와 평가 기준을 담은 오픈소스 자료다 [14:33]
• G스택은 회사가 스타트업 관련 서비스를 제대로 만들고 있는지, YC 기준에 부합하는지 점검하는 기준틀이 된다 [14:50]

9. SOP 위키로 회사의 살아 있는 뇌를 구축한다

• 여러 데이터 적재 시스템을 설치한 뒤 핵심 과제는 회사의 뇌 역할을 할 구조를 만드는 것이다 [16:09]
• 이 회사의 뇌는 표준 운영 절차서, 즉 SOP 형태로 정의된다 [16:15]

10. LLM 위키와 압축 문서로 토큰·거버넌스 효율을 높인다

• LLM 위키는 수백 시간 분량의 데이터와 매일 누적되는 자료를 AI가 매번 원문부터 훑는 비효율을 줄이기 위한 구조다 [17:20]
• 회의록·문서 같은 원본 소스는 맥미니나 데이터베이스 내부에 그대로 적재해 기반 데이터로 유지한다 [17:52]

11. 사업 평가와 데일리 태스크 제안의 품질을 개선한다

• G스택의 YC식 평가 기준에 G브레인에 쌓인 내부 데이터를 결합하면, 회사의 현재 문제와 사업 방향을 더 구체적으로 진단할 수 있다 [19:07]
• 평가 결과는 텍스트뿐 아니라 이미지·도표 형태로도 생성되어 조직 구성원이 핵심을 빠르게 이해할 수 있다 [19:23]

12. 이메일 응답 자동화와 내부 운영 대시보드로 반복 업무를 줄인다

• 대표 입장에서는 AI가 업무 하달의 상당 부분을 보조해, 직접 업무를 배정해야 하는 부담을 줄여준다 [21:35]
• 하루 업무를 확인하고 실행 방향을 정하는 과정도 더 단순하고 빠르게 압축된다 [21:42]

13. 세금계산서·카피라이팅·회사소개서까지 사내 자동화를 확장한다

• 슬랙 탭에서 세금계산서 발급을 요청하면 필요한 정보를 입력받고 발급 절차를 이어가도록 구성돼 있다 [24:01]
• 견적서 작업도 별도 도구 전환 없이 대화 기반으로 처리할 수 있게 설계됐다 [24:10]

14. 구성원별 사용 방식과 비개발자 업무 확장이 나타난다

• 구성원들이 실제 업무 흐름 안에서 얼마나 자연스럽게 활용하는지가 핵심 과제로 남아 있다 [25:14]
• 커뮤니티 담당자는 지식 베이스에서 해야 할 일과 도움받을 수 있는 업무를 탐색하며 새로운 업무 아이디어를 얻는다 [25:25]

15. 회의록·아티팩트·업무 분리와 피드백 루프를 만든다

• 회사는 헤르메스 에이전트를 통해 매일 회의록과 대화를 꾸준히 축적하고 있다 [27:02]
• 별도 회의록 서비스를 만들어 B2B 회의 이후 발표 자료, 요약 이미지, 리포트, 이메일 같은 아티팩트를 빠르게 생성하려 한다 [27:15]

16. 공개 채널 운용과 현재 한계·비용 감각을 정리한다

• 구성원에게 사용법을 하나씩 안내하면서 조직 전체의 활용 방식을 맞춰가고 있다 [28:53]
• 에이전트 대화 알림이 자주 울리는 문제 때문에 별도 에이전트 채널을 만들고 알림을 꺼 두는 운영 방식이 필요해졌다 [29:03]

17. 작은 조직 적합성, 자동화 확장성, 보안 거버넌스가 결론이다

• 현재까지 토큰 부족이나 초과는 운영상 큰 제약으로 드러나지 않았다 [31:02]
• 헤르메스 에이전트는 규모가 작은 조직이나 새로 시작하는 조직에 더 적합하다는 결론으로 압축된다 [31:17]

18. 레거시 관성을 넘어 산출물·자동화 가능성을 넓힌다

• 레거시 조직은 데이터 적재와 기존 도구·업무 관성을 깨는 일이 생각보다 어렵다고 짚어 본다 [31:29]
• AI 네이티브 조직은 레거시가 없는 작은 환경에서 출발하는 편이 더 낫다고 권한다 [31:40]
• 헤르메스 에이전트는 단순 대화형 지식 시스템을 넘어 산출물 제작과 자동화로 확장될 수 있다고 본다 [31:51]
• 영업 메일, 회사 맞춤 PPT·HTML 페이지, ERP 개발 연동까지 가능한 영역이 넓어지고 있다고 보여준다 [32:07]

