기존 워크플로우 자동화는 익숙한 패턴을 따릅니다. 노드를 드래그하고, 연결을 설정하고, 테스트하고, 디버깅하고, 반복합니다. 모든 API 호출, 모든 조건문, 모든 에러 핸들러—전부 직접 구성해야 합니다.
에이전틱 워크플로우는 이 모델을 뒤집습니다. 어떻게 할지를 정의하는 대신, 무엇을 원하는지만 정의하면 에이전트가 알아서 단계를 파악합니다.
에이전틱 워크플로우란?
개발자를 고용하는 상황을 생각해보세요. 코드 한 줄 한 줄을 설명하지 않습니다. 원하는 결과, 해결할 문제, 사용 가능한 도구, 성공의 기준만 설명하면 개발자가 구현을 담당합니다.
에이전틱 워크플로우도 동일한 원리입니다. 기술적 구현 세부사항이 아닌, 범위와 요구사항에 대한 명확성이 필요합니다. 에이전트가 브레인스토밍도 도와줍니다—대략적인 목표를 설명하면, 견고한 솔루션 구축에 필요한 질문들을 스스로 던집니다.
에이전틱 시스템의 4가지 핵심 역량
1. 자가 복구(Self-Healing)
기존 자동화에서 디버깅은 수동 작업입니다. 에러를 읽고, 노드를 수정하고, 테스트하고, 반복합니다. 에이전틱 워크플로우에서는 에이전트가 이 루프를 처리합니다. 무언가를 시도하고, 결과를 확인하고, 문제가 생기면 원인을 파악해서 자체적으로 코드를 수정하고 접근 방식을 업데이트합니다.
코드를 직접 작성하거나 읽을 필요가 없습니다. "좋은 결과"가 무엇인지 설명하고 필요할 때 변경사항을 승인하면 됩니다.
2. 진짜 작동하는 자연어 제어
이전의 자연어 빌더들은 60-70% 정도만 완성해주고, 상당한 수동 정리 작업이 필요했습니다. 새로운 세대는 다릅니다—먼저 인터뷰를 진행합니다:
- 사용자는 누구인가요?
- 얼마나 자주 실행되어야 하나요?
- 어떤 도구를 사용하나요?
- 엣지 케이스 X가 발생하면 어떻게 해야 하나요?
이런 질문들은 실제 운영 중 문제가 발생하기 전까지 생각하지 못했을 내용들입니다. 구축 후에는 자연어가 컨트롤 인터페이스가 됩니다: "더 빠르게 만들어줘", "여기에 수동 검토 단계 추가해줘", "결과를 이 Google Sheet에 기록해줘".
3. 병렬 에이전트 실행
여러 에이전트를 동시에 실행하여 각각 다른 접근 방식을 테스트할 수 있습니다. 5가지 솔루션을 요청하고, 5개의 에이전트를 가동한 뒤, 비용, 속도, 품질을 비교하면 됩니다.
4. 지속적 보안 프로세스
내가 검토하지 않은 코드를 에이전트가 작성한다니 위험해 보입니다. 하지만 코드를 생성하는 동일한 LLM이 취약점을 지속적으로 검토할 수 있습니다—한 번이 아니라 모든 변경마다. 제약 조건을 자연어로 정의합니다: "고객 전화번호를 절대 서드파티 도구에 전송하지 마" 또는 "API 사용량이 5달러를 초과하면 중단해". 시스템이 이를 강제합니다.
API 및 MCP 통합
인증 헤더, JSON 본문, 쿼리 파라미터와 씨름하는 대신, 연결하고 싶은 것을 설명하기만 하면 됩니다. 에이전트가 API 문서를 읽거나 MCP(에이전트가 이미 사용법을 아는 사전 래핑된 도구)를 활용하여 재시도, 속도 제한, 페이지네이션, 웹훅을 처리합니다.
데모: 몇 분 만에 리드 생성 자동화 구축
Claude Code와 WAT 프레임워크(Workflows, Agent, Tools)를 사용한 예시입니다.
