🚀 AI에게 ‘단계’가 아니라 ‘업무’를 맡기는 시대가 왔습니다 『AI 시그널 8호』

안녕하세요, 『AI시그널』입니다.

“AGI 시대가 열렸다.”

GPT-6 Astra가 공개된 지난 9월 4일, 업계에서는 AGI가 예상보다 가까이 왔다는 반응이 나왔습니다. 이를 단순히 또 하나의 상위 모델이 등장한 사건이 아니라, AGI라는 새로운 패러다임의 시작으로 본 이유는 따로 있습니다. Astra가 답만 건네는 AI를 넘어, 목표를 받으면 필요한 일을 나누고 도구를 움직여 끝까지 수행하는 AI에 가까워졌기 때문입니다.

예를 들어 금요일까지 사업계획서와 발표자료를 완성해야 한다고 해봅시다. 기존 AI는 아이디어 정리, 초안 작성, 윤문, 슬라이드 구성마다 다시 지시해야 합니다. 결과물을 옮기고 맥락을 반복해서 설명하며 전체 과정을 연결하는 일은 여전히 사람의 몫입니다.

반면, Astra에서는 이 전체 과정을 단 하나의 요청으로 시작할 수 있습니다.

첨부한 메모를 바탕으로 사업 아이디어를 구체화하고, 시장성과 실행 가능성을 검토해 사업계획서를 작성해줘. 함께 첨부한 레퍼런스의 스타일을 적용해 10장 분량의 발표자료까지 만들어줘.

이처럼 Astra는 여러 단계가 연결된 업무 전체를 자동화의 단위로 다루기 시작했습니다. 기존 자동화가 사람이 미리 정한 규칙과 순서를 실행했다면, Astra는 목표를 받아 필요한 일을 스스로 나누고 이어서 수행합니다. 오늘은 Astra가 왜 AGI 시대를 여는 변곡점이라는 평가를 받는지, 그리고 기업에 미칠 영향은 무엇인지 살펴보겠습니다.

Astra는 어떻게 생각하고 움직이는가

사업 아이디어를 보고 무엇을 보완할지 판단하는 일과 PowerPoint를 열어 실제 장표를 만드는 일은 서로 다른 능력을 요구합니다. 전자에는 ‘머리’가, 후자에는 ‘손’이 필요합니다. Astra에서는 두 능력이 함께 달라졌습니다.

더 복잡한 문제를 오래 붙드는 머리

이전 모델도 문서를 요약하고 코드를 작성하는 데 능숙했습니다. 다만 요구사항이 불완전하거나, 여러 자료 사이의 관계를 읽고 우선순위를 정해야 하거나, 중간 결과에 따라 계획을 바꿔야 하는 문제에서는 사람의 지시가 자주 필요했습니다.

Astra의 개선은 단순한 문제보다 이런 복합 과제에서 더 크게 나타났습니다. 일반적인 버그를 찾는 능력의 개선 폭은 4%였지만, 여러 파일의 관계를 읽고 원인을 추적하는 복잡한 코드 리뷰에서는 20%까지 벌어졌습니다. 조건이 많고 작업 단계가 길어질수록 기존 모델 대비 Astra가 압도적인 우위를 보였습니다.

지난 6월까지 최상위 모델로 평가받던 Claude Fable 5와의 차이도 이 지점에서 봐야 합니다. Fable 5는 수백만 토큰의 문서와 대규모 코드베이스를 한꺼번에 읽고, 긴 맥락을 유지하며 깊게 분석하는 데 강했습니다. Astra는 여기에 행동을 붙였습니다. 자료를 읽고 판단한 뒤 브라우저나 데스크톱 앱을 열어 다음 단계를 직접 수행합니다.

Fable 5가 방대한 자료 안으로 깊게 들어가는 모델이라면, Astra는 그 안에서 내린 판단을 실제 업무 시스템 위의 행동으로 이어가는 모델에 가깝습니다.

판단을 실제 행동으로 옮기는 손

손의 핵심은 Computer Use입니다. 화면을 읽고 마우스와 키보드를 움직여 실제 프로그램에서 작업하는 기능입니다. 기능 자체는 2년 전부터 있었지만, 당시에는 클릭 한 번마다 화면을 다시 읽느라 멈췄고, 간단한 폼을 채우는 데도 몇 분이 걸렸습니다. 예상하지 못한 팝업이 뜨면 같은 자리를 반복하다 결국 사람이 이어받기 일쑤였습니다.

Astra가 바꾼 것은 Computer Use의 속도와 정확도입니다. 같은 과제의 수행 시간은 75분에서 40분으로 줄어 2배 가까이 빨라졌고, 성공률은 65.7%에서 72.6%로 올랐습니다. 화면에서 클릭해야 할 지점을 정확히 찾는 능력도 76.9%에서 92.7%로 뛰었습니다.

