※ 이 글은 2026년 9월 23일 데이터넷에 게재된 [전문가 기고]의 원문으로, 일부 표현을 다듬어 게시합니다. (게재본 보기)

글 | 김경선 다이퀘스트 대표

생성형 AI가 보급된 뒤 개발 현장에 자리 잡은 방식이 '바이브 코딩(Vibe Coding)'이다. 원하는 결과를 자연어로 설명하면 AI가 코드를 대신 쓴다. 이 방식은 이제 기업의 실제 서비스 개발에서도 낯설지 않다.

흐름은 코딩에서 멈추지 않는다. AI 에이전트 구축 전반으로 번지고 있고, 개발자가 아닌 기업 내 현장 전문가가 노코드(No-code) AI 에이전트 개발/운영 플랫폼으로 직접 에이전트를 만들어 업무에 적용하려는 시도가 늘고 있다.

시장 전망도 이를 뒷받침한다. 글로벌 ICT 시장조사기관 옴디아(Omdia)는 기업용 AI 에이전트 소프트웨어 시장이 2025년 15억 달러에서 2030년 418억 달러로, 연평균 175% 성장할 것으로 예상했다. 가트너(Gartner)는 2026년 말까지 기업용 애플리케이션의 40%가 작업 특화형 AI 에이전트를 탑재할 것으로 전망했다. 2025년 기준 5% 미만에서 1년 만에 일어날 변화다. AI 에이전트와 외부 도구·데이터를 표준화된 방식으로 연결하는 개방형 프로토콜 MCP(Model Context Protocol) 역시 2024년 말 공개 이후 빅테크와 기업 시스템 전반으로 빠르게 확산되고 있다.

시장이 묻는 질문은 이미 바뀌었다. '쓸 것인가'가 아니라 '얼마나 빨리, 쉽게 쓸 것인가'다.

'개발자가 아니어도 된다'는 말과 현장의 거리

노코드 AI 에이전트 개발/운영 플랫폼 대부분이 내세우는 메시지는 '개발자가 아니어도 만들 수 있다'는 것이다. 그러나 현업 담당자가 직접 에이전트를 만들어 보면 프로그램 개발 지식과 경험이 필요한 지점에 부딪히는 경우가 적지 않다.

원인은 대부분의 플랫폼이 택한 '워크플로우 기반' 방식에 있다. 노드를 배치하고 선으로 연결하는 작업 자체는 쉬워 보이지만, 각 노드가 어떤 데이터를 주고받는지와 조건 분기·재시도 로직을 이해해야 한다. 사내 데이터베이스·이메일·외부 API를 연동하려면 인증 정보 설정, API 명세 이해, 파라미터 매핑이라는 두 번째 벽이 기다린다. 완성한 뒤에도 분기마다 의도대로 동작하는지 반복해서 확인해야 한다.

이 진입장벽의 세부는 이 블로그의 지난 글 「AI 에이전트, 정말 '누구나' 만들 수 있을까?」에서 자세히 짚었다. 이 글에서는 그 장벽을 어떻게 넘을 것인가에 집중한다.

바이브 에이전트, 개발 방식 자체를 바꾸다

답은 '더 정교한 프롬프트'에 있지 않다. 대화만으로 워크플로우 설계·도구 연결·배포까지 전 과정을 지원하는 환경, 곧 개발 방식 자체를 바꾸는 접근이 필요하다.

바이브 코딩이 자연어로 코드를 대신 쓰게 했다면, '바이브 에이전트(Vibe Agent)'는 같은 방식을 코드가 아닌 AI 에이전트 전체로 넓힌 개념이다. 쉽게 말해 바이브 에이전트란, 대화형 자연어 입력만으로 에이전트의 설계부터 개발, 배포까지 이어지는 과정을 AI가 대신 처리해 주는 방식을 뜻한다.

다이퀘스트가 개발한 AI 에이전트 플랫폼 델마(Delma, Domain Expert Language Model based AI Agent)의 '바이브' 기능은 이 접근을 실제 제품으로 구현한 사례다. 사용자가 원하는 업무 목적을 자연어로 설명하면 AI 워크플로우 어시스턴트가 문장에서 업무 의도를 읽어내고, 어떤 트리거로 시작할지 정한 뒤, 필요한 노드를 골라 순서대로 잇는다. 마지막에는 전체 구성을 스스로 점검한다.

외부 서비스 인증이나 데이터 매핑처럼 사람이 직접 확인해야 하는 항목은 따로 설정 가이드로 묶어 보여준다. 무엇을 직접 채워야 하는지가 처음부터 드러나는 구조다.

생성된 워크플로우는 캔버스에 그대로 올라온다. 특정 노드만 바꾸거나 새 노드를 끼워 넣는 일도 가능하다. 대화로 구조를 세우고 세부는 손으로 마무리하는 방식이다. 전부 대화로 하거나 전부 수동으로 하는 양자택일이 아니다.

