Everywhere, Every things!

예전의 AI 활용은 꽤 단순했다. 문서 초안을 써달라고 하거나, 회의 내용을 요약해달라고 하거나, 아이디어를 몇 개 뽑아달라고 시키는 식이었다. 이 방식은 여전히 유효하다. 다만 최근 흐름은 분명히 한 단계 넘어갔다. 이제 중요한 건 AI가 말을 얼마나 그럴듯하게 하느냐가 아니라, 내가 쓰는 자료와 도구에 얼마나 제대로 연결되느냐다.

Anthropic은 공식 발표에서 Claude용 Integrations를 공개했고, 동시에 Advanced Research 기능을 확장했다고 밝혔다. 발표 내용에 따르면 Claude는 웹, Google Workspace, 연결된 서비스까지 함께 탐색해 인용이 포함된 종합 리포트를 만들 수 있고, 복잡한 조사에서는 5분에서 길게는 45분까지 스스로 탐색을 이어간다. 여기에 기반이 되는 개념이 바로 MCP(Model Context Protocol) 다. MCP 문서와 Anthropic 발표는 이 프로토콜을 외부 데이터·도구·워크플로를 AI와 연결하는 개방형 표준으로 설명한다.

이 변화가 왜 중요할까. 지금까지 많은 사람은 AI를 ‘대답 잘하는 비서’ 정도로 썼다. 하지만 실무에서 진짜 시간을 잡아먹는 건 답변 자체보다, 자료를 찾고, 여러 툴을 오가며 맥락을 연결하고, 다시 정리해서 다음 액션으로 넘기는 과정이다. 연결형 AI 리서치는 바로 이 구간을 건드린다. 오늘은 이 흐름이 왜 실전적인지, 그리고 직장인이 어떻게 써야 진짜 생산성이 나는지 정리해보자.

핵심 요약

• AI 활용의 중심이 ‘질문 → 답변’에서 ‘연결 → 조사 → 정리 → 실행’으로 이동하고 있다.
• Anthropic 공식 발표 기준으로 Claude는 Integrations를 통해 외부 서비스와 연결되고, Advanced Research를 통해 웹·Google Workspace·연결된 서비스까지 함께 조사할 수 있다.
• MCP는 외부 시스템 연결을 표준화하는 구조라서, 앞으로는 특정 앱 하나보다 연결된 업무 흐름 자체가 경쟁력이 될 가능성이 크다.
• 실무에서는 자료 수집 시간을 줄이는 것보다, 맥락이 끊기지 않는 조사 루틴을 만드는 쪽이 더 큰 성과를 만든다.

왜 지금 ‘연결형 AI’가 중요한가

실무자는 늘 비슷한 문제를 겪는다. 자료는 여기저기 흩어져 있고, 메신저에는 고객 요구가 있고, 문서함에는 이전 보고서가 있고, 캘린더에는 일정이 있고, 프로젝트 툴에는 진행 상황이 따로 있다. 사람이 하나하나 열어서 읽고 맥락을 맞추는 건 가능하다. 하지만 느리다. 그리고 느릴수록 중요한 판단은 자꾸 뒤로 밀린다.

Anthropic의 발표에서 흥미로운 지점은 단순 연결 자체가 아니라, 연결된 상태에서 조사 기능이 더 깊어졌다는 점이다. 회사 설명대로라면 Claude는 요청을 작은 조사 단위로 나눠서 내부·외부 자료를 함께 살핀 뒤, 인용이 포함된 보고서로 정리한다. 이건 단순 검색과 다르다. 검색은 링크를 찾는 일이고, 연결형 리서치는 맥락을 수집해 판단 재료를 조합하는 일에 가깝다.

특히 업무 현장에서는 ‘어디에 뭐가 있었는지’ 기억하는 사람이 항상 유리했다. 그런데 연결형 AI가 확산되면 그 우위의 일부가 바뀔 수 있다. 앞으로는 기억력이 좋은 사람보다, 어떤 소스를 연결해야 좋은 답이 나오는지 설계하는 사람이 더 강해질 수 있다.

