1인 기업의 시대, AI 에이전트는 ‘직원’이 아니라 ‘조직’이 된다
그래프·하네스·루프 엔지니어링으로 만드는 혼자서 여러 팀을 운영하는 법
AI를 이용해 1인 기업을 만든다고 하면 보통 이런 모습을 떠올린다.
ChatGPT에게 시장조사를 시킨다. Claude에게 코드를 짜게 한다. Gemini에게 자료를 찾아달라고 한다. 이미지 생성 AI로 광고 이미지를 만들고, 자동화 도구로 SNS에 올린다.
분명 생산성은 높아진다.
하지만 이것만으로는 아직 AI를 많이 사용하는 1인 사업자에 가깝다.
내가 생각하는 진짜 변화는 조금 다른 곳에서 일어난다.
앞으로 중요한 것은 AI를 몇 개 쓰느냐가 아니다.
AI들이 서로 일을 나누고, 필요한 정보를 기억하고, 결과를 검증하고, 문제가 있으면 다시 작업하는 시스템을 만들 수 있느냐가 중요하다.
최근 AI 에이전트 분야에서 자주 등장하는 세 개념이 있다.
Graph Engineering, Harness Engineering, Loop Engineering.
처음 보면 새로운 유행어처럼 보인다. 사실 각각의 기술 자체가 완전히 새로운 것은 아니다. LangGraph 같은 프레임워크에는 이미 그래프와 반복 구조가 있었고, 소프트웨어 개발에는 오래전부터 workflow, scheduler, test loop, orchestration이라는 개념이 있었다.
그런데 생성형 AI가 충분히 똑똑해지면서 이 오래된 개념들이 갑자기 중요해졌다.
이제 병목이 더 이상 모델의 지능만이 아니기 때문이다.
문제는 이런 쪽으로 이동하고 있다.
누가 어떤 일을 해야 하는가?
어떤 순서로 해야 하는가?
무엇을 기억해야 하는가?
어떤 정보를 지금 보여줘야 하는가?
결과가 틀렸으면 누가 발견하는가?
언제 ‘완료’라고 판단할 것인가?
이것은 모델 선택의 문제가 아니다.
조직 설계의 문제다.
그리고 바로 이 지점에서 AI 에이전트 기술과 1인 기업이 만난다.
1. Graph Engineering: 업무를 ‘대화’가 아니라 조직도로 바꾸기
혼자 사업을 하면 업무가 끝없이 섞인다.
시장조사를 하다가 블로그를 쓰고, 블로그를 쓰다가 제품 아이디어가 떠오르고, 제품을 개발하다가 고객 문의를 처리한다.
AI를 사용해도 상황은 비슷하다.
하나의 ChatGPT 대화창 안에서 계속 일을 시키면 결국 사람이 모든 일을 조율해야 한다.
하지만 회사는 그렇게 움직이지 않는다.
예를 들어 신제품을 출시한다고 해보자.
업무를 그래프로 표현하면 다음과 비슷하다.
시장 조사
↓
제품 정의
↓
┌──────────────┬──────────────┐
↓ ↓ ↓
개발 랜딩페이지 콘텐츠
↓ ↓ ↓
테스트 카피 검수 SEO 검수
└──────────────┴──────────────┘
↓
출시
↓
사용자 피드백
이것이 Graph Engineering의 핵심이다.
단순히 할 일 목록을 만드는 것이 아니다.
업무 사이의 의존성, 병렬성, 순서, 조건을 정의한다.
예를 들어 시장조사가 끝나기 전에는 제품 정의를 할 수 없다. 하지만 제품의 핵심 사양이 결정된 뒤에는 개발과 랜딩페이지 제작은 동시에 진행할 수 있다.
테스트가 실패하면 출시로 넘어가면 안 된다. 사용자 피드백이 특정 수준 이상 쌓이면 다시 제품 개선 그래프로 돌아갈 수도 있다.
기업에서 이것은 원래 사람이 하던 일이다. 팀장, PM, 실장, COO가 업무를 배분하고 순서를 조정했다.
AI 에이전트 시대에는 이 조직 구조 자체를 소프트웨어로 만들 수 있다.
그래서 Graph Engineering은 사실상 AI 조직의 조직도와 업무 프로세스를 만드는 기술이라고 볼 수 있다.
2. 1인 기업에서 그래프가 중요한 이유
한 명이 AI 하나를 사용하는 상황에서는 그래프가 크게 필요하지 않을 수도 있다.
하지만 다음처럼 AI 역할이 늘어나기 시작하면 이야기가 달라진다.
