흩어진 퍼즐을 하나의 그림으로

책상 위에 수십 장의 메모가 놓여 있다고 상상해 보겠습니다. 한 장에는 WAT 프레임워크가 적혀 있습니다. 다른 장에는 한 번에 읽는 범위 관리 전략이. 또 다른 장에는 7일 프레임워크, 가치 기반 가격 책정, MCP 연결 서버 설정 방법이 적혀 있습니다. 각각은 의미가 있지만 따로 놓여 있으면 그저 메모 더미입니다.

이 장의 목적은 그 메모들을 하나의 지도 위에 올려놓는 것입니다. 개별 기술이 아니라 시스템으로 작동하게 만드는 것. 에이전트형 AI 실무자가 프로젝트를 구상하고, 구축하고, 납품하고, 확장하는 전체 흐름을 하나의 경로로 연결하는 작업입니다.

WAT 프레임워크 복습: 모든 프로젝트의 시작점

이 책의 초반에 등장한 WAT 프레임워크—워크플로우(Workflow), 에이전트(Agent), 도구(Tool)—를 다시 꺼내 보겠습니다. 이 세 요소는 개별 개념이 아니라 프로젝트를 설계할 때 반복적으로 사용하는 렌즈입니다.

새로운 프로젝트를 맡았을 때 물어야 할 질문은 세 가지입니다.

워크플로우: 이 문제를 풀기 위한 전체 흐름은 어떤 모양인가? 시작점은 어디이고, 끝점은 어디인가? 어떤 단계를 거치는가?

에이전트: 이 흐름 안에서 AI가 판단해야 하는 지점은 어디인가? 어떤 단계에서 에이전트가 개입하고, 어떤 단계는 규칙 기반으로 처리하는 것이 나은가?

도구: 에이전트가 일을 하려면 어떤 도구에 접근해야 하는가? MCP 연결 서버로 연결해야 할 외부 서비스는 무엇인가? 파일 시스템, API, 데이터베이스 중 어떤 것이 필요한가?

이 세 가지 렌즈를 통해 어떤 프로젝트든 분해할 수 있습니다. 웹사이트 클론이든, 고객 지원 자동화든, 채용 데이터 웹 정보 수집이든 구조는 같습니다. 워크플로우를 그리고, 에이전트의 역할을 정의하고, 도구를 연결합니다.

[그림 38-1] WAT 프레임워크와 프로젝트 설계 흐름도]

이 프레임워크의 힘은 반복 가능성에 있습니다. 한 번 익히면 산업이 바뀌어도, 문제가 바뀌어도, 도구가 바뀌어도 적용할 수 있습니다. 기술은 진화하지만 프레임워크는 안정적입니다.

EA 로드맵 점검: 현재 위치 파악

이 책에서 다룬 경로를 하나의 로드맵으로 시각화해 보겠습니다. 에이전트형 AI 실무자(EA, Agentic AI Practitioner)의 성장 단계입니다.

1단계: 환경 구축과 기본 이해

터미널 설정, 클로드 코드 설치, 기본 명령어 학습. 한 번에 읽는 범위의 개념과 모델이 세는 글 조각 관리 전략. CLAUDE.md 파일 작성. 이 단계는 도구를 손에 쥐는 것에 해당합니다.

2단계: 첫 번째 결과물 생성

웹사이트 클론, 간단한 웹 정보 수집 워크플로우, 문서 자동화. 클로드 코드에 지시를 내리고 결과를 받는 경험. 계획 모드에서 복잡한 작업을 단계별로 분해하는 연습. 이 단계에서 "에이전트가 실제로 일을 한다"는 감각이 형성됩니다.

3단계: 복잡한 워크플로우 구축

MCP 연결 서버 연결, 검색 결합 생성 시스템 구축, 보조 에이전트 활용, 멀티스텝 파이프라인 설계. 하나의 에이전트가 아니라 여러 에이전트가 협업하는 구조를 만드는 단계. 에러 핸들링, 로그 기록, 컨텍스트 관리가 중요해지는 시점입니다.

4단계: 실전 납품과 비즈니스 구축

클라이언트 확보, 가격 책정, QA, 핸드오버. 기술적 역량 위에 비즈니스 역량을 쌓는 단계. 무료 파일럿에서 유료 프로젝트로, 일회성에서 리테이너로, 따뜻한 접촉에서 콜드 아웃리치로 확장하는 경로.

[그림 38-2] EA 성장 로드맵 4단계 다이어그램]

지금 독자가 어디에 있든, 이 로드맵 위에서 자신의 위치를 확인하는 것이 중요합니다. 1단계에 있다면 무리하게 4단계의 고민을 할 필요가 없습니다. 3단계에 있다면 기술을 더 쌓는 것보다 4단계로 넘어가는 행동이 더 효과적일 수 있습니다.

