최근 Personal Agent(개인 에이전트)를 다루면서 OpenClaw를 사용했을 때 느꼈던 감각이 조금 돌아옵니다.
특히 Grok Bot을 통해 Agent를 구동할 때, 여러 AI 도구에서 반복적으로 마주치는 문제가 있습니다.
AI는 인간 팀의 업무 진행 방식에 맞춰 자신의 작업을 구성하는 경향이 있습니다.
예를 들어, Agent에게 프로젝트 계획 수립을 맡기면 다음과 같은 일정이 나옵니다.
1주차에는 요구사항 조사, 2주차에는 방침 결정, 3주차에는 개발, 4주차에는 테스트 및 납품을 진행합니다.
이런 일정을 볼 때마다 저는 상당히 답답함을 느낍니다. 지금 당장 할 수 있는 작업이 많은데, 왜 몇 주 뒤로 미루는 것일까요?
목표가 명확하고 도구와 권한까지 갖춰져 있다면, AI는 많은 작업의 초안을 수십 분에서 수 시간 만에 만들 수 있습니다. 그런데 왜 방침 결정은 2주차이고 개발이 3주차인 걸까요?
이는 개발 분야만의 이야기가 아닙니다. 마케팅(Marketing), 콘텐츠 제작, 시장 조사에서도 같은 일이 발생합니다.
계속 진행할 수 있는 작업이 Agent에 의해 몇 주에 걸친 계획표로 나뉘어 버립니다. 이는 자율적으로 움직여야 할 효율성에 크게 영향을 미칩니다.
AI는 인간과는 다른 실행 속도를 갖추기 시작했지만, 업무 계획을 세우는 방식은 아직도 인간 팀의 시대에 머물러 있는 것 같습니다.
견적 오류가 실제 작업 일정으로 이어지다
여기에는 두 가지 별개의 문제가 있습니다.
첫 번째는 견적이 부정확하다는 것입니다.
Agent가 “이 작업은 2주가 걸릴 거예요”라고 말했는데, 실제로는 3시간 만에 끝난 경우를 가정해 봅시다.
견적 자체가 벗어난 것은 분명합니다. 그럼에도 불구하고, 실제 진행 상황에 맞춰 다음 단계로 넘어가면 작업을 예정보다 빨리 마칠 수 있습니다.
이 경우 주로 필요한 것은 AI가 자신의 실행 능력을 더 정확하게 파악하는 것입니다.
두 번째는 잘못된 견적이 작업의 진행을 좌우하기 시작한다는 점입니다.
Agent가 2주짜리 계획을 세우고, 사람도 그 계획을 받아들입니다. 그러면 이후의 업무가 이 계획에 따르게 됩니다.
이미 첫 단계는 끝났는데, 다음 작업은 여전히 “다음 주 작업 계획”에 남아 있게 되는 식입니다.
누군가 다시 한번 확인해주지 않으면, 바로 진행할 수 있는 작업이 계획서에 적힌 날짜 때문에 미뤄지는 경우가 생길 수 있습니다.
전자가 바꾸는 것은 '기대치'이고, 후자가 바꾸는 것은 '실제 생산성'입니다.
Agent에게 매번 “이건 지금 할 수 있는데, 왜 다음 주까지 기다려야 해요?”라고 다시 물어보고 싶지는 않습니다.
계획을 세밀하게 확인하지 못해서 실행 가능한 상태의 작업들이 대량으로 방치되는 상황도 피하고 싶습니다.
Agent는 무엇을 기다리고 있는가
이전 기사 「AI 직원 31명을 관리하며 재정립한 경영학」 (원제: 「管了 31 个 AI 员工之后，我重新理解了管理学」)에서 다음과 같은 발견을 했습니다.
AI가 등장하면서 조직 구조는 모래시계 모양으로 변해갑니다. 위쪽에는 끊임없이 새로운 아이디어와 목표가 생겨나고, 아래쪽에는 역량이 높아지고 확장하기 쉬운 AI의 실행력이 있습니다. 그리고 그 사이가 좁아지는 부분이 바로 '사람'입니다.