나
│
├─ 리서치 에이전트
├─ 제품기획 에이전트
├─ 개발 에이전트
├─ 콘텐츠 에이전트
├─ 디자인 에이전트
├─ 마케팅 에이전트
└─ 리뷰 에이전트
여기서 모든 에이전트에게 동시에 “알아서 해”라고 하면 회사가 아니라 난장판이 된다.
그래서 필요한 것이 그래프다.
CEO인 나는 모든 작업을 직접 수행하는 대신 어떤 작업이 어떤 작업을 발생시키는가를 설계한다.
이 변화는 꽤 크다.
기존 1인 기업의 생산성 공식이 나의 작업시간 × AI 생산성이었다면, 에이전트 조직의 생산성은 점차 업무 그래프 × 병렬 에이전트 × 자동화에 가까워진다.
나의 하루가 24시간이라는 물리적 한계에서 조금씩 벗어나기 시작한다.
3. Loop Engineering: AI가 한 번 답하고 끝나지 않게 만들기
그런데 AI 직원을 10명 만든다고 해서 좋은 회사가 되는 것은 아니다.
오히려 위험할 수도 있다.
10명의 AI가 각각 잘못된 결과를 빠르게 생산한다면?
그것은 생산성 향상이 아니라 오류의 병렬화다.
그래서 두 번째 개념인 Loop Engineering이 중요하다.
일반적인 AI 사용은 이렇다.
질문
↓
AI 답변
↓
끝
에이전트 시스템은 달라야 한다.
작업
↓
실행
↓
결과 확인
↓
검증
↓
실패?
├─ Yes → 수정 → 다시 검증
└─ No → 완료
예를 들어 개발 에이전트라면 단순히 코드를 작성하고 끝내면 안 된다.
코드를 작성하고, 테스트를 실행하고, 오류를 확인하고, 수정하고, 다시 테스트하고, 모든 테스트가 통과한 뒤에야 완료해야 한다.
콘텐츠 에이전트도 마찬가지다.
초안 작성
↓
팩트체크
↓
논리 검토
↓
SEO 검토
↓
문체 수정
↓
최종본
시장조사라면 다음과 같은 루프를 만들 수 있다.
자료 검색
↓
출처 검증
↓
교차 확인
↓
주장 정리
↓
반대 증거 탐색
↓
최종 인사이트
중요한 질문은 이것이다.
AI가 “끝났습니다”라고 말했을 때 정말 끝난 것인가?
좋은 에이전트 시스템에서는 AI 자신이 완료를 선언한다고 끝나지 않는다.
테스트가 실패하면 다시 열린다. 리뷰어가 문제를 발견하면 다시 열린다. 요구 조건을 충족하지 못하면 다시 열린다.
즉 좋은 시스템에는 완료를 취소할 수 있는 능력이 있다.
이것이 Loop Engineering에서 가장 중요한 원칙 중 하나다.
4. 혼자 일할수록 Loop가 더 중요하다
큰 회사에는 자연스러운 검증 구조가 있다.
작성자가 있고, 팀장이 있고, QA가 있고, 법무가 있고, 고객이 있다.
1인 기업에는 이것이 없다. 내가 만들고 내가 검토한다.
그래서 오히려 1인 기업에서 AI를 사용할수록 maker와 checker를 분리해야 한다.
예를 들어 콘텐츠 작업은 다음처럼 역할을 나눌 수 있다.
Writer Agent
↓
Critic Agent
↓
Fact-check Agent
↓
Final Editor
개발이라면 다음과 같다.
Coder
↓
Tests
↓
Code Reviewer
↓
Security Reviewer
재미있는 점은 AI 시대의 1인 기업에서 사람 수는 한 명이지만 역할 수는 한 명일 필요가 없다는 것이다.
사람 조직에서 분업을 만들기 위해 직원을 채용했다면, AI 조직에서는 역할과 루프를 설계함으로써 분업을 만들 수 있다.
5. Harness Engineering: AI 직원이 실제로 일할 수 있는 회사를 만든다
그래프가 조직도이고 루프가 업무 방식이라면, Harness는 무엇일까?
나는 Harness를 AI 조직이 실제로 일할 수 있게 만드는 회사의 운영 시스템이라고 이해하는 것이 가장 쉽다고 생각한다.
AI 모델만 있다고 일을 할 수 있는 것은 아니다.
직원에게도 컴퓨터, 이메일, 사내 문서, 권한, 업무 규칙이 필요하다. AI도 마찬가지다.
Harness에는 다음과 같은 것들이 들어간다.
