챕터별 상세
AI 에이전트 도입 로드맵 (L1-L4)
AI 에이전트의 발전 단계를 L1(Assisted)부터 L4(Self-Driving)까지 정의한다. L1은 단순 반복 업무 대행, L2(Copilot)는 워크플로 소유 및 기술 습득, L3(Autopilot)은 자율적 실행, L4는 에이전트가 스스로 에이전트를 생성하고 개선하는 단계이다. 현재 대부분의 기업은 L2에서 L3로 넘어가는 과정에 있으며, 본 세션에서는 L2 수준의 고도화된 에이전트 구축을 목표로 한다. 단계별 명확한 목표 설정은 자동화 전략 수립의 기초가 된다.
각 단계는 AI의 자율성과 책임 범위에 따라 구분되며, 상위 단계로 갈수록 인간의 개입이 줄어든다.
Programmatic GTM과 MCP 환경 설정
Programmatic GTM은 MCP 서버와 플러그인 모음으로, Claude Code와 같은 외부 도구와 Relevance AI를 연결한다. 터미널 환경에서 Claude Code를 실행하고 MCP 서버를 추가하여 프로젝트 데이터에 접근할 수 있는 환경을 구축했다. 이를 통해 UI 조작 없이 텍스트 명령만으로 에이전트의 아키텍처를 정의하고 수정하는 '프로그래매틱'한 개발이 가능해진다. 이는 개발 생산성을 높이고 복잡한 로직을 빠르게 구현하는 데 유리하다.
MCP는 서로 다른 AI 도구들이 데이터를 주고받을 수 있게 하는 표준 규약이다.
bash
claude
/mcp add relevance-live-project터미널에서 Claude Code를 실행하고 Relevance AI 프로젝트를 MCP 서버로 연결하는 초기 설정 과정
기존 에이전트 복제 및 내부 구조 분석
마켓플레이스의 'Sales Researcher' 에이전트를 복제하여 새로운 에이전트의 기반으로 삼았다. Claude Code의 'Plan Mode'를 활용해 기존 에이전트의 프롬프트 구조, 도구 구성(Google Search, LinkedIn API 등), 메모리 설정을 상세히 분석했다. 분석 결과, 해당 에이전트는 Claude Haiku 4.5 모델을 사용하여 비용 효율적으로 작동하며 정교한 시스템 프롬프트를 보유하고 있음을 확인했다. 기존의 검증된 자산을 활용하는 것은 에이전트 구축 시간을 단축하는 핵심 전략이다.
Plan Mode는 실제 코드를 수정하기 전 AI가 계획을 세우고 구조를 파악하는 단계이다.
text
I want you to analyze the agent fully, including all of its prompt, what its structure looks like, etc. and why it's set out the way it is. Also want you to analyze each tool on the agent.Claude Code의 Plan Mode를 사용하여 기존 에이전트의 구조와 도구를 상세히 분석하도록 지시하는 프롬프트
아웃바운드 영업 워크플로 설계
단순 조사를 넘어 실제 메시지를 작성하는 기능을 추가하여 워크플로를 확장했다. 잠재 고객의 LinkedIn 프로필과 기업 재무 정보를 분석하여 개인화된 메시지 초안을 2-3가지 버전으로 생성하도록 설계했다. 특히 기존에 연결된 관계인지 여부를 판단하여 메시지의 톤앤매너를 자동으로 조절하는 로직을 포함했다. 이는 단순 대량 발송이 아닌, 실제 인간이 작성한 듯한 고품질 아웃바운드 전략을 가능하게 한다.
아웃바운드 영업에서는 잠재 고객과의 관계와 맥락에 맞는 개인화가 가장 중요하다.
LLM 모델 선택 및 성능 최적화
작업의 복잡도에 따라 Opus, Sonnet, Haiku 모델을 적재적소에 배치하는 전략을 사용했다. 복잡한 추론과 고품질 메시지 작성이 필요한 단계에는 Claude Opus 4.5를 적용하고, 단순 데이터 추출이나 라우팅에는 Haiku를 사용하여 비용과 속도를 최적화했다. 실습 과정에서 메시지 작성 도구에 고성능 모델을 적용하여 출력 품질을 높였다. 모델 믹스 전략은 대규모 자동화 시스템 운영 비용을 절감하는 실무적 방법이다.
고성능 모델은 비용이 높지만 추론 능력이 뛰어나고, 경량 모델은 빠르고 저렴하다.
실시간 트러블슈팅 및 최종 테스트
에이전트 구축 중 발생하는 도구 실행 오류와 토큰 제한 문제를 실시간으로 해결했다. LLM이 출력 토큰 제한을 초과했을 때 Claude Code가 스스로 오류를 인지하고 프롬프트를 수정하여 출력을 최적화하는 과정을 확인했다. 특정 인물을 대상으로 한 테스트에서 LinkedIn 정보 검색부터 개인화된 메시지 생성까지의 전체 파이프라인이 정상 작동함을 검증했다. 이러한 반복적인 테스트와 수정 과정은 신뢰할 수 있는 에이전트 구축의 필수 단계이다.
에이전트 구축 시 발생하는 예외 상황을 AI가 스스로 처리하게 함으로써 개발 난이도를 낮출 수 있다.
용어 해설
- 모델 컨텍스트 프로토콜(MCP)
- — AI 모델이 외부 도구, 데이터 소스 및 서비스와 표준화된 방식으로 상호작용할 수 있도록 지원하는 개방형 프로토콜이다. 에이전트가 다양한 API와 데이터를 통합하여 복잡한 작업을 수행할 수 있게 하는 핵심 인프라 역할을 한다.
- 프로그래매틱 GTM(Programmatic GTM)
- — Relevance AI에서 제공하는 MCP 서버 및 플러그인 모음으로, 시장 진출 전략(Go-To-Market)을 자동화하기 위해 설계되었다. 코딩 없이 텍스트 명령만으로 영업 및 마케팅 에이전트를 구축하고 배포할 수 있는 환경을 제공한다.
- 클로드 코드(Claude Code)
- — Anthropic의 Claude 모델을 기반으로 한 터미널용 코딩 에이전트 도구이다. 프로젝트 전체 맥락을 이해하고 계획 수립, 코드 작성, 테스트 및 디버깅을 자율적으로 수행하여 개발 생산성을 극대화한다.
- 에이전트 도입 로드맵(Agent Adoption Roadmap)
- — AI 에이전트의 자율성 수준을 L1(Assisted)부터 L4(Self-Driving)까지 4단계로 분류한 가이드라인이다. 단순 보조에서 시작해 스스로 개선되는 에이전트 워크포스까지의 진화 과정을 나타낸다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 04. 16.수집 2026. 04. 16.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
