이 책은 챗봇·AI 에이전트로 반복 업무를 자동화해 보았지만 비용 변동, 결과 편차, 긴 실행 시간, 오류 추적의 어려움에 부딪힌 자동화 실무자·기획자·1인 사업자·노코드 도구 사용자가 독자는 현재의 에이전트 자동화 하나를 분석해 AI가 필요한 설계 단계와 결정론적으로 실행할 운영 단계를 분리하고, 명세·그래프·테스트·재사용 부품으로 구성된 워크플로우로 전환할 수 있다.라는 목표를 달성하도록 돕는다. AI 에이전트의 가장 경제적인 역할은 매번 판단하는 실행자가 아니라 요구사항을 구조화하고 예외를 발견하며 워크플로우를 생성하는 설계자일 수 있다. 컴파일형 자동화는 자연어 요구사항을 입력·출력 스키마, 단계 그래프, 분기 조건, 오류 처리 규칙, 테스트로 변환한 뒤 운영 시에는 고정된 코드나 노코드 플로우만 실행하는 방식이다. 모든 업무를 결정론적으로 만들 수는 없다. 분류·요약·창작처럼 의미 판단이 본질적인 단계와 형식 변환·검증·전송처럼 규칙화 가능한 단계를 먼저 분리해야 한다. 전환 여부는 단순 API 가격이 아니라 설계비, 회당 실행비, 실패 확률, 검수 시간, 재작업비를 포함한 누적 기대비용으로 판단해야 한다. 손익분기 실행 횟수는 대략 초기 고정화 비용을 에이전트 방식과 결정론적 방식의 회당 기대비용 차이로 나누어 계산할 수 있다. 분모에는 오류와 사람 검수의 기대비용도 포함해야 한다. 결정론적 자동화의 신뢰성은 프롬프트가 아니라 입력 계약, 출력 계약, 멱등성, 재시도 정책, 타임아웃, 로그, 회귀 테스트로 확보한다. 자연어는 요구사항을 설명하는 인터페이스로 사용하되, 실행 가능한 최종 산출물은 노드·간선·조건·스키마가 명시된 그래프여야 한다. 재사용 단위는 완성된 거대 워크플로우가 아니라 입력과 출력이 고정된 작은 부품이어야 한다. 수집, 정규화, 검증, 변환, 저장, 알림을 독립 모듈로 분리하면 다른 자동화에 조합할 수 있다. AGENTS.md 평가 연구에서는 컨텍스트 파일이 지시 준수와 탐색을 늘렸지만 과제 성공률을 일반적으로 높이지 못했고 평균 추론 비용을 20% 넘게 증가시켰다. 이는 실행 루프에 추가되는 AI 지시와 추론이 반드시 성과로 이어지는지 측정해야 한다는 근거가 된다. Microsoft의 관찰 연구에서는 CLI 코딩 에이전트 사용자의 병합 PR이 추정 반사실 대비 약 24% 많았지만, 연구진도 PR 수가 제공 가치나 품질과 같지 않다고 명시했다. 따라서 AI 도입 효과는 처리량과 함께 품질·비용·유지보수성을 평가해야 한다. 각 장은 개념 설명에 머물지 않고 실제 업무에 적용할 수 있는 점검 기준과 실행 순서를 제시한다.