코드 없이 만드는 AI 비서, OpenAI 에이전트 빌더 사용기

AI 개발의 패러다임, '모델'에서 '에이전트'로

최근 AI 개발 흐름에 분명한 패러다임 전환이 느껴집니다. AI 모델 자체의 학습과 활용에 집중하던 시대에서, 이제는 특정 목표를 가지고 자율적으로 작업을 수행하는 ‘에이전트’가 AI 애플리케이션의 중심이 되는 단계로 이동하고 있습니다. 이것은 단순한 트렌드가 아니라, 우리가 기술과 상호작용하는 방식을 근본적으로 바꾸는 작은 소용돌이입니다.

이러한 가운데 지난 2025년 10월 6일, OpenAI는 기존의 Responses API와 Agents SDK를 통해 얻은 시장의 피드백을 토대로 ‘에이전트 빌더(Agent Builder)’ 베타 버전을 공개했습니다. 에이전트 빌더는 복잡한 코딩의 장벽을 허물고 마치 레고 블록을 조립하듯, 시각적인 캔버스 위에서 각 역할을 가진 에이전트 노드와 도구를 드래그 앤 드롭 방식으로 연결하여, 누구나 손쉽게 지능형 워크플로를 만들 수 있게 해줍니다.

이번 글에서는 먼저 OpenAI의 전체 에이전트 개발 생태계인 AgentKit를 소개하고, 그 심장부인 에이전트 빌더를 활용해 AI 에이전트를 직접 제작한 과정과 생생한 후기를 공유하고자 합니다. 바이브 코딩 몇 줄도 부담되는 일반인들도 강력한 AI 비서를 만들 수 있는지, 그 가능성의 세계를 들여다보겠습니다.

OpenAI 에이전트 빌더란 무엇인가?

에이전트 빌더는 AgentKit이라는 OpenAI의 에이전트 개발 도구 모음의 핵심 구성 요소입니다. AgentKit는 AI 에이전트의 아이디어 구상부터 개발, 테스트, 최적화, 배포에 이르는 전 과정을 지원하는 올인원(All-in-One) 플랫폼입니다.

“그렇다면 OpenAI는 왜 에이전트 빌더를 만들었을까요?”

사실 기존의 AI 에이전트 개발은 전문가에게도 매우 까다로운 작업이었습니다. 복잡한 로직을 코드로 짜고, 외부 서비스를 연결하기 위한 커넥터를 만들고, 기능과 성능을 검증하기 위해 수동적인 테스트를 하는 등 여러 분산된 도구를 오가야 했습니다. 비개발자는 물론, 숙련된 개발자조차 진입하기 어려웠습니다. 이 틈을 n8n, Zapier, 그리고 Opal과 같은 손쉬운 도구가 시장에 파고들었고, 많은 사용자가 OpenAI 생태계 밖으로 벗어나고 있었습니다. 에이전트 빌더는 바로 이 문제를 해결하기 위한 OpenAI의 전략적인 한 수입니다. 개발의 복잡성을 제거하고, 기존의 GPT 사용자를 다시 OpenAI 생태계 안으로 끌어들이려는 겁니다.

에이전트 빌더의 가장 큰 혁신은 바로 이 모든 파편화된 과정을 하나의 시각적 캔버스로 통합했다는 점입니다. 아직 초기 버전이라 단순한 에이전트만 만들 수 있을 거라 의심할 수도 있지만 OpenAI의 발표에 의하면 금융 자동화 기업 Ramp는 이 캔버스 덕분에 제품, 법무, 엔지니어링 등 다양한 팀이 하나의 화면을 보며 협업할 수 있었고, 그 결과 개발 주기를 무려 70%나 단축했다고 합니다. 이는 에이전트 빌더가 단순히 코드를 시각화하는 것을 넘어, 비개발자까지 포함한 기업의 다수 팀원이 함께 AI 에이전트를 설계하고 개선하는 진정한 협업 환경을 제공한다는 것을 의미하죠.

에이전트 빌더의 캔버스 완전 분석: 핵심 노드와 기능

에이전트 빌더를 처음 실행하면 중앙의 시각적 무대인 캔버스와 워크플로의 시작을 알리는 'Start' 블록이 보입니다. 그리고 왼쪽에는 워크플로를 구성하는 데 필요한 모든 도구가 담긴 패널이 위치합니다. 사용자는 이 패널에서 필요한 블록(노드)을 끌어와 캔버스 위에서 서로를 연결하며 AI 에이전트의 동작을 설계하게 됩니다.

핵심 노드들은 기능에 따라 크게 네 가지로 분류할 수 있습니다.

