MCP 서버에 관심이 생겨서 알아봤습니다.
AI에게 물어보았습니다.
'어떻게 하면 AI 에이전트가 될 수 있나요?'
브라우저 버전이 '질문에 답하는 채팅'인 반면, 데스크톱 버전은 컴퓨터 내 파일 조작이나 외부 앱과의 연동을 통해 자율적으로 태스크를 실행할 수 있다는 것이 최대 특징입니다.
Windows나 Mac 같은 컴퓨터에 설치하여 사용함으로써 주로 다음 두 가지 메커니즘으로 AI 에이전트화가 가능합니다.
유료 플랜(Pro 플랜 등) 사용자에게 제공되는 Cowork 모드를 사용하면 프로그래밍 지식이 없어도 PC 작업을 AI에게 맡길 수 있습니다.
• 로컬 파일 정리 및 생성.
지정된 폴더 내의 파일을 자동으로 분류하거나, 영수증 스크린샷을 읽어 표 계산 데이터나 리포트를 만들 수 있습니다.
• 스케줄 실행.
정해진 시간에 매일 자동으로 데이터 수집이나 파일 처리를 수행하는 무인 실행 설정도 가능합니다.
• 외부 앱과의 직접 연동.
Google Workspace나 Microsoft 365, Slack 같은 도구와 연동하여 일련의 업무 흐름을 자동적으로 완결시킵니다.
Claude Desktop은 MCP(Model Context Protocol)라는 규격에 대응하며, 외부 도구와 직접 연결하는 '허브' 역할을 합니다.
• 도구나 데이터베이스 접근.
설정 파일(Windows의 경우 %APPDATA%/Claude/claude_desktop_config.json 등)에 MCP 서버를 추가함으로써, AI가 컴퓨터의 파일 시스템이나 브라우저, 개발 도구 등을 직접 조작할 수 있게 됩니다.
• 유연한 커스터마이징.
이미지 생성이나 음성 합성 같은 자작 도구나 각종 서비스의 API를 MCP를 통해 연결함으로써, 자신만을 위한 AI 어시스턴트로 키울 수 있습니다.
| 비교 항목 | 브라우저 버전 Claude | Claude Desktop (데스크톱 버전) |
|---|
| 주된 역할 | 질문에 대한 답변, 문서 작성 (대화형) | PC 조작 및 업무 자동 실행 (에이전트형) |
| ... | | |
| 먼저 일상적인 파일 정리나 데이터 집계를 맡기고 싶다면 표준 Cowork 기능부터 시도하는 것이 간편하고 추천합니다. | | |
현재 ChatGPT 데스크톱 앱(Windows / Mac 지원)에는 단순한 채팅 기능 외에도, 자율적으로 업무를 처리하는 'Work' 모드와 컴퓨터 화면을 직접 조작하는 'Computer Use' 기능이 통합되어 있습니다.
기존의 'Chat' 모드와는 별개로, 장시간 복잡한 작업을 맡기기 위한 전용 모드로 OpenAI가 제공하고 있습니다.
• 여러 도구를 넘나드는 작업.
Google Workspace나 Microsoft 365, Slack 등과 연동하여 데이터 추출부터 자료 작성까지 일관성 있게 진행합니다.
• 내장 브라우저를 통한 정보 수집.
앱 내에 브라우저 기능을 갖추고 있어 웹페이지를 넘나들며 조사하거나, 로그인이 필요한 사이트에서 정보를 가져올 수 있습니다.
• 정기 실행(스케줄 태스크).
매일 정해진 시간에 웹 조사를 하거나 리포트를 작성하도록 자동 실행시키는 설정이 가능합니다.
ChatGPT Learn의 Computer Use 가이드에 따르면, Windows나 Mac 화면을 AI가 시각적으로 인식하여 인간처럼 마우스 조작이나 키보드 입력을 대신 수행합니다.
• 백그라운드 앱 조작.
사용자가 다른 작업을 하는 뒷배경에서 지정된 앱의 클릭, 문자 입력, 파일 이동 등을 자동으로 수행합니다.