Claude Integrations가 보여준 변화의 방향

Anthropic은 Integrations를 통해 Atlassian의 Jira·Confluence를 포함한 10개 인기 서비스와 Claude를 연결할 수 있다고 설명했다. 발표문에는 Zapier, Cloudflare, Intercom, Asana, Square, Sentry, PayPal, Linear 같은 서비스가 예시로 제시된다. 또 개발자는 문서나 Cloudflare 같은 배포 수단을 활용해 자체 Integration도 비교적 빠르게 만들 수 있다고 안내한다.

이 말의 핵심은 화려한 기능 소개가 아니다. AI가 더 이상 빈 창에서만 일하지 않는다는 것이다. 예를 들어 지금까지는 회의 준비를 하려면 캘린더를 보고, CRM을 보고, 지난 메일을 보고, 프로젝트 이슈를 따로 봐야 했다. 연결형 AI에서는 이 흐름이 한 대화 안으로 들어오기 시작한다. 질문 하나에 답 하나를 받는 게 아니라, 여러 소스의 조합을 바탕으로 상황판을 받는 구조다.

MCP 관점에서도 이 흐름은 자연스럽다. MCP 공식 문서는 이 프로토콜을 AI용 USB-C에 비유한다. 앱과 데이터 소스마다 연결 방식을 제각각 만드는 대신, 표준화된 방식으로 붙이자는 개념이다. 이게 자리 잡으면 앞으로 업무 생산성의 핵심은 “어느 모델이 더 똑똑한가”보다 “우리 업무 환경과 얼마나 자연스럽게 이어지는가”로 이동할 가능성이 크다.

실무에서 바로 써먹는 3가지 연결형 리서치 루틴

1. 회의 준비 루틴: ‘요약’보다 ‘맥락 브리핑’ 만들기

연결형 AI가 가장 먼저 빛나는 건 회의 준비다. 보통 회의 전에 필요한 자료는 분산돼 있다. 지난 회의 메모, 관련 문서, 일정, 이슈 트래커, 고객 대화 이력까지 다 따로 봐야 한다. 이때 AI에게 단순 요약을 시키는 것보다, 회의 목적에 맞는 맥락 브리핑을 요청하는 방식이 훨씬 유용하다.

예를 들면 이런 식이다.

• 지난 2주간 관련 문서와 이슈를 기준으로 핵심 쟁점 3개 정리
• 일정상 이번 주 의사결정이 필요한 항목만 분리
• 회의 참석자별로 필요한 준비 질문 제안

이렇게 쓰면 회의 전 정보 수집 시간이 줄어드는 것보다 더 중요한 변화가 생긴다. 회의가 ‘자료 공유 시간’이 아니라 판단 시간으로 바뀐다.

2. 이슈 조사 루틴: 웹 검색 + 내부 문서 결합하기

Advanced Research의 강점은 내부 자료와 외부 자료를 함께 보는 구조다. 이게 실무에서 중요한 이유는, 대부분의 문제는 내부 사정만 봐도 안 되고 외부 뉴스만 봐도 안 되기 때문이다.

예를 들어 공급망, 마케팅, 제품기획, 고객지원 모두 비슷하다. 내부 문서에는 현재 상황이 있고, 외부 기사와 공식 발표에는 시장 변화가 있다. 이 둘을 연결하면 단순 현황 정리가 아니라 상황 해석이 가능해진다.

아래처럼 구분해서 쓰면 좋다.

핵심은 AI가 대신 생각해준다는 환상이 아니다. 오히려 반대다. 생각할 시간을 확보해주는 구조가 더 중요하다.

3. 실행 전환 루틴: 조사 결과를 바로 다음 액션으로 넘기기

많은 조직이 리서치를 열심히 하지만, 정작 실행으로 못 넘기는 이유는 따로 있다. 조사와 실행이 다른 툴, 다른 사람, 다른 문맥에서 움직이기 때문이다. 연결형 AI는 이 간극을 줄이는 데 강점이 있다.

Anthropic 발표에서도 Zapier Integration처럼 여러 앱과 워크플로를 잇는 예시가 나온다. 이 구조가 자리 잡으면 조사 결과를 정리한 뒤, 다음 행동까지 한 흐름으로 이어질 수 있다. 예를 들어:

• 조사 결과를 기반으로 회의 브리프 작성
• 핵심 이슈를 프로젝트 툴 태스크로 전환
• 고객 대응 초안 생성
• 후속 확인 일정까지 제안

즉, 좋은 연결형 AI 활용은 ‘멋진 답변’에서 끝나지 않는다. 다음 행동이 더 빨라지는가가 기준이 된다.