움직이는 범위도 넓어졌습니다. 이전 도구가 주로 브라우저 안에서 움직였다면, Astra는 파일 탐색기에서 자료를 찾고 데스크톱 프로그램을 열어 값을 입력한 뒤 결과까지 확인합니다. 화면이 달라지거나 팝업이 나타나면 멈추는 대신 현재 상태를 다시 읽고 다른 경로를 찾습니다.

기존 자동화 프로그램은 사람이 버튼의 위치와 실행 순서를 미리 정해야 했습니다. 화면 구성이 조금만 바뀌어도 작업이 멈추는 이유였죠. 반면 Astar의 Computer Use는 정해진 클릭 순서를 반복하지 않습니다. 지금 보이는 화면과 달성해야 할 목표를 비교해 다음 행동을 골라, 사람이 매 순간 개입하지 않아도 될 만큼 빠르고 안정적으로 바뀌었습니다.

머리와 손은 따로 작동하지 않습니다. 판단만 잘하면 좋은 초안에서 멈추고, 손만 빠르면 정해진 동작을 반복하는 자동화에 머뭅니다. Astra는 목표를 필요한 작업으로 나누고, 프로그램에서 실행하고, 결과가 예상과 다르면 계획을 고쳐 다시 움직입니다. 이 결합으로 AI는 사람이 정한 절차를 따르는 도구에서, 목표를 받으면 전체 워크플로를 스스로 짜고 끝내는 시스템으로 이동했습니다.

‘단계’가 아니라 ‘업무’를 맡기 시작한 AI

이 차이는 실제 사용 사례에서 더 선명하게 드러납니다.

프롬프트 하나로 유튜브 영상 완성

유튜버 네이트 허크는 Astra에 영상 제작을 요청했습니다. Astra는 다른 크리에이터의 게시물을 직접 열어 사실을 확인하고, 대본을 쓴 뒤 아바타·음성 복제 도구로 허크의 얼굴과 목소리를 입힌 영상을 만들었습니다. 이어 편집 타임라인에서 자막 싱크, 화면 전환, BGM, 효과음까지 손보고 렌더링했습니다. 이때 사람이 맡은 일은 각 단계를 직접 처리하는 것이 아니라 초기 목표를 정하고 마지막 결과를 확인하는 일이었습니다.

회사 업무에서도 같은 변화가 나타납니다. The AI Automators의 앨런 월시는 Astra로 회계 프로그램 Xero의 미매칭 거래 7건을 10분 만에 대사했습니다. 단순히 금액이 같은 거래를 찾은 것이 아니라 분할 입금까지 판단해 장부와 실제 거래를 맞췄습니다. 일부 숫자만 확인한 것이 아니라, 거래를 추적하고 차이를 판단해 장부를 정리하는 회계 담당자의 업무 흐름 전체를 맡은 것입니다.

디자인 업무 역시 자동화 범위가 바뀌었습니다. 기존 AI는 로고 이미지를 jpg 파일로 생성해 건네는 데서 끝났고, 실제로 사용하려면 디자이너가 Illustrator에서 형태를 다시 다듬고 벡터 파일로 만들어야 했습니다. Astra는 Illustrator를 직접 열어 도형과 글자를 수정하고, 인쇄물과 웹에 바로 활용할 수 있는 벡터 파일까지 완성합니다. 자동화의 끝점이 ‘시안 생성’에서 ‘실제로 사용할 최종 결과물’로 옮겨갔습니다.

이 사례들의 공통점은 AI가 대본이나 분석 결과 같은 중간 산출물만 건넨 것이 아니라는 점입니다. 필요한 도구를 오가며 작업을 이어가고, 마지막에는 결과가 목표와 맞는지 스스로 확인했습니다.

Astra로 인해 이제 AI는 하나의 업무를 처음부터 끝까지 책임지는 ‘팀원’에 가까워졌습니다.

규칙 기반 자동화 → 목표 기반 자동화 시대로

그동안 기업이 자동화 대상으로 먼저 찾은 것은 규칙이 일정하고 반복량이 많은 일이었습니다. 같은 양식의 데이터를 옮기거나, 정해진 조건에 따라 값을 분류하거나, 순서가 바뀌지 않는 버튼을 누르는 업무입니다.

이런 규칙 기반 자동화에서는 사람이 업무를 먼저 세부 단계로 나눠야 했습니다. 어느 시스템에 접속할지, 어떤 버튼을 누를지, 어떤 조건에서 다음 단계로 넘어갈지, 오류가 생기면 어떻게 처리할지를 미리 정합니다. 자동화 시스템이 전달받은 것은 목표가 아니라 절차였습니다.

