핵심 요약

혼자 AI로 제품을 만드는 사람들이 공개한 사례를 보면 공통 구조가 있습니다. 사람은 맨 위에서 방향·제품 결정·승인·고객 관계를 맡고, 그 아래 조율 에이전트가 일을 나눠 역할별 에이전트(제품, 개발, 검증, 마케팅·지원)에 넘깁니다. 공식 문서(Anthropic, OpenAI, CrewAI)는 공통적으로 에이전트 하나로 시작하고, 필요할 때만 역할과 계층을 늘리라고 권합니다. 다만 1인 창업 사례는 모두 본인이 쓴 글이라 독립적으로 검증된 근거는 아직 약합니다.

“AI 에이전트로 회사를 운영한다”는 글이 늘고 있습니다. 이 글은 실제로 공개된 1인 창업자의 글 세 편과 에이전트 프레임워크 공식 문서만을 근거로, 혼자서 AI 역할과 에이전트 팀을 어떻게 구성하고 어떤 단계로 제품 만들기를 굴리는지 정리합니다. 사례를 지어내지 않았고, 근거가 부족한 부분은 그렇다고 적었습니다.

1인 창업자가 AI ‘조직’을 만든다는 건 무슨 뜻인가?

한 줄 답: 에이전트 여러 개에 사람 조직처럼 역할·보고 체계·권한을 주고, 사람은 결정과 승인만 맡는 방식입니다.

  1. 아래에 소개할 사례들은 공통적으로 “스크립트 더미”가 아니라 “조직”을 만들었다고 말합니다. Jeremy Knox는 I Built a Company With 23 Employees에서 스크립트에는 권한 구조도, 서로 확인하는 장치도, 누가 어떤 결정을 맡는지도 없었고, 조직도가 책임 소재를 만들어 줬다고 씁니다.
  2. 기술적으로는 Anthropic이 Building effective agents에서 설명한 orchestrator-workers 패턴(중앙 LLM이 일을 나눠 작업자 LLM에 맡기고 결과를 종합)이나, OpenAI 문서의 매니저·전문가 구조와 같은 계열입니다. “회사”라는 비유는 이 구조에 역할 이름과 보고 체계를 붙인 것으로 볼 수 있습니다.

실제 1인 창업 사례는 어떤 조직도를 쓰나?

한 줄 답: 세 사례 모두 “사람 1명 + 조율 에이전트 + 부서별 에이전트” 구조이고, 규모와 도구는 제각각입니다.

  1. V4D (Justin Paul): I Built an Entire Company Out of AI Agents – Part 1에서 본인 제품을 위해 9개 부서·34개 에이전트를 만들었다고 소개합니다. 경영(비서실장 에이전트가 OKR과 부서 간 조율), 제품, 마케팅, 영업, 지원, 디자인, 테스트, 프로젝트 관리, HR로 나뉘고, 부서마다 사내 채팅(Mattermost) 채널을 하나씩 두어 에이전트들이 서로의 결과를 읽게 했습니다. 처음엔 스크립트 하나·API 호출 하나·채널 하나로 시작했다고 밝힙니다. 본인 스스로 이 프로젝트를 “취미”라고 부르고, 결과물 품질이 들쭉날쭉하다고도 적었습니다.
  2. GenBrain AI (Moshe Beeri): How One Founder Built a Company with AI Agents에서 CEO·CTO 에이전트를 먼저 띄워 업무 배정·리뷰 같은 조율 방식을 잡고, 그다음 백엔드, 보안·DevOps, 프런트엔드·마케팅 에이전트를 차례로 추가했다고 씁니다. CTO 에이전트가 PR을 리뷰하고 본인이 그 리뷰를 다시 리뷰하는 방식으로 신뢰를 쌓았다고 합니다. 마케팅 에이전트의 결과물이 처음에는 너무 일반적이었는데, 프롬프트보다 내부 문서와 실제 지표에 접근하게 해 준 것이 해결책이었다고 적었습니다. 단, 이 글은 에이전트 운영 플랫폼을 파는 회사(agent.ceo)의 블로그라는 점을 감안해야 합니다.
  3. Tesseract Labs (Jeremy Knox): 같은 글에서 CEO 에이전트 아래 비서실장과 C레벨, 그 아래 디렉터, 맨 아래 앱마다 하나씩 붙은 “오너” 에이전트를 두는 다층 구조를 설명합니다. 개발은 기능팀(백엔드·프런트엔드·QA), 품질팀, 보안팀처럼 팀 단위로 나누고, 모든 에이전트가 거치는 메시지 브로커에서 에이전트별 권한 상한과 단계별 멈춤 스위치를 적용한다고 씁니다.

