마이클 알바다
5시간 전
인공지능, AI 이야기를 하다보면 ‘에이전트’라는 연결 단어가 자주 등장합니다. 트렌드가 너무 빠르네요. AI 조금 이해했다치면 에이전트, 에이전틱, 할루시네이션, 컨텍스트, 오픈클로, MCP, A2A…(헉헉…) 등등등. AI와 연결해서 사용하는 다양한 개념들이 등장합니다. 기술 좀 아는 빠른 사람들은 이미 그 기술들을 사용해 보고 경험담을 내놓고 있기도 합니다.
그래서 전문가가 아닌 일반인에게도 도움이 되고 사용하면 삶을 편하게 해줄 ‘AI 에이전트’가 도대체 뭔지 좀더 쉽게 다가가 보려고 합니다. (그나마 쉽게…) 시작해 보겠습니다. 천천히 꼭꼭 소화시켜서 나 에이전트 좀 아는 사람이 되어봅시다.
자율형 에이전트는 다양한 환경에서 독립적으로 추론하고 의사결정을 내리며 효과적으로 상호작용하는 지능형 소프트웨어 시스템을 말합니다. 기존의 소프트웨어와 달리 자율 에이전트는 컨텍스트를 해석하고 변화하는 상황에 적응하며, 최소한의 관리 감독으로도 복잡한 작업을 수행합니다.
단어들이 그렇게 익숙하지는 않아서 이해가 어려울 수도 있겠습니다. 좀더 단순하게 설명하자면, 챗GPT와 같은 AI 도구가 우리가 일반적으로 사용하는 전문가라고 해 봅시다. 한 명의 전문가와 질문을 주고 받으며 원하는 결과를 도출하는 셈이죠. AI 에이전트는 하나의 질문 혹은 지시가 각각 분야의 여러 전문가에게 하달되어 종합적인 결과를 도출하는 형태라고 생각하면 되겠습니다.
즉, 한 명과 일하는 것과 여러 전문가와 일하는 것의 차이라고 하면 좀더 이해가 쉽겠습니다.
자율 에이전트는 데이터를 스스로 분석하고 환경을 해석하며 컨텍스트(context)에 기반한 결정을 내리도록 설계된 지능형 시스템입니다. 에이전트(agent)라는 용어가 널리 쓰이면서 실제로는 자율성이 없는 시스템에도 이 용어가 붙기도 하면서 의미가 일부 흐려지기도 했는데요. 아직은 에이전트란 표현에 많은 해석의 여지가 있어 보입니다.
진정한 자율 에이전트는 의미 있는 의사결정을 내리고 컨텍스트에 기반해 추론하며 상황에 적응해야 합니다. 반대로 ‘에이전트’라고 불리지만 사실상 결과가 정해진 스크립트나 강하게 통제된 워크플로만 실행하는 시스템도 많습니다. 진짜 자율적이고 적응적인 에이전트를 설계하는 일은 무척 어려운 일이거든요. 그래서 진정한 에이전트를 판단하는 핵심 기준은 단순히 스크립트를 따르는지, 실제로 의사결정을 하는지에 달려 있다고 볼 수 있습니다.
이런 에이전트의 빠른 진화는 파운데이션 모델(foundation model)과 강화학습(reinforcement learning)의 발전이 이끌고 있습니다.
과거 파운데이션 모델은 주로 인간이 읽을 결과물을 생성하는 데 사용되었지만, 최근에는 함수 시그니처와 파라미터 선택 같은 구조화된 출력을 할 수 있게 되었고요. 이후 오케스트레이션 프레임워크가 이러한 함수를 실행함으로써, 에이전트는 데이터를 조회하고 외부 시스템을 조작하며 구체적인 행동을 수행하는 형태로 나아가고 있습니다. 이것도 쉽게 설명하면, 좀더 복잡한 처리를 할 수 있게 되었다 정도로 요약해 볼 수 있겠네요.
