OpenAI DevDay Exchange 서울: AI에게 일을 맡긴 뒤 필요한 것들

작성자: Lucy.·2026년 10월 25일 (일)
OpenAI DevDay Exchange 서울: AI에게 일을 맡긴 뒤 필요한 것들

10월 22일 OpenAI DevDay Exchange Seoul에 다녀온 후 머릿속을 맴돈 질문은 “AI가 무엇을 할 수 있는가”가 아니라, “AI에게 일을 맡긴 다음, 그 일이 어떻게 이어지고 누구의 책임 아래 마무리되는가”였습니다.

AI 에이전트들의 협업 방식, GPT 플러그인과 사이트 기능을 통한 확장, 보안... 언뜻 별개로 보이는 이 주제들은 결국 실제 업무를 끝까지 수행할 수 있는 환경을 만드는 일로 귀결됩니다.

OpenAI가 제시하는 AI 세상의 미래에 대해서 간단하게 정리해보겠습니다.

에이전트에게 일을 맡긴다는 것의 의미

‘What Comes After Loops?’ 세션에서는 두 에이전트의 결과물과 제약 조건을 명확히 정하고, 서로 침범하지 않는 책임을 나누며, 한쪽이 결과를 취합하도록 하는 방식이 제시됐습니다. 단순히 여러 AI를 동시에 켜두는 것과는 달랐습니다.

에이전트 조율 지침인 Manager Skill에서는 두 에이전트 모두 실제 작업을 수행하고, 그중 하나가 전체 결과를 취합하도록 역할을 정합니다. 담당 범위가 겹치면 같은 파일을 동시에 바꾸거나 같은 문제를 중복해서 해결할 수 있습니다. 이를 막으려면 역할 이름만 붙이는 것이 아니라, 각자가 만들 산출물과 수정할 범위, 공통으로 지켜야 할 조건을 함께 정해야 합니다.

PR, 즉 코드 변경 요청마다 별도 대화를 만들고 검토·문제 해결·안전한 병합까지 조율하라는 예시가 인상적이었습니다. 개별 PR을 처리하는 에이전트와 여러 PR의 진행을 관리하는 역할을 나눈 것입니다. 사람이 매번 다음 명령을 입력하기보다 목표와 책임을 정하고, 결과가 모이는 과정을 관리하는 쪽으로 역할이 옮겨갑니다.

이때 작업 로그가 오히려 중요했습니다. 목표, 현재 지침, 담당자, 미완료 작업, 결정 사항을 한곳에 남기고, 문맥을 압축하거나 인수인계한 뒤에는 다시 읽도록 했습니다. 대화가 길어졌다는 이유로 이미 내린 결정이나 남은 작업이 사라져서는 안 되기 때문입니다.

협업의 단위는 개별 답변이 아니라 담당 범위와 산출물입니다. 긴 일을 잘 맡기려면 에이전트의 능력뿐 아니라 누가 무엇을 하고 있으며, 어디까지 끝났는지 확인할 수 있는 구조가 필요합니다.


도구를 연결하는 일이 곧 작업 환경을 만드는 일

플러그인 발표에서는 에이전트들이 함께 읽고 수정할 수 있는 할 일 목록을 MCP 서버로 제공하고, Sites로 배포해 Codex 플러그인으로 묶는 구성이 소개됐습니다. MCP는 에이전트가 외부 도구와 데이터를 사용할 수 있도록 연결하는 통로입니다. 공유 할 일 목록은 사람이 보는 화면을 넘어, 여러 에이전트가 현재 작업 상태를 확인하고 갱신하는 공간이 됩니다.

이 구성에서 각 도구의 역할은 다릅니다. Codex는 구현을 돕고, MCP 서버는 목록을 읽고 수정하는 기능을 제공합니다. Sites는 서버를 호스팅하고, 플러그인은 연결 정보와 사용 절차를 묶어 ChatGPT·Codex에서 이용할 수 있게 합니다. 개발자가 만든 기능을 에이전트의 작업 환경 안으로 가져오는 과정입니다.