그렇다고 만능은 아니다: 냉정하게 봐야 할 한계

이 흐름이 유망하다고 해서 무작정 낙관할 필요는 없다. 오히려 실무자는 세 가지를 더 냉정하게 봐야 한다.

첫째, 연결된 데이터가 많을수록 질문 설계 능력이 더 중요해진다. 자료가 많다고 자동으로 좋은 결과가 나오지는 않는다. 어떤 범위를 볼지, 무엇을 제외할지, 최종 산출물을 어떤 형식으로 받을지 정교하게 지정해야 한다.

둘째, 인용이 있다고 해서 무조건 안전한 건 아니다. 인용은 검토를 쉽게 해주는 장치이지, 판단 책임을 대신해주지 않는다. 중요한 보고서일수록 출처의 날짜, 맥락, 원문 의미를 직접 확인해야 한다.

셋째, 연결형 AI는 개인 생산성 도구이면서 동시에 운영 체계의 문제이기도 하다. 권한, 보안, 접근 범위, 데이터 정책이 정리되지 않으면 편리함보다 리스크가 먼저 커질 수 있다.

앞으로 더 중요해질 사람은 누구인가

흥미로운 건 이제 AI를 잘 쓰는 사람의 기준도 바뀐다는 점이다. 예전에는 프롬프트를 얼마나 잘 쓰느냐가 화제가 됐다. 앞으로는 그보다 업무를 구조화하는 능력이 더 중요해질 가능성이 크다.

어떤 자료를 연결해야 하는지, 어떤 질문 순서로 조사해야 하는지, 어떤 형식으로 정리해야 의사결정이 빨라지는지 설계할 수 있는 사람이 강해진다. 다시 말해, 연결형 AI 시대의 생산성은 문장 센스보다 업무 설계 감각에 더 가깝다.

이건 꽤 반가운 변화이기도 하다. 화려한 프롬프트 요령 몇 개보다, 실제 일을 이해하는 사람이 더 유리해질 수 있기 때문이다. 결국 AI는 똑똑한 척하는 사람보다, 맥락을 정확히 붙이는 사람을 더 크게 도와줄 가능성이 높다.

결론

최근 AI 흐름에서 중요한 건 모델이 또 얼마나 똑똑해졌느냐가 아니다. 더 본질적인 질문은 이것이다. AI가 내 일의 맥락 안으로 들어왔는가. Anthropic의 Integrations와 Advanced Research, 그리고 MCP 생태계 확장은 이 질문에 대한 분명한 방향을 보여준다.

이제 생산성은 ‘질문 잘하기’만으로는 부족하다. 연결하고, 조사하고, 정리하고, 실행으로 넘기는 루틴까지 설계해야 진짜 차이가 난다. 앞으로 실무에서 AI를 잘 쓰는 사람은 답변을 많이 받는 사람이 아니라, 맥락 손실 없이 일을 흘러가게 만드는 사람이 될 가능성이 크다.

그러니 지금 필요한 건 무작정 최신 기능을 다 써보는 일이 아니다. 먼저 내 업무에서 자료가 끊기는 지점을 찾아보자. 그 지점을 AI와 연결해 한 번에 조사·정리·액션으로 이어지게 만들면, 그때부터 AI는 신기한 장난감이 아니라 진짜 업무 도구가 된다.

QnA

Q1. 연결형 AI 리서치는 일반 챗봇과 뭐가 다른가요?

A. 일반 챗봇이 주로 공개 정보와 대화 맥락 안에서 답을 만든다면, 연결형 AI 리서치는 외부 서비스·내부 문서·웹 자료를 함께 탐색해 더 실제 업무에 가까운 결과를 만드는 방식이다.

Q2. 가장 먼저 적용하기 좋은 업무는 무엇인가요?

A. 회의 준비, 프로젝트 브리핑, 이슈 조사처럼 여러 자료를 모아 맥락을 정리해야 하는 업무가 가장 효과를 보기 쉽다.

Q3. 연결만 많이 하면 생산성이 바로 오르나요?

A. 아니다. 연결보다 중요한 건 질문 범위, 필요한 출력 형식, 제외할 자료 기준을 명확히 설계하는 것이다.

Q4. 인용이 붙은 보고서면 그대로 믿어도 되나요?