목표 기반 자동화에서는 사람이 전달하는 내용이 달라집니다. 달성해야 할 목표와 지켜야 할 제약, 완료로 인정할 기준을 알려줍니다. AI는 그 사이에 필요한 행동을 스스로 나누고, 순서를 정하고, 중간 결과에 따라 계획을 수정합니다.

예를 들어 월간 경영보고를 만든다고 해봅시다. 규칙 기반 자동화라면 광고 플랫폼, PG사, ERP, 사내 대시보드마다 자료를 가져오는 방법과 엑셀에 넣을 위치, 계산식, 오류 처리 방식을 사람이 모두 설계해야 합니다. 연결할 시스템이 늘거나 화면이 바뀔 때마다 자동화도 다시 고쳐야 합니다.

목표 기반 자동화에서는 이렇게 요청할 수 있습니다.

이번 달 매출과 비용을 전월·예산과 비교해 이상 항목을 찾고, 원인을 설명한 임원 보고용 PPT 초안을 회사 양식으로 만들어라. 원본에서 확인되지 않은 숫자는 사용하지 말고, 외부 공유 전에는 담당자의 승인을 받아라.

Astra는 이 목표를 달성하기 위해 필요한 일을 액션 아이템으로 나눕니다.

1. 필요한 데이터가 있는 시스템 확인
2. 시스템별 자료 조회와 다운로드
3. 수치 대조와 누락값 확인
4. 전월·예산 대비 이상 항목 탐색
5. 원인과 영향 해석
6. 임원이 볼 핵심 내용 선정
7. 회사 양식의 보고자료 작성
8. 원본과 결과물 재검증

중간에 자료를 찾지 못하거나 화면이 바뀌면 다른 경로를 찾고 계획을 수정합니다. 사람은 모든 클릭을 수행하는 대신 어떤 지표를 봐야 하는지, 무엇을 완료로 인정할지, 어느 행동 전에 승인을 받을지를 정합니다.

이 변화로 자동화 가능한 업무의 유형이 달라졌습니다. 과거에는 정형 데이터 입력과 반복 클릭처럼 규칙을 명확히 쓸 수 있는 일이 중심이었습니다. 이제는 자료를 읽고 우선순위를 판단한 뒤 여러 도구에서 결과물을 만들어야 하는 업무도 자동화 후보가 될 수 있습니다.

뿐만 아니라 자동화 가능한 업무의 범위도 넓어졌습니다. 기존에는 자료 수집, 요약, 문서 작성이 각각 다른 자동화였다면 Astra가 만든 목표 기반 자동화에서는 이 단계들을 ‘월간 경영보고 완성’이나 ‘고객 의견을 제품 우선순위로 전환’ 같은 하나의 업무로 묶을 수 있습니다.

물론 모든 지식 업무가 곧바로 자동화된다는 뜻은 아닙니다. 첫 후보는 다음 조건이 겹치는 업무입니다.

1. 여러 도구와 화면을 오간다.
2. 자료를 모은 뒤 일정한 기준에 따라 판단해야 한다.
3. 결과물의 형식과 완료 조건이 분명하다.
4. 중요한 행동 전에 사람이 확인할 수 있다.

압도적으로 똑똑한 AI에 필요한 3가지 안전장치

목표 기반 자동화는 AI가 스스로 작업을 나누고 다음 행동을 선택하도록 더 많은 자율성을 줍니다. 따라서 실행 범위와 사람의 개입 지점은 규칙 기반 자동화보다 더 명확해야 합니다.

기존 챗봇이 잘못된 문장을 만들면 사람이 고쳐 쓸 수 있었습니다. Computer Use가 잘못 판단하면 실제 파일을 덮어쓰거나, 엉뚱한 사람에게 메시지를 보내거나, 잘못된 수치를 시스템에 입력할 수 있습니다. 더 잘 움직이는 모델일수록 실수했을 때 영향을 미치는 범위도 커집니다.

Astra의 한계는 장시간 작업에서 이미 나타났습니다. 감독 없이 게임을 만들게 한 실험에서는 3D 물체가 겹치고 화면이 깜빡였으며, 계획을 여러 차례 처음부터 다시 세웠습니다. 사람이 중간 결과를 확인한 빌드가 그렇지 않은 빌드보다 일관되게 나았습니다.

작은 수정만 요청했는데 주변 코드까지 변경하거나, 이미 확인한 내용을 반복해서 살펴보며 시간과 토큰을 쓰는 경향도 보고됐습니다. 모델이 스스로 다음 행동을 찾는 능력은 편리하지만, 어디까지 움직여도 되는지 정하지 않으면 과잉 실행으로 이어질 수 있습니다.

기업에서는 최소한 세 종류의 울타리가 필요합니다.

실행 범위

읽기와 쓰기 권한을 분리합니다. 처음에는 자료 조회와 초안 작성만 허용하고, 시스템 입력이나 파일 수정은 제한된 공간에서 시작합니다. 접근할 수 있는 폴더와 계정도 업무에 필요한 범위로 좁혀야 합니다.

