AI 에이전트
AI Agent
답만 하는 게 아니라 「일을 대신 해주는」 AI. 검색하고, 파일을 만들고, 예약까지 한다.
쉽게 말하면
에이전트는 「답을 주는 AI」에서 한 발 나아가 「일을 대신 해 주는 AI」입니다. 챗봇이 「이 항공권이 제일 싸요」라고 알려 준다면, 에이전트는 항공권 검색 사이트를 열고, 조건을 비교하고, 예약 직전까지 진행해 놓습니다.
핵심 차이는 「도구를 쓰고, 여러 단계를 스스로 밟는다」는 것입니다. 사람이 매 단계 지시하지 않아도 목표를 받으면 계획을 세우고 — 검색하고, 파일을 만들고, 프로그램을 실행하며 — 끝까지 갑니다. 비서에게 「출장 준비해 줘」 한마디를 던지는 그림에 가깝습니다.
2025년 이후 AI 업계의 최대 화두가 바로 이것입니다. 컴퓨터 화면을 직접 조작하는 에이전트, 코드를 짜는 에이전트, 쇼핑·예약 에이전트가 쏟아지고 있습니다. 다만 아직 실수가 잦아서, 「어디까지 맡길 수 있나」가 함께 따라오는 질문입니다. 에이전트가 도구에 접속하는 규격이 MCP, 일하는 절차를 가르치는 게 스킬입니다.
기사에서 이렇게 나와요
「○○사, 브라우저를 직접 조작하는 AI 에이전트 공개」 — 사람 대신 클릭하고 입력하는 시연이 함께 나오면 에이전트 기사입니다.
직접 해보기
- 클로드나 챗GPT의 검색(리서치) 기능을 켜고 이렇게 시켜 보세요: 「다음 주 제주도 2박 3일 일정을 짜 줘. 항공편 시간대, 숙소 후보 3개, 날씨까지 정리해 줘」
- AI가 스스로 여러 번 검색하고 결과를 종합하는 과정을 지켜보세요 — 단순 질문·답변과 다른, 에이전트식 작업 방식입니다.
- 한 걸음 더: 에이전트를 믿고 쓰는 요령은 「좁게 시키기」입니다. 「여행 다 알아서 해 줘」보다 「항공편 비교만 표로」가 훨씬 잘됩니다 — 실무 빌더들의 결론도 같습니다: 모든 걸 잘하려는 AI는 신뢰를 잃고, 하나를 뾰족하게 잘하면서 모르는 건 모른다고 말하는 AI가 신뢰를 얻습니다. 지시 끝에 「확실하지 않은 부분은 추측하지 말고 나에게 물어봐」를 붙여 보세요 — 에이전트의 사고가 크게 줄어듭니다.
깊이 알아보기
AI가 답을 쓰는 데서 멈추지 않고, 도구를 써서 다음 단계를 이어 갑니다.
AI 에이전트는 정해진 목표와 권한 안에서 상황을 확인하고, 필요한 행동을 선택하고, 결과를 관찰하며 작업을 진행하는 소프트웨어입니다. 중요한 것은 무한한 자율성이 아니라 도구, 상태, 중단 조건, 사람의 승인을 분명히 설계하는 일입니다.
3분 요약
- 챗봇이 주로 한 번의 입력에 답한다면, 에이전트는 목표를 받은 뒤 도구를 호출하고 그 결과에 따라 다음 행동을 고르는 반복 구조를 가집니다.
- 고정 워크플로는 개발자가 미리 정한 순서를 따르지만, 에이전트는 허용된 선택지 안에서 모델이 다음 단계를 결정합니다. 예측 가능성이 중요한 일에는 단순한 워크플로가 더 적합할 수 있습니다.
- 에이전트의 범위는 연결된 도구, 접근 권한, 유지하는 상태, 반복 횟수, 평가 기준으로 제한됩니다. 결제나 발송처럼 되돌리기 어려운 행동에는 사람의 승인을 넣어야 합니다.
왜 지금 알아야 하나
모델이 도구 사용을 배웠다
언어 모델은 이제 구조화된 형식으로 검색, 파일 읽기, 코드 실행 같은 도구를 요청하고 그 결과를 다시 해석할 수 있습니다. 한 번의 답변으로 끝나던 모델을 여러 단계의 작업에 연결할 기반이 생겼습니다.
현실의 일은 한 단계로 끝나지 않는다
시장 조사는 자료를 찾고, 비교하고, 빈틈을 확인하고, 보고서를 고치는 과정입니다. 에이전트 구조는 이처럼 중간 결과에 따라 다음 단계가 달라지는 작업을 다루는 데 유용합니다.
가능성만큼 운영 경계가 중요해졌다
도구가 많고 반복 시간이 길수록 잘못된 판단이 다음 행동으로 이어질 가능성도 커집니다. 그래서 평가자, 비용 한도, 최대 반복 횟수, 사람의 승인과 같은 통제 장치가 에이전트 설계의 일부가 됐습니다.