19. 보안 가드레일과 후속 활용 공유로 마무리한다

• 가능성은 크지만 가장 중요한 과제는 데이터 거버넌스와 보안 관리라고 강조한다 [32:30]
• 고객사 정보나 회사 정보가 포함된 내용은 제외해 적재하고, 유출 방지를 위해 2차 인증과 이중 보안을 신경 쓰고 있다고 드러낸다 [32:48]
• 공용 에이전트를 쓰려면 안전한 가드레일 안에서 운영하도록 담당자를 지정하고 보안 관리를 고려해야 한다고 정리한다 [33:14]
• 앞으로 더 유용한 시나리오와 업무 변화 사례를 다시 공유하겠다고 예고하며, 시청자에게 활용 방식을 댓글로 남겨 달라고 요청한다 [33:45]

🧾 결론

• 이 영상의 핵심 사례는 작은 조직이 AI를 개인 생산성 도구가 아니라 회사 운영의 일부로 편입하려면, 먼저 조직 데이터가 계속 쌓이는 구조를 만들어야 한다는 점이다.
• 헤르메스 에이전트는 회의 요약, 이미지 리포트, 이메일 초안, 데일리 태스크 제안, SOP 갱신, 내부 운영 대시보드 등 반복 업무를 줄이는 방향으로 확장됐다.
• 다만 돈이 오가는 업무, 견적서, 계약성 판단, 고객사 정보가 포함된 회의록처럼 리스크가 큰 영역은 사람의 승인과 보안 가드레일이 필요하다고 정리된다.
• 작은 조직일수록 기존 시스템의 관성이 적어 슬랙·이메일·회의록을 빠르게 연결할 수 있고, 공용 에이전트를 통해 구성원들이 AI와 함께 일하는 방식을 학습하기 쉽다는 시사점이 있다.

📈 투자·시사 포인트

• 소규모 조직용 AI 운영 인프라 수요는 단순 챗봇보다 회의록, 이메일, 업무 배정, SOP, 내부 문서 갱신처럼 실제 운영 흐름에 붙는 영역에서 더 뚜렷하게 나타날 수 있다.
• VPS 기반 공용 에이전트 운영은 개인 PC 설치보다 안정성과 확장성 측면에서 장점이 있지만, 실제 비용 우위와 보안 수준은 조직 규모·사용량·관리 역량에 따라 검증이 필요하다.
• AI 에이전트 도입의 병목은 모델 성능만이 아니라 조직 데이터 정리, API 연동, 권한 관리, 보안 정책, 구성원 사용 습관에 있다는 점이 중요하다.
• 회의·이메일·스탠드업·SOP가 매일 쌓이는 구조를 만든 조직은 시간이 지날수록 에이전트가 더 정확한 맥락을 갖게 되어 업무 제안과 자동화 품질이 개선될 가능성이 있다.
• 투자 관점에서는 범용 AI 도구보다 슬랙, 이메일, 문서 저장소, 회의 녹음, 서버 운영을 묶어 실제 업무 프로세스에 들어가는 솔루션의 실사용 사례를 주의 깊게 볼 필요가 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• VPS가 맥미니보다 경제적일 수 있다는 판단은 영상에서 호스팅어 할인·쿠폰 링크를 전제로 설명되므로, 실제 월 비용·트래픽·스토리지·백업·보안 운영 비용까지 포함한 비교가 필요하다.
• 내부에서는 GPT 100달러 플랜으로도 공용 에이전트를 충분히 사용 중이라고 언급되지만, 사용량이 늘어나거나 에이전트 수가 많아질 때도 같은 비용 감각이 유지될지는 확인이 필요하다.
• G스택과 G브레인이 각각 YC 기준 점검, 회사 기억 강화, RAG에 가까운 시스템으로 소개되지만, 구체적인 구현 방식·데이터 구조·검색 품질·권한 관리 방식은 영상만으로는 확정하기 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

• 공용 에이전트 운영 전, 맥미니 로컬 운영과 VPS 운영의 비용·보안·전원 안정성·업데이트 부담을 비교한다.
• Slack, Gmail, Notion, 회의록, 스탠드업 기록 등 조직 맥락 데이터가 어디에 쌓이고 누가 접근할 수 있는지 데이터 흐름도를 만든다.
• 회의록·이메일·고객사 정보 중 에이전트에 적재하면 안 되는 민감정보 기준을 먼저 정의한다.
• 회의록과 업무 기록을 마크다운 형태로 저장하고, Obsidian 또는 유사한 지식 저장소에서 재사용 가능한 구조로 정리한다.

❓ 열린 질문

• 소규모 조직에서 공용 에이전트를 도입할 때, 어느 시점부터 개인 PC나 맥미니가 아니라 VPS·서버 기반 운영으로 전환해야 할까?
• 에이전트가 읽어야 하는 데이터와 절대 읽으면 안 되는 고객사·계약·개인정보 데이터는 어떤 기준으로 나눠야 할까?
• 매일 생성되는 회의록, 스탠드업, 이메일, 업무 기록을 얼마나 압축해야 토큰 비용과 맥락 품질의 균형을 맞출 수 있을까?