티스토리 뷰
목차
AI가 직접 컴퓨터를 조작하고 파일을 수정하고 이메일까지 보낼 수 있는 시대가 왔습니다. 오픈클로 같은 AI 에이전트를 처음 접했을 때, 솔직히 이건 예상 밖이었습니다. 질문에 답하는 챗봇과는 차원이 다른 이야기였으니까요.
오픈클로로 달라진 자동화의 개념
지금까지 쓰던 AI와 오픈클로의 차이가 뭔지, 한번 생각해보신 적 있으신가요? 제가 직접 써봤는데, 그 경계가 생각보다 훨씬 뚜렷했습니다.
기존 챗봇은 질문을 던지면 텍스트로 답변을 돌려주는 구조입니다. 결국 그 답변을 가지고 실제로 행동하는 건 사람의 몫이었죠. 그런데 AI 에이전트(AI Agent)는 다릅니다. 여기서 AI 에이전트란, 사람이 목표를 지정하면 AI 스스로 계획을 세우고 컴퓨터에서 실제 행동까지 이어가는 시스템을 말합니다. 단순히 정보를 주는 게 아니라, 파일을 열고 수정하고 저장하는 행위 자체를 AI가 대신 처리하는 겁니다.
제가 웹 퍼블리싱이나 React 프로젝트를 하면서 가장 지겨웠던 작업 중 하나가 반복적인 파일 수정과 자료 정리였습니다. 같은 구조의 파일을 수십 개 바꾸거나, 레퍼런스 링크를 하나하나 정리하는 식의 작업이 생각보다 시간을 많이 잡아먹거든요. 오픈클로 같은 에이전트가 이 부분을 처리할 수 있다면, 체감 생산성은 꽤 크게 달라질 것 같았습니다.
특히 제가 눈여겨본 기능은 텔레그램 같은 메신저와의 연동입니다. MCP(Model Context Protocol)를 이용하면 외부 앱이나 서비스와 AI를 연결하는 인터페이스를 구성할 수 있는데, 쉽게 말해 텔레그램 메시지 한 줄로 AI에게 작업 명령을 내리는 구조를 만들 수 있다는 뜻입니다. 컴퓨터 앞에 앉아 있지 않아도 말이죠.
수익형 블로그를 운영하는 입장에서 이 구조가 특히 마음에 걸렸습니다. 매일 특정 키워드의 검색 동향을 확인하고, 경쟁 콘텐츠를 모니터링하고, 뉴스를 수집해서 정리하는 작업은 주기적으로 반복되는 일인데, 지금까지는 제가 직접 탭을 열고 복사하고 붙여넣는 방식으로 해왔습니다. '정보 수집 → 정리 → 저장 → 알림'까지 이 흐름 전체를 자동화할 수 있다면, 하루에 1~2시간씩 잡아먹히던 루틴 업무가 사라지는 셈입니다.
- AI 에이전트: 목표를 받으면 스스로 계획하고 컴퓨터에서 실제 행동까지 수행하는 AI 시스템
- MCP(Model Context Protocol): AI와 외부 앱·서비스를 연결하는 표준 인터페이스 규격
- 텔레그램 연동: 메신저 명령 한 줄로 AI에게 작업을 원격 지시할 수 있는 구조
- 활용 예시: 키워드 모니터링, 뉴스 수집, 이메일 정리, 가계부 자동화
실제로 출처: McKinsey Digital에 따르면, 반복적인 업무의 자동화는 지식 노동자의 생산성을 최대 40%까지 끌어올릴 수 있다고 분석하고 있습니다. AI 에이전트가 이 자동화의 실행 주체로 떠오르고 있다는 점에서, 오픈클로가 주목받는 이유가 어느 정도 설명됩니다.
편리함 뒤의 보안, 어디까지 믿을 수 있을까
그런데 여기서 한 가지 질문이 생깁니다. AI가 내 컴퓨터에서 직접 행동할 수 있다면, 그 권한은 어디까지 줘도 괜찮을까요?
제 경험상 이건 좀 다릅니다. 개발 프로젝트를 하다 보면 API 키나 환경변수를 다루는 일이 잦은데, 한 번이라도 이게 외부에 노출되면 수습하는 데 드는 에너지가 어마어마합니다. 그래서 오픈클로에 계정 권한을 넘긴다는 개념이 처음부터 조심스럽게 느껴졌습니다.
AI 에이전트의 가장 큰 위험 요소는 잘못된 판단에서 비롯되는 비가역적 행동입니다. 비가역적 행동(Irreversible Action)이란, 한 번 실행되면 원래 상태로 되돌리기 어려운 행동을 말합니다. 이메일을 잘못 보내거나, 중요한 파일을 덮어쓰거나, 결제가 실행되는 경우가 여기에 해당합니다. 기존 챗봇이 틀린 답변을 줘도 사람이 판단해서 걸러낼 수 있었다면, 에이전트는 그 판단 단계가 생략된 채 행동이 먼저 이뤄질 수 있다는 점이 본질적으로 다릅니다.