A. 아니다. 인용은 검토를 쉽게 해주지만, 중요한 판단은 여전히 사람이 원문과 맥락을 확인해야 한다.

Q5. 개인도 이 흐름을 활용할 수 있나요?

A. 가능하다. 다만 처음에는 모든 툴을 붙이기보다, 자주 보는 문서함·일정·프로젝트 툴처럼 핵심 소스 1~2개부터 연결해보는 편이 현실적이다.

참고한 공개 출처

• Anthropic, “Claude can now connect to your world”
• Anthropic, “Introducing the Model Context Protocol”
• Model Context Protocol 공식 문서 소개 페이지

자동화를 한다고 말하는 조직과 정말 자동화가 돌아가는 조직의 차이는 생각보다 크다. 많은 팀이 ChatGPT 같은 생성형 AI를 붙이고, 회의록 요약이나 문서 초안 작성을 해보면서 “우리도 자동화를 시작했다”고 말한다. 하지만 실제 성과는 종종 기대보다 작다. 이유는 단순하다. 도구를 추가한 것과 워크플로우를 바꾼 것은 전혀 다른 일이기 때문이다.

2026년 들어 이 차이는 더 분명해지고 있다. PwC가 2026년 4월 13일 발표한 AI Performance study에 따르면 AI의 경제적 이익 중 4분의 3이 상위 20% 기업에 집중되고 있다. 특히 성과를 내는 기업은 단순히 AI를 도입한 곳이 아니라, 업무 흐름 자체를 AI에 맞게 재설계한 곳이었다. 이건 개인에게도 그대로 적용된다. 자동화는 툴을 많이 쓰는 사람이 아니라, 반복 업무의 순서와 의사결정 지점을 다시 설계한 사람이 더 큰 효과를 본다.

핵심 요약

지금 자동화가 잘 안 되는 가장 큰 이유는 세 가지다. 첫째, 많은 사람이 자동화를 도구 설치 문제로 오해한다. 둘째, 실제 성과는 “몇 분 빨라졌는가”보다 “어떤 반복 의사결정을 제거했는가”에서 나온다. 셋째, 2026년의 AI 자동화는 더 이상 실험이 아니라 운영 구조의 문제다. 즉, 프롬프트를 잘 쓰는 것보다 어떤 입력이 들어오면 어떤 기준으로 어떤 결과를 자동으로 내보낼지 설계하는 능력이 중요해졌다.

이 글에서는 왜 단순 AI 활용과 워크플로우 자동화가 다른지, 자동화가 실패하는 이유는 무엇인지, 그리고 개인이나 팀이 지금 당장 어떤 구조로 자동화를 시작해야 하는지 현실적으로 정리해보겠다.

왜 AI 툴을 붙였는데도 자동화 성과가 안 나올까

많은 사람들이 자동화를 “사람이 하던 일을 AI가 대신하는 것” 정도로 이해한다. 물론 완전히 틀린 말은 아니다. 문제는 대부분의 업무가 단일 작업이 아니라 연결된 흐름이라는 점이다. 예를 들어 메일 하나를 처리하는 일도 실제로는 여러 단계로 나뉜다. 메일 확인, 중요도 판단, 관련 자료 검색, 답장 초안 작성, 일정 반영, 후속 조치 기록까지 이어진다. 그런데 많은 팀은 이 중 한 단계만 AI로 바꾼다. 그러면 부분적인 편의는 생겨도 전체 속도는 크게 좋아지지 않는다.

PwC 보고서가 중요한 이유가 여기에 있다. 성과를 내는 기업은 AI를 기존 업무에 덧붙이는 방식보다, 아예 워크플로우를 다시 설계하는 비율이 더 높았다. 다시 말해 “요약은 AI가 해준다” 수준이 아니라, “어떤 유형의 일이 들어오면 자동으로 분류되고, 요약되고, 사람에게는 판단이 필요한 것만 올라오게 하는 구조”를 만든다는 뜻이다.

Reuters 역시 2026년 3월 19일 보도에서 AI 투자가 늘어나는 가운데 일부 업종에서 인력 재편과 구조 변화가 이미 나타나고 있다고 전했다. 이 흐름은 자동화가 단순한 생산성 장난감이 아니라, 실제 운영 구조를 바꾸는 도구가 되고 있다는 뜻이기도 하다. 결국 2026년 자동화의 핵심 질문은 “AI를 쓸까 말까”가 아니라 “어디까지 기계가 맡고, 어디서 인간이 판단할까”다.