AI Model
+ Tools
+ Memory
+ Context
+ Filesystem
+ Browser
+ Database
+ Git
+ MCP
+ Permissions
+ Hooks
+ Tests
+ Evaluations
+ Scheduler
그래서 전체 구조는 이렇게 볼 수 있다.
HARNESS
┌─────────────────────┐
│ GRAPH │
│ │
│ Research → Product │
│ ↓ ↓ │
│ Content Developer │
└─────────────────────┘
│
각 NODE
│
LOOP
│
실행 → 검증 → 수정
│
┌───────────┴───────────┐
Memory Tools
Context Files/Git
Skills Browser/API
Rules Database
그래프와 루프가 설계도라면 Harness는 실제 공장이다.
6. Context Engineering과 Memory Engineering도 여기 들어간다
AI 조직을 오래 운영하면 새로운 문제가 생긴다.
AI에게 모든 정보를 매번 다시 설명할 수는 없다. 그렇다고 지금까지의 모든 대화를 집어넣어도 안 된다.
그래서 Harness 안에서 Context Engineering과 Memory Engineering이 중요해진다.
둘은 다른 문제다.
Memory Engineering은 묻는다.
무엇을 기억해야 하는가?
Context Engineering은 묻는다.
기억 중 지금 무엇을 보여줘야 하는가?
예를 들어 내 1인 기업의 메모리에는 이런 정보가 있을 수 있다.
브랜드 원칙
제품 전략
고객 유형
과거 실험 결과
실패한 마케팅 방법
개발 규칙
가격 정책
콘텐츠 스타일
하지만 블로그를 쓰는 콘텐츠 에이전트에게 서버 배포 기록까지 보여줄 이유는 없다.
그래서 현재 작업에 필요한 것만 선택한다.
전체 회사 Memory
↓
현재 Task 판단
↓
관련 정보 Select
↓
Compress
↓
Agent Context
좋은 AI 회사는 모든 것을 기억하는 회사가 아니다.
필요한 순간에 필요한 것을 기억해내는 회사다.
Context Engineering과 Memory Engineering은 새로운 중심축이라기보다, 그래프의 각 노드와 루프가 제대로 작동하도록 받쳐주는 Harness의 핵심 기능이다.
7. 결국 1인 기업은 ‘AI 사용법’이 아니라 ‘AI 조직 설계’의 문제가 된다
여기까지 오면 1인 기업에 대한 관점이 바뀐다.
예전에는 혼자 기업을 운영하기 위해 이런 질문을 했다.
“어떤 AI 툴을 써야 하지?”
앞으로는 질문이 달라질 가능성이 높다.
“우리 회사의 Research Agent는 어떤 정보를 봐야 하지?”
“Developer Agent가 완료했다고 판단하는 기준은 무엇이지?”
“어떤 업무를 병렬화할 수 있지?”
“어떤 실패를 기억해야 하지?”
“어떤 작업은 반드시 사람이 승인해야 하지?”
“에이전트끼리 무엇을 공유하고 무엇은 격리해야 하지?”
이건 AI 사용법이 아니다.
경영의 문제다.
8. 1인 기업의 새로운 조직도
예를 들어 내가 AI 기반 콘텐츠·소프트웨어 회사를 혼자 운영한다면 이런 구조를 만들 수 있다.
HUMAN CEO
│
Strategy Agent
│
┌────────────────┼────────────────┐
↓ ↓ ↓
Research Team Product Team Media Team
│ │ │
Researcher Planner Writer
Analyst Developer Video
Competitor Tester SEO
│ │ │
└────────────────┼────────────────┘
↓
Review Layer
│
Quality / Fact / Risk
│
↓
HUMAN
여기서 인간 CEO의 역할은 계속 줄어드는 단순 작업을 붙잡는 것이 아니다.
오히려 더 위로 올라간다.
무엇을 만들 것인지 결정한다. 무엇을 하지 않을지 결정한다. 에이전트들의 목표를 설정한다. 시스템의 평가 기준을 만든다. 중요한 결과에 책임을 진다.
즉 operator에서 architect로 이동한다.
9. 이것이 단순한 ‘자동화’와 다른 이유
Zapier나 n8n을 이용한 기존 자동화도 매우 유용하다.
하지만 전통적인 자동화는 대체로 결정론적이다.
메일 도착
→ 첨부파일 저장
→ Slack 알림
에이전트 조직에서는 중간에 판단이 들어간다.
고객 메일 도착
↓
요청 내용 분석
↓
긴급도 판단
↓
고객 유형 확인
↓
필요하면 DB 조회
↓
답변 작성
↓
위험한 요청?