즉, 파운데이션 모델의 진화는 AI의 두뇌 자체가 똑똑해 진 것을 의미합니다. 예를 들어 예전에는 글만 잘썼다면, 이제는 컴퓨터 언어(코드)를 이해하고 다른 프로그램에 명령을 내릴 줄도 알게 된 거죠. 오케스트레이션은 지휘자가 오케스트라를 지휘하듯, AI가 여러 가지 앱이나 도구(달력, 메일, 지도 등)을 순서에 맞게 조율해 실행하는 기술입니다.
에이전트가 효과적으로 작동하도록 돕는 도구, 메모리, 파운데이션 모델, 오케스트레이션, 지원 인프라 전체를 에이전틱 시스템(agentic system)으로 구분하기도 하는데요. 여기서 에이전트 시스템은 자율적인 의사결정 및 상호 작용 능력을 가진 소프트웨어 디자인이나 아키텍처(예: 단일 에이전트 또는 멀티 에이전트)의 의미로, 에이전틱 시스템은 이 에이전트가 실행되는 데 필요한 모든 구성 요소(도구, 메모리, 인프라 등)를 포함하는 전체적인 지원 환경 또는 기능을 의미하는 것으로 정리했습니다.
MCP(Model Context Protocol)와 A2A(Agent-to-Agent Protocol) 같은 다양한 프로토콜이 등장함에 따라, 에이전트는 원격 도구를 활용하거나 다른 에이전트와 협업해 문제를 풀 수 있게 됐습니다. 일테면 더욱 많은 연결로, 더욱 다양한 분야의 전문가들과 협업을 통해 일을 처리할 수 있게 된 셈이죠.
협업은 자동화라는 기회를 열어 주기도 하지만, 동시에 인간의 가치에 부합하고 복잡한 환경에서도 안전하게 작동하도록 신중하게 설계, 측정, 관리해야 할 중대한 책임도 따릅니다. 쉽지 않은 문제죠.
전통적인 머신러닝은 데이터의 양과 질에 많은 영향을 받았습니다. 실제로 머신러닝 실무자들은 모델 학습 자체보다 데이터 수집과 정제에 더 많은 시간을 쏟았죠. 그렇게 방대한 데이터로 학습한 AI 생성 모델은 다들 알다시피 성공적으로 세상에 데뷔했습니다. 단일 모델이 추가 학습 없이도 광범위한 과제에 사용할 수 있음을 보여 준 것이죠. 이로써 오랜 관행이 바뀌었습니다. 활용폭이 더욱 쉽고 넓어진 셈이죠.
예전에는 머신러닝 기반 애플리케이션을 만들려면, 머신러닝 엔지니어나 데이터 사이언티스트를 채용해 데이터를 모으고 모델을 배포해야 했습니다. 이제는 ‘API 호출’ 한 번으로 대형 사전학습 생성 모델을 활용할 수 있습니다. 학습이나 호스팅이 없어도 충분한 품질의 결과물을 얻게 된거죠. 덕분에 프로젝트에 머신러닝과 AI를 적용하는 비용과 복잡성이 매우 낮아졌습니다.
최근에는 오픈AI의 GPT, 앤트로픽의 클로드(Claude), 메타의 라마(Llama), 구글 제미나이(Gemini Ultra), 그리고 딥시크(DeepSeek-v3) 같은 대규모 언어 모델(LLM)의 발전으로 까다로운 작업에 대한 성능이 더 높아졌고요. 사전학습 모델로 풀 수 있는 문제의 범위 또한 넓어지고 있습니다. 이처럼 파운데이션 모델은 자연어 이해와 생성에 강점을 보이며 에이전트의 능력을 강화합니다.
파운데이션 모델의 장점을 간략히 정리하면 이렇습니다.
