클로드의 Fable 5와 오픈AI의 o1 같은 추론형 LLM의 등장은 소프트웨어 개발 분야에 있어서 AI의 역할을 재정의하며 개발자들의 작업 방식을 근본적으로 바꿔놓았습니다. 그리고 이러한 변화는 AI 에이전트 개발의 전혀 새로운 방식을 탄생시켰습니다. 바로 '바이브 코딩(Vibe Coding)'입니다. 코드를 한 줄 한 줄 직접 짜는 대신, 원하는 결과를 자연어로 설명하면 AI가 대신 코드를 작성해주는 방식입니다. 처음에는 취미로 간단한 프로그램을 만드는 수준에 머물렀지만, 이제는 클로드 코드와 같은 코딩 에이전트의 형태로 실제 서비스 개발 현장에서도 낯설지 않은 방식으로 자리잡고 있습니다.

이러한 흐름은 단순 코딩을 넘어 AI 에이전트 구축의 전반을 담당하는 영역으로도 빠르게 번지고 있습니다. 많은 AI 에이전트 플랫폼이 "이제 개발자가 아니어도 AI 에이전트를 만들 수 있다"고 말합니다. 노코드(No-code) 방식을 앞세워 누구나 손쉽게 업무 자동화를 구현할 수 있다는 것이 공통된 메시지입니다. 하지만 막상 실무자가 직접 플랫폼을 켜고 에이전트를 만들어보면, 적지 않은 이들이 비슷한 벽에 부딪힙니다.

아무리 정교하게 프롬프트를 수정해도, 바이브코딩만으로 원하는 결과물을 얻기는 생각보다 어렵습니다. 이처럼 바이브코딩의 이상과 현실사이의 괴리는 AI 에이전트 플랫폼 시장이 마주한 본질적인 과제를 보여줍니다.

'누구나 쉽게'라는 약속과 실제 구축 경험 사이에는 여전히 상당한 간극이 존재하기 때문입니다. 이번 시간에는 AI 에이전트 구축이 여전히 어려운 이유와, 다이퀘스트가 개발한 AI 에이전트 플랫폼 델마(Delma)가 '바이브 에이전트(Vibe Agent)'를 통해 어떻게 이러한 간극을 메우고 있는지 살펴보도록 하겠습니다.

1. 노코드(no code)라는 착시와 생각보다 높은 진입장벽

그렇다면 코딩이 필요하지 않은 노코드 AI 에이전트 플랫폼을 활용한 개발은 왜 여전히 어려운 것일까요?

우선, 노코드 AI 에이전트 플랫폼 대부분은 '노드 기반' 방식을 취합니다. 시작 노드, 조건 분기 노드, LLM 호출 노드, 도구 호출 노드를 화면에 배치하고, 각 노드의 입출력을 선으로 연결하는 방식입니다. 마우스로 끌어다 놓는 작업이라 코딩보다는 쉬워 보이지만, 실제로는 각 노드가 어떤 데이터를 주고받는지, 조건 분기는 어떻게 설계해야 하는지, 실패했을 때 어떻게 재시도할지 사용자가 원리를 깊이 이해하고, 스스로 판단해야 합니다.

다음으로 도구 연결이라는 두 번째 벽이 더해집니다. 에이전트가 실제로 쓸모 있으려면 사내 데이터베이스, 이메일, 사내 지식관리 시스템, 외부 API 같은 도구와 연결되어야 합니다. 이 과정에서 인증 정보를 설정하고, API 명세를 이해하고, 노드의 파라미터를 도구의 입력 형식에 맞춰 매핑하는 작업이 뒤따릅니다. API의 작동 원리에 대한 이해와 FastAPI 등과 같은 Python 라이브러리에 대한 지식과 개발 경험이 없는 현업 담당자 입장에서는 이 단계에서부터 막히는 경우가 많습니다.

