본문으로 건너뛰기

AI에게 일을 맡기기 전에, 먼저 권한부터 나눴다

# [Hermes] AI에게 일을 맡기기 전에, 먼저 권한부터 나눴다

## 📝 한줄 요약

하나의 만능 AI에게 운영·개발·검토를 모두 맡기는 대신, Hermes 프로필을 총괄·부서·검토·기록 역할로 분리했다. 덕분에 사용자는 한 곳에서 요청하면서도 각 봇은 자기 책임 범위와 기억을 따로 유지하는 방식으로 실제 내부 서비스 복구까지 진행할 수 있었다.

**바쁘시면 이것만 읽어도 돼요:**
- 하나의 AI가 실행과 검증을 모두 맡으면 자기 작업을 스스로 승인하는 문제가 생긴다.
- Hermes 프로필을 나누면 세션, 기억, 설정, 스킬과 작업공간을 역할별로 분리할 수 있다.
- 사용자는 총괄 봇 하나와 대화하고, 총괄 봇이 운영·개발·검토·기록 봇을 연결한다.
- 외부에서 받은 스킬은 학습 전용 프로필에서 먼저 시험해 정규 업무와 섞이지 않게 했다.
- 실제 내부 웹서비스 장애에서도 운영 담당, 개발 변경, 독립 검토, 사람 승인 경계를 나눠 적용했다.
- 다만 이것은 운영 책임을 제한하는 구조이지, 운영체제 수준의 완전한 보안 샌드박스는 아니다.

## 👉 다음 행동

이 구조를 적용하려면 먼저 현재 AI가 맡은 일을 총괄, 실행, 독립 검토, 기록, 사람 승인으로 나눠 보자. 그다음 가장 위험한 작업 하나를 골라 실행자와 검토자가 실제로 분리되는지 작은 범위에서 시험하면 된다.

## 🎯 이런 분들께 도움돼요

- AI 에이전트에게 실제 파일과 서비스를 맡기고 있지만 한 봇에 권한이 너무 몰리는 것이 불안한 분
- 연구, 강의, 개발, 운영처럼 서로 다른 업무의 대화와 기억이 섞이는 문제를 겪는 분
- AI가 만든 결과를 같은 AI가 검토하는 구조에서 벗어나고 싶은 분
- 외부 스킬이나 자동화 도구를 정규 업무에 넣기 전에 안전하게 시험하고 싶은 분

## 😫 문제 상황 (Before)

처음에는 강한 AI 하나가 모든 일을 처리하면 가장 편할 것이라고 생각했다. 실제로 한 대화창에서 문서를 쓰고, 코드를 고치고, 서비스를 점검하고, 결과까지 확인해 주는 경험은 매력적이었다.

하지만 업무가 늘어나자 문제가 보이기 시작했다.

첫째, 서로 다른 업무의 맥락이 한곳에 쌓였다. 운영 장애를 처리하던 기억과 강의자료를 만들던 기준이 같은 상태 공간에 들어갔다. AI가 대화를 길게 기억할수록 편해지는 것이 아니라, 때로는 어떤 기준을 어느 업무에 적용해야 하는지가 모호해졌다.

둘째, 실행자와 검토자가 같았다. AI가 코드를 고친 뒤 자기 테스트 결과를 근거로 “완료”라고 말하면, 실제로는 독립 검토가 아니라 자기 확인에 가까웠다.

셋째, 권한의 경계가 말로만 존재했다. 운영 작업 중 발견한 문제를 고치는 것과 서비스 범위를 바꾸는 것, 내부 파일을 수정하는 것과 외부에 공개하는 것은 전혀 다른 결정이다. 그런데 하나의 만능 봇에게 모두 맡기면 이 차이가 흐려지기 쉬웠다.

그래서 질문을 바꿨다.

> “더 똑똑한 AI를 어떻게 만들까?”가 아니라 “AI 조직에서 누가 무엇을 결정하고, 누가 실행하며, 누가 검토해야 할까?”

## 🛠️ 사용한 도구

- **도구명**: Hermes Agent
- **핵심 기능**: 프로필별 세션·기억·설정·스킬·작업공간 분리
- **운영 방식**: 총괄 봇, 업무 담당 봇, 독립 검토 봇, 기록 봇으로 역할 분담
- **특이사항**: 서비스명, 주소, 개인 이름, 학생 조직명과 내부 경로는 이 글에서 모두 제거하거나 일반화했다.

---

## 🔧 작업 과정

### 만능 봇을 여러 개로 복제하지 않고, 책임부터 나눴다

처음 떠올리기 쉬운 방법은 “개발 봇”, “글쓰기 봇”, “분석 봇”을 여러 개 만드는 것이다. 하지만 역할 이름만 다르고 모두 같은 기억과 같은 작업공간을 사용하면 실제 책임은 분리되지 않는다.