인간의 체력이나 주의력, 판단 속도가 시스템 전체 움직임을 제한하는 병목 현상(bottleneck)이 될 가능성이 있습니다.
실제로 Agent를 관리하다 보면, 피드백을 기다려야 하는 작업은 확실히 존재합니다.
예를 들어, 돈을 사용할지, 공개해도 좋을지, 콘텐츠를 외부에 배포해도 좋을지 등. 위험이나 책임이 따르는 판단은 여전히 사람이 해야 합니다. 현실 세계의 데이터가 돌아오기를 기다리는 업무도 있습니다.
콘텐츠를 공개한 후 조회수나 전환율이 어떻게 변할지. 제품을 출시한 후 사용자들이 정말 사용할지. AI의 실행 속도가 빨라져도, 이런 결과가 즉시 나오는 것은 아닙니다.
그래서 저는 업무 시간을 세 가지로 나누어 생각하게 되었습니다.
- 기계가 실행하는 시간: 조사, 분석, 개발, 집필, 테스트 등 AI가 직접 수행할 수 있는 작업. AI의 실제 실행 능력에 맞춰 계획합니다.
- 사람이 판단하는 시간: 승인이나 판단이 필요한 사항. 지금 어떤 판단이 필요하고, 어떤 위험 요소가 있는지 명확히 합니다.
- 현실 세계로부터 피드백을 기다리는 시간: 사용자, 시장, 외부 시스템으로부터 결과가 필요한 경우. 무엇을 관찰해야 하며, 어떤 조건이 갖춰져야 계속 진행할 수 있을지 설명합니다.
이 세 가지 시간은 성격 자체가 완전히 다릅니다.
그런데 Agent가 그저 “다음 주에 이어서 하겠습니다”라고 말하는 것만으로는, 무슨 일이 일어나고 있는지 알 수가 없습니다.
아직 작업이 남아있는 건지. 제 판단을 기다리는 건지, 시장의 반응을 기다리는 건지, 아니면 어딘가에서 멈춰 있는 건지 말입니다.
이것이 보이지 않으면 협업 방식이 어색해집니다.
원래라면 AI가 스스로 작업을 진행하고, 필요한 순간에만 사람이 개입하면 될 것입니다. 하지만 실제로는 사람이 상황을 여러 번 확인하고, 독촉하며, AI의 일정을 재조정하게 됩니다.
좋은 Agent의 작업 계획은 고정된 시간표이거나 블랙박스 같은 것이 아닙니다. 무엇이 끝났고, 지금 어디서 멈췄으며, 다음에 무엇을 기다리고 있는지 등 실제 진행 상황에 따라 변화하는 것입니다.
자동으로 일정을 짜고 지속적으로 실행하는 것은 또 다른 문제입니다. 다만, Agent가 자율 실행 능력을 가지고 있더라도, 첫 계획에 불필요한 대기 시간이 많이 포함되어 있다면 시스템 전체가 원활하게 움직이지 않습니다.
AI가 인간의 시간표를 이어받는 이유
우리가 잘 아는 프로젝트 관리 방식은 대부분 인간의 작업 방식을 전제로 합니다. 하루 8시간, 주 5일, 2주 단위의 스프린트(Sprint)처럼 말입니다. 사람은 소통하고, 회의하며, 휴식합니다. 여러 팀에서 리소스를 조정할 필요가 있고, 조직의 프로세스에도 영향을 받습니다.
AI는 학습 과정에서 사람이 작성한 프로젝트 계획이나 개발 문서, 작업 일정을 대량으로 보고 있습니다. 그러다 보니 이러한 업무 진행 방식에 익숙해지는 것은 자연스러운 일입니다.
문제는 AI 자신이 실행자가 되었을 때, 인간의 경험치를 기계의 실행 시간으로 자동 변환하지 못할 수 있다는 것입니다.
이와 유사한 설명을 하는 개발자들도 있습니다.
Eivind Kjosbakken은 글 "Why Claude Code Time Estimates Are Poor"에서, Claude Code에게 기능 개발 기간을 물어보면 3~4주라는 답변이 자주 돌아온다고 적었습니다.