각 단계를 건너뛸 수는 없습니다. 하지만 각 단계에서 보내는 시간은 단축할 수 있습니다. 이 책에서 제시한 프레임워크, 체크리스트, 사례들이 그 단축의 도구입니다.

워크플로우 포트폴리오 정리

실무자로서의 가치를 증명하는 가장 직접적인 방법은 포트폴리오입니다. 그런데 AI 자동화 실무자의 포트폴리오는 디자이너의 포트폴리오와 다릅니다. 시각적 결과물이 아니라 문제 해결의 기록이 핵심입니다.

효과적인 포트폴리오 항목은 네 가지 요소로 구성됩니다.

문제 정의: 어떤 비즈니스 문제가 있었는가? 누가 어떤 고통을 겪고 있었는가?

접근 방법: WAT 프레임워크 관점에서 워크플로우를 어떻게 설계했는가? 어떤 도구와 에이전트 구조를 사용했는가?

결과: 정량적 성과는 무엇인가? 시간 절약, 비용 절감, 오류 감소 등의 숫자.

배운 점: 프로젝트에서 무엇을 개선했고, 다음번에는 어떻게 달리 하겠는가?

이 네 가지가 갖추어진 사례 하나가 "저는 AI 자동화를 합니다"라는 자기소개보다 백 배 강력합니다.

포트폴리오를 정리하는 실용적인 방법은 간결한 노션(Notion) 페이지나 구글 독스(Google Docs) 문서입니다. 화려할 필요가 없습니다. 명확하면 됩니다. 각 프로젝트를 위의 네 가지 틀로 정리하고, 가능하다면 짧은 영상 데모를 첨부합니다.

무료 파일럿도 포트폴리오에 포함됩니다. 무료였다는 것은 가격 문제이지 성과의 문제가 아닙니다. 무료 파일럿에서 클라이언트의 시간을 주당 5시간 절약했다면, 그것은 유효한 성과입니다.

[그림 38-3] 워크플로우 포트폴리오 항목 구성 예시]

지속적 학습 리소스와 실무 체계

AI의 세계는 빠르게 변합니다. 새로운 모델이 출시되고, 도구가 업데이트되고, 가능성의 경계가 넓어집니다. 이 속도를 따라가는 것은 불가능합니다. 모든 것을 알려고 하면 아무것도 깊이 알 수 없습니다.

대신 효과적인 학습 체계를 갖추는 것이 중요합니다.

핵심 기술 갱신: 자신이 주로 사용하는 도구—클로드 코드, 주요 MCP 연결 서버, 배포 플랫폼—의 업데이트를 추적합니다. 모든 AI 뉴스를 따라갈 필요는 없지만, 자신의 실무에 직접 영향을 미치는 변화는 놓치지 않아야 합니다.

커뮤니티 참여: 같은 분야의 실무자들과 교류하는 것은 정보 수집과 동기 부여를 동시에 해결합니다. 온라인 커뮤니티, 오프라인 모임, 분기별 이벤트 등 형태는 다양합니다. 중요한 것은 혼자 고립되지 않는 것입니다.

실험 시간 확보: 클라이언트 작업 외에 개인 프로젝트를 위한 시간을 의도적으로 확보합니다. 새로운 모델을 검증하거나, 새로운 워크플로우 패턴을 시도하거나, 완전히 다른 산업의 문제에 자신의 기술을 적용해 보는 것. 이 실험 시간이 역량의 폭을 넓히고, 클라이언트에게 새로운 가능성을 제안할 수 있는 원천이 됩니다.

기록 습관: 프로젝트마다 배운 점, 실패한 시도, 성공한 패턴을 기록합니다. 이 기록은 나중에 포트폴리오의 재료가 되고, 비슷한 프로젝트를 만났을 때의 참고 자료가 되며, 성장의 궤적을 보여 주는 증거가 됩니다.

[그림 38-4] 지속적 학습 체계의 4가지 요소 다이어그램]

이 모든 것—WAT 프레임워크, EA 로드맵, 포트폴리오, 학습 체계—은 하나의 시스템으로 연결됩니다. 프레임워크가 프로젝트를 구조화하고, 로드맵이 성장 방향을 잡아 주고, 포트폴리오가 성과를 축적하고, 학습 체계가 진화를 보장합니다.

이 시스템은 독자의 것입니다. 이 책이 제공한 것은 초기 설계도이지, 완성된 건물이 아닙니다. 실전에서 부딪히면서 수정하고, 자신의 맥락에 맞게 변형하고, 경험이 쌓이면서 더 정교하게 다듬어 나가야 합니다.

개별 기술과 프레임워크를 하나의 시스템으로 엮는 작업이 끝났습니다. 그런데 시스템을 가진 사람이 바라보아야 할 더 넓은 풍경이 남아 있습니다. 에이전트형 AI가 빠르게 진화하는 이 시대에, 독자가 서야 할 자리는 어디인가라는 질문입니다.