• 음성을 이용한 멀티 에이전트 지시.
데스크톱 버전의 음성 기능(ChatGPT Voice)을 사용하면 말로 여러 에이전트 작업을 동시에 지시하고 제어할 수 있습니다.
두 가지 모두 Windows PC 위에서 자율적인 작업을 맡길 수 있지만, 설계 사상에 약간의 차이가 있습니다.
| 비교 항목 | Claude Desktop | ChatGPT 데스크톱 앱 |
|---|
| 주된 에이전트 기능 | Cowork (업무 대행) | Work (프로젝트 수행) |
| ... | | |
| '현재 열려 있는 Windows 앱이나 브라우저를 그대로 사람처럼 조작하게 하고 싶다'면 ChatGPT의 Computer Use가 직관적이고 사용하기 쉬우며, '로컬의 방대한 문서나 코드를 깊이 읽어 정리/개발하고 싶다'면 Claude Desktop이 적합합니다. | | |
AI 에이전트 도입을 통해 업무 공수 절감이나 고객 대응 자동화를 실현한 성공 사례가 일본 기업과 개인 업무 양쪽에서 급증하고 있습니다.
구체적인 업무 현장에서 성과를 내고 있는 대표적인 사례들을 '기업 도입 사례'와 '개인/PC 작업 활용 사례'로 나누어 소개합니다.
기업의 경우, 단순한 질의응답에 그치지 않고 사내 시스템이나 웹 행동 데이터와 연계하여 업무를 완결시키는 방식이 정착하고 있습니다.
• 파나소닉 커넥트 (도면 대조 공수 97% 절감).
설계 도면 비교 및 확인과 같은 전문적인 검토 작업을 AI 에이전트에 맡김으로써, 작업 시간을 97% 단축하여 연간 약 18.6만 시간의 업무 효율화를 달성했습니다.
• 후지쯔 (지원 응대 시간 71.5% 단축).
지원 데스크에 AI 에이전트(Agentforce)를 도입하여 문의 내용 파악부터 해결책 제시까지 자동화한 결과, 기존 챗봇 대비 평균 응대 시간을 71.5% 단축했습니다.
• 도쿄해상일동화재보험 (연간 9만 시간 절감 예상).
고객 지원 페이지에 대화형 AI 에이전트를 도입하여, 절차에 어려움을 느끼는 고객의 행동 데이터를 분석하고 적절한 안내를 제공함으로써, 중도 이탈 방지 및 연간 9만 시간의 공수 절감을 기대하고 있습니다.
• 전광총연구소 (시스템 개발 상류 공정 30% 효율화).
요구사항 정의나 기본 설계와 같은 개발 전 단계를 반자동화하는 AI 에이전트를 본격적으로 운영하여, 생산성 향상 30%를 실현했습니다.
• 주식회사 자록 (중소기업 영업/사무 효율화).
직원 약 50명 규모에서 영업 활동에 AI 에이전트를 도입하여, 상담 후 보고서 작성 시간 단축 및 수주율 개선에 성공했습니다.
앞서 언급된 Claude Desktop이나 ChatGPT와 같은 데스크톱 앱을 활용하여 개인의 Windows PC 상 일상 업무 전체를 자동화하며 성과를 내는 사례도 많이 보입니다.
• 대량 파일/영수증 정리 (약 20분 만에 500건 이상 처리).
Claude의 'Cowork' 기능을 사용하여, 데스크톱에 어지럽게 흩어진 500장 이상의 이미지 및 영수증 파일을 자동으로 이름 변경하고 폴더 분류하여 약 20분 만에 정리를 완료한 사례가 있습니다.
• '감독 AI + 다중 스태프 AI'를 통한 사무 작업 병렬 처리.
Claude Code나 에이전트 기능을 활용하여, '독촉 메일 작성(회계 담당)', '문의 답변 초안(접수 창구 담당)', '채용 공고문 작성(인사 담당)'을 한 번의 지시로 동시에 진행 및 검품하는 운영이 실천되고 있습니다.
• 회계/월별 보고서 자동 집계.