- 자연어 이해: 사용자의 입력을 직관적으로 해석하고 응답
- 컨텍스트 인지 상호작용: 긴 대화에서도 관련 컨텍스트를 유지해 정확도 향상
- 구조화된 생성: 텍스트, 코드, 구조화된 결과 생성으로 분석, 창작 작업 지원
자체로도 강력한 모델이지만 정의한 범위 내에서 의사결정을 내리고 새로운 정보를 반영해 적응하며 도구를 호출해 실제 작업을 수행하도록 구성할 수도 있습니다. 정교한 오케스트레이션 프레임워크와 결합하면 외부 시스템과 직접 상호작용하고 실용적인 작업을 실행합니다. 다음과 같은 작업이 가능해졌죠. 단일 모델 활용에서 나아가 에이전트라는 개념이 완성된 셈입니다.
- 컨텍스트 기반 해석과 의사결정: 사전 규정이 부족한 애매한 상황도 해결
- 도구 사용: 정보를 조회하거나 행동을 취하기 위해 다른 소프트웨어 호출
- 적응적 계획: 복잡한 다단계 작업을 스스로 계획, 실행
- 정보 요약: 방대한 문서를 빠르게 정리해 핵심 인사이트 도출(법률 분석, 연구 종합, 콘텐츠 큐레이션 등)
- 비정형 데이터 처리: 이메일, 문서, 로그, 보고서 등의 비정형 텍스트를 이해하고 응답
- 코드 생성: 코드를 작성, 실행하고 단위 테스트 작성
- 반복 업무 자동화: 고객지원, 행정 등 반복 작업을 효율적으로 처리해 인간은 고부가가치 업무에 집중
- 멀티모달 통합: 이미지, 오디오, 비디오 데이터를 대규모로 정교하게 분석
이러한 유연성 덕분에 자율 에이전트는 정적인 머신러닝 모델로는 다루기 어려운 복잡하고 동적인 상황을 효과적으로 처리할 수 있습니다.
‘에이전트’란 단어가 대중화되자 AI 기능을 적용하기만 하면 에이전트라고 홍보하는 경우가 많아졌습니다. AI 에이전트가 무엇인지 기준을 두고 혼란이 생기기도 했는데요. 글로벌 기술 전문 미디어 더 인포메이션(The Information)은 오늘날 실제 적용 양상을 반영해 에이전트를 7가지 유형으로 분류했습니다.
1. 업무 자동화 에이전트: 사전에 정의한 워크플로를 자동화합니다(예: UiPath RPA, 마이크로소프트 파워 오토메이트, 재피어 통합 등).엑셀 정리나 메시지 발송 같은 반복 업무 자동화를 떠올려 보세요.
2. 대화형 에이전트: 자연어 인터페이스로 사용자와 상호작용하는 챗봇/고객지원 에이전트입니다. 대화 관리, 의도 인식에 최적화되어 있습니다. 고객지원 플랫폼의 가상 비서 등이 대화형 에이전트에 포함됩니다.
3. 리서치 에이전트: 정보 수집, 통합, 요약을 수행합니다. 문서, 지식 베이스, 웹을 스캔해 구조화된 출력을 제공하여 분석 정보를 생성합니다(예: 퍼플렉시티 AI, 엘리싯 등).
4. 분석 에이전트: 구조화 데이터를 해석해 인사이트, 대시보드, 리포트를 생성합니다(예: 파워BI 코파일럿, 글린 등). 복잡한 숫자 데이터를 그래프와 인사이트로 바꿔주는 것이라 생각하면 되겠네요.
5. 개발 에이전트: 코딩 보조 도구로 코드 생성, 리팩터링, 해설 등을 돕습니다(예: 커서, 윈드서프, 깃허브 코파일럿 등).
6. 도메인 특화 전문가 에이전트: 법률(예: 하비), 의료(예: 히포크라틱 AI), 금융 등 전문 영역에 맞게 튜닝되어 도메인 지식과 구조화된 워크플로를 결합해 전문가 수준의 지원을 제공합니다.