우리가 먼저 나눈 것은 다섯 가지였다.

1. **정체성**: 이 봇은 어떤 관점으로 판단하는가?
2. **기억**: 어떤 업무 사실과 사용자 선호를 장기적으로 보존하는가?
3. **절차**: 어떤 스킬과 작업 방식을 사용하는가?
4. **프로젝트 규칙**: 지금 작업하는 공간의 규칙은 무엇인가?
5. **작업공간**: 실제 파일을 어디에서 읽고 쓰는가?

요청은 이렇게 시작했다.

```
업무가 섞이지 않도록 에이전트별로 상태를 분리하고, 특정 에이전트에게 원하는 작업만 맡길 수 있게 해줘.
```

그 결과 봇을 단순한 말투 캐릭터가 아니라, 별도 세션과 기억, 설정, 작업공간을 가진 독립 작업 단위로 다루게 됐다.

---

### 사용자는 한 곳에서 말하고, 총괄 봇이 담당자를 선택하게 했다

봇이 많아지면 사용자가 매번 “어느 봇에게 말해야 하지?”를 고민하게 된다. 권한을 나누려다 오히려 사용자가 조직도를 관리하는 문제가 생길 수 있다.

그래서 사용자의 진입점은 하나로 유지했다.

```
나는 평소처럼 총괄 창구에서 요청하고, 총괄이 의미를 소유한 담당 봇으로 보내게 해줘.
```

총괄 봇은 요청을 직접 다 처리하지 않는다. 요청을 해석하고, 운영 문제인지 개발 문제인지 연구 문제인지 판단해 담당 봇에 넘긴다. 담당 봇의 결과가 중요하거나 위험하면 별도의 검토 봇이 확인하고, 장기 보존이 필요하면 기록 봇이 인계 문서와 결정 기록을 정리한다.

이 구조에서 사용자는 AI 조직의 모든 부서를 직접 순회할 필요가 없다. 한 사람과 대화하는 경험은 유지하면서, 뒤에서는 책임이 나뉜다.

---

### 실행한 봇이 자기 결과를 최종 승인하지 못하게 했다

가장 중요하게 둔 원칙은 간단했다.

> 작업자의 결과는 검토 전까지 최종 결과가 아니다.

운영 봇이 서비스를 복구했다고 말해도 그것만으로 끝나지 않는다. 개발 봇이 테스트를 통과했다고 보고해도 그 테스트는 자기 확인일 뿐이다. 검토 봇은 작업자의 대화 맥락을 그대로 물려받지 않은 상태에서 요구사항과 실제 변경을 비교한다.

검토자는 결과물을 직접 고치는 역할도 맡지 않는다. 검토자가 수정까지 해버리면 다시 실행자와 검토자가 합쳐지기 때문이다. 문제가 있으면 실패 이유를 돌려주고, 작업자가 고친 뒤 다시 검토한다.

이 원칙 덕분에 “AI가 자신 있게 말했는가?”보다 “다른 역할의 확인을 통과했는가?”가 완료 기준이 됐다.

---

### 외부 스킬은 정규 업무 밖의 실험실에서 먼저 사용했다

프로필 분리의 효과는 서비스 운영에서만 나타나지 않았다. 외부에서 받은 새로운 AI 스킬을 시험할 때도 유용했다.

이전에는 유용해 보이는 스킬을 공통 작업공간에 설치하면 모든 봇이 영향을 받을 수 있었다. 스킬의 전제가 우리 업무 구조와 맞지 않거나, 예상보다 많은 파일을 읽고 쓰는 경우 정규 업무까지 흔들릴 수 있었다.

그래서 다음과 같이 요청했다.

```
새로 받은 스킬을 전체 업무에 바로 넣지 말고, 학습 전용 공간에서 실제로 사용해 본 뒤 정식 도입 여부를 판단하게 해줘.
```

학습 전용 프로필은 정규 업무와 다른 작업공간, 세션, 기억과 로컬 스킬을 사용한다. 실험 결과가 좋더라도 자동으로 공통 스킬이 되지 않는다. 원본을 보존하고, 충돌과 위험을 검토한 뒤에야 승격 후보가 된다.

“설치할 수 있는가?”와 “우리 조직의 표준으로 삼아도 되는가?”를 분리한 것이다.

---

### 실제 서비스 장애에서 역할 분리가 작동하는지 확인했다

구조를 만든 뒤, 내부에서 사용하는 웹서비스에 장애가 생겼다. 배포된 변경이 제대로 반영되지 않았고 로그인도 동작하지 않았다. 동시에 외부에서 들어온 변경 요청도 잃지 않고 반영해야 했다.

