Anthropic이 공개한 Slack 최고제품책임자 Jaime DeLanghe 인터뷰를 정리하고, 공개 기본값·핸드오프·측정이라는 세 축이 한국 기업의 협업 환경에서 어디까지 성립하는지 점검합니다.
Anthropic이 2026년 8월 19일 공개한 인터뷰 기사 「Turning conversation into knowledge: how Slack builds human-agent teams」를 정리하고, 한국 기업이 같은 방식을 시도할 때 먼저 확인해야 할 것을 덧붙입니다. 인터뷰 대상은 Slack 최고제품책임자 Jaime DeLanghe이며, 사람과 에이전트가 함께 일하는 팀을 다루는 Anthropic 연재의 두 번째 글입니다.
DeLanghe는 2017년 검색과 머신러닝 업무로 Slack에 합류했습니다. 합류 당시의 과제는 업무 대화를 조직의 지식으로 바꾸는 것이었습니다. 기사는 그 과제가 십수 년간 풀리지 않았다는 고백에서 출발합니다.
대화가 지식이 되지 않았던 이유
"Slack 초창기 연구 자료 중에는 대화가 지식으로 바뀌지 않는다는 것을 보여주는 게 정말 많습니다." DeLanghe가 기사에서 한 말입니다. 대화 기록은 쌓이기만 했고 사람들은 같은 질문을 반복했습니다. 쌓인 기록을 사람이 다시 읽어 정리하는 일이 물리적으로 불가능했기 때문입니다. 기사의 전제는 그 정리 작업이 이제 에이전트가 감당할 수 있는 규모가 됐다는 것입니다.
여기서 따라 나오는 제약이 글 전체를 관통합니다. 에이전트는 자기가 볼 수 있는 것에서만 배웁니다. DM과 비공개 스레드에서 내려진 결정은 에이전트에게 존재하지 않는 사건입니다. DeLanghe는 이미 결정된 내용을 검색하는 데 그치지 말고, 왜 그렇게 결정했는지와 그 뒤 맥락이 어떻게 달라졌는지를 에이전트에게 재구성시키라고 권합니다.
기사가 제시한 여섯 가지 원칙
| 원칙 | 핵심 주장 | 즉시 실행할 것 |
|---|---|---|
| 대화 기록을 지식베이스로 취급 | 에이전트는 볼 수 있는 것만 학습 | 공개 채널 기본값, 회의·메일·문서 저장소 연결 |
| 핸드오프 시점 학습 | 생산 작업은 에이전트, 판단은 사람 | 아침 브리핑 자동 생성, 사람이 검토 후 재위임 |
| 명확한 역할 부여 | 동료처럼 담당 영역을 갖게 함 | 반복 업무는 범용 에이전트로 몰기 |
| 공개 기본값, 비공개는 의도적으로 | 비공개 채널은 에이전트의 사각지대 | 민감 정보만 차단, 나머지는 개방 |
| 가능성을 보여주며 확산 | 사내 공유 채널이 전파 경로 | 전사 자랑 채널, 따라할 수 있는 기록물 |
| 성과 중심 측정 | 토큰 사용량은 불이 켜졌다는 신호 | 사용량은 맥박 확인용으로만 취급 |
핸드오프의 리듬
기사가 묘사하는 팀의 기본 동작은 주고받기입니다. Claude 기반 에이전트가 초안 작성, 요약, 모니터링, 준비 작업을 맡아 결과를 사람에게 넘깁니다. 사람은 검토하고 결정하고 방향을 바꾼 뒤 다시 넘깁니다.
DeLanghe의 월요일 아침이 예시로 나옵니다. 에이전트가 만든 일일 브리핑이 먼저 와 있고, 지난주 제품 워크숍 요약과 에스컬레이션 표시, 웹에서 수집한 AI 동향 보고서, 그날 회의별 브리핑, 그리고 다시 써 달라고 맡겼던 소개글 초안이 검토를 기다립니다. 채널에서는 이모지 반응 하나가 목록에 항목을 추가하고 에이전트가 그 작업을 집어 갑니다.
에이전트에게 붙는 역할과 이름
DeLanghe의 접근은 기술적이기보다 사회적입니다. "에이전트를 일종의 동료라고 생각하는 편입니다"라고 그는 말합니다. 사람 동료에게 역할과 책임이 있듯 에이전트에게도 명확한 목표와 담당 영역이 있어야 한다는 것입니다.
기사에 담긴 판단 기준 하나가 특히 유용합니다. "에이전트의 가치가 명확히 느껴지지 않고 위에서 시켜서 쓰는 것처럼 되면, 그게 무엇을 위한 것인지 기억하기가 정말 어렵습니다." 사람들이 그 에이전트가 무엇을 위한 것인지 설명하지 못한다면 폐기할 때가 됐다는 뜻입니다.
측정 지표의 한계
기사에서 가장 솔직한 대목은 측정입니다. DeLanghe는 초기부터 생산성 측정 문제와 씨름했습니다. "우리가 사람들이 메시지를 더 많이 보내길 원하나요? 아마 아닐 겁니다. 메시지가 늘었다는 건 사람들이 필요한 걸 못 찾거나 한 번에 뜻을 전하지 못한다는 뜻일 수도 있습니다."
AI 가치 측정도 같은 구조라고 그는 말합니다. 토큰 사용량은 불이 켜져 있다는 사실만 알려줍니다. 도구 사용이 사업 성과로 이어진다는 것을 깔끔하게 증명할 방법은 없고, 둘을 잇는 데는 여전히 "상당한 믿음의 도약"이 필요하다고 기사는 인정합니다.