• 코어(Core) 노드: 워크플로의 핵심 부분으로, 언어 모델을 호출해 추론과 답변 생성을 지시하는 'Agent 블록', 워크플로를 최종적으로 종료하는 'End 블록' 등이 여기에 속합니다. Agent 블록에서는 웹 검색 기능을 수행하는 도구를 토글 한 번으로 활성화하거나 외부의 MCP 서버를 연결하는 기능을 포함하며, 에이전트가 컨텍스트 생성 시 사용할 OpenAI의 특정 LLM 모델을 직접 선택할 수 있습니다.

• 도구(Tools) 노드: 에이전트의 능력을 외부 세계로 확장합니다. 구글 캘린더, 지메일 같은 외부 앱과 연동하기 위해 MCP 서버를 설정하거나 업로드된 파일의 내용을 검색하는 파일 검색(File search), 유해하거나 의도치 않은 에이전트의 동작을 방지하는 안전장치인 가드레일(Guardrails) 기능 등이 포함됩니다. 가드레일을 사용하면 개인 식별 정보 추출, 할루시네이션 등, 원치 않는 에이전트의 입출력을 제어할 수 있습니다.

• 로직(Logic) 노드: 워크플로의 흐름을 정교하게 제어합니다. 특정 조건에 따라 작업 경로를 나누는 'If / Else' 조건 분기, 특정 작업을 반복 수행하는 'While' 반복문, 그리고 계속 진행하기 전 사용자의 승인을 기다리는 'User approval' 블록 등이 있습니다.
• 데이터(Data) 노드: 워크플로 내에서 정보를 가공하고 저장하는 역할을 합니다. 데이터의 형식을 바꾸거나 필요한 부분만 추출하는 'Transform' 블록과 워크플로 전체에서 사용할 전역 변수를 저장하는 'Set State' 블록이 있습니다.

MCP 도구와 Web Search 도구를 사용한 일정 관리 에이전트 제작

이제 에이전트 빌더를 이용해 실용적인 AI 비서를 직접 만들어 보겠습니다. 제작 목표는 구글 캘린더에서 이번 주에 예정된 회의를 가져오고, 구글 드라이브에서 관련 문서를 찾아 내용을 요약한 뒤, 회의 준비 이메일 초안을 자동으로 작성하여 회의 전에 미리 나에게 회의를 준비할 수 있도록 보내주는 일정 관리 에이전트입니다.

1단계: 캔버스 준비와 노드 배치

캔버스는 Start 노드, My agent라는 이름을 가진 에이전트 노드, 이렇게 두 개의 노드로 시작됩니다. 에이전트를 선택하고 수정 모드로 진입하여 이름을 적절히 변경하고 아래와 같은 형태의 지침을 부여합니다. 연필 아이콘을 클릭하면 나의 의도를 에이전트가 이해하고 프롬프트를 좀 더 정교하게 만들어주는 기능을 사용할 수 있습니다. 한글 설명을 담은 노트(Note) 블록은 마치 프로그래밍 언어의 주석처럼 실행에 영향을 주지 않으면서 선택적으로 노드를 설명하는 역할을 합니다.
 

2단계: 외부 도구 연동 - MCP 설정

에이전트의 tools 메뉴 선택 후 필요한 MCP 설정을 진행합니다. 예제에서는 나의 회의 일정을 가져오기 위한 Google Calendar를 선택합니다. 해당 서버에 접속하여 나의 구글 캘린더에 접속하여 일정을 가져올 수 있도록 구글 개발자 페이지에서 Access token을 발급받아 인증에 사용합니다.

여기까지 설정이 되었다면 Preview 메뉴를 실행하여, 실제로 구글 캘린더에 등록된 나의 일정을 정상적으로 가져오는지 확인합니다.

3단계: 회의 준비를 위한 웹 검색

이전 단계에서 얻은 회의 정보를 활용하여 미리 회의 내용을 파악하고 준비하기 위한 웹 검색 에이전트를 추가합니다. 에이전트를 새롭게 생성하고, 이번엔 Tools 메뉴에서 Web Search 도구를 추가합니다. 이전 에이전트에서 전달받은 정보를 바탕으로 관련 정보를 검색할 수 있도록 적절히 지침을 설정합니다.

이제 일정 관리 및 웹 검색 에이전트를 연결하고 회의에 필요한 정보를 검색하여 잘 가져오는지 확인합니다.

4단계: 검색 결과를 요약하여 이메일 템플릿 만들기

회의 이전에 관련 내용을 미리 읽어보기 위해 에이전트가 요약본을 이메일로 전송하도록 템플릿을 만들어주는 에이전트를 설정합니다. 이 노드 이후 End 노드를 마지막 노드로 추가하고 Gmail MCP 서버를 추가합니다.
 

