티스토리 뷰
AI를 '쓰러 가는(go to use)' 시대에서 AI를 '소유하는(own)' 시대로
ChatGPT 창을 열고, 로그인하고, 프롬프트를 입력하는 일. 지금까지 AI를 활용하는 방식은 대부분 이런 흐름이었다.
AI를 쓰고 싶으면 AI가 있는 곳으로 직접 찾아가야 했다.
그런데 이 방식이 바뀌기 시작하고 있다. 지금은 퍼스널 AI 에이전트의 시대로 전환되는 변곡점이다.
GitHub에서 175,000개 이상의 스타를 기록하며 폭발적으로 성장 중인 오픈소스 프로젝트 오픈클로(OpenClaw, https://openclaw.ai/) 는 AI를 '서비스로 이용하는' 것이 아니라 '개인 비서로 소유하는' 개념을 구현한다.
이 글에서는 오픈클로가 어떤 방식으로 작동하는지, 그리고 이 도구가 왜 AI 활용의 새로운 패러다임을 보여주는지 살펴본다.
오픈클로란 무엇인가
오픈클로는 터미널 실행, 파일 조작, 브라우저 제어가 가능한 AI 에이전트다.
기존의 AI 챗봇이 대화창 안에서만 작동하는 것과 달리,
오픈클로는 실제 컴퓨터 환경에서 사람이 하는 작업을 직접 수행할 수 있다.
쉽게 말하면, 이전의 AI는 "이렇게 하면 됩니다"라고 알려주는 조언자였다면,
오픈클로는 직접 그 일을 해내는 실행자에 가깝다.
단, AI에게 컴퓨터의 광범위한 접근 권한을 부여하는 만큼 보안 고려가 필수다. 자세한 내용은 아래에서 다룬다.
메신저 연동: 가장 강력한 차별점
오픈클로의 가장 주목할 만한 기능은 디스코드, 왓츠앱, 텔레그램, 슬랙 등 다양한 메신저와의 연동이다.
설정을 마치면, 스마트폰이나 컴퓨터 어디서든 메신저로 메시지 하나를 보내는 것만으로 AI에게 작업을 지시할 수 있다.
프롬프트 창을 따로 열거나 특정 웹사이트에 접속할 필요가 없다.
예를 들어 외출 중에 "오늘 회의 자료 정리해서 저장해 줘"라고 보내면 AI가 처리한다.
단, AI가 해당 파일이나 시스템에 접근할 수 있도록 사전 설정이 필요하다.
이 방식의 핵심은 접근성의 변화다.
AI가 내 메신저 채널 안에 들어오는 것이기 때문에, 별도의 앱을 켜거나 새로운 인터페이스를 배울 필요가 없다.
이미 익숙한 방식으로 AI에게 일을 시킬 수 있다는 점이 실용적 차이를 만든다.
기억하는 AI: 마크다운 파일 기반 메모리
AI 도구를 써본 사람이라면 한 번쯤 불편함을 느꼈을 것이다.
매번 새 대화를 시작할 때마다 "나는 이런 상황이고, 이런 방식을 선호한다"는 배경 설명을 다시 해야 하는 상황 말이다.
AI는 기본적으로 대화가 끝나면 맥락을 기억하지 못한다.
오픈클로는 이 문제를 마크다운 파일 기반의 메모리 시스템으로 해결한다.
사용자의 선호, 이전에 처리한 작업의 결과, 반복되는 지시 사항 등을 마크다운 파일에 자동으로 기록한다.
다음에 다시 대화를 시작해도 이 파일을 참조해 맥락을 이어갈 수 있다.
단순하지만 효과적인 방식이다.
복잡한 데이터베이스나 별도의 메모리 서버 없이, 텍스트 파일 하나로 AI의 '기억력' 문제를 현실적으로 극복한다.
자율 실행: 명령 없이도 움직이는 AI
더 나아가 오픈클로는 cron job(크론 잡, 예약 작업) 방식의 자율 실행을 지원한다.
