Happy Tlog

GPT-6 Astra 는 단순히 질문에 답하는 모델을 넘어, 브라우저·코드·문서·스프레드시트·전문 소프트웨어를 연결해 여러 단계의 작업을 수행하는 데 초점을 둔 모델입니다. OpenAI는 GPT-6 Astra의 활용 사례로 온라인 폼 작성, CRM 업데이트, 일정 정리, 웹 조사, 문서 작성, 과학 데이터 분석, 웹사이트 제작과 프론트엔드 QA 등을 소개하고 있습니다. 실제 결과는 연결된 도구, 계정 권한, 자료의 품질, 작업 난이도에 따라 달라집니다. GPT-6 Astra 공식 소개 이 글에서는 OpenAI가 공개한 공식 사례와 실무 응용 아이디어를 구분하고, 제가 ChatGPT Plus에서 GPT-6 Astra를 사용해 직접 웹게임을 제작한 경험도 함께 소개합니다.

AI를 사용하면서 단순히 질문하면 답변해주는 것도 상당히 유용하지만, AI를 사용하므로 반복적인 업무들을 자동화하는데 관심이 많습니다. 그래서, 업무에 활용하기 좋은 프롬프트 10개를 정리하고 이 중에 이메일·회의록·CSV 분석을 직접 테스트하고 결과 검수 방법까지 정리했습니다.   ChatGPT를 업무에 가장 효과적으로 활용하는 방법은 완성된 결과를 통째로 맡기는 것이 아닙니다. 자료 정리, 초안 작성, 대안 탐색처럼 시간이 오래 걸리지만 사람이 최종 판단할 수 있는 작업부터 맡기는 것이 좋습니다. 실제로 한 실험에서는 ChatGPT를 사용한 참가자들이 특정 사무직 글쓰기 과제를 완료하는 시간이 평균 40% 줄고 결과물의 평가 점수는 18% 높아졌습니다. 다만 이 실험의 과제는 회사 내부 사정이나 엄격한 사실 확인이 필요한 실제 업무와 완전히 같지는 않았습니다. MIT 연구 소개 , Science 논문 시작하기 전에 지켜야 할 세 가지 첫째, 회사의 AI 사용 정책을 확인해야 합니다. 고객 개인정보, 미공개 실적, 계약 조건, 비밀번호와 같은 민감한 정보를 승인 없이 입력해서는 안 됩니다. 둘째, ChatGPT의 답변을 사실로 간주하지 않아야 합니다. 날짜·수치·법률·인용·제품 정보는 원문과 공식 자료를 다시 확인해야 합니다. 셋째, 결과물을 바로 발송하거나 게시하지 말고 반드시 사람이 최종 검토해야 합니다. 특히 계약, 채용, 재무, 의료와 관련된 판단을 ChatGPT에 전적으로 맡기면 안 됩니다. 개인용 ChatGPT에서는 설정의 데이터 제어 메뉴 에서 ‘ 모두를 위한 모델 개선 ’을 끌 수 있습니다. 다만 이 설정이 회사의 보안 정책을 대신하는 것은 아닙니다. OpenAI 데이터 제어 안내 결과가 좋아지는 공통 프롬프트 공식 업무 프롬프트에는 다음 다섯 가지를 포함하면 좋습니다. 목적 + 배경자료 + 대상 + 출력 형식 + 검수 기준 예를 들어 “보고서를 작...

매일 아침 Gmail을 열면 읽지 않은 메일부터 확인했다. 중요한 메일인지 판단하고, 긴 대화를 다시 읽고, 답장할 내용을 메모하다 보면 실제 업무를 시작하기도 전에 시간이 꽤 지나갔다. 클로드(Claude)를 이메일 업무에 활용하고 싶었지만, 메일 원문을 매번 복사해 붙여 넣는 방식은 오래가지 못했다. 한두 통은 괜찮았지만 메일이 많아질수록 Gmail과 클로드를 오가는 일이 새로운 업무가 됐다. 그래서 Gmail을 클로드에 직접 연결해봤다. 흔히 ‘Gmail MCP’라고 부르기도 하지만, 일반 사용자가 MCP 서버를 직접 설치할 필요는 없었다. Claude에 기본 제공되는 Google Workspace 커넥터 에서 Gmail 계정을 연결하면 됐다. 연결 후 가장 크게 달라진 점 답장 문장을 빨리 쓰는 것보다, 오늘 무엇부터 처리해야 하는지 찾는 시간 이 줄었다.