5단계: 최종 결과물 확인

지금까지 만든 워크플로의 최종 테스트를 진행합니다. 에이전트 빌더는 다음과 같이 내가 만든 지침에 따라 이메일 내용을 생성했습니다. 실행할 때마다 LLM의 특성상 내용은 조금씩 달라지지만, 여러 번 테스트하면서 프롬프트를 최적화하여 내가 원하는 형태의 최종 포맷을 만들어 나갑니다.

6단계: AI 에이전트 배포

Publish 메뉴를 통해 에이전트를 프로덕션(Production) 환경에 배포하면, OpenAI 시스템 내에 고유한 workflow_id와 함께 워크플로가 저장됩니다. 이후 ChatKit을 활용해 미리 준비된 UI 템플릿을 적용하거나, Agents SDK 기반의 타입스크립트 혹은 파이썬으로 작성된 워크플로 코드를 복사해, 위젯 또는 애플리케이션에 손쉽게 연동할 수 있습니다.

이제 업무 회의를 앞두고, 에이전트가 미리 이메일로 시장 트렌드 요약을 보내주기 때문에 회의 준비가 훨씬 편해졌습니다. 놀랍게도 이 모든 과정을 코딩 한 줄 없이 단 10분 만에 완료할 수 있었습니다. 완성된 에이전트는 필요에 따라 주기적으로 자동 실행되도록 설정해, 지속적으로 AI의 도움을 받을 수 있습니다.

유사 자동화 도구(n8n, Zapier, Opal)와의 비교

에이전트 빌더는 단순 자동화가 아닌 언어 모델 기반 의사결정과 추론을 핵심으로 설계되어, GPT 모델과 MCP 도구를 중심으로 도구와 지식, 로직을 하나의 시각적 캔버스에서 통합합니다. 여기에 가드레일과 사용자 승인 기능을 포함하는 것은 개인뿐만 아니라 기업에서도 신뢰할 수 있는 품질 생산에 도움이 됩니다.

n8n과 Zapier 또한 스케줄링, 웹훅 연동, 데이터 파이프라인 자동화 등에 초점이 맞춰진 완전 자동화 플랫폼입니다. 다양한 앱 통합과 수천 개의 플러그인을 지원해 업무 프로세스 중심의 워크플로를 손쉽게 구축할 수 있습니다. 하지만 에이전트 빌더와 비교하자면 AI 중심 로직이나 복잡한 분기, UX 측면에서는 한계가 있습니다.

구글의 Opal은 Gemini 모델을 기반으로 대화형 UI와 간단한 업무 자동화 앱을 시각적으로 만들 수 있습니다. 이뿐만 아니라 AudioML, Veo,Imagen, 딥 리서치, 유튜브 등 다양한 구글 생태계 도구를 조합한 복합 워크플로를 지원하여 텍스트뿐만 아니라 이미지와 동영상 생성도 가능하여 에이전트 빌더와 또 다른 결과를 만드는 에이전트 제작이 가능해 보입니다.

각 도구가 나름대로의 강점이 있고 특색도 달라서, 무엇이 항상 좋다라기보단 본인의 목적에 알맞은 장점을 가진 도구를 선택하는 것이 중요합니다. 

협업과 자동화의 경계를 허무는 새로운 플랫폼

OpenAI의 에이전트 빌더는 단순히 AI 기능을 만드는 도구를 넘어, AI 개발, 협업, 배포의 새로운 패러다임을 제시했습니다.

이제 개발자뿐만 아니라 기획자, 데이터 분석가, 비개발 직군도 같은 캔버스 위에서 아이디어를 내고 에이전트의 로직 설계를 함께할 수 있게 되었습니다. 이것은 단순히 시간을 절약하는 문제가 아닙니다. 지금 이 변화를 이해하고 AI 에이전트를 구축하는 개인과 기업은 보다 빠르게 AI 에이전트의 도움을 받아 생산성을 높일 수 있죠. 이 변화는 곧 생산성의 새로운 기준이 되어, 에이전트를 만들고 사용하는 사람과 그렇지 않은 사람 사이의 격차가 빠르게 벌어질 겁니다.

이전에는 개발자만 AI를 코딩했지만, 이제는 우리 모두가 AI를 설계합니다. 이것이 에이전트 빌더를 비롯한 도구들이 새롭게 보여준 가능성이자, 앞으로의 발전 방향입니다.

<참고하면 좋은 자료>

• https://openai.com/ko-KR/index/introducing-agentkit/
• https://platform.openai.com/docs/guides/agent-builder
• https://platform.openai.com/docs/guides/agents
• https://platform.openai.com/agent-builder
• https://webinar.openai.com/on-demand/a7f3d9cb-41a2-4e8b-a24c-2bb102112a38
• https://www.youtube.com/watch?v=44eFf-tRiSg

©️요즘IT의 모든 콘텐츠는 저작권법의 보호를 받는 바, 무단 전재와 복사, 배포 등을 금합니다.