특정 시간이나 조건에 따라 AI가 스스로 작업을 수행하도록 설정할 수 있다는 의미다.
예를 들어, 매일 오전 8시에 특정 웹사이트의 정보를 수집하거나,
매주 월요일에 한 주의 일정을 정리해 파일로 저장하는 작업을 자동화할 수 있다.
그 순간 직접 명령을 내리지 않아도 된다.
주기적인 보고서 작성이나 데이터 백업 같은 반복 업무를 사람의 개입 없이 처리하는 것도 가능하다.
이 기능은 AI를 단순한 '응답기'에서 '능동적 보조자'로 변화시킨다.
사용자가 요청해야만 움직이는 것이 아니라, 설정된 규칙에 따라 먼저 행동하는 AI가 되는 것이다.
스킬 시스템: AI에게 새 기능 가르치기
오픈클로에는 SKILL.md 기반의 스킬 시스템이 있다.
별도의 마크다운 파일에 새로운 도구 사용법이나 특정 작업 절차를 정의해 두면, AI가 해당 파일을 참조해 그 기능을 수행한다.
기능 확장이라는 목적 면에서는 AI 개발 생태계에서 확산 중인 MCP(Model Context Protocol)와 맥락이 닿아 있다.
다만 MCP는 클라이언트-서버 간 표준 프로토콜인 반면,
SKILL.md는 별도의 서버 없이 마크다운 파일만으로 동작한다는 점이 다르다.
외부 API 연결, 특정 서비스 조작 방법 등을 직접 정의하고 AI의 능력을 확장할 수 있다는 점은 두 방식 모두 공통적이다.
예컨대 사내 업무 시스템 접근 절차를 SKILL.md에 기술해 두면, AI는 해당 파일을 참조해 그 절차대로 작업을 수행한다.
주의할 점: 보안과 비용
오픈클로를 실제로 활용하려면 현실적인 주의가 필요하다.
보안 리스크가 가장 중요한 고려 사항이다.
AI가 터미널, 파일, 브라우저에 자유롭게 접근할 수 있다는 것은
곧 파일 삭제나 개인 정보 유출이 발생할 수 있다는 의미이기도 하다.
이 때문에 도커 컨테이너(Docker Container, 격리된 실행 환경)나
별도의 기기에서 격리된 환경으로 운용하는 방식이 권장된다.
API(애플리케이션 프로그래밍 인터페이스) 토큰 비용도 현실적인 문제다.
AI 에이전트를 상시 운용하면 API 호출 비용이 빠르게 쌓인다.
이 부담을 줄이기 위해 클라우드 API 대신 로컬 LLM(대형 언어 모델)을 활용하는 방식이 주목받고 있다.
Apple Silicon 기반 맥은 CPU와 GPU가 동일한 메모리 풀을 공유하는 통합 메모리 구조를 갖는다.
이 덕분에 별도 GPU 없이도 대용량 LLM 실행이 가능해 로컬 운용에 적합한 것으로 알려져 있다.
최근 오픈클로 덕분에(?) 맥미니가 품귀 현상을 겪고 있는 이유다.
퍼스널 AI 에이전트: 앞으로의 흐름
오픈클로는 현재로서 기술적으로 진입 장벽이 있는 프로젝트다.
터미널 환경 설정, 도커 운용, API 키 연결 등 비개발자에게는 낯선 과정이 필요하다.
그러나 이 진입 장벽 자체가 현재 시점의 한계일 뿐, 방향성이 잘못된 것은 아니다.
오픈클로와 같은 프로젝트들이 보여주는 흐름은 분명하다.
AI를 서비스로 '이용'하는 것이 아니라, 나만의 AI를 '소유하고 부리는' 개념이 점차 현실화되고 있다는 것이다.
지금 당장 오픈클로를 쓰기 어렵더라도, 이 흐름을 이해하고 준비하는 사람이 AI 활용의 다음 단계를 먼저 차지한다.
AI를 어떻게 설계하고 소유하느냐가 앞으로의 생산성 격차를 결정할 것이다.