7. 브라우저 활용 에이전트: 사람처럼 직접 웹사이트를 돌아다니며 정보를 클릭하고 입력합니다.
더 인포메이션 기사에서는 언급하지 않았지만 음성 에이전트와 비디오 에이전트의 활용도 크게 증가할 것으로 전망됩니다.
8. 음성 에이전트: 목소리로 고객지원, 예약, 실시간 주문 처리 등에서 대화형 자동화를 구현합니다.
9. 비디오 에이전트: 립싱크 음성, 표정, 제스처를 갖춘 아바타 기반 영상 응답을 제공합니다. 영업, 교육, 온보딩, 마케팅 등에서 대규모 개인화 영상 상호작용을 가능하게 합니다.
그 밖에도 에이전트의 수와 종류는 빠르게 늘고 있습니다. AI 기술이 발전할수록 새로운 형태의 에이전트는 계속 등장할 것으로 생각됩니다.
여기까지 개념적으로 에이전트에 대해 살펴봤는데요. 단순히 기술에 대한 이해와 개념 설명 만으로 에이전트가 어떤 것인지 쉽게 상상이 되지 않을 수도 있겠습니다. 구체적으로 산업에 적용하면 어떤 모습이 될지 예시로 살펴봅시다.
- 고객지원 에이전트: 빈번한 문의 처리, 환불, 주문 업데이트, 복잡한 이슈의 인계 등을 쉬지 않고 수행해 만족도 향상과 비용 절감을 동시에 달성
- 금융 서비스 에이전트: 계정 관리, 대출 처리, 사기 탐지, 포트폴리오 정리 등을 통해 보안 강화와 운영 효율 증대
- 의료 접수, 분류 에이전트: 신규 환자 등록, 보험 확인, 증상 기반 우선순위 결정, 예약, 의무기록, 의뢰 관리로 워크플로 효율과 결과 개선
- IT 헬프데스크 에이전트: 접근 권한 관리, 네트워크/시스템 문제 해결, 업데이트 배포, 보안 사고 대응, 사례 전달 등으로 생산성 향상
- 법률 문서 검토 에이전트: 계약 검토, 리서치, 접수, 충돌 검사, 디스커버리 관리, 컴플라이언스 확인, 손해액 계산, 마감일 추적 등 정확도와 효율 강화
- 보안 운영센터(SOC) 분석 에이전트: 경보 조사, 위협 인텔 수집, 로그 질의, 사고 분류, 격리, 팀 업데이트로 대응 속도와 보안 태세 강화
- 공급망, 물류 에이전트: 재고 최적화, 선적 추적, 공급업체 평가, 창고 협업, 수요 예측, 장애 대응, 규정 준수 관리 등으로 글로벌 네트워크의 회복력과 효율 제고
자율 에이전트의 범용성은 산업 전반에 수많은 가능성을 열어 줍니다. 고객지원부터 개인 지원, 법률, 광고에 이르기까지 광범위한 잠재력을 가지고 있는데요.보다 복잡한 작업이 가능한 에이전트를 이제 어디에 적용할지 고민해야 할 시점입니다.
오늘날 인공지능으로 인한 변화의 물결이 매우 거셉니다. 남들보다 조금 더 빨리, 지금 그 변화에 올라타 보는 것은 어떨까요. 결국에는 맞닥뜨려야 할 현실이 될테니까요.
이 글은 <AI 에이전트 엔지니어링> 도서 내용 일부를 발췌 편집하여 작성되었습니다. AI 에이전트에 대한 보다 깊이 있는 정보는 하기 책에서 만나볼 수 있습니다. 그런데 아직까지는 내용도 그렇고 AI 에이전트를 구축한다는 것이 그렇게 쉬워보이지는 않습니다. 일단 간단히라도 만들어 보면서 AI 에이전트를 경험해 보고싶다면 <조코딩의 랭체인으로 AI 에이전트 서비스 만들기> 도서를 살펴보시는 것도 좋겠습니다.
0
0 
댓글