요청은 다음과 같았다.

```
내부 웹서비스의 반영 실패와 로그인 문제를 복구하고, 들어온 변경사항도 빠짐없이 적용해줘. 이 일은 운영 담당이 맡아.
```

총괄 봇은 이 요청을 운영 문제로 분류했다. 운영 담당은 서비스 상태, 실행 중인 프로그램, 배포 경로와 인증 흐름을 먼저 조사했다. 코드 변경이 필요한 부분은 개발 책임과 분리했고, 결과는 테스트와 실제 실행 상태를 함께 확인했다.

여기서 역할 분리가 특히 도움이 된 지점은 세 가지였다.

1. **성급한 되돌리기를 피했다.** 운영 담당은 장애를 멈추는 것뿐 아니라 들어온 변경사항을 보존해야 한다는 조건을 유지했다.
2. **복구와 검증을 분리했다.** 서비스를 다시 띄운 사실과 로그인·데이터·업로드가 정상이라는 판단을 같은 증거로 취급하지 않았다.
3. **사람의 승인 경계를 지켰다.** 사용자가 명시적으로 요청하기 전에는 커밋이나 추가 배포를 하지 않았다.

최종적으로 서비스는 새 실행 구조로 전환됐고, 과거 실행 경로는 다시 살아나지 않도록 정리됐다. 다만 문제가 생겼을 때 비교하고 되돌릴 수 있는 검증 자료는 삭제하지 않았다.

이 사례에서 중요한 것은 특정 기술로 서비스를 바꿨다는 사실이 아니었다. 운영, 개발, 검토, 기록과 사람의 승인 권한을 서로 섞지 않은 채 하나의 장애를 끝까지 처리했다는 점이었다.

---

## ✅ 결과 (After)

### Before vs After

| 항목 | Before | After |
|------|--------|-------|
| 요청 창구 | 하나의 만능 AI가 대부분 처리 | 총괄 창구는 하나지만 담당 봇이 분리됨 |
| 업무 기억 | 여러 분야의 맥락이 같은 상태에 누적 | 업무 분야별 세션과 기억이 분리됨 |
| 실행과 검토 | 같은 AI가 만들고 완료를 판단 | 작업자와 검토자가 분리됨 |
| 외부 스킬 | 공통 환경에 바로 섞일 위험 | 실험 전용 프로필에서 먼저 시험 |
| 운영 변경 | 수정·검증·공개 경계가 모호 | 운영·개발·검토·사람 승인 경계를 구분 |
| 사용자 경험 | 한 봇이라 단순하지만 책임이 불명확 | 한 창구의 편의성과 역할 분리를 함께 유지 |

### 결과물

- 총괄 봇과 업무 담당 봇으로 구성된 프로필 체계
- 실행자와 분리된 독립 검토 프로필
- 장기 기록과 인계를 담당하는 기록 프로필
- 외부 스킬을 정규 업무와 분리해 시험하는 학습 전용 프로필
- 실제 내부 서비스 장애 복구에서 확인한 역할 기반 운영 흐름

> **정확한 한계:** 이 구조는 봇의 책임, 기억, 작업공간과 승인 절차를 분리한다. 하지만 같은 사용자 계정에서 로컬 도구를 사용하는 이상, 이것만으로 운영체제 수준의 강제 접근통제가 완성되는 것은 아니다. 고위험 환경에서는 별도 계정, 컨테이너, 읽기 전용 파일 권한, 네트워크 정책과 비밀정보 저장소를 추가해야 한다.

## 💬 이 과정에서 배운 AI 활용 팁

### 효과적이었던 것

1. **모델보다 책임 구조를 먼저 설계한다.** 더 좋은 모델 하나보다 실행자와 검토자를 분리하는 것이 실제 운영 안정성에 더 큰 영향을 줄 수 있다.
2. **사용자 진입점은 하나로 둔다.** 봇이 많아져도 사용자가 매번 담당자를 선택하게 만들지 않는다.
3. **기억을 무조건 공유하지 않는다.** 공유가 필요한 것은 검토된 문서와 절차이지, 각 봇의 가변적인 개인 기억이 아니다.
4. **실험과 도입을 분리한다.** 외부 스킬은 격리 환경에서 사용성과 위험을 확인한 뒤 승격한다.
5. **권한 제한의 수준을 과장하지 않는다.** 역할 기반 운영 제한과 운영체제 보안을 구분해야 다음 보강책이 명확해진다.