진짜 자동화는 작업이 아니라 흐름을 다룬다

자동화를 제대로 이해하려면 먼저 작업과 흐름을 구분해야 한다. 작업은 하나의 행동이다. 예를 들면 요약하기, 분류하기, 번역하기, 초안 쓰기 같은 것이다. 반면 흐름은 여러 작업이 연결된 상태다. 예를 들면 고객 문의 접수부터 분류, 응답, 기록, 후속 처리까지 이어지는 전체 과정이 흐름이다.

대부분의 자동화 실패는 작업 중심 사고에서 나온다. 한두 개 작업만 AI로 바꾸고 나서 전체가 좋아질 거라고 기대하는 것이다. 하지만 실제로는 흐름 안에서 병목이 사라져야 성과가 난다. 예를 들어 회의록 자동화도 단순 요약으로 끝나면 절반짜리다. 진짜 자동화는 회의록에서 액션아이템을 뽑고, 담당자를 분류하고, 기한을 잡고, 필요한 후속 메시지나 문서까지 연결하는 수준이어야 한다.

이 차이는 개인 생산성에서도 그대로 나타난다. 어떤 사람은 AI로 글 초안만 받는다. 다른 사람은 주제 조사, 자료 수집, 구조 설계, 초안 작성, 퇴고 체크리스트, 이미지 프롬프트 생성까지 하나의 파이프라인으로 묶는다. 두 사람 모두 AI를 쓰지만, 결과 차이는 훨씬 크게 벌어진다. 후자가 사실상 자동화를 하는 사람이다.

2026년 자동화에서 중요한 기준 4가지

1. 자동화의 목표는 시간 절약이 아니라 의사결정 압축이다

자동화를 이야기하면 흔히 “몇 시간을 줄였다”는 식으로 말한다. 물론 시간 절약은 중요하다. 하지만 실제 체감 성과는 의사결정 압축에서 더 크게 나온다. 사람이 계속 같은 유형의 판단을 반복하고 있다면, 그건 자동화 후보일 가능성이 높다.

예를 들어 메일 triage, 일정 우선순위 정리, 문서 버전 확인, 보고서 기본 구조 잡기, 반복 문의 응답 초안 작성 같은 건 매번 사람의 뇌를 소모시키는 대표적 업무다. 이런 건 한 번의 큰 결정이 아니라 작은 판단이 수십 번 반복되는 구조다. 그래서 피로가 크다. 자동화는 이 반복 판단을 제거하거나 줄여주는 쪽에서 성과가 더 크다.

2. 사람을 빼는 것보다 사람의 개입 지점을 줄이는 게 현실적이다

완전 자동화는 멋있어 보이지만 현실에서는 실패 확률도 높다. 특히 2026년처럼 AI 활용이 빠르게 늘고 규제와 신뢰 문제도 함께 커지는 환경에서는 무조건 자동으로 돌리는 방식이 오히려 리스크가 될 수 있다. 그래서 더 현실적인 방식은 “사람 없는 자동화”보다 “사람이 꼭 필요한 순간에만 개입하는 자동화”다.

예를 들어 고정형 보고서 생성, 메일 정리, 문서 정리, 정보 수집 같은 것은 자동화 비중을 높일 수 있다. 반면 외부 발송, 금액 확정, 평판 리스크가 있는 커뮤니케이션은 사람 승인 단계를 남기는 편이 안전하다. 자동화는 사람을 제거하는 기술이 아니라, 사람의 집중력을 중요한 곳에 남겨두는 기술에 가깝다.

3. 좋은 자동화는 입력 조건이 명확하다

자동화가 자꾸 흔들리는 가장 흔한 이유는 입력이 불명확하기 때문이다. 어떤 정보가 들어와야 하는지, 어떤 형식이어야 하는지, 예외가 생기면 어떻게 처리할지 기준이 없으면 자동화는 쉽게 깨진다. 많은 사람들이 프롬프트를 더 잘 쓰면 해결된다고 생각하지만, 실제 문제는 프롬프트보다 입력 구조인 경우가 많다.

