AI 에이전트가 Google Workspace를 직접 조작한다면, 개발 외주는 어떻게 달라지나

한줄 요약

AI 에이전트가 GUI 없이 업무 툴을 직접 제어하는 시대, 외주 개발의 자동화 기준이 바뀐다.

AI 에이전트가 사람 대신 Google Workspace를 직접 조작하는 도구가 등장하면서, 앱·웹 개발 외주 시장에서 '자동화'의 의미가 근본적으로 달라지고 있다.

기존 자동화는 반복 작업을 스크립트로 묶는 수준이었다. 데이터를 뽑아 CSV로 저장하고, 시트에 붙여넣고, 서식을 손으로 입히는 흐름. 담당자가 중간에 끼어야 완성되는 구조였다. 하지만 지금 등장하는 도구들은 다르다. 자연어 명령 하나로 AI 에이전트가 스프레드시트를 만들고, 조건부 서식을 걸고, 수식을 삽입하고, 완성된 데이터를 다시 코드로 가져온다. 사람이 개입하는 구간이 거의 없다.

이 변화는 단순한 생산성 향상이 아니다. 외주 개발사가 클라이언트에게 무엇을 만들어줄 수 있는지, 그 범위 자체를 다시 정의한다.

AI 에이전트용 인터페이스가 따로 존재한다

GUI는 사람을 위해 설계된 인터페이스다. 마우스로 클릭하고, 드래그하고, 버튼을 누르는 방식. 반면 최근 등장하는 CLI 기반 워크스페이스 도구들은 사람이 쓰기엔 불편하지만, AI 에이전트가 쓰기엔 최적화된 구조로 설계되어 있다.

JSON 형태의 명령어 묶음, 에이전트가 즉시 호출할 수 있는 스킬 생성 기능, API 전체를 에이전트 친화적으로 노출하는 방식. 이를 업계에서는 AX(Agent Experience)라고 부르기 시작했다. UX가 사람의 경험을 설계하듯, AX는 AI 에이전트의 작업 경험을 설계한다.

외주 개발사 입장에서 이 개념은 중요하다. 클라이언트에게 납품하는 시스템이 앞으로는 사람만 쓰는 게 아니라 AI 에이전트도 함께 쓰는 환경이 될 수 있기 때문이다. AX를 고려하지 않은 설계는 금방 레거시가 된다.

반복 업무 자동화의 병목이 어디서 사라지는가

외주 개발 프로젝트에서 클라이언트가 가장 자주 요청하는 자동화 유형 중 하나가 '데이터 리포팅'이다. 내부 데이터를 정제해서 스프레드시트로 만들고, 팀원들이 보기 좋게 서식을 입히고, 주기적으로 갱신하는 흐름.

이 과정을 지금까지는 크론 잡(Cron Job)이나 별도 스크립트로 구현했다. 개발 공수가 들어가고, 유지보수도 필요했다. 그런데 AI 에이전트가 자연어로 시트를 만들고, 조건에 맞는 서식을 스스로 판단해 적용하고, 필요한 수식까지 삽입한다면 이야기가 달라진다.

이미 가능한 수준으로 올라왔다. 어떤 수치가 높을수록 좋고 낮을수록 좋은지를 스스로 판단해 하이라이트를 다르게 적용하는 것까지 처리된다. 개발자가 로직을 하드코딩할 필요 없이, 에이전트가 맥락을 파악해 처리한다.

외주 개발사가 이 구조를 활용하면, 기존에 3~5일이 걸리던 리포팅 자동화 모듈을 훨씬 짧은 공수로 납품할 수 있다. 남는 공수는 더 복잡한 비즈니스 로직에 투입된다.

일정 조율, 커뮤니케이션 자동화도 범위에 들어온다

스프레드시트만이 아니다. 캘린더 조율이나 이메일 필터링처럼 업무 흐름 전반을 AI 에이전트가 처리하는 시나리오가 현실화되고 있다.

예를 들어 여러 참석자의 빈 시간을 동시에 확인하고, 사용 가능한 회의실을 찾아 최적 후보를 제안하는 작업. 사람이 하면 여러 캘린더를 번갈아 확인하며 수 분이 걸리는 일이다. 에이전트는 이를 한 번의 자연어 요청으로 처리한다.

이런 기능을 클라이언트의 사내 시스템에 통합하는 프로젝트는 앞으로 외주 개발사에 자주 들어올 유형이다. "우리 회사 Google Workspace에 AI 어시스턴트를 붙여달라"는 요청이 늘어날 것이고, 이를 설계하고 구현하는 역량이 경쟁력이 된다.

중요한 건 단순히 API를 연결하는 수준이 아니라, 에이전트가 맥락을 이해하고 자율적으로 판단하는 구조를 어떻게 설계하느냐다. 이 설계 역량이 외주 개발사를 가르는 기준이 될 것이다.

---

모델 성능 차이가 결과물 품질을 직접 결정한다

AI 에이전트 기반 시스템을 구축할 때 외주 개발사가 반드시 고려해야 할 변수가 있다. 바탕이 되는 LLM 모델의 성능이 결과물 품질에 직결된다는 점이다.

동일한 프롬프트, 동일한 도구 구성으로 서로 다른 모델을 구동했을 때 결과물의 질이 눈에 띄게 달라진다. 단순히 속도나 비용 차이가 아니라, 작업의 완성도와 판단의 정밀도 자체가 다르다.

에이전틱 벤치마크라는 평가 기준이 업계에서 주목받는 것도 이 때문이다. 터미널 명령 실행, 스프레드시트 조작, 문서 편집 같은 실제 컴퓨터 제어 능력을 측정하는 벤치마크들이 이미 존재하고, 주요 LLM 업체들은 이 수치를 모델 출시의 핵심 지표로 내세우고 있다.

외주 개발사 입장에서는 클라이언트 요구사항에 맞는 모델을 선택하고, 모델 한계를 고려한 시스템 설계를 병행해야 한다. "AI가 다 알아서 한다"는 전제로 설계한 시스템은 반드시 어느 지점에서 실패한다. 모델의 강점과 약점을 파악하고 그 위에 안전장치를 설계하는 것이 외주 개발사의 역할이다.

지금 준비해야 할 것

전 세계적으로 AI를 실제 업무 시스템에 통합해서 운용하는 사람은 극소수다. 대부분의 기업은 AI 도구를 개인적으로 체험해본 수준에 머물러 있다. 이 간극이 외주 개발사에게는 기회다.

AI 에이전트가 실제 업무 시스템에 연결되어 작동하는 구조를 설계하고 납품하는 역량. 클라이언트가 미처 요청하기 전에 "이런 구조가 가능합니다"를 먼저 제안할 수 있는 능력. 그것이 지금 외주 개발사가 갖춰야 할 기술 자산이다.

AX를 고려한 시스템 설계, 에이전트와 API의 연결 구조, LLM 모델 선택과 프롬프트 설계. 이 세 가지를 함께 다룰 수 있는 개발 파트너가 희소한 지금이 준비의 적기다.