승인 지점

외부 발송, 최종 제출, 결제·환불, 데이터 삭제, 권한 변경처럼 되돌리기 어렵거나 책임이 따르는 행동 앞에서는 사람을 부르게 합니다. 사람은 모든 클릭을 대신하는 것이 아니라 중요한 행동을 승인하는 역할을 맡습니다.

중단 조건

최대 실행 시간, 재시도 횟수, 비용 한도를 정합니다. 같은 화면을 반복하거나 예상하지 못한 시스템에 접근하면 작업을 멈추도록 해야 합니다.

비용도 토큰 단가만으로 판단하기 어렵습니다. 싼 모델이 세 번 실패하고 사람이 두 번 개입해야 끝나는 일이라면, Astra가 한 번에 끝내는 편이 더 저렴할 수 있습니다. 반대로 규칙이 단순한 분류와 반복 입력에 최상위 모델을 계속 쓰면 비용만 커집니다.

회사가 봐야 할 숫자는 ‘토큰 100만 개의 가격’보다 검수 가능한 결과물 한 건을 만드는 데 든 총비용입니다. 모델 사용료뿐 아니라 사람의 개입 시간, 실패 후 재작업, 오류 비용을 함께 봐야 합니다.

Astra가 처음으로 사이버보안 위험 등급 ‘Critical’을 받은 것도 같은 맥락입니다. 더 많은 일을 할 수 있다는 것은 더 많은 권한을 기본으로 줘도 된다는 뜻이 아닙니다.

앞으로 팀의 AI 활용 격차는 프롬프트를 얼마나 길게 쓰는가보다 다른 데서 벌어질 가능성이 큽니다. 어떤 상태를 완료로 볼 것인지, 어디서 멈춰야 하는지, 어떤 행동은 반드시 사람이 승인해야 하는지를 설명할 수 있는가입니다.

자동화를 포기했던 복잡한 업무, 다시 한 번 꺼내보세요

지금 다시 꺼내볼 것은, 효과가 큰데도 여러 시스템과 복잡한 절차 때문에 자동화하지 못했던 업무입니다. Astra에는 절차를 일일이 설계하는 대신 목표와 완료 기준을 주면 됩니다.

월간 경영보고라면 자료 수집부터 초안 작성까지 맡기고, 담당자는 최종 숫자와 해석만 확인합니다.

처음에는 업무 하나를 고르고 세 가지만 정하면 됩니다.

1. Astra가 어디까지 실행할 것인가
2. • 자료 수집, 분석, 파일 작성, 시스템 입력 중 맡길 범위를 정합니다.
2. 어떤 상태를 완료로 볼 것인가
3. • 필요한 항목, 허용할 수 있는 오류, 결과물 형식을 구체적으로 적습니다.
3. 어떤 행동 전에 사람을 부를 것인가
4. • 외부 발송, 최종 제출, 금전 이동, 삭제와 권한 변경 앞에 승인 단계를 둡니다.

기존 자동화가 사람이 미리 정한 규칙과 순서를 실행했다면, Astra는 목표를 받아 필요한 액션 아이템을 스스로 나누고, 판단하고, 여러 도구에서 작업을 이어갑니다. 자동화의 단위가 ‘규칙’에서 ‘목표’로 바뀌면서, 자동화 가능한 업무의 유형도 달라진 것입니다.

이는 AI가 정해진 절차를 따르는 도구에서, 목표를 이해하고 완수하는 시스템으로 이동했음을 뜻합니다. Astra는 이 전환을 실제 컴퓨터 위에서 보여줬다는 점에서 AGI 시대로 향하는 변곡점으로 평가받고 있습니다.

AI가 다룰 수 있는 업무 범위가 빠르게 넓어지면서 도구 자체의 한계는 점점 사라지고 있습니다. 이제 조직의 경쟁력을 가르는 것은 어떤 모델을 쓰느냐보다, AI를 업무에 적용하는 체계와 실무진의 역량을 얼마나 빠르게 끌어올리느냐입니다. 같은 모델을 도입해도 업무를 목표·실행·검증·승인으로 구조화하고 운영할 수 있는 조직과 그렇지 못한 조직의 격차는 더 커질 수밖에 없습니다.

NextgenAI는 AI를 조직의 실질적인 경쟁력으로 전환합니다.

조직의 실제 업무를 분석해 AI가 수행할 구간과 사람이 통제할 구간을 설계하고, 실무진이 직접 운영할 수 있는 체계로 정착시킵니다. 업무의 난도와 위험도에 맞춰 여러 모델을 조합해 비용을 최적화하고, 권한·데이터 접근·승인 절차까지 함께 설계해 보안도 놓치지 않습니다.

👉 우리 조직 무료 AX 진단 신청하기