한국 조직에서 무너지는 지점
기사의 전제는 업무 대화가 검색 가능한 한 곳에 쌓여 있다는 것입니다. 이 전제가 성립하지 않는 조직에서는 나머지 원칙이 전부 헛돕니다.
| 전제 | 국내 조직에서 자주 어긋나는 형태 | 확인 방법 |
|---|---|---|
| 대화가 한 곳에 쌓임 | 카카오톡·메일·그룹웨어·대면 회의로 분산 | 최근 의사결정 5건의 근거가 어디 있는지 추적 |
| 공개가 기본값 | 팀 채널 대부분이 비공개, 결정은 DM에서 | 전체 채널 중 공개 채널 비율 집계 |
| 미완성 공유가 안전함 | 초안 노출이 평가에 불리하게 작동 | 최근 3개월 공개 채널의 초안 게시 건수 |
| 권한 경계가 명확함 | 부서별 열람 권한과 에이전트 접근 범위가 불일치 | 에이전트 계정이 읽는 채널 목록 실사 |
특히 세 번째 줄이 국내에서 가장 자주 깨집니다. DeLanghe는 민감 정보를 분리하고 나면 업무가 DM으로 숨는 진짜 이유가 과정을 남에게 보이는 것에 대한 불편함이라고 지적합니다. 상시 평가와 정성 피드백이 강한 조직에서 이 불편함은 개인의 성향 문제를 넘어 합리적 대응에 가깝습니다. 공개 기본값을 선언하기 전에 미완성 산출물이 평가에 어떻게 반영되는지부터 정리해야 합니다.
네 번째 줄은 법적 문제로 이어집니다. 공개 채널을 넓히면 에이전트가 읽을 수 있는 범위가 함께 넓어집니다. 개인정보가 섞인 채널, 계약 조건이 오가는 채널, 인사 관련 논의가 남은 채널이 에이전트 색인에 들어가면 기존 접근 통제가 무력화됩니다. 채널 개방과 에이전트 권한은 같은 결정으로 묶어 검토해야 합니다.
도입 전 점검 항목
| 점검 항목 | 통과 기준 | 실패 신호 |
|---|---|---|
| 대화 저장소 단일화 | 결정 근거의 80% 이상이 검색 가능한 채널에 존재 | 근거를 찾으려면 담당자에게 물어야 함 |
| 에이전트 권한 정의 | 읽기 대상 채널 목록이 문서로 존재 | 관리자 권한으로 전부 열어둠 |
| 역할 정의 | 각 에이전트의 담당 업무를 한 문장으로 설명 가능 | 만능 비서 하나만 있음 |
| 폐기 기준 | 미사용 에이전트를 정리하는 주기가 정해짐 | 만든 뒤 방치 |
| 측정 방식 | 사용량과 별개로 볼 성과 지표가 정의됨 | 토큰 사용량만 보고 |
남는 문장
DeLanghe가 조직에 주는 조언은 모든 워크플로를 다시 상상하라는 것입니다. "같은 종류의 일을 더 빨리 하는 게 아니라 일하는 방식 자체를 바꾸는 법을 알아내야 합니다. 그리고 그건 팀 스포츠가 될 겁니다."
시작 방법에 대한 조언은 훨씬 작습니다. 사람 몇 명을 공유 채널에 모으고 Claude를 넣은 뒤 같은 자료를 주고 일하게 두라는 것입니다. Slack의 경험대로라면 거기서 만들어진 것이 알아서 퍼진다고 기사는 말합니다.
출처
코텍시스 AI 인사이트 최신 논문 리뷰
활성값을 보고 가중치를 지키는 AWQ 양자화
MIT 연구진의 AWQ는 활성값 분포를 기준으로 중요한 가중치 1%만 보호해도 저비트 양자화 오류가 크게 줄어든다는 관찰에서 출발해 재학습 없는 4비트 양자화를 구현했고 전용 커널 TinyChat으로 FP16 대비 3배 이상의 추론 속도를 달성했습니다. 온프레미스 sLLM을 소수의 GPU로 서빙해야 하는 기업에게 정확도 손실 없이 메모리와 비용을 동시에 줄이는 사실상의 표준 기법입니다.
Mixtral 8x7B로 읽는 MoE 아키텍처: 13B의 연산으로 70B급 성능 내기
총 47B 파라미터 중 토큰당 13B만 활성화하는 희소 MoE 모델 Mixtral 8x7B는 Llama 2 70B와 GPT-3.5를 대부분의 벤치마크에서 따라잡거나 능가했습니다. 추론 연산량은 소형 모델 수준으로 유지하면서 품질을 끌어올리는 MoE의 실용성을 입증한 사례로, 기업의 자체 호스팅 모델 선정 기준에 직접 영향을 줍니다.
DPO가 바꾼 선호 정렬 학습: 보상 모델 없이 RLHF를 대체하는 방법
DPO는 보상 모델의 재매개변수화를 통해 최적 정책을 닫힌 형태로 유도하고, 선호 데이터에 대한 단순 분류 손실만으로 RLHF와 같은 목적을 달성하는 기법입니다. 강화학습 파이프라인을 운영할 여력이 없는 기업 프로젝트에서 선호 정렬을 현실적인 작업 범위로 만들어 준 논문입니다.
AI 솔루션이 필요하신가요?
cortexys.ai에서 맞춤 AI 개발 서비스를 확인하세요.


![[교육] AI 기업교육 업체를 고를 때 확인해야 할 7가지](https://cortexys-blog-images.s3.ap-northeast-2.amazonaws.com/blog/20260901-vendor-check-structure.png)
![[교육] AI Agent 기업교육은 ChatGPT 활용 교육과 무엇이 다른가](https://cortexys-blog-images.s3.ap-northeast-2.amazonaws.com/blog/20260901-qa-vs-delegation.png)