공식 문서는 역할과 에이전트 팀을 어떻게 나누라고 하나?

한 줄 답: 역할마다 좁고 분명한 업무를 주고, 매니저가 결과를 책임질지 전문가에게 넘길지를 정하며, 단순한 구조부터 쓰라고 합니다.

1인 AI 조직의 공통 구조: 창업자, 조율 에이전트, 역할별 에이전트

  1. 역할 정의: CrewAI의 Crafting Effective Agents는 에이전트를 역할(role)·목표(goal)·배경(backstory)으로 정의하고, “Writer”보다 “Technical Documentation Specialist”처럼 구체적인 역할을 주라고 권합니다. 같은 문서는 흔한 실수로 “순차 프로세스로 충분한데 계층 구조를 너무 일찍 쓰는 것”을 꼽고, 순차로 시작해 정말 필요할 때만 계층으로 가라고 합니다. 계층 프로세스에서는 매니저 에이전트가 일을 나누고 결과를 검증합니다(Hierarchical Process).
  2. 누가 최종 답을 책임지나: OpenAI의 Orchestration and handoffs 문서는 전문가가 대화를 넘겨받는 handoff와, 매니저가 통제권을 유지하고 전문가를 도구처럼 부르는 agents-as-tools를 구분합니다. 또 “가능하면 에이전트 하나로 시작하고”, 능력·정책 분리나 프롬프트 명확성이 실제로 좋아질 때만 전문가를 추가하라고 하며, 각 전문가에게는 좁은 업무를 주라고 합니다.
  3. 일을 나눠 줄 때: Anthropic의 How we built our multi-agent research system은 리드 에이전트가 작업을 나눠 하위 에이전트에 넘길 때 목표, 출력 형식, 사용할 도구·출처 안내, 명확한 작업 경계를 줘야 하며, 그렇지 않으면 일이 겹치거나 빈틈이 생긴다고 씁니다.
  4. 비용과 한계: 같은 글은 자사 데이터에서 에이전트가 채팅보다 약 4배, 멀티 에이전트 시스템은 약 15배 많은 토큰을 썼다고 밝히고, 모든 에이전트가 같은 맥락을 공유해야 하거나 에이전트 간 의존이 많은 일(대부분의 코딩 작업 등)은 아직 멀티 에이전트에 잘 맞지 않는다고 적었습니다. 혼자 운영하는 사람에게는 에이전트를 늘릴수록 비용이 커진다는 뜻입니다.

어떤 단계로 조직을 키워 나가면 될까?

한 줄 답: 하나로 시작해 역할을 정의하고, 조율자와 첫 작업자를 붙인 뒤, 검증과 권한 장치를 갖추고, 효과가 확인된 역할만 늘립니다.

  1. ① 에이전트 하나로 시작: Anthropic은 가능한 가장 단순한 해법부터 찾고 필요할 때만 복잡도를 올리라고 하고(Building effective agents), OpenAI 문서도 같은 권고를 합니다. V4D도 스크립트 하나와 채널 하나에서 출발했습니다.
  2. ② 역할 정의: 역할·목표·좁은 업무 범위를 글로 적습니다(CrewAI, OpenAI).
  3. ③ 조율자 + 첫 작업자: GenBrain 글은 “일곱 개가 아니라 두 개로 시작하라”고 하며, 조율 계층(CEO·CTO)을 먼저 안정시킨 뒤 작업자를 붙였다고 씁니다. CrewAI 권고대로 처음엔 순차 흐름으로 두는 편이 단순합니다.
  4. ④ 검증 붙이기: Knox는 품질팀·보안팀이 배포 전에 돌게 했고, GenBrain은 CTO 에이전트의 리뷰를 사람이 다시 리뷰했습니다. O’Reilly Radar 글은 Anthropic의 장기 작업 하네스 연구를 인용해, 생성과 평가를 별도 에이전트로 나누는 편이 자기 평가보다 낫다고 소개합니다(에이전트는 자기 결과를 후하게 채점하는 경향이 있기 때문).
  5. ⑤ 권한·멈춤 장치: Knox는 에이전트별 권한 상한과 단계별 멈춤 스위치를 두었고, V4D에서는 고객 티켓에 답할 수 있는 쓰기 권한을 지원 응답 에이전트 하나에만 주었습니다.
  6. ⑥ 필요할 때만 확장: OpenAI 문서의 “실제로 나아질 때만 전문가 추가”와 Anthropic의 비용 경고를 함께 보면, 역할은 효과가 확인된 만큼만 늘리는 것이 맞습니다.