├─ Yes → 사람 승인
└─ No → 전송
즉 workflow 안에 인지 작업이 들어간다.
이 때문에 단순 Automation보다 Graph, Loop, Harness가 중요한 것이다.
10. 가장 먼저 만들어야 할 것은 ‘AI 직원’이 아니다
AI 에이전트 이야기를 들으면 바로 “마케팅 에이전트 10명을 만들자”고 생각하기 쉽다.
나는 반대로 시작하는 것이 좋다고 생각한다.
먼저 반복적으로 발생하면서 결과를 검증할 수 있는 업무 하나를 고른다.
예를 들면 블로그 제작이다.
아이디어 수집
↓
자료 조사
↓
초안
↓
팩트체크
↓
편집
↓
게시 준비
이것을 하나의 Graph로 만든다. 각 단계 안에는 Loop를 넣는다. 그리고 이를 실행하는 Harness를 만든다.
첫 번째 시스템이 안정되면 다른 업무를 붙인다.
Blog Graph
+
YouTube Graph
+
Product Research Graph
+
Development Graph
그러면서 회사 전체의 그래프가 만들어진다.
나는 이 접근이 “AI 에이전트 여러 개부터 만들기”보다 훨씬 현실적이라고 생각한다.
11. 1인 기업의 경쟁력은 모델이 아니라 시스템에 쌓인다
GPT, Claude, Gemini 같은 모델은 누구나 사용할 수 있다.
어떤 모델이 잠깐 앞서더라도 경쟁사는 같은 모델을 쓸 수 있다.
그래서 장기적으로 차별화되는 것은 모델 자체가 아닐 가능성이 높다.
차이는 점점 이런 곳에서 생긴다.
우리만의 Workflow
우리만의 Memory
우리만의 Context
우리만의 Evaluation
우리만의 Skills
우리만의 Data
우리만의 Loops
이것들은 시간이 갈수록 축적된다.
첫 달에는 별 차이가 없다. 하지만 시스템이 매번 실패를 기록하고, 프로세스를 개선하고, 평가 기준을 강화한다면 100번째 실행에서는 처음과 완전히 다른 조직이 된다.
AI 모델을 빌려 쓰더라도 AI를 일하게 만드는 회사의 방식은 내 자산이 되는 것이다.
12. AI 시대 1인 기업의 핵심 자산은 ‘조직 코드’가 될 수 있다
나는 앞으로 꽤 흥미로운 변화가 생길 것이라고 생각한다.
과거 회사의 운영 노하우는 사람에게 들어 있었다.
“이 업무는 김 과장에게 물어봐.”
“이 고객은 박 팀장이 제일 잘 알아.”
사람이 떠나면 노하우도 함께 사라졌다.
AI 조직에서는 점점 그 노하우가 다음 형태로 남는다.
graph
skills
memory
rules
evals
hooks
workflows
prompts
tools
즉 기업의 운영 방식이 점차 실행 가능한 형태로 코드화된다.
나는 이것을 일종의 Organization as Code, 즉 ‘조직의 코드화’라고 생각한다.
그리고 이 변화의 최대 수혜자 가운데 하나가 1인 기업일 수 있다.
큰 기업은 기존 조직을 AI에 맞게 바꿔야 하지만, 1인 기업은 처음부터 AI-native하게 설계할 수 있기 때문이다.
직원 없이도 조직은 존재할 수 있다
AI가 사람을 모두 대체한다는 이야기를 하고 싶은 것은 아니다.
오히려 더 흥미로운 변화는 이것이다.
조직을 만들기 위해 반드시 많은 사람을 먼저 고용해야 하는 시대가 끝나고 있다.
한 사람도 역할을 분리할 수 있다.
한 사람도 병렬로 일을 진행할 수 있다.
한 사람도 작성자와 검토자를 분리할 수 있다.
한 사람도 연구팀, 개발팀, 콘텐츠팀을 가질 수 있다.
그것을 가능하게 하는 것이 단순한 프롬프트가 아니다.
Graph는 조직을 만든다.
Loop는 품질을 만든다.
Harness는 그 조직이 실제로 일하게 만든다.
그래서 앞으로 1인 기업가에게 필요한 역량은 AI에게 말을 잘 거는 능력을 넘어설 것이다.
해야 할 일은 AI에게 좋은 질문을 던지는 것이 아니라, AI가 계속 좋은 일을 하도록 시스템을 설계하는 것이다.
그리고 그 순간부터 1인 기업가는 더 이상 혼자 일하는 사람이 아니다.
혼자서 조직을 설계하고 운영하는 사람이 된다.