Dario Amodei는 2026년까지 1인 억달러 기업이 등장할 확률이 70-80%라고 말했습니다. 그는 작년 Anthropic 개발자 컨퍼런스 무대에서 이렇게 말했습니다.
Matthew Gallagher는 20,000달러와 직원 없이 AI 기반 원격 의료 회사인 Medvi를 설립하여 이를 증명했습니다. 첫 해에 4억 100만 달러의 매출을 올렸습니다.
Gallagher의 스택은 서로 대화하는 AI 에이전트들이었습니다. 두 에이전트가 대화할 수 없을 때, 그는 조정을 처리할 더 많은 에이전트를 구축했습니다. 그는 직접 프롬프트를 테스트하고 문제가 생기면 개입했습니다.
Alook (GitHub 저장소)은 오픈 소스, 자체 호스팅 플랫폼으로, 코딩 에이전트를 실제 조직도로 전환합니다.
작동 방식은 에이전트를 만들고, 역할을 할당한 다음, 실제 이메일 받은 편지함을 제공하는 것입니다.
에이전트들은 서로 이메일을 주고받으며 업데이트를 알려줍니다. 이들은 사용자 컴퓨터에서 실제 Claude Code 또는 OpenCode 세션으로 실행되며, 사용자의 모든 도구에 완전히 액세스할 수 있습니다.
조직도는 모든 에이전트에게 정의된 역할과 보고 체계를 제공합니다. 사용자가 메시지를 중계하거나 직접 연결을 수정하지 않아도 에이전트들이 서로 조정합니다.
이제 Alook을 처음부터 설정하고, 4명의 에이전트 조직도를 구축한 다음, 실제 작업이 주어졌을 때 어떤 일이 일어나는지 지켜보겠습니다.
설정
Alook은 사용자 컴퓨터에서 데몬으로 실행되며, 다음 명령 하나로 연결됩니다:
1npx @alook/app onboard
이미 설치된 코딩 에이전트 런타임(Claude Code 또는 OpenCode)을 감지하고 에이전트 회사를 배포합니다.
그러면 http://localhost:15210에서 로컬 대시보드가 열립니다.
거기에서 빈 조직도 또는 Alook의 사전 제작 템플릿 중 구축하려는 것과 가장 가까운 템플릿으로 시작할 수 있습니다.
차트의 각 에이전트는 사용자 컴퓨터에서 실행되는 실제 Claude Code 또는 OpenCode 세션이며, 사용자가 사용하는 것과 동일한 도구에 완전히 액세스할 수 있고 실제 @alook.ai 받은 편지함을 가지고 있습니다.
받은 편지함은 조정 계층입니다. 에이전트들은 사용자가 수동으로 연결한 트리거를 통해 데이터를 전달하는 대신, 팀이 그렇듯이 서로 이메일을 주고받습니다.
회사 구축
경쟁 정보 분석은 일반적으로 누군가 가격 페이지를 확인하고, 숫자를 스프레드시트에 복사한 다음, 다음 날 다시 하는 것을 의미합니다.
우리는 이를 가격 추적기를 구축하고, 일정에 따라 실행하며, 변경 사항이 발생하면 즉시 이메일을 보내는 4명의 에이전트로 대체할 것입니다.
먼저, 에이전트를 하나씩 만들고, 고유한 역할을 할당하며, 실제 @alook.ai 받은 편지함을 확보합니다:
- Atlas (CEO)는 인간의 단일 연락 창구입니다. 작업을 Mara에게 위임합니다.
- Mara (PM)는 Atlas의 브리핑을 사양으로 바꾸고 Theo 또는 Ren에게 전달합니다. 그녀는 차트의 유일한 라우터입니다.
- Theo (엔지니어)는 경쟁 정보 분석을 위한 스크레이퍼를 구축하고 유지 관리합니다.
- Ren (운영 및 고객 대응)은 추적된 변경 사항이 감지되면 인간에게 알립니다.
에이전트가 활성화되면 보고 계층 구조를 연결합니다: Atlas에서 Mara로, Mara에서 Theo와 Ren으로.
Theo와 Ren은 서로 또는 Atlas와 직접 대화하지 않습니다. 오직 Mara를 통해서만 소통합니다.