프롬프트:
"리드 생성 자동화를 만들어줘. 시카고의 치과를 스크래핑하고, 조사하고, 개인화된 아웃리치 메시지를 작성하고, Google Sheets로 내보내줘."
진행 과정:
- 에이전트가 계획 모드에 진입하여 명확화 질문(데이터 소스, 보강 수준, 메시지 톤, API 키 상태)
- 아키텍처와 구현 단계가 포함된 구조화된 계획 생성
- 3개의 도구 빌드:
scrape_dentists.py,generate_outreach.py,export_to_sheets.py - 워크플로우 파일 생성:
chicago_dentist_leads.md - 10개 리드로 테스트, 평점과 리뷰를 참조하는 개인화된 메시지 출력
이후 변경은 자연어로 이루어집니다: "캘리포니아도 검색해줘", "메시지를 더 개인화해줘", "이메일 스크래핑도 추가해줘".
앞으로의 방향
능동적 자율 워크플로우
현재 워크플로우는 반응형입니다—트리거를 기다립니다. 차세대 시스템은 도구들을 능동적으로 스캔하여 비효율성을 찾고, 식어가는 딜을 플래그하고, 지연되는 프로젝트를 식별하며, 잠재적으로 자율적인 시정 조치를 취합니다.
Deloitte는 생성형 AI를 사용하는 기업의 25%가 2025년에 에이전틱 파일럿을 배포하고, 2027년까지 50%로 증가할 것으로 예측합니다.
에이전트가 에이전트를 관리
범용 에이전트 하나 대신, 전문화된 에이전트 팀(이메일, 리서치, 리포팅, 데이터 정리)이 매니저 에이전트의 조율을 받는 방향으로 이동하고 있습니다. 멀티 에이전트 구성은 작업을 전문가들에게 분산하여 단일 모델보다 우수한 성과를 보이는 경우가 많습니다.
A2A 프로토콜
MCP는 에이전트가 도구와 대화하는 방식을 정의합니다. Agent-to-Agent(A2A)는 2025년 4월 Google Cloud가 발표한 프로토콜로, 에이전트가 서로 대화하는 방식을 정의합니다—컨텍스트를 공유하고 시스템 간 조율합니다. Salesforce, SAP, ServiceNow, Workday 및 50개 이상의 엔터프라이즈 파트너 지원으로 "에이전트 메시" 방향으로 향하고 있습니다.
장기 실행 프로젝트 에이전트
현재 에이전트는 단거리 주자이지, 마라토너가 아닙니다. 일회성 작업에는 뛰어나지만 여러 주에 걸친 프로젝트에서는 컨텍스트를 잊고, 작업을 반복하고, 궤도를 이탈합니다.
등장하는 솔루션:
- 연속 루프: Claude Code용 Ralph Wiggum 플러그인처럼 가드레일과 성공 조건이 있는 루프
- 교대 기반 작업: 에이전트가 다음 "교대"를 위한 구조화된 아티팩트(노트, 할 일, 변경 사항)를 남겨 컨텍스트 윈도우 비대화를 방지
자동화 경험이 전이되는 이유
기존 자동화를 구축해본 경험이 있다면, 다음을 갖추고 있습니다:
- 프로세스 분해 능력: 비즈니스 프로세스를 개별 단계로 나누고 엣지 케이스 처리
- 시스템 어휘: 웹훅, 트리거, API 인증, 데이터 변환, 조건부 로직
- 실패에 대한 직관: 속도 제한, 잘못된 JSON, 토큰 만료, 엣지 케이스
이를 통해 에이전트에게 더 정확한 프롬프트를 줄 수 있습니다. "CRM이랑 연동해줘" 대신 "딜 단계 변경 시 트리거하고, 연락처 객체를 가져와서 이 필드들을 변환하고, 이 엔드포인트로 POST 요청 보내줘"라고 말할 수 있습니다.
구현 레이어는 쉬워지고 있습니다. 그 외의 것들—클라이언트 문제 이해, 레거시 시스템 통합, 실제 사용 기반 반복—은 더 가치 있어지고 있습니다. 역할이 빌더에서 아키텍트, 매니저, 컨설턴트로 이동합니다.