예를 들어 보고서 자동화라면 날짜, 대상 독자, 리포트 목적, 포함해야 할 데이터, 금지 표현, 출력 형식 같은 기준이 미리 정리돼 있어야 한다. 이 조건이 없으면 결과물의 품질은 매번 달라진다. 반대로 입력 조건이 명확하면 도구가 바뀌어도 워크플로우는 유지되기 쉽다.

4. 자동화는 도구보다 운영 리듬과 함께 설계해야 한다

자동화는 “한 번 만들면 끝”이 아니다. 어떤 타이밍에 돌고, 누구에게 전달되고, 실패하면 어떻게 복구할지까지 포함해야 한다. 예를 들어 아침 리포트 자동화라면 7시 30분 생성, PDF 저장, DM 전송, 전송 성공 확인, 실패 시 백업 경로까지 있어야 진짜 운영 자동화다. 이 중 하나만 빠져도 체감 신뢰도는 급격히 떨어진다.

그래서 자동화는 도구 비교보다 운영 리듬 설계가 더 중요하다. 언제 실행할지, 어떤 체크포인트를 둘지, 어떤 실패를 허용하지 않을지 정하는 게 먼저다. 도구는 그다음이다.

개인이 지금 바로 시작할 수 있는 자동화 구조

개인에게 가장 현실적인 자동화 출발점은 거창한 에이전트 시스템이 아니다. 먼저 반복 빈도가 높은 흐름 2~3개를 고르는 게 좋다. 예를 들면 이런 것들이다.

• 매일 반복되는 정보 수집과 요약
• 자주 보내는 메시지나 메일 초안 작성
• 블로그나 문서 초안 제작
• 일정/할 일 정리와 우선순위 구분
• 회의 후 기록 정리와 후속 액션 추출

이 중 하나를 고른 다음, 다음 순서로 쪼개면 된다.

1. 입력은 무엇인가
2. 반복 판단은 어디서 일어나는가
3. 사람이 꼭 봐야 하는 단계는 어디인가
4. 최종 출력은 어떤 형식이어야 하는가
5. 실패하면 어떻게 알릴 것인가

이 구조로 보면 자동화가 훨씬 현실적으로 보인다. 중요한 건 화려한 기술보다 루틴을 재설계하는 감각이다.

결론

2026년의 자동화는 더 이상 AI 툴을 얼마나 많이 써봤느냐의 문제가 아니다. 진짜 차이는 워크플로우를 얼마나 다시 설계했느냐에서 나온다. 요약, 분류, 초안 작성 같은 단일 작업만 자동화해서는 성과가 제한적일 수밖에 없다. 반대로 입력, 판단, 승인, 출력, 복구까지 하나의 흐름으로 설계하면 자동화는 비로소 운영 체계가 된다.

그래서 지금 필요한 건 “어떤 AI 툴이 제일 좋을까”보다 “내가 매일 반복하는 흐름 중 어떤 것을 먼저 재설계할까”라는 질문이다. 자동화는 도구의 시대를 지나, 설계의 시대로 들어가고 있다. 먼저 그 차이를 이해한 사람이 결국 더 적은 힘으로 더 많은 결과를 만든다.

QnA

Q1. 자동화를 시작할 때 가장 먼저 고를 업무는 무엇이 좋을까?

A. 매일 반복되고 판단 패턴이 비슷한 업무가 가장 좋다. 예를 들면 메일 정리, 자료 요약, 회의록 정리처럼 반복성이 높은 일이 출발점으로 적합하다.

Q2. AI 툴을 많이 쓰면 자동화를 잘하는 사람이라고 볼 수 있을까?

A. 꼭 그렇진 않다. 도구 사용량보다 입력, 판단, 출력의 흐름을 얼마나 설계했는지가 더 중요하다.

Q3. 완전 자동화를 목표로 해야 할까?

A. 처음부터는 아니다. 사람 승인 지점을 남겨둔 반자동 구조가 훨씬 안정적이고 실용적이다.

Q4. 자동화가 자꾸 깨지는 이유는 뭘까?

A. 대개 입력 조건과 예외 처리 기준이 불명확해서다. 프롬프트보다 운영 규칙이 먼저 정리돼야 한다.

Q5. 개인도 워크플로우 자동화를 제대로 할 수 있을까?

A. 충분히 가능하다. 오히려 개인은 팀보다 의사결정이 빨라서 작은 자동화를 더 빨리 정착시키는 장점이 있다.