이 설정은 모든 에이전트가 서로 말을 끊고 맥락을 잃는 혼란스러운 AI 그룹 채팅을 방지합니다.
Theo의 작업은 경쟁사 사이트 추적과 관련이 있으므로, 안정적으로 스크래핑하고 일정을 관리할 방법이 필요합니다.
따라서 Bright Data CLI에 대한 액세스 권한을 부여했습니다. 이를 통해 모든 웹사이트를 스크래핑하고, 필요한 경우 맞춤 스크레이퍼를 프로비저닝할 수 있으며, 실제 규모로 스크래핑하는 모든 에이전트를 방해하는 IP 차단 및 CAPTCHA를 피할 수 있습니다.
모든 웹사이트에 대한 맞춤 스크레이퍼를 구축하려면 일반 영어로 페이지를 설명하기만 하면, 구조화된 데이터를 반환하는 스크레이퍼를 구축합니다:
이제 AI 회사가 실제 작업을 어떻게 처리하는지 살펴보겠습니다.
회사 운영
위에서 언급했듯이, 모든 에이전트를 직접 관리할 필요는 없습니다. 대신 CEO인 Atlas와 대화하고 조직도가 나머지를 처리하도록 하면 됩니다.
railway.app/pricing의 가격을 추적하도록 요청합니다.
Atlas가 채팅에서 응답하고, 그 응답 뒤에는 Mara에게 이메일로 브리핑을 보내며, 해당 스레드는 동일한 창에 표시됩니다:
Mara는 브리핑을 사양으로 바꾸고 Theo에게 전달합니다.
사양은 페이지용 스크레이퍼, 타임스탬프가 찍힌 스냅샷, 변경 감지, 일일 실행, 그리고 실제로 읽을 수 있는 보고서를 다룹니다.
Theo는 Mara와 Atlas가 그랬던 것처럼 이메일로 사양을 확인한 다음, Bright Data CLI를 사용하여 구축하고 실행 중이면 보고합니다.
이것이 Theo가 방금 구축한 스크레이퍼로, Bright Data의 대시보드에 있습니다:
에이전트가 지정된 웹사이트를 이해하여 스스로 프로비저닝한 실제 맞춤 스크레이퍼이며, 실행 후 사라지는 일회성 CLI 호출이 아닙니다. 동일한 화면에서 수동으로 트리거하거나 API를 사용하여 직접 호출할 수 있습니다:
Mara는 구축 완료를 Atlas에게 중계하고, Atlas는 동일한 채팅에서 우리에게 알립니다:
회사는 당신 없이 운영됩니다
Theo가 구축이 완료되었음을 확인하면 작업이 끝난 것이 아닙니다. 일정은 계속 실행되어야 하고, 누군가는 그 결과를 계속 주시해야 합니다.
에이전트는 스스로 스크레이퍼를 회사 캘린더에 오전 9시 반복 작업으로 추가합니다.
이것이 Ren의 작업입니다. 그는 추적기의 출력을 모니터링하고, 페이지의 가격이 실제로 변경되는 순간 메모를 보냅니다.
전체 루프는 감독 없이 실행됩니다.
우리는 Atlas에게 하나의 브리핑을 전달했고, 조직은 스크레이퍼를 프로비저닝하고, 일정을 예약했으며, 추가 입력 없이 출력을 계속 주시하는 사람을 유지했습니다.
직접 시도해보세요
이 연습의 모든 에이전트는 Claude Code로 실행되었지만, Codex와 OpenCode도 동일하게 작동합니다. Alook을 사용하면 자신의 에이전트를 가져와서 선택한 에이전트에게 역할, 받은 편지함 및 계속 실행되는 런타임을 제공할 수 있기 때문입니다.
완료된 모든 작업은 다음 작업을 위한 컨텍스트를 구축하므로, 에이전트는 실행할 때마다 회사를 처음부터 다시 배우지 않습니다.
에이전트 간의 모든 이메일은 동일하게 기록되므로, 결정이 어떻게 내려졌는지 정확히 다시 읽을 수 있습니다.
(별표를 눌러주는 것도 잊지 마세요 🌟)
감사합니다! :)