플러그인 패키지는 이름·버전 등을 담는 plugin.json과 MCP 연결을 정의하는 mcp.json으로 기본 정보를 구성하고, 사용 절차를 설명하는 skills와 아이콘 등의 assets를 함께 담을 수 있습니다. 기능을 호출할 수 있다는 것과 적절하게 사용할 수 있다는 것은 다릅니다. 도구에는 입력과 출력이 필요하고, 스킬에는 언제 어떤 순서로 사용할지가 담깁니다. 분자 구조를 다루는 도구라면 대화 옆에 뷰어를 제공해, 사용자가 텍스트 설명과 실제 구조를 함께 확인하도록 만들 수 있습니다.

설치 이후의 흐름도 포함됐습니다. onboardingSkill은 처음 사용하는 사람의 설정 과정을 안내합니다. 이벤트 목록·구독·웹훅은 연결된 서비스의 변화를 받아 후속 작업을 시작하는 경로입니다. 사용자가 질문할 때만 도구를 실행하는 것에서, 정해진 사건이 발생했을 때 작업을 이어가는 방식으로 확장됩니다. 어떤 사건을 구독하고 어떤 작업으로 연결할지도 플러그인의 설계 범위가 됩니다.

‘Harness-as-a-Service’ 세션은 그 작업을 실행하는 기반을 다뤘습니다. 하네스는 모델에 지침과 도구를 제공하고, 도구 호출 결과를 다시 전달하며, 실행 이력과 맥락을 관리하는 환경입니다. Agents API는 이런 실행 기반을 관리형 서비스로 제공하는 접근입니다. 플러그인이 외부 기능을 ChatGPT·Codex로 가져오는 방식이라면, Agents API는 개발자의 애플리케이션에 에이전트 실행 기능을 가져오는 방식입니다.

항공편 변경 시연에서는 개인과 가족 예약을 별도 세션으로 다루며 도착 공항, 가족의 같은 편 탑승, 어린이와 보호자의 좌석 같은 조건을 비교했습니다. 시연의 핵심은 여러 사람의 조건을 나누어 검토하고, 이를 충족하는 변경안으로 모으는 실행 구조였습니다.

도구를 많이 연결하는 것만으로 작업 환경이 완성되지는 않습니다. 함께 읽을 상태, 도구를 사용하는 절차, 변화를 전달하는 이벤트, 실행을 이어갈 기반이 연결돼야 합니다. 공유 할 일 목록은 작업 상태를 이어주고, 항공편 변경 과정에서는 그 상태와 조건을 바탕으로 다음 판단을 이어갑니다.


보안에서는 잘 찾는 능력만큼 확인하는 태도가 중요했습니다

Codex Security 세션에서 눈에 띈 것은 문서 서비스의 접근 권한 검사였습니다. 로그인한 사용자 정보가 문서 조회와 응답까지 어떻게 전달되는지 추적하고, 문서 소유자와 소속 조직을 모두 확인하는지 점검하도록 했습니다. 막연히 “취약점을 찾아달라”가 아니라 무엇을 검사하고 어떤 근거를 남길지 정한 것입니다.

여기서는 인증과 인가의 구분이 중요합니다. 인증은 사용자가 누구인지 확인하는 일이고, 인가는 그 사용자가 해당 문서에 접근할 수 있는지 판단하는 일입니다. 로그인했더라도 문서 번호를 바꿔 다른 사람의 비공개 문서를 읽을 수 있다면 접근 권한 검사에 문제가 있습니다. 로그인 여부만 검사해서는 막을 수 없는 유형입니다.

검사에는 코드뿐 아니라 SECURITY.md, 시스템 아키텍처, 웹 방화벽(WAF) 설정 같은 정보도 사용됐습니다. 코드에서 의심스러운 경로를 찾았더라도 실제 서비스에서 그 경로에 접근할 수 있는지, 어떤 데이터까지 영향을 받는지에 따라 판단이 달라지기 때문입니다.