어떻게 작동하나
1. 현재 상황을 인식한다
에이전트는 사용자의 목표, 이전 단계의 상태, 도구가 돌려준 관찰 결과를 입력으로 받습니다. 상태에는 완료된 일, 남은 일, 사용한 근거처럼 다음 판단에 필요한 정보만 유지합니다.
2. 다음 행동을 계획한다
모델은 허용된 도구와 규칙 안에서 답변할지, 자료를 더 찾을지, 특정 도구를 호출할지 선택합니다. 계획은 고정된 장기 각본이라기보다 현재 관찰에 따라 갱신되는 다음 단계일 수 있습니다.
3. 도구를 실행하고 결과를 관찰한다
호스트 프로그램은 모델이 요청한 도구와 인수를 검사한 뒤 검색, 파일 작업, 계산 같은 동작을 실행합니다. 실행 결과는 성공 여부와 함께 새 관찰로 돌아오고, 에이전트는 이를 상태에 반영합니다.
4. 평가하고 멈추거나 반복한다
완료 조건, 평가자 검사, 오류, 반복 한도에 따라 종료 여부를 판단합니다. 결제, 게시, 삭제처럼 영향이 큰 행동은 실행 전에 사람에게 승인을 요청하고, 거절되면 다른 안전한 경로를 택하거나 중단합니다.
흐름 한눈에 보기
목표와 현재 상태 인식 → 다음 단계 계획 → 허용된 도구로 행동 → 실행 결과 관찰 → 평가자가 품질과 완료 조건 확인 → 미완료면 상태를 갱신해 반복 → 중요 행동은 사람 승인 → 완료 또는 안전한 중단
도입 전과 후
챗봇: 질문에 답한다
사용자가 경쟁사 세 곳을 알려 달라고 하면 챗봇은 가진 지식이나 한 번의 검색 결과로 목록을 작성합니다. 답을 낸 뒤 자료가 부족한지 스스로 확인하고 후속 조사를 이어 가는 구조는 필수가 아닙니다.
고정 워크플로: 정해진 순서를 실행한다
검색하고, 세 문서를 요약하고, 표를 만드는 순서가 코드에 미리 정해져 있습니다. 입력이 달라도 같은 경로를 따르므로 예측과 테스트가 쉽지만, 예상 밖의 빈 자료를 발견해 다른 검색 전략으로 바꾸기는 어렵습니다.
에이전트: 결과에 따라 다음 단계를 고른다
첫 검색에서 정보가 부족하면 다른 검색어를 만들고, 출처가 충돌하면 원문을 추가로 확인하는 식으로 경로를 조정합니다. 다만 선택은 제공된 도구와 정책 안에서만 이뤄지며 반복 한도나 승인 지점에서 멈춥니다.
예시로 이해하기
고객 문의 분류와 답변 초안
에이전트가 새 문의를 읽고 주문 조회 도구로 상태를 확인한 뒤 환불 규정에서 관련 조항을 찾습니다. 평가자가 초안에 주문 정보와 규정 근거가 모두 있는지 검사하고, 부족하면 다시 조회합니다. 답변 발송은 상담원이 승인해야 하며 에이전트는 승인 전까지 초안만 저장합니다.
코드 오류 조사
개발 에이전트가 실패한 테스트를 관찰하고 관련 파일을 읽은 뒤 수정안을 만듭니다. 테스트 도구의 결과가 실패면 원인을 다시 분석하고, 통과하면 변경 범위와 요구사항을 평가합니다. 파일 수정과 로컬 테스트만 허용하고 배포 권한은 주지 않으면 작업 경계가 분명해집니다.
직접 해보기
1. 되돌릴 수 있는 작은 목표를 정한다
공개 자료 세 개를 찾아 비교표 초안을 만드는 것처럼 외부 시스템을 바꾸지 않는 작업부터 선택합니다. 성공 조건도 출처 수, 비교 항목, 결과 형식으로 구체화합니다.
2. 도구와 권한을 최소화한다
웹 검색과 문서 읽기처럼 목표에 꼭 필요한 읽기 도구만 허용합니다. 메일 발송, 구매, 삭제, 비밀 정보 접근 권한은 실험에서 제외합니다.
3. 반복과 중단 조건을 적는다
최대 검색 횟수, 사용할 수 있는 시간이나 비용, 자료가 없을 때 추측하지 않고 멈춘다는 규칙을 정합니다. 작업 중 어떤 도구와 근거를 사용했는지 기록하게 합니다.
4. 결과와 과정을 함께 검토한다
최종 표만 보지 말고 인용한 원문, 도구 호출, 누락된 조건을 확인합니다. 안전한 테스트 환경에서 충분히 평가한 뒤에도 영향이 큰 행동은 사람의 승인을 유지합니다.
한계와 주의점
오류가 반복 과정에서 커질 수 있다
초기 검색이나 판단이 틀리면 그 결과를 근거로 다음 행동을 선택해 오류가 누적될 수 있습니다. 각 단계의 관찰을 검증하고 최대 반복 횟수와 중단 조건을 두어야 합니다.
