조직의 88%가 AI를 쓰지만, 에이전트를 실제로 스케일링한 곳은 23%뿐입니다.
둘 다 같은 모델에 같은 질문을 합니다. 답의 품질 문제가 아닙니다.
차이는 답을 받은 다음에 무엇이 남는가에서 갈립니다.
채팅은 일회용 응답으로 끝납니다. 같은 일을 또 하면 프롬프트를 처음부터 다시 씁니다.
도구로 만들어두면 내가 들인 시간이 자산으로 남습니다.
챗은 내가 물어야 답합니다. 물어보는 걸 잊으면 아무 일도 일어나지 않습니다.
도구는 시간이나 트리거에 따라 알아서 실행됩니다.
그래서 오늘은 "어떻게 잘 물어볼까"가 아니라, "어떻게 도구로 만들까"를 봅니다.
그런데 Agent 입장에서는 이 한 문장만으로는 아무것도 안 보입니다.
무엇이 들어오는지, 무엇을 판단하는지, 무엇을 어디에 쓰는지 전부 비어 있습니다.
먼저 물어야 할 질문은 딱 하나입니다.
여기까지는 AI 이야기가 아닙니다. 그냥 업무 프로세스다. 이게 먼저다.
그런데 광고 분석 중간에는 조건문으로 못 하는 해석과 판단이 나옵니다.
"이 광고의 핵심 메시지가 뭐지?", "누구 대상 광고지?" — 바로 여기서 LLM이 필요해집니다.
답이 예/아니오로 떨어지는 확인입니다. 코드와 조건문으로 처리합니다.
LLM을 넣으면 느려지고, 비용이 들고, 가끔 틀립니다. 정답이 정해져 있으면 규칙으로.
내용을 읽고 해석·분류·추론·생성해야 하는 단계입니다. 조건문으로 못 합니다.
바로 이 지점에서 LLM이 필요해집니다. 모든 단계에 필요한 게 아닙니다.
가져오고, 저장하고, 보내는 동작입니다. 생각이 아니라 손발입니다.
LLM은 생각하고, Tool은 행동합니다. 외부와 대화하려면 API가 필요합니다.
매번 프롬프트에 다시 적을 건가? 반복해서 쓰는 업무 방식이라면 Skill이 됩니다.
조건과 동작이 이미 명확하면, 굳이 매번 LLM한테 판단시킬 이유가 없다.
워크시트에서 준비해온 "만들고 싶은 것"을 광고 예시와 똑같이 해체합니다.
완성된 초안은 평소 쓰는 ChatGPT나 Claude에 가져가 대화 재료로 씁니다.
대부분은 GPT에 물어보고 답을 받는 데서 끝납니다.
여기서 한 단계 더 나아가는 건 답을 더 잘 받는 것과는 조금 다른 문제입니다.
그래야 그때그때 질문해서 해결하는 데서 끝나지 않고, 내가 들인 시간이 다음 작업에도 남습니다.