그가 언급하는 개발 조건에서는 해당 작업이 종종 하루 만에 끝납니다. 가능한 이유 중 하나로, 모델이 인간 엔지니어의 공수 추정치(man-hours)를 많이 학습한 반면, AI가 실제로 개발에 투입된 시간 데이터가 충분하지 않아 추정치를 조정하지 못했을 가능성을 들고 있습니다.
Aniketh Garikaparthi의 논문 "Can LLMs Perceive Time? An Empirical Investigation"은 다른 관점에서 이 문제를 다루었습니다. 연구자들은 몇 가지 작업에 대해, 모델이 실행 전에 제시한 소요 시간 추정치가 실제 시간의 약 4~7배였다고 보고했습니다. 수 초 만에 끝나는 작업이 몇 분 걸릴 것이라고 추정된 사례도 있었습니다.
이 논문에서는 이러한 현상을, 모델이 자신의 실행 시간에 대한 경험적인 보정이 부족하기 때문이라고 연결 지었습니다.
Agent도 인간과 같습니다. 어떤 작업에 보통 얼마나 걸리는지 아는 것과, 자신이 그 작업을 끝내는 데 얼마나 걸릴지 아는 것은 다릅니다.
또 하나 간과되기 쉬운 점이 있습니다.
작업들 사이의 논리적인 순서가, 작업들 사이에 필요한 시간 간격으로 쓰여지는 경우입니다.
먼저 요구사항을 이해하고, 그 후에 방향을 정하고, 개발하며, 테스트하는 것. 이 순서 자체에는 문제가 없습니다.
하지만 이전 작업이 끝난 후, 다음 작업을 시작하기까지 반드시 하루를 기다려야 할까요?
중요한 것은 전제 조건이 충족되었는지, 결과에 필요한 검증이 완료되었는지, 현실적인 장애물이 남아있는지 여부입니다. 이 세 가지 모두 문제가 없다면, 바로 이어서 진행하면 될 것입니다.
Machine-Time Native: 기계의 시간에 맞춰 일하기
저는 Grok Bot을 통해 제가 기대하는 업무 진행 방식을 Machine-Time Native라고 표현하기 시작했습니다.
업무의 대부분을 AI가 수행한다면, 인간 팀의 시간표를 전제로 하지 않고, AI의 실제 실행 능력에 맞춰 작업을 계획해야 합니다.
이전 공정이 끝나고 검증도 완료되었으며 다음 작업을 실행할 수 있다면, 캘린더에 적힌 일정만을 이유로 기다려서는 안 됩니다.
사람의 승인이 필요하다면, 판단해 주었으면 하는 내용과 위험 요소를 전달해야 합니다. 현실 세계로부터 피드백이 필요하다면, 무엇을 관찰하고 있는지, 그 결과를 언제 다음 판단에 사용할 수 있는지 설명해야 합니다.
마찬가지로, '초안 완성' 상태와 '검증되어 납품 가능한' 상태는 별도로 다루어야 합니다.
Agent의 계획은 캘린더 순서대로 나열된 작업 목록이 아니라, 실제 진행 상황에 맞춰 진행되는 작업의 서술이어야 한다고 생각합니다.
실행 순서는 작업 간의 의존성으로 결정하고, 대기 여부는 현실적인 조건으로 결정해야 합니다. 날짜로 업무를 시작할 시점을 정해서는 안 됩니다.
시험 삼아 다음 프롬프트를 정리해 보았습니다. 같은 문제가 있다면, 자신의 Agent 규칙에 그대로 추가할 수 있습니다.
당신은 인간 팀의 작업 일정을 짜는 담당자가 아니라, 태스크(task) 실행자입니다.
현재 사용할 수 있는 도구, 권한, 자신의 실행 능력, 실제 태스크 의존 관계를 기반으로, 태스크와 성과를 중시하며 계획하고 업무를 진행하십시오. 다음 원칙을 따르십시오.
1. 실제 실행 능력에 기반하여 계획하기
...