유연성에는 비용과 예측 불가능성이 따른다
같은 목표에도 서로 다른 도구와 경로를 선택할 수 있어 실행 시간, 비용, 결과가 달라질 수 있습니다. 순서가 명확한 단순 업무라면 에이전트보다 고정 워크플로가 테스트와 운영에 유리합니다.
권한을 주는 만큼 위험도 생긴다
외부 문서의 프롬프트 인젝션, 잘못된 도구 인수, 과도한 데이터 접근은 정보 노출이나 원치 않는 행동으로 이어질 수 있습니다. 최소 권한과 격리된 실행 환경, 감사 기록, 중요 행동의 사람 승인이 필요하지만 위험을 완전히 없애지는 못합니다.
자주 묻는 질문
도구를 한 번 쓰면 모두 에이전트인가요?
그렇지는 않습니다. 계산기를 한 번 호출해 답하는 기능도 도구 사용입니다. 보통 에이전트는 목표와 상태를 유지하면서 행동 결과를 관찰하고 다음 단계를 선택하는 반복 구조를 가리킵니다.
에이전트와 자동화 워크플로는 무엇이 다른가요?
워크플로는 개발자가 정한 경로를 주로 따르고, 에이전트는 모델이 중간 결과에 따라 허용된 다음 행동을 고릅니다. 실제 제품은 고정 워크플로 안의 일부 단계에만 에이전트식 판단을 넣는 혼합 구조를 자주 사용합니다.
에이전트가 사람 없이 자율적으로 일하나요?
자율성은 절대적인 속성이 아니라 설계된 범위입니다. 에이전트는 주어진 도구, 권한, 예산, 시간, 승인 정책 안에서만 행동할 수 있습니다. 결과의 영향이 크거나 되돌리기 어렵다면 사람이 결정권을 유지해야 합니다.
출처
- Building effective agents — Anthropic
- OpenAI Agents guide — OpenAI
- OpenAI Agents SDK documentation — OpenAI
AI 에이전트와 챗봇, 뭐가 다른가
일을 끝내 놓느냐, 대답을 주느냐
요즘은 챗봇 화면에서 에이전트가 돌기 때문에 겉모습으로는 구분이 안 됩니다. 대화창은 같고, 달라지는 것은 한 번 시켰을 때 벌어지는 일의 양입니다. 챗봇은 답을 주고 멈추지만, 에이전트는 스스로 다음 단계를 정해 끝까지 갑니다.
| 구분 | AI 에이전트 | 챗봇 |
|---|---|---|
| 한 번 시키면 | 여러 단계를 스스로 이어 가며 끝을 낸다 | 답을 하나 주고 멈춘다 |
| 다음 단계를 정하는 쪽 | AI가 스스로 계획하고 다시 시도한다 | 사람이 다시 물어야 이어진다 |
| 바깥에 손을 대나 | 검색하고 파일을 만들고 예약까지 한다 | 대개 말로만 답한다 |
| 실패하면 | 틀린 채로 일을 저지른다. 그래서 권한과 확인 절차가 따라붙는다 | 틀린 답이 나온다. 사람이 바로 본다 |
| 비유 | 일을 맡기면 처리해 오는 대리인 | 무엇이든 답해 주는 상담원 |
가를 때는다음에 무엇을 할지 내가 매번 정해 줘야 하면 챗봇, AI가 스스로 정해 움직이면 에이전트입니다.
AI 에이전트와 멀티에이전트, 뭐가 다른가
하나가 끝까지 해내느냐, 여럿이 역할을 나눠 하느냐
멀티에이전트가 그냥 「에이전트를 여러 개 켠 것」처럼 들리는데, 핵심은 개수가 아니라 역할 분담과 서로 검토입니다. 조사하는 쪽과 검토하는 쪽을 나누면 한 명이 자기 실수를 못 보는 문제가 줄어듭니다. 대신 서로 주고받는 만큼 값이 오르고 느려집니다.
| 구분 | AI 에이전트 | 멀티에이전트 |
|---|---|---|
| 구조 | 하나가 계획하고 실행한다 | 역할을 맡은 여럿이 주고받는다 |
| 잘하는 일 | 단계가 뚜렷한 일. 예약·정리·수정 | 넓게 훑고 서로 검토해야 하는 일. 조사·보고서 |
| 실수를 잡는 법 | 사람이 결과를 본다 | 다른 에이전트가 먼저 걸러 준다 |
| 비용과 속도 | 상대적으로 싸고 빠르다 | 주고받는 만큼 비싸고 느려진다 |
| 비유 | 일 잘하는 직원 한 명 | 역할을 나눈 팀 |
가를 때는역할을 나눠 서로 검토하면 멀티에이전트, 하나가 끝까지 가면 그냥 에이전트입니다.
함께 볼 용어
이 용어가 나온 기사
아직 이 용어를 다룬 기사가 없습니다. 새 기사가 나오면 여기 자동으로 붙습니다.