PDF 청구서나 매출 데이터에서 수치를 추출하여 Excel이나 스프레드시트 표에 직접 입력하고 집계 리포트까지 자동으로 생성함으로써, 매달 마감 작업을 대폭 단축했습니다.
성과를 내고 있는 기업과 개인들은 처음부터 모든 것을 AI에게 맡기기보다는, '대상 업무를 한정한다', '인간이 최종 확인(검품)을 수행하는 플로우를 만든다'는 형태로 단계적으로 도입하고 있다는 공통점이 있습니다.
기존 DX(RPA나 시스템 연계 등)로는 자동화할 수 없었던 영역을 AI 에이전트가 실현할 수 있는 이유는, AI 에이전트가 '인간처럼 상황을 보고 판단하는 두뇌(LLM)'를 가지고 있기 때문입니다.
기존 DX 툴은 '정해진 규칙대로 움직이는 것'만 가능했기 때문에, 조금이라도 예외나 변화가 생기면 멈추곤 했습니다. 반면에 AI 에이전트는 '목표(목적)를 향해 자율적으로 생각하고 임기응변에 대처할 수 있다'는 결정적인 차이가 있습니다.
기존 DX가 가장 어려워했던 것이 형식(포맷)이 제각각인 정보의 처리입니다.
• 기존 DX(RPA 등)의 한계.
Excel의 정해진 셀이나 포맷이 통일된 데이터만 읽을 수 있습니다. 거래처마다 레이아웃이 다른 PDF 청구서나 사람마다 작성 방식이 다른 메일 문구는 처리가 불가능하여, 사전에 사람이 데이터를 정리할 필요가 있었습니다.
• AI 에이전트가 가능한 이유.
메일의 맥락, 레이아웃이 다른 PDF, 손글씨 영수증 이미지, 회의록과 같은 '비정형 데이터'의 내용을 인간처럼 해석하고 필요한 정보만 추출하여 처리할 수 있습니다.
현실 업무는 매뉴얼대로 진행되지 않는 경우가 대부분이지만, 기존 자동화는 변화에 매우 취약한 구조였습니다.
• 기존 DX(RPA 등)의 한계.
'A 화면의 좌표 (X, Y)를 클릭한다'와 같은 절차를 프로그램으로 고정하고 있기 때문에, 웹사이트 디자인이 조금 바뀌거나 예상치 못한 팝업 화면이 뜨는 것만으로도 에러가 발생하며 멈춥니다.
• AI 에이전트가 가능한 이유.
화면의 상태를 시각적으로 인식하여, "버튼 위치가 바뀌었으니 다른 곳에 있는 '전송' 버튼을 누르자", "오류가 발생했으니 일단 이전 화면으로 돌아가 다시 하자"와 같이 자율적으로 경로 수정이 가능합니다.
기존 도구는 인간이 세부적인 절차를 모두 설계해야 했지만, AI 에이전트는 지시하는 방식 자체가 다릅니다.
• 기존 DX(RPA 등)의 한계.
"1. 메일을 열고", "2. 첨부 파일을 저장하고", "3. 엑셀에 전사한다"와 같이 모든 공정의 설계도(플로우차트)를 인간이 만들어야 움직였습니다.
• AI 에이전트가 가능한 이유.
"지난달 영수증을 모아서 경비 정산 시트를 만들어줘"라는 최종적인 목표만 전달하면, AI 스스로가 "어떤 폴더를 찾고, 어떤 도구를 사용하며, 어떤 순서로 처리해야 할지" 계획을 세우고 실행합니다.
| 비교 항목 | 기존 DX(RPA・시스템 연동) | AI 에이전트 |
|---|
| 잘하는 것 | 규칙이 100% 결정된 정형 작업 | 판단 및 임기응변 대응이 필요한 업무 |
| ... | | |
즉, 기존 DX는 "인간이 생각한 절차를 고속으로 대행하는 도구"였다면, AI 에이전트는 "목적을 이해하고 함께 일해주는 부하 직원"에 가까워졌기 때문에, 이전에는 자동화를 포기했던 업무까지 처리할 수 있게 되었습니다.