맥 미니 같은 저전력 장비로 24시간 AI 에이전트를 운영한다는 아이디어도 재미있지만, 비용 계산이 하드웨어 가격과 전기요금에서 끝난다고 보는 시각도 있는데, 저는 여기에 동의하지 않습니다. 실제 운영 비용에는 LLM(Large Language Model) 사용료가 포함됩니다. LLM이란 GPT나 Claude처럼 대규모 텍스트 데이터로 학습한 언어 모델로, 호출 횟수나 처리한 토큰 수에 따라 비용이 청구됩니다. 로컬 모델을 쓰면 이 비용을 줄일 수 있지만, 원하는 성능을 내려면 그만큼의 하드웨어 사양이 뒷받침돼야 합니다. 저장공간, 보안 설정, 업데이트 대응까지 더하면 총 비용은 단순 계산보다 훨씬 복잡해집니다.
출처: OWASP LLM Top 10에서는 LLM 애플리케이션의 주요 보안 위협 중 하나로 '과도한 에이전시(Excessive Agency)'를 꼽고 있습니다. 이는 AI에게 필요 이상으로 넓은 권한을 부여했을 때 발생하는 위험으로, 처음부터 최소 권한 원칙을 지키는 것이 핵심이라고 명시하고 있습니다.
제가 직접 써봤는데, 처음 테스트할 때 중요하지 않은 읽기 전용 작업부터 시작한 건 정말 잘한 선택이었습니다. 파일 삭제나 외부 전송처럼 되돌리기 어려운 작업은 충분히 신뢰가 쌓인 뒤에 권한을 부여하는 것이 현실적입니다. 지금 단계에서는 AI가 처리한 결과를 사람이 최종 확인하는 구조, 즉 Human-in-the-Loop 방식이 가장 안전한 운영 모델이라고 생각합니다.
자주 묻는 질문
Q. 오픈클로가 기존 챗GPT랑 뭐가 다른 건가요?
A. 챗GPT는 질문을 하면 텍스트로 답하는 구조입니다. 반면 오픈클로 같은 AI 에이전트는 목표를 받으면 파일 수정, 웹 검색, 이메일 발송처럼 컴퓨터에서 실제 행동까지 수행합니다. 사람이 결과를 받아 직접 처리하던 단계가 AI로 대체된다는 점이 가장 큰 차이입니다.
Q. 텔레그램으로 AI를 제어하려면 어떻게 해야 하나요?
A. MCP(Model Context Protocol) 기반으로 텔레그램 봇과 AI 에이전트를 연결하는 방식이 주로 사용됩니다. 텔레그램 봇 토큰을 발급받고 에이전트 설정에 연동하면, 메신저에서 명령을 보내는 것만으로 작업을 지시할 수 있습니다. 다만 초기 설정은 개발 지식이 어느 정도 필요합니다.
Q. AI 에이전트를 24시간 돌리면 비용이 많이 드나요?
A. 로컬 모델을 사용하면 LLM 호출 비용을 줄일 수 있지만, 그만큼 높은 사양의 하드웨어가 필요합니다. 클라우드 기반 LLM을 쓴다면 호출 횟수와 처리 토큰 수에 따라 비용이 쌓입니다. 맥 미니 같은 저전력 장비로 운영하더라도 전기료 외 실질 비용이 발생하므로 미리 구조를 설계해두는 것이 좋습니다.
Q. AI 에이전트한테 어디까지 권한을 줘도 되나요?
A. OWASP에서 권고하는 최소 권한 원칙이 기준입니다. 처음에는 읽기나 정리처럼 되돌리기 쉬운 작업부터 시작하고, 이메일 발송이나 파일 삭제처럼 비가역적인 작업은 충분히 신뢰가 쌓인 뒤에 단계적으로 권한을 확장하는 방식이 현실적입니다. API 키나 계정 정보는 별도 환경에서 관리하는 것을 권장합니다.
결론
AI 에이전트가 흥미로운 건 분명하지만, '24시간 무급 비서'라는 표현만 보고 무조건 편하다고 받아들이는 건 위험하다고 생각합니다. 제가 직접 테스트해보면서 느낀 건, 이 기술이 강력한 만큼 설계를 잘못하면 피해도 빠르게 커진다는 점이었습니다.
지금 단계에서 현실적인 접근 방법은 하나입니다. 작게 시작하고, 사람이 최종 확인하는 Human-in-the-Loop 구조를 유지하면서, 신뢰가 쌓이는 만큼 자동화 범위를 넓혀가는 것입니다. 반복 업무가 많은 블로그나 온라인 사업에서는 에이전트에게 맡길 수 있는 작업을 먼저 찾아보는 것 자체가 경쟁력이 될 수 있습니다.