클로드 AI 직원 만들기 열풍, 멀티에이전트는 돈이 되나

유튜브에 “클로드로 AI 직원 100명을 고용해서 혼자 회사를 돌린다”는 영상이 요즘 부쩍 늘었습니다. 여러 개의 AI가 팀장과 팀원처럼 역할을 나눠 일하는 이 방식의 정식 이름은 멀티에이전트입니다. 결론부터 말씀드리면, 이건 과장이 아니라 실제로 굴러가는 기술입니다. Klarna의 AI는 첫 달에 상담 230만 건, 정규직 700명분을 처리했습니다. 다만 동시에, 가트너는 이런 프로젝트의 40% 이상이 2027년까지 취소될 것으로 전망합니다. 성공의 숫자도 실패의 숫자도 전부 진짜라는 것 — 이게 2026년 멀티에이전트의 현주소입니다. 이 글은 공개된 숫자만 가지고 누가 쓰고 있고, 성과는 어떤지, 그리고 돈은 어디서 나오는지를 정리했습니다.

AI 직원, 멀티에이전트란 무엇인가

챗봇은 물어보면 답만 합니다. 에이전트는 스스로 검색하고, 파일을 고치고, 시스템에 입력해서 일을 끝까지 처리합니다. 이런 에이전트 여러 개가 협업하는 구조가 멀티에이전트입니다. 일을 쪼개서 나눠주고 결과를 합치는 팀장 역할을 오케스트레이터, 조각을 처리하는 팀원을 서브에이전트라고 부릅니다. 유튜브에서 말하는 “AI 직원 100명”이 바로 서브에이전트 100개를 띄운다는 뜻입니다.

공짜는 아닙니다. AI는 토큰이라는 단위로 과금되는데, 멀티에이전트는 일반 채팅 대비 토큰을 약 15배 씁니다. 실제로 예산 상한 없이 돌린 에이전트가 리서치 한 건에 287달러를 태운 사례도 있습니다. “직원”을 늘릴수록 인건비(토큰비)가 드는 구조라는 점을 먼저 기억해 두셔야 합니다.

누가 실제로 AI 직원을 쓰고 있나 — 공개된 기업 사례

아래 표는 회사가 직접 공개한 숫자만 모은 것입니다. 업계 추정치가 아닙니다.

국내도 움직이고 있습니다. 아모레퍼시픽은 역할별 에이전트가 협업하는 ‘AI 뷰티 카운슬러’를 만들었고, 네이버와 카카오는 2026년을 에이전틱 AI 원년으로 공식화했습니다. 한화는 건설 법령 검색 챗봇으로, 현대차는 스마트 팩토리에 적용 중입니다.

흥미로운 건 이 분야 실전 기법의 상당수가 대기업이 아니라 개인에게서 나왔다는 점입니다. 호주의 독립 개발자 제프리 헌틀리는 AI에게 같은 지시문을 반복시키되 진행 상황을 파일에 저장하게 하는 ‘랄프 루프’ 기법으로, 3개월간 AI를 자율 실행시켜 프로그래밍 언어 하나를 거의 통째로 만들었습니다. 유튜브의 “클로드 직원 만들기” 콘텐츠 대부분이 이 계열의 방법론을 쓰고 있습니다.

성과는 진짜인가 — 숫자는 극단적으로 갈린다

성공 사례의 숫자도 진짜고, 실패율의 숫자도 진짜입니다. 에이전틱 도입 기업의 평균 ROI는 171%로 조사되지만, MIT 조사에서는 생성형 AI 파일럿의 약 95%가 손익에 측정 가능한 영향을 주지 못했습니다. 그냥 챗봇에 ‘에이전트’ 이름만 붙여 파는 에이전트 워싱도 만연해 있습니다. 한국은 도입률 61%에 전사 내재화 3.7% — 써보긴 하는데 업무에 박아넣지는 못한 상태입니다.

성공과 실패를 가르는 4가지

실패의 원인은 AI가 멍청해서가 아닙니다. 반복해서 확인되는 갈림길은 네 가지이고, 전부 일을 어떻게 설계했느냐의 문제입니다.

