AI 에이전트 자동화의 단계

자율주행에는 L1부터 L5까지라는 유용한 기준이 있습니다. L1은 운전 보조, L2는 부분 자동화, L3는 더 복잡한 상황을 다루기 시작하는 단계, L4는 정해진 영역에서 독립적으로 작동하는 단계입니다. L5는 완전 자율주행이라는 FSD의 구상으로, 사람이 운전하지 않아도 시스템이 출발부터 도착까지 책임집니다.

AI 에이전트 자동화에도 비슷한 기준이 필요합니다. 이제 누구나 '에이전트'라고 말하지만, 뜻하는 바는 서로 크게 다를 때가 많습니다. 어떤 사람은 자동 완성을, 다른 사람은 코딩 도우미를 뜻합니다. 또 다른 사람은 파일을 읽고, 명령을 실행하고, 시스템을 업데이트하고, 과거 작업을 기억하고, 업무 절차를 끝까지 수행하는 에이전트를 뜻합니다.

이 기준의 가치는 단순합니다. 팀이 실제로 어디에 있는지 파악하게 해 줍니다. 현재 단계를 알면 다음에 무엇이 부족한지도 보입니다. 더 나은 AI 하네스, 더 강한 AI 기억, 더 명확한 AI 워크플로, 더 안전한 권한 설정, 더 유능한 AI 에이전트가 필요할 수 있습니다.

L1: AI의 보조, 사람의 주도

L1에서 AI는 도우미입니다. 적은 양의 맥락을 보고 다음에 무엇을 원할지 예측해 작업 속도를 높여 줍니다. 여전히 사람이 작업을 주도하고, 목표를 정하고, 결과를 확인하고, 그 결과에 책임을 집니다.

간단한 예로 Cursor IDE의 Tab 기능이 있습니다. 파일과 커서 위치를 바탕으로 다음 수정 사항이나 코드 줄을 예측합니다. 코드 작성의 번거로움을 줄여 주기 때문에 매우 강력하게 느껴질 수 있지만, 어느 모듈을 바꿀지 결정하거나 테스트 전체를 실행하거나 풀 리퀘스트를 열거나 무언가를 출시하지는 않습니다. 운전대는 여전히 온전히 사람 손에 있습니다.

채팅 형태의 생성형 AI도 흔한 L1 사례입니다. '새 AI 워크플로 도구의 영화 같은 제품 이미지를 만들어 줘' 같은 요청을 입력하고, 결과를 검토하고, 요청을 수정한 뒤 최종 이미지를 고릅니다. 모델은 쓸 만한 이미지나 문단, 아이디어를 만들 수 있지만, 목표를 정하고 품질을 판단하고 반복해서 수정하고 무엇을 사용할지 결정하는 일은 여전히 사람의 몫입니다.

대표적인 L1 활용 사례는 다음과 같습니다.

• 코드 한 줄 완성하기
• 답장 초안 작성하기
• 요청을 바탕으로 이미지 생성하기
• 문서 요약하기
• 제목 제안하기
• 짧은 코드 조각 설명하기

L1은 유용하지만 과대평가하기 쉽습니다. 사람이 더 빨리 일하도록 돕지만 워크플로 자체를 자동화하지는 않습니다.

L2: 작업 단위 자동화와 사람의 감독

L2에서는 AI가 범위가 정해진 작업 안에서 움직이기 시작합니다. 파일, 함수, 작은 버그, 테스트 또는 범위가 좁은 요청을 도울 수 있습니다. 사람은 여전히 작업을 정의하고 결과를 검토하고 받아들일지 결정합니다.

GitHub Copilot은 이 단계에 잘 맞습니다. 코드 한 줄을 완성하는 수준을 넘어 수정을 제안하고, 오류를 설명하고, 테스트 아이디어를 만들고, IDE 안에서 더 많은 맥락을 활용할 수 있습니다. 하지만 대부분의 경우 개발자는 여전히 가까이서 감독합니다. 무엇을 요청하고, 무엇을 받아들이거나 거절하고, 언제 코드가 준비됐다고 판단할지는 사람이 결정합니다.

이 단계부터 AI 하네스의 기본 요소가 중요해집니다. 시스템에는 맥락, 도구 접근 권한, 권한의 경계, 로그, 교차 검토할 수 있는 공간, 사람이 결과를 살펴볼 방법이 필요합니다.