문제를 발견했다는 사실과 피해 범위가 확인됐다는 사실은 같지 않습니다. 심각도는 예상 피해의 크기이고, 신뢰도는 판단을 뒷받침하는 근거의 확실성입니다. 실제 운영 서비스와의 연결이나 고객 데이터 노출 범위가 확인되지 않았다면, 확인한 취약점과 아직 검증하지 못한 영향을 구분해야 합니다.

흐름은 스캔 → 중복 제거 → 취약점 검증 → 우선순위 결정 → 패치 생성 → 수정 검증 → 코드 리뷰로 이어졌습니다. 패치가 만들어졌다고 끝나는 것도 아닙니다. 타인의 문서 접근은 차단하면서 정상 사용자의 접근은 유지되는지 확인해야 합니다. 모든 요청을 막는 수정은 보안 문제를 가릴 수 있어도 올바른 해결은 아닙니다.

AI가 경고를 많이 만드는 것만으로 보안 업무가 끝나지 않습니다. 실제로 고칠 문제를 가려내고, 수정이 의도대로 작동하는지 검증하는 과정까지 연결돼야 합니다.


기업의 AI 전환은 회사 안의 지식을 연결하는 데서 시작됩니다

LG CNS의 고객 세션 ‘AX 도입과 전환 사이’에서는 AI를 쓰는 기업과 AI로 움직이는 기업의 차이를 물었습니다. 현장과 공정에 축적된 암묵지를 AI와 어떻게 연결할지가 핵심이었습니다.

이를 구체화한 AI Factory는 네 층으로 구성됐습니다.

  • Model Layer: GPU와 모델, 모델 라우팅 등 실행 기반을 마련합니다.
  • Knowledge Context Layer: ERP·CRM·MES·데이터베이스·문서·지식을 연결해 회사의 맥락을 제공합니다.
  • Agent Build Layer: 그 맥락을 활용하는 에이전트를 만듭니다.
  • Governance & Operation Layer: 보안·비용·사람의 검토를 포함해 운영합니다.

ERP나 CRM 같은 업무 시스템이 가운데 놓인 이유도 명확합니다. 일반적인 질문에 답하는 AI가 우리 회사의 일을 처리하려면 회사의 규칙과 현재 상태를 알아야 하기 때문입니다. 생산 일정, 고객 계약, 현장에서 허용하는 예외처럼 업무 판단에 필요한 정보는 모델 자체에 들어 있지 않습니다.

지식을 연결한다는 것은 문서를 많이 넣는 것만을 뜻하지 않습니다. 어떤 정보가 현재 유효한지, 어느 시스템의 상태를 기준으로 판단할지, 누가 접근할 수 있는지를 함께 정리해야 합니다. 따라서 데이터 정비와 시스템 연결뿐 아니라 보안·거버넌스, 업무 재설계, 변화 관리도 함께 다뤄야 합니다.

모델 성능이 좋아지는 속도와 기업이 실제로 활용하는 속도 사이의 간격은 기술 하나를 도입한다고 저절로 메워지지 않습니다. 에이전트 협업과 도구 연결이 기업의 성과로 이어지려면, 회사 안의 지식과 업무 방식까지 함께 설계해야 합니다.


마무리

이번 OpenAI DevDay Exchange Seoul에서는 관계자들의 정성스러운 준비가 느껴졌고, 반나절 동안 다양한 개념과 사례를 배울 수 있었습니다. MCP와 플러그인, Sites와 Dots, 에이전트 실행과 보안까지 다뤘지만 여전히 AI 시대의 입구에 있다는 생각이 들었습니다.

제가 업무에 적용해 보고 싶은 것은 도구를 하나 더 추가하는 일보다, 이미 맡긴 일이 끝까지 이어지는 구조를 만드는 일입니다. 담당과 산출물을 정하고, 공유할 상태를 남기고, 결과를 검증하는 과정을 실제 업무에 연결해 보려 합니다.

업무에 맞는 AI 선택과 적용을 고민한다면 AIB에 문의해 주세요.


참고 자료

카톡 문의