• 일이 쪼갤 수 있는 종류인가 — 조사·분류·리뷰처럼 나눠서 동시에 하고 합칠 수 있는 일은 잘 됩니다. 여러 AI가 하나의 결과물을 동시에 고치는 구조는 실패합니다. 사람도 같은 문서를 동시에 덮어쓰면 망가집니다.
• 검증 장치가 있는가 — 병목은 이제 생성이 아니라 검증입니다. 계획 승인, 자동 테스트, 사람의 최종 검토라는 관문을 붙인 팀만 살아남습니다.
• 기존 시스템과 연결됐는가 — MIT가 꼽은 실패 원인 1위. 시연은 되는데 실제 업무 시스템에 못 붙는 상태가 40% 취소율의 실체입니다.
• 사람이 쓴 업무 지침이 있는가 — 사람이 직접 쓴 지침을 주면 성공률이 약 4% 오르고, AI가 자동 생성한 지침은 오히려 3% 떨어뜨립니다. 도메인 지식은 여전히 사람에게만 있습니다.

반직관적인 발견도 있습니다. 코드 리뷰 에이전트는 앞선 작업 맥락을 모를 때 오히려 더 잘합니다. 기억할 내용이 길어지면 판단력이 떨어지는 ‘컨텍스트 로트’ 현상 때문인데, 정보를 많이 주는 게 항상 좋은 게 아니라는 뜻입니다. 멀티에이전트 설계에서 가장 자주 틀리는 지점입니다.

멀티에이전트로 돈 버는 4가지 경로

수익화는 가능합니다. 다만 돈이 나오는 지점은 뚜렷하게 갈립니다.

• ① 도구를 만들어 판다 (진입장벽 최상) — 코딩 에이전트 Cursor는 연환산 매출 40억 달러, Devin을 만든 Cognition은 1년 만에 매출 13배. 절대 액수는 가장 크지만 기업가치가 매출의 53~105배로 매겨져 있어 조정 위험도 가장 큽니다.
• ② 남의 회사에 구축해준다 (현실적) — 40%가 취소된다는 건 뒤집으면 제대로 하는 곳의 수요가 크다는 뜻입니다. 여기서 팔리는 건 AI 기술이 아니라 “당신 회사 업무를 이 구조로 쪼갤 수 있다”는 판단력입니다.
• ③ 내 사업의 원가를 줄인다 (가장 확실) — Klarna의 700명분, IBM의 35억 달러가 전부 이 유형입니다. 신규 매출은 불확실하지만 인건비·처리시간 절감은 손익계산서에 즉시 잡힙니다. 작은 회사일수록 여기서 시작해야 합니다.
• ④ 좁은 업종 하나를 파고든다 (개인에게 최적) — 항만 장비 관제, 보험 클레임, 건설 법령처럼 범용 AI가 이해 못 하는 좁고 깊은 업무입니다. 큰 회사는 시장이 작아서 안 들어옵니다. 바로 그래서 도메인 지식을 가진 개인의 자리입니다.

클로드 AI 직원, 혼자 시작한다면

이 분야에서 반복 확인되는 문장이 있습니다. “실력 있는 사람일수록 AI에서 더 큰 레버리지를 얻는다.” AI는 사람을 대체하는 게 아니라 판단력을 증폭시키기 때문에, 무엇을 만들지 결정하고, 업무를 쪼개고, 합격 기준을 숫자로 정하는 일은 여전히 사람의 몫입니다. 코딩이 아니라 판단력이 필요한 일이라, 비개발자가 이미 갖고 있을 가능성이 높은 능력입니다.

현실적인 첫걸음은 이렇습니다. 사람이 반복적으로 하고 결과 확인이 쉬운 업무 하나(문의 분류, 자료 조사, 문서 초안)를 골라, AI 3~5개를 팀처럼 붙이고, 토큰 예산 상한을 반드시 걸고, 실제 사례 20개로 정답률을 재보는 것입니다. 여기서 숫자가 안 나오면 규모를 키워도 안 나옵니다. AI를 업무에 쓰는 기본기가 먼저 필요하시다면 ChatGPT를 업무에 활용하는 방법부터, 어떤 AI를 쓸지 고민이라면 Gemini와 ChatGPT 비교를 참고하시기 바랍니다.

정리하면 이렇습니다. 기술은 이미 됐고, 승부는 설계에서 납니다. 돈은 모델을 만드는 회사가 아니라, 남들이 이해 못 하는 좁은 업무를 검증 가능하게 쪼갤 줄 아는 사람에게 갑니다.

참고 자료: Anthropic 멀티에이전트 리서치 시스템 · Cognition “Don’t Build Multi-Agents” · Gartner 에이전틱 AI 전망 · 기업 도입 사례 모음 · Geoffrey Huntley의 Ralph 기법 · Addy Osmani의 Code Agent Orchestra

이 글은 정보 제공 목적이며, 특정 기업이나 자산에 대한 투자 권유가 아닙니다.