예를 들어 콘텐츠 게시 작업은 다음과 같이 나눌 수 있습니다.

• Markdown 초안 만들기
• PNG 대표 이미지 만들기
• 이미지를 CMS 미디어 라이브러리에 업로드하기
• Markdown 변환을 게시 없이 시험해 보기
• 글 게시하기
• 실제 서비스 페이지를 열어 제목, 본문, 이미지가 제대로 표시되는지 확인하기

L2에서는 AI가 이 단계 중 일부를 도울 수 있지만, 전체 과정은 여전히 사람이 감독합니다.

L3: 워크플로 단위 자동화와 불확실할 때 사람에게 넘기기

L3에서는 AI가 단순히 질문에 답하거나 작은 작업을 끝내는 데 그치지 않습니다. 여러 단계의 워크플로를 이해하고, 몇 가지 행동을 실행하고, 실패를 확인하고, 다음 단계를 조정할 수 있습니다.

Claude Code는 이 단계의 좋은 예입니다. 개발 목표를 주면 저장소를 살펴보고, 여러 파일을 편집하고, 타입 검사나 테스트를 실행하고, 오류를 읽고, 문제를 고치고, 무엇이 달라졌는지 보고할 수 있습니다. 단순히 글을 만드는 것이 아니라 워크플로를 관리하는 것입니다.

이 단계에서는 AI 워크플로도 중심이 됩니다. 쓸모 있는 에이전트에는 계획, 편집, 검증, 복구, 요약으로 이어지는 작업 경로가 필요합니다. 시험 실행이 실패하면 문서 앞부분의 메타데이터를 고쳐야 합니다. 이미지 URL이 깨지면 미디어 기록을 확인해야 합니다. 실제 서비스 페이지에 내용이 보이지 않으면 slug, locale, CMS 상태, 서식 있는 텍스트 내용을 확인해야 합니다.

L3는 강력하면서도 현실적이어서 가치가 큰 자동화에서 흔히 나타납니다.

• 소프트웨어 개발: 코드 편집, 테스트 실행, lint 오류 수정, PR 준비
• 콘텐츠 운영: 작업 설명을 CMS 글로 만들고 게시된 페이지 확인
• 영업 운영: 잠재 고객 정보 보강, CRM 필드 업데이트, 후속 작업 생성
• 데이터 분석: 데이터 가져오기, 보고서 만들기, 이상 징후 설명
• 고객 지원: 문의 분류, 답변 초안 작성, 예외 상황을 담당자에게 넘기기

핵심은 모델이 대화를 더 잘하는 것이 아닙니다. 진짜 불확실성이나 권한의 경계에 닿을 때까지 에이전트가 계속 진행할 수 있을 만큼 워크플로가 완성돼 있어야 한다는 점입니다.

L4: 명확한 경계 안에서 업무 영역 자동화

L4에서는 에이전트가 정해진 업무 영역 안에서 오랫동안 일할 수 있습니다. 목표를 알고, 도구를 사용할 수 있고, 권한을 이해하고, 이력을 기억하며, 실제 업무 시스템에 결과를 다시 기록할 수 있습니다.

OpenClaw와 Hermes는 이 단계로 향하고 있습니다. 일회성 작업이나 한 번의 코딩 세션만을 위한 도구가 아닙니다. 도구, 기억, 워크플로, 권한, 피드백 순환을 바탕으로 지속적으로 실행되도록 설계됐습니다. 가치는 에이전트가 인상적인 작업을 한 번 해내는 데 그치지 않고, 업무 영역 안에서 반복적으로 안정되게 일할 수 있다는 데 있습니다.

여기서 AI 기억이 중요해집니다. 기억이 없으면 에이전트는 매번 처음부터 시작합니다. 기억이 있으면 이전 결정, 선호하는 글쓰기 방식, 제품 규칙, 고객별 맥락, 출시 제약, 과거 작업에서 드러난 패턴을 기억할 수 있습니다.

L4는 시스템이 모든 일을 할 수 있다는 뜻이 아닙니다. 정해진 영역 안에서 높은 자율성을 갖고 일할 수 있다는 뜻입니다. 그 영역을 벗어나면 멈추거나, 자율성을 낮추거나, 사람에게 넘겨야 합니다.