이처럼 험란한 과정을 거쳐 워크플로우를 다 만들었다고 끝이 아닙니다. 각 분기마다 의도한 대로 동작하는지, 특정 입력값에서 예외가 발생하지는 않는지 하나하나 테스트해야 하고, 이 반복적인 시행착오 때문에 하나의 에이전트를 완성하는 데 며칠이 걸리는 경우도 드물지 않습니다.

2. 델마(Delma)의 바이브 에이전트: 대화만으로 완성되는 워크플로우

이 간극을 정면으로 겨냥한 것이 다이퀘스트의 AI 에이전트 플랫폼 '델마(Delma)'의 바이브(Vibe) 기능입니다.

델마의 바이브 기능은 사용자가 자연어로 원하는 업무 목적을 설명하면, AI가 워크플로우를 자동으로 생성하고 구성해주는 방식으로 작동합니다.

예를 들어 "PDF가 업로드되면 텍스트를 추출한 뒤 요약하고 드라이브에 저장해줘"라는 명령어를 입력하면, AI 워크플로우 어시스턴트가 이 문장에서 의도를 분석하고, 어떤 트리거로 시작해야 할지 추론한 뒤, 필요한 노드들을 순서대로 구성합니다.

의도 분석, 트리거 추론, 노드 추가, 노드 간 흐름 연결, 구성 점검까지 여러 단계를 AI가 알아서 처리하고, 사용자는 그 진행 상황을 화면에서 확인만 하면 됩니다. 외부 서비스 인증이나 데이터 매핑처럼 사람의 확인이 꼭 필요한 지점은 별도의 설정 가이드로 안내되기 때문에, 무엇을 확인하고 무엇을 그대로 두어도 되는지 헷갈릴 일이 없습니다

이렇게 완성된 워크플로우는 기존 노드 기반 방식으로 처음부터 하나씩 조립할 때와 비교해 생성 시간을 약 80% 단축할 수 있습니다. 노드를 검색하고, 끌어다 놓고, 연결하고, 파라미터를 하나하나 채워 넣던 과정이 대화 한 번으로 대체되는 셈입니다.

물론 대화로 초안이 완성된다고 해서 세부 조정이 불가능한 것은 아닙니다. AI가 생성한 워크플로우는 그대로 노코드 캔버스 위에 펼쳐지기 때문에, 필요하다면 특정 노드만 골라 수정하거나 새로운 노드를 추가할 수 있습니다. 전부 대화로 해결하거나 전부 수동으로 조립하는 양자택일이 아니라, 대화로 대부분을 끝내고 나머지 세부 사항만 직접 다듬는 하이브리드 방식에 가깝습니다.

3. AI 에이전트의 완성 : 쉬운 배포와 확장

워크플로우가 완성된 다음 단계, 즉 실제 서비스로 배포하고 운영하는 과정에 있어서도 기존의 AI 에이전트 플랫폼은 사용이 어렵습니다. 현업에서는 바이브코딩으로 아무리 좋은 서비스를 개발했다고 하더라도, API 연동에 필요한 개발 지식과 경험이 없으면 배포가 거의 불가능한 것이 사실이기 때문입니다.

델마(Delma)는 완성된 에이전트를 원 클릭으로 배포하고 API 엔드포인트로 등록할 수 있게 지원하며, 배포 전에는 시뮬레이션과 디버깅 모드로 단계별 진행 상황을 미리 점검할 수 있습니다. 배포 이후에는 실행 성공·실패 여부와 소요 시간을 실시간으로 모니터링할 수 있어, 에이전트를 만드는 순간부터 운영하는 순간까지 전 주기를 하나의 화면 안에서 다룰 수 있습니다.

또한 델마는 MCP(Model Context Protocol) 기반의 확장 생태계를 갖추고 있어, 사내 데이터베이스나 파일 시스템은 물론 GitHub·Slack·Google Drive 같은 외부 서비스, 그리고 다이퀘스트의 자사 솔루션까지 표준화된 방식으로 연결할 수 있습니다.

