Claude Cowork와 ChatGPT Work: 에이전트 워크스페이스의 학습·통제 방식

시연을 스킬로 남기는 방식과 워크스페이스로 확장하는 방식

2026년 7월, 엔터프라이즈 에이전트 워크스페이스 시장에서 Anthropic과 OpenAI의 접근이 뚜렷하게 갈린다. Anthropic은 7월 21일 Claude Cowork에 Record a Skill을 내놓아, 사용자가 화면을 조작하고 음성으로 설명하는 과정을 재사용 가능한 스킬로 바꾸는 시연 기반 자동화를 제시했다. OpenAI는 7월 9일 ChatGPT Work를 공개하며 클라우드에서 호스팅되는 워크스페이스 에이전트, Codex 데스크톱 앱, 호스팅 사이트 통합을 내세웠다.

두 제품이 겨냥하는 경험은 비슷하다. 복잡한 일을 에이전트에게 넘기고 다른 업무를 하는 동안 실행하게 한 뒤, 완성된 결과물을 받는 hands-off delivery다. 차이는 스킬을 배우는 방법, 실행이 일어나는 위치, 그리고 통제를 설계하는 방식에서 드러난다.

Cowork는 데스크톱과 로컬 작업 흐름에 붙어 화면 시연을 학습 재료로 삼는다. Pro·Max·Team 플랜으로 제공된다. Work는 워크스페이스 에이전트를 구성하고 도구 커넥터와 스케줄을 연결해 팀 자산으로 운영하는 쪽에 가깝다. 이 변화는 프롬프트를 정교하게 작성하는 일에서 벗어나, 업무를 직접 보여주는 방식으로 자동화 진입장벽을 낮추는 흐름이기도 하다.

화면 이벤트와 의도를 결합해 스킬로 만드는 흐름

시연 기반 스킬 학습은 캡처, 파싱, 스킬 추출, 파라미터화, 저장, 재사용, 실행 격리의 순서로 이어진다. Claude Cowork는 클릭, 타이핑, 창 전환 같은 화면 이벤트와 음성 나레이션을 함께 캡처해 절차와 그 의도를 추론하고 스킬 라이브러리에 등록한다.

ChatGPT Work의 경로는 다르다. 워크스페이스 에이전트를 한 번 구성하고, 도구 커넥터와 스케줄을 연결한 뒤 팀 전체에 공유한다. 실행은 토큰 기반 크레딧 과금으로 이뤄진다.

⤢✕

파싱 단계에서는 화면 좌표 이벤트와 나레이션 텍스트를 정렬해, 사용자가 무엇을 했는지와 왜 했는지를 함께 다룬다. 이 정보를 반복 가능한 절차 단위로 나누는 과정이 필요하다. 이어 입력 파일명, 수신자, 기간처럼 매번 바뀌는 요소를 변수로 뽑아내면, 한 번의 시연이 여러 번 쓸 수 있는 템플릿이 된다.

재사용성만큼 중요한 것은 실행 경계다. 파일시스템 접근과 외부 API 호출은 샌드박스 안으로 제한해야 한다. Cowork는 로컬 격리에, Work는 클라우드 테넌트 격리에 무게를 둔다. 파일 삭제, 전송, 결제처럼 민감한 동작에는 사람 승인(human-in-the-loop) 게이트를 둬야 한다.

파일럿은 반복적이고 위험이 낮은 업무에서 시작한다

도입 초기에 적합한 대상은 반복성과 규칙성이 높고 리스크가 낮은 일이다. 보고서 취합, 데이터 정제, 정형 이메일 초안처럼 결과를 검토하기 쉬운 업무가 여기에 해당한다.

시연 녹화는 그 자체로 새로운 데이터 자산이자 보안 대상이다. 자격증명, 개인정보, 내부 URL이 화면에 드러나지 않도록 화면 마스킹, 녹화 전 체크리스트, 사전 세션 정리가 필요하다. 녹화 산출물의 저장 위치, 보존 기간, 암호화 정책을 정하고, 나레이션 음성에 대한 개인정보 처리 방침도 마련해야 한다.

생성한 스킬은 바로 프로덕션에 넣지 않는다. 격리 환경에서 드라이런(dry-run)을 수행하고 예상 산출물과 실제 산출물의 diff를 검토한다. 권한은 스킬별로 최소 권한(least privilege) 원칙에 따라 부여하며, 파일 쓰기와 외부 전송은 별도 승인 등급으로 분리한다.

운영 단계에서는 스킬 실행 이력, 입력, 산출물, 승인자를 감사 로그로 남긴다. 이는 금융·의료·법무 분야의 규제 대응 근거가 된다. 대상 시스템 UI나 API 스펙이 바뀌면 회귀 검증 파이프라인을 가동하고, 실패한 스킬은 자동 비활성화해야 한다. 검증된 스킬만 팀 공유 대상으로 승격하고, 카탈로그·소유자·버전을 관리해야 섀도 자동화를 막을 수 있다.