제품을 만드는 작업 자체는 어떤 단계로 굴리나?

한 줄 답: 첫 세션에서 환경과 기능 목록을 만들고, 이후 세션마다 기능 하나씩 구현·검증·커밋하며 진행 기록을 남깁니다.

에이전트 조직을 키우는 여섯 단계

  1. Anthropic의 Effective harnesses for long-running agents는 긴 개발 작업을 두 역할로 나눕니다. 첫 실행의 initializer 에이전트가 실행 스크립트, 진행 기록 파일, 첫 git 커밋, 그리고 사양을 바탕으로 한 기능 목록 파일을 만들고, 이후 매 세션의 coding 에이전트가 진행 기록과 기능 목록을 읽은 뒤 기능 하나만 골라 작업합니다.
  2. 같은 글에 따르면 “한 번에 기능 하나”로 제한한 것이 에이전트가 한꺼번에 너무 많이 하려는 경향을 잡는 데 결정적이었고, 작업이 끝나면 설명이 담긴 커밋과 진행 요약을 남기게 해 다음 세션이 상태를 추측하지 않고 이어받게 했습니다. 1인 창업자가 여러 에이전트를 둘 때도, 각 에이전트가 같은 진행 기록을 읽고 쓰게 하면 “누가 어디까지 했나”를 사람이 일일이 전달하지 않아도 됩니다.
  3. 사람의 자리는 리뷰와 승인입니다. Knox는 기능팀이 만든 PR을 본인이 리뷰한다고 쓰고, GenBrain도 사람이 리뷰를 다시 확인하는 단계를 두었습니다.

사람은 무엇을 끝까지 직접 맡아야 할까?

한 줄 답: 방향, 제품 결정, 고객 관계, 그리고 되돌리기 어려운 행동의 승인입니다.

  1. Knox는 자신의 일을 “의도를 정하고, 중요한 것을 검토하고, 제품 결정을 내리는 것”으로 요약하고, 가격이나 시장 확장 같은 결정은 에이전트가 대신할 수 없다고 씁니다.
  2. GenBrain 글은 “자신을 과하게 자동화하지 말라”며, 판단과 비전, 고객 관계는 자동화할 수 없으니 중요한 일에는 사람이 루프 안에 있어야 한다고 말합니다. V4D 역시 매일 결과를 사람이 검토하는 방식입니다.

근거가 약한 부분은 어디인가?

한 줄 답: 1인 창업 사례는 모두 자기 보고이고, 성과나 지속성을 독립적으로 확인한 자료는 찾지 못했습니다.

  1. 세 사례는 모두 창업자 본인이 쓴 블로그 글이며, 그중 하나는 관련 플랫폼을 판매하는 회사의 블로그입니다. 에이전트 수 같은 구성 정보는 글에 적힌 그대로 옮겼지만, 산출량·비용·시간 같은 성과 수치는 검증할 방법이 없어 옮기지 않았습니다.
  2. 세 사례 모두 2026년에 쓰인 비교적 최근 글이라 장기적으로 이 구조가 유지되는지, 매출 같은 사업 성과로 이어지는지는 아직 알 수 없습니다. V4D 작성자는 스스로 이 프로젝트를 취미라고 부릅니다.
  3. 반면 “단순하게 시작하라”, “역할과 작업 경계를 분명히 하라”, “멀티 에이전트는 비용이 크다”는 점은 Anthropic·OpenAI·CrewAI 공식 문서가 공통으로 말하는 내용이라 상대적으로 근거가 단단합니다. 이 글의 단계 정리는 이 공통분모에 사례를 덧붙인 필자의 요약입니다.

참고한 출처는?