### 이렇게 하면 안 돼요

1. 봇 이름만 다르게 만들고 같은 기억과 작업공간을 공유하기
2. 작업자가 자기 결과를 “검토 완료”라고 선언하게 하기
3. 검토 봇에게 수정 권한까지 줘 실행자와 검토자를 다시 합치기
4. 외부 스킬을 모든 봇의 공통 절차로 바로 설치하기
5. 프로필 분리만으로 완전한 보안 격리가 됐다고 표현하기

## 🌍 다른 업무에 적용한다면?

- **연구**: 자료 수집 봇, 분석 봇, 인용 검토 봇을 분리할 수 있다.
- **강의**: 강의안 작성 봇과 사실·구성 검토 봇을 나눌 수 있다.
- **행정**: 공문 분류 봇과 외부 회신 승인 단계를 분리할 수 있다.
- **개발**: 구현 봇, 테스트 봇, 배포 승인 단계를 분리할 수 있다.
- **개인 지식관리**: 실험적 정리 방식을 별도 프로필에서 시험한 뒤 정식 지식 구조로 승격할 수 있다.

## 🚀 앞으로의 계획

1. 고위험 작업에는 역할 분리뿐 아니라 별도 사용자 계정이나 컨테이너 기반의 강제 격리를 추가한다.
2. 각 담당 봇이 읽고 쓸 수 있는 경로와 사용할 수 있는 도구를 더 좁게 설정한다.
3. 검토 봇이 실행자의 설명이 아니라 실제 변경과 요구사항을 비교하도록 증거 전달 형식을 표준화한다.
4. 외부 스킬의 실험 결과를 “도입, 보류, 폐기”로 판단하는 승격 절차를 실제 사례로 축적한다.
4

함께 이야기해요 4

로그인하고 댓글을 남겨 주세요

유피테르 프로필 이미지
유피테르2026.07.29

장애를 복구하면서 새 실행 구조로 전환하되, 과거 실행 경로는 다시 살아나지 않게 정리하고 비교·되돌리기용 검증 자료는 남겨두신 판단이 특히 좋았습니다. 서비스를 다시 띄우는 데서 끝내지 않고 ‘없앨 것’과 ‘보존할 것’을 구분한 실제 기준까지 보여주셔서 역할 분리가 운영에서 어떻게 작동하는지 선명하게 이해됐어요.

망원궁예 프로필 이미지
망원궁예2026.07.28

"더 똑똑한 AI를 만드는 것보다 책임 구조를 먼저 설계한다"는 관점이 특히 인상 깊었습니다. 단순히 프로필을 여러 개 만드는 것이 아니라 기억, 작업공간, 검토 권한까지 분리한 이유를 실제 서비스 복구 사례와 연결해 설명한 점이 설득력이 있었습니다. 특히 실험용 프로필 → 검증 → 정규 도입 흐름은 다른 AI 자동화 환경에서도 그대로 참고할 수 있는 운영 패턴이라고 생각합니다.

Giacomo 프로필 이미지
Giacomo2026.07.28

더 강한 모델을 찾는 대신 누가 결정하고, 실행하고, 검토하는지를 먼저 나눈 질문 전환이 좋았어요. 특히 검토자가 작업자의 결과를 직접 고치지 않고 실패 이유만 돌려준다는 원칙 덕분에 역할 이름만 나눈 것이 아니라 책임의 충돌까지 실제로 줄이려 했다는 점이 잘 보입니다. 사용자는 총괄 창구 하나만 쓰게 해 복잡성을 뒤로 숨긴 설계도 인상 깊고요.

이 구조를 내부 서비스 장애 복구에 적용해 복구 사실과 로그인·데이터·업로드 검증을 다른 증거로 취급하고, 사람의 요청 전에는 커밋이나 추가 배포를 하지 않은 사례가 추상적인 조직도를 실제 운영 이야기로 바꿔줬습니다. 프로필 분리가 운영체제 수준의 보안 격리는 아니라는 한계까지 분명히 적으신 만큼, 앞으로 표준화하려는 증거 전달 형식이 붙으면 독립 검토가 무엇을 보고 통과시켰는지까지 더욱 재현 가능하게 보여줄 수 있을 것 같아요.

자연어회계처리 프로필 이미지

마크다운 지우는방법해서 예전에 체크님이 올리신글 있습니다.

https://www.gpters.org/nocode/post/posting-case-study-easily-32LkfjkgSnfdUZo

깜장배경없으면 가독성이 좋아요!!!

필요한 AI 정보만
메일함에 쏙쏙 넣어드려요.

지금 핫한 AI 소식부터 직접 해 본 사례까지, 월요일마다 무료로 받아보세요

이런 사례도 있어요

사례 전체 보기