같은 목표를 향하지만 운영 단위가 다르다

비교 항목	Claude Cowork (Anthropic)	ChatGPT Work (OpenAI)
출시 시점	Record a Skill 2026-07-21	플랫폼 2026-07-09
스킬 생성 방식	화면 녹화 + 음성 나레이션 시연	워크스페이스 에이전트 1회 구성
실행 위치	로컬 데스크톱 통합·파일시스템	클라우드 호스팅·백그라운드
강점 워크플로	로컬 파일 파이프라인(Excel·PPT·메일)	웹 기반(리서치·예약·수집)
팀 공유	스킬 라이브러리 공유	조직 전체 공유·Slack 연동
M365 통합	MCP 커넥터, 2026-07 쓰기 지원 추가	상대적으로 얕은 통합
과금	플랜 기반(Pro·Max·Team)	토큰 기반 크레딧(2026-07-06 시작)
리스크 성향	신중·격리 지향(금융·의료·법무 선호)	확장·에코시스템 지향
제공 형태	데스크톱 앱 통합	워크스페이스 에이전트 리서치 프리뷰

Cowork의 강점은 개인이 직접 보여준 작업을 스킬로 승격하는 데 있다. 비개발자는 프롬프트나 스크립트를 설계하는 대신 실제 업무를 시연할 수 있다. Work는 처음부터 팀 단위의 자산으로 구성하는 구조라서 중앙 관리와 조직 내 확산에 유리하다.

시연 기반 자동화와 코드·스크립트 기반 자동화도 구분할 필요가 있다. 시연 방식은 작성 비용이 낮지만 유지보수 시 재녹화가 필요하다. 코드 방식은 초기 비용이 높지만 버전관리, 테스트, CI 연계에 유리하다.

전통 RPA가 좌표나 셀렉터에 의존해 UI 변경에 취약(brittle)한 것과 달리, 에이전트 스킬 자동화는 의도 기반 추론을 통해 변화 적응과 예외 처리에서 우위를 보인다. 다만 비결정성(non-determinism)은 검증 부담을 키운다. 선택 기준은 어느 제품이 더 낫냐가 아니라, 조직의 기존 스택과 리스크 성향에 어느 쪽이 맞는가다.

스킬을 정보자산으로 다루는 거버넌스

시연 기반 스킬은 조직의 암묵지(tacit knowledge)를 형식지(explicit knowledge)로 옮기는 수단이 될 수 있다. 지식관리(KM) 관점에서는 SECI 모델의 외재화(externalization)를 자동화하는 구조로 볼 수 있다.

따라서 스킬은 개인 편의 기능이 아니라 등록, 분류, 소유권 지정이 필요한 정보자산이다. 스킬 카탈로그를 CMDB와 지식저장소에 연결해 관리할 수 있다. 자동화 실행은 승인 워크플로, 직무분리(SoD), 변경관리 절차 안에 포함돼야 하며, 실행의 추적성과 책임성을 확보해야 한다.

정보보안 측면에서는 시연 녹화에 포함될 수 있는 민감정보 노출이 핵심 위험이다. ISMS-P·개인정보보호 관점에서 캡처 데이터 통제, 접근권한, 보존 정책을 세워야 한다. 비결정적 에이전트의 오작동을 고려해 회귀 검증, 롤백, 킬스위치(kill switch), 자동화 실패의 영향도 평가도 필요하다.

EA(전사아키텍처) 관점에서는 에이전트 워크스페이스를 애플리케이션 및 기술 아키텍처 계층에 정식으로 편입해야 한다. 파일럿에서 표준화, 최적화로 이어지는 자동화 성숙도 단계와 KPI·ROI를 관리하고, 단일 벤더 종속(lock-in)을 피하기 위해 스킬 정의의 이식성과 MCP 같은 표준 준수 여부를 평가할 필요가 있다.

에이전트 자동화가 향할 방향

시연을 통해 배우는 방식은 프롬프트 엔지니어링을 대체하며 비개발자 자동화를 넓혀갈 전망이다. 스킬 마켓플레이스, 조직 간 공유, 스킬 조합(composition)은 자동화를 재사용 가능한 자산으로 만들 가능성이 있다.

규제 산업을 중심으로 에이전트 감사, 권한, 격리에 대한 요구도 제도화될 것으로 보인다. MCP 같은 개방 표준을 둘러싼 커넥터와 플러그인 생태계의 경쟁은 채택에 영향을 줄 수 있다. 로컬 격리(Cowork형)와 클라우드 호스팅(Work형)의 장점을 함께 요구하는 하이브리드 아키텍처도 늘어날 전망이다.

사람의 역할은 실행자에서 검증자와 거버넌스 관리자로 이동한다. 스킬 큐레이션과 품질 관리가 핵심 역량이 되고, 전통 RPA 벤더 역시 에이전트 스킬 중심의 AI 네이티브 자동화로 전환 압박을 받을 수 있다.

Claude Cowork의 Record a Skill과 ChatGPT Work는 각각 시연 기반 학습과 클라우드 워크스페이스라는 경로를 택하지만, 학습과 재사용의 루프를 강화한다는 목표는 같다. 자동화의 확산은 제품 선택만으로 결정되지 않는다. 스킬을 정보자산으로 관리하고 감사, 권한, 회귀 검증을 운영 체계에 포함할 수 있는지가 더 직접적인 기준이 된다.