오늘 처음으로 Codex를 설치해 보았다.  무료 플랜이라 사용할 수 있는 모델이 ' 5.6 Terra'  만 가능했다.  무료 플랜으로 만들 수 있는  실제로 사용할 수 있는 작은 자동화 도구 를 추천해 달라고 했더니,  그 중에 이미지 리사이즈 자동화 가 있었다.   그래서 다시 채팅으로 ' 이거 하고 싶은데 어떻게 해야 해?' 라고 물어보았더니,  아래와 같이(프로젝트 목표에서 마무리까지) 자세하게 설명해 주었다.  내가 한 것은 ChatGPT가 알려준 프롬프트 대로 Codex에게 일을 시킨 거 밖에 없는데,  아래의 프로젝트 목표와 똑 같은 결과물은 아니었지만, 괜찮은 결과물이 나왔다.  이미지 resize 하고, webp 변환 과,  이미지 압축(TinyPNG 같은 기능) 까지 해봤는데,  남아있는 토큰을 봤더니 25%가 남았다.  한 달 동안 쓸 수 있는 토큰의 75%를 쓴거다.  토큰이 5시간마다 리셋이 되었으면 불가능했을텐데,  한달마다 리셋되도록 풀려서 정말 맛보기로 간단한 것은 만들어 볼 수 있을 거 같다.  결과 코드는 github 에 올려 놓았다.  Python으로 구현되었으며 자세한 설치 방법과 사용법은 README을 보면 된다.  Codex 실행 화면 프로젝트 목표 예를 들어 다음과 같은 이미지 폴더가 있다고 가정한다. images/ photo1.jpg photo2.png logo.webp 다음과 같이 명령어를 실행하면 python resize.py images --width 1200 자동으로 output 폴더에 리사이즈된 이미지를 생성한다. output/ photo1.jpg photo2.png logo.webp 즉, 여러 장의 이미지를 한 번에 원하는 크기로 변경하는 자동화 프로그램 을 만드...

에이전틱 AI(Agentic AI) 는 질문에 답하는 데서 멈추지 않고, 주어진 목표를 달성하기 위해 계획을 세우고 도구를 호출하며 결과를 점검하는 AI 시스템입니다. 2026년의 핵심 변화는 더 큰 언어 모델 자체보다, AI를 실제 업무 흐름에 안전하게 연결하는 방법으로 관심이 이동했다는 점입니다. 이 글에서는 에이전틱 AI의 뜻과 기존 챗봇·RPA와의 차이, MCP와 A2A의 역할, 업무별 적용 사례, 보안 위험, 작은 조직도 활용할 수 있는 단계별 도입법을 공식 자료와 실무 예시를 바탕으로 정리합니다. 핵심 요약 에이전틱 AI는 목표를 여러 작업으로 나누고 도구를 사용해 실행 결과까지 확인합니다. 정형 업무는 RPA가, 변수가 많은 지식 업무는 에이전틱 워크플로우가 더 잘 맞습니다. MCP는 에이전트와 도구·데이터의 연결, A2A는 서로 다른 에이전트 간 협업을 표준화합니다. 처음부터 완전 자율화를 목표로 하기보다 읽기 전용 권한과 사람의 승인 단계부터 시작해야 합니다. 성공 여부는 모델 성능뿐 아니라 정확도, 처리 시간, 비용, 오류 복구율로 측정해야 합니다. 1. 에이전틱 AI란 무엇인가? IBM은 에이전틱 워크플로우를 자율적인 AI 에이전트가 최소한의 인간 개입으로 의사결정하고 행동하며 작업을 조정하는 AI 기반 프로세스로 설명합니다. 전통적인 자동화가 미리 정한 규칙을 반복하는 데 강하다면, 에이전틱 워크플로우는 상황에 맞춰 다음 단계를 선택하고 결과를 수정하는 데 초점을 둡니다. 일반적인 에이전트의 처리 과정은 다음과 같습니다. 목표 해석: “이번 주 고객 불만을 분류하고 대응 초안을 만들어 줘” 같은 목표와 제약을 이해합니다. 계획 수립: 데이터 조회, 분류, 원인 분석, 초안 작성처럼 하위 작업으로 나눕니다. 도구 실행: CRM, 사내 검색, 스프레드시트, 이메일 API 등 허용된 도구를 호출합니다. 결과 점검: 빠진 항목, 정책 위반, 실패한 호출이 있는지 확인하고 필요한 단계를 다시 수행합니다. ...