상담 분석 워크플로우, 자연어 한 문단으로

실제 업무 사례를 보자. "업로드된 STT 상담 파일이나 사용자가 입력한 상담 내용을 분석해, 상담요약 요청인지 이슈탐지 요청인지 분류하고, 상담요약이면 요약 LLM을, 이슈탐지면 이슈탐지 LLM을 두 단계로 실행한 뒤 코드 노드로 결과를 정리해 답변해줘."

이 한 문단을 입력하면 요청 분류, 조건 분기, 상담요약 또는 2단계 이슈탐지, 결과 정리로 이어지는 워크플로우가 자동으로 구성되고, 실행에 필요한 설정 항목만 별도로 안내된다. 노드를 처음부터 하나씩 검색하고 배치하고 연결하던 기존 방식과 비교해 생성 시간을 약 80% 단축한 것으로 나타났다.

워크플로우를 만든 다음 단계인 배포·운영도 기존 AI 에이전트 플랫폼에서는 진입장벽이었다. API 연동에 필요한 개발 지식과 경험이 없으면 배포 자체가 어려운 경우가 많았다. 델마에서는 완성한 에이전트가 클릭 한 번으로 배포되고 API 엔드포인트로 등록된다. 배포 전에는 시뮬레이션과 디버깅 모드로 단계별 동작을 미리 확인하고, 배포 뒤에는 실행 성공·실패 여부와 소요 시간이 실시간으로 집계된다. 만드는 화면과 운영하는 화면이 다르지 않다.

연결 표준은 MCP다. MCP는 AI 에이전트가 외부 도구·데이터에 접근하는 방식을 표준화한 개방형 프로토콜로, 쉽게 말해 AI 에이전트를 위한 공통 접속 규격이다. 델마는 이 규격 위에서 사내 데이터베이스와 파일 시스템, GitHub·Slack·Google Drive 같은 외부 서비스, 자사 솔루션을 하나의 방식으로 연결한다. 바이브로 워크플로우의 골격을 만들고, MCP로 도구를 붙여 기능을 넓히는 순서다. 법률·상담 품질평가 등 도메인 특화 MCP 서버를 자사 솔루션 또는 외부 공개 MCP와 연결할 수 있어, 특정 업종에 국한되지 않고 다양한 업무 영역에 적용할 수 있다.

쉽게 만드는 기술에서, 안전하게 쓰는 기술로

기술은 이미 상당한 수준에 와 있다. 관건은 그 기술을 누가, 얼마나 쉽게 쓸 수 있느냐다. AI 에이전트 경쟁의 기준은 '얼마나 정교하게 설계하는가'에서 '얼마나 쉽게 시작하는가'로 옮겨가고 있다. 델마는 그 변화에 답하기 위해 만들어진 플랫폼이다. 바이브 워크플로우 생성 기능, 손쉽게 수정할 수 있는 노코드 캔버스, 원클릭 배포와 도구 연결 생태계가 각각 설계·완성·운영 단계의 장벽을 낮춘다. 여기서 한 걸음 더 나아가 멀티에이전트(Multi-Agent) 구조, AgentOps, 거버넌스 체계까지 갖추는 것이 다음 목표다.

다만 AI 에이전트의 활용 장벽이 낮아질수록 함께 고민해야 할 문제도 있다. 누구나 쉽게 에이전트를 만들 수 있다는 것은 그만큼 학습 데이터와 생성 결과의 편향이나 왜곡된 정보가 검증 없이 업무에 반영될 가능성도 커진다는 뜻이다. 특히 AI가 업무 의사결정과 고객 응대 등 핵심 업무에 직접 관여하는 환경에서는 편의성뿐 아니라 결과의 신뢰성과 윤리성을 확보하는 것이 중요하다.

따라서 앞으로의 AI 에이전트 시장에서는 '쉽게 만드는 기술'과 함께 '안전하게 활용할 수 있는 기술'의 중요성도 커질 것으로 예상된다. 다이퀘스트는 이러한 문제에 대응하기 위해 AI 신뢰성을 높이는 연구개발도 지속하고 있다. 2024년부터 정보통신기획평가원(IITP)이 주관하는 '사회적·윤리적 학습 및 생성AI 모델의 윤리성 향상 연구' 과제를 통해 대규모 학습 데이터의 편향성 평가·제거 기술을 연구개발하고 있으며, 이 기술을 자사 AI 솔루션 전반에 적용해 신뢰할 수 있는 AI를 제공하는 것을 목표로 사업화 실증을 진행하고 있다.

이제 기업 AI 도입의 성패는 단순한 '구축의 용이성'을 넘어, '현업의 업무를 얼마나 안전하게 자동화하고 지속 가능한 성과로 연결하는가'에 달려 있다. 25년간 공공·금융·기업 현장에서 한국어 자연어처리를 이끌어온 다이퀘스트는 델마를 통해 AI 에이전트의 문턱을 파격적으로 낮추는 동시에, 가장 신뢰할 수 있는 AX 여정의 파트너로서 '쉽고 강력하며, 검증된 AI 에이전트 환경'을 시장에 제시해 나갈 것이다.