L4에서 가능한 사례는 다음과 같습니다.

• 제품 업데이트를 계속 블로그 글, 이메일, 소셜 미디어 게시물, 랜딩 페이지로 바꾸는 마케팅 에이전트
• 증빙을 모으고 이상 징후를 확인하며 월말 보고서를 준비하는 재무 에이전트
• 신규 직원 적응, 권한, 교육, 상태 업데이트를 조율하는 인사 에이전트
• 정책 변경을 추적하고 감사 자료를 준비하는 규정 준수 에이전트
• 지표를 감시하고 변화를 조사하며 팀에 작업을 배정하는 데이터 운영 에이전트

어려운 부분은 모델의 지능만이 아닙니다. AI 하네스, AI 기억, AI 워크플로, 권한, 감사 기록, 되돌리기 경로, 사람에게 넘기는 절차를 하나의 안정적인 운영 체계로 묶는 일입니다.

L5: 완전 자율성, 아직 도달하지 못한 FSD 단계

L5는 AI 에이전트 자동화에서 가장 남용되는 표현 가운데 하나입니다. 모델이 똑똑하게 들린다는 뜻이 아닙니다. 에이전트가 많은 도구를 호출할 수 있다는 뜻도 아닙니다. 열려 있고 계속 변하는 환경에서 작동하며 최종 결과에 책임을 질 수 있다는 뜻입니다.

운전에 비유하면 L5는 '익숙한 길에서 잘 됐다'가 아닙니다. 바뀌는 도로와 특이한 상황에 대응하고, 사람이 운전하지 않아도 처음부터 끝까지 주행하는 진정한 FSD 구상입니다.

우리는 아직 그 단계에 이르지 못했습니다. 오늘날 가장 강력한 에이전트 시스템조차도 강한 L3 또는 특정 영역의 L4에 더 가깝습니다. 길, 권한, 도구, 성공 기준이 정해져 있으면 매우 잘 수행할 수 있습니다. 하지만 모든 시스템, 산업, 예외 상황에서 모든 결과를 안전하게 책임지는 범용 업무 운전자는 아직 아닙니다.

L5에 다가가려면 시스템에 다음이 필요합니다.

• 도구, 권한, 관측 가능성, 감사, 되돌리기를 위한 AI 하네스
• 장기적인 맥락, 선호, 결정, 업무 지식을 위한 AI 기억
• 절차의 상태, 검증 기준, 예외 처리를 위한 AI 워크플로
• 계획하고, 실행하고, 검증하고, 복구하고, 시간이 지나며 개선할 수 있는 AI 에이전트

지금으로서는 L2와 L3부터 시작한 뒤 업무 영역이 충분히 명확한 곳에서 L4로 확장하는 것이 현실적인 길입니다. L5는 현재의 현실이 아니라 향하는 방향입니다.

이 기준이 중요한 이유

AI 에이전트 자동화는 모든 산업에 들어오겠지만, 모든 팀이 같은 속도로 성숙하지는 않을 것입니다. 개발, 마케팅, 고객 지원, 재무, 법무, 의료 운영, 교육, 제조, 공급망 모두 L1부터 L5까지를 공통의 지도로 사용할 수 있습니다.

팀이 L1에 있다면 도우미 사용 경험을 뛰어나게 만들어야 합니다. L2에 있다면 제대로 된 AI 하네스를 구축해야 합니다. L3에 들어선다면 워크플로 조율과 오류 복구에 집중해야 합니다. L4에 도달하려면 AI 기억, 권한, 감사 가능성, 안정적인 시스템 연동이 필요합니다.

가장 좋은 질문은 'AI 에이전트를 써야 할까?'가 아닙니다. 더 나은 질문은 다음과 같습니다.

우리는 지금 어디에 있는가? 다음 단계는 무엇인가? 어떤 워크플로가 반복적이고 가치가 있으며 검증할 수 있어서 먼저 자동화하기 좋은가? 우리 산업의 어떤 부분에는 이미 명확한 길, 규칙, 피드백 순환이 있는가?

AI 하네스, AI 기억, AI 워크플로, AI 에이전트가 함께 작동하면 AI 자동화는 시연에 그치지 않고 기반 시설이 되기 시작합니다. L1부터 L5까지는 구호가 아닙니다. 앞으로 나아갈 길을 보여 주는 지도입니다.