바이브 기능으로 워크플로우의 뼈대를 빠르게 완성한 뒤, 필요한 도구를 MCP로 연결해 기능을 확장하는 흐름입니다.

델마(Delma): 바이브 에이전트를 실현하다

위에서 살펴본 것처럼 바이브 코딩만으로 AI 에이전트를 완성하는 것은 사실상 불가능에 가깝습니다.

프롬프트를 아무리 정교하게 다듬어도 워크플로우 설계, 도구 연결, 배포라는 세 겹의 장벽은 여전히 사용자의 몫으로 남기 때문입니다. 이 문제를 해결하려면 '더 나은 프롬프트'가 아니라 근본적으로 다른 접근, 즉 대화만으로 에이전트 전체를 설계하고 운영할 수 있는 환경 자체가 필요합니다.

다이퀘스트는 이러한 문제의식에서 한 걸음 더 나아가 '바이브 에이전트(Vibe Agent)'라는 개념을 제시합니다. 바이브 코딩이 코드 작성을 자연어로 대체했다면, 바이브 에이전트는 그 대상을 코드가 아니라 AI 에이전트 자체로 확장한 개념입니다. 누구나 자연어 대화만으로 AI 에이전트를 설계하고, 배포하고, 운영까지 할 수 있는 환경을 지향하는 것입니다. 그리고 이 개념을 실제 제품 수준에서 구현한 것이 다이퀘스트의 델마(Delma)입니다.

델마의 바이브 기능이 갖는 차별화된 가치는 앞서 살펴본 수치에서 분명하게 드러납니다. 자연어로 업무 목적을 설명하는 것만으로 워크플로우 생성 시간을 기존 대비 약 80% 단축할 수 있다는 것은, 단순히 속도가 빨라졌다는 의미를 넘어섭니다. 노드 설계, API 매핑, 반복 검증이라는 세 겹의 진입장벽 대부분을 AI가 대신 넘어준다는 뜻이기 때문입니다. 그 결과 개발 경험이 전혀 없는 비개발자도 손쉽게 AI 에이전트를 만들고 실제 업무에 활용할 수 있는 수준까지, AI 에이전트 구축의 진입장벽이 크게 낮아지게 됩니다.

델마는 도메인 전문가 언어모델을 기반으로, AI 에이전트의 설계부터 배포, 운영까지 전 주기를 지원하는 오케스트레이션 플랫폼입니다. 노코드 캔버스와 대화형 워크플로우 생성을 동시에 지원함으로써, 개발자에게는 정교한 설계의 자유를, 비개발자에게는 빠른 시작을 함께 제공한다는 점이 특징입니다.

AI 에이전트의 다음 과제는?

지금까지 살펴본 것과 같이, 기술 자체는 이미 상당한 수준에 도달해 있습니다. 하지만 그 기술을 실제로 누가, 얼마나 쉽게 활용할 수 있느냐는 전혀 다른 문제입니다. AI 에이전트를 둘러싼 경쟁의 축이 '얼마나 정교하게 설계할 수 있는가'에서 '얼마나 쉽게 시작할 수 있는가'로 옮겨가고 있다면, 델마는 그 변화에 가장 구체적으로 답하고 있는 플랫폼이라고 할 수 있습니다.

자연어 대화만으로 워크플로우를 완성하는 바이브 기능이 첫 번째 진입장벽을 낮추고, 완성된 워크플로우를 그대로 손볼 수 있는 노코드 캔버스가 두 번째 장벽을, 원클릭 배포와 MCP 기반의 확장 생태계가 마지막 장벽을 낮추면서, 설계·완성·운영이라는 AI 에이전트 구축의 전 과정에 걸쳐 진입장벽을 체계적으로 걷어내고 있는 것입니다. AI 에이전트 도입을 고민하는 기업이라면, 이제는 "얼마나 강력한 에이전트를 만들 수 있는가"보다 "우리 직원이 이것을 얼마나 쉽게 만들고, 배포하고, 운영할 수 있는가"를 먼저 물어야 할 시점입니다.