요약:
- AI 에이전트에는 간단한 반응형 에이전트부터 다중 에이전트 시스템까지 총 7가지 유형이 있습니다.
- 현재 선도적인 AI 회사들은 학습 에이전트와 함께 목표 기반 에이전트를 구축하는 데 주로 주력하고 있습니다.
- 미래에는 다른 AI 에이전트와 상호 작용하여 여러 작업을 수행할 수 있는 완전히 자율적인 AI 에이전트를 볼 수 있을 것입니다.
행동 중심의 AI 에이전트가 AI 혁명을 주도할 것이라는 것은 분명하며, 이미 그 조짐이 나타나고 있습니다. AI 기반 챗봇부터 이메일을 읽고 예약을 도와주는 AI 에이전트까지, 이제 우리는 에이전트 시대로 접어들고 있습니다. AI 에이전트를 더 잘 이해하기 위해 다양한 유형의 AI 에이전트를 자세히 설명했습니다. 또한, 시장에 출시된 주요 기업과 현재 AI 에이전트도 소개했습니다. 이를 염두에 두고 시작해 보겠습니다.
1. 간단한 반응을 보이는 에이전트
가장 간단한 유형의 AI 에이전트, 즉 단순 반응형 에이전트부터 시작해 보겠습니다. 이름에서 알 수 있듯이 이러한 에이전트는 현재 정보를 기반으로 "if-then" 조건에 따라 동작을 수행합니다. 예를 들어, 온도 조절기는 온도가 특정 지점 아래로 떨어지면 난방을 켭니다. 조건이 참일 때만 동작을 수행합니다.
하지만 이러한 유형의 AI 에이전트에는 몇 가지 한계가 있습니다. 현재 정보("지각" 또는 지각이라고도 함)만 고려합니다. 과거 온도 측정값을 기억하거나 미래 측정값을 고려하지 않고, 오로지 현재 온도만을 기반으로 동작합니다.
단순 반응형 에이전트는 기억력이 없고, 환경이 완전히 관찰 가능한 상태, 즉 의사 결정에 필요한 모든 정보가 이용 가능한 상태에서만 행동합니다. 따라서 세상에 대한 내부적 표상이나 모델을 유지하지 않습니다.
2. 모델 기반 반사 에이전트
다음으로, 모델 기반 반사 에이전트는 단순 반사 에이전트의 성능을 향상시킵니다. 이러한 에이전트는 세상에 대한 내부 표현을 유지하므로 메모리를 갖습니다. 기본적으로 이러한 에이전트는 행동과 그 행동이 세상에 미치는 영향을 추적하고 내부 모델/표현을 업데이트합니다. 예를 들어, 자율주행 자동차는 교통 상황을 탐색하는 동안 차량이 현재 위치에서 이동하더라도 위치를 기억합니다. 이러한 내부 표현은 더욱 정보에 기반한 의사 결정을 가능하게 합니다.
이제 에이전트는 과거 관찰과 현재 정보를 기반으로 세상에 대한 내부 표현을 생성하고 원하는 행동을 취합니다. 즉, 모델 기반 반사 에이전트는 부분적으로 관찰 가능한 환경에서도 작동할 수 있습니다. 기본적으로 내부 모델은 다음 행동을 예측하는 데 사용됩니다. 이 모델은 고급 AI 알고리즘을 기반으로 합니다.
3. 목표 기반 에이전트
이름에서 알 수 있듯이 목표 지향 에이전트는 결과 지향 에이전트입니다. 즉, 궁극적인 목표에 더 가까워지도록 미래의 행동을 고려합니다. 이러한 에이전트는 연구를 수행하고, 운영을 계획하고, 원하는 목표에 도달하기 위한 다양한 행동 순서를 고려할 수 있습니다. 목표 지향 에이전트는 미래의 결과를 고려하여 작업을 수행합니다.
예를 들어, 경로를 계획하는 GPS는 목적지까지 가능한 모든 경로를 검색하고 고려해야 합니다. 거리, 소요 시간, 현재 교통 상황 등을 기반으로 가능한 모든 경로를 고려합니다. 이제 목표 기반 에이전트는 이러한 정보를 기반으로 원하는 목적지에 도달하는 최적의 경로를 계획하고 선택합니다. 이러한 유형의 에이전트는 전략적 계획이 필요한 AI 애플리케이션에 필수적입니다.
4. 혜택 기반 에이전트
효용 기반 에이전트는 목표 기반 에이전트의 한 유형이지만, 특정 목표에 얽매이지 않습니다. 예를 들어, 목표 기반 에이전트는 목표 달성 여부에 대해서만, 즉 이분법적으로 생각합니다. 그러나 효용 기반 에이전트는 세상의 다양한 상태를 고려하고, 복잡한 선호도에 따라 다양한 결과를 평가한 후, 자신의 "효용"을 극대화하는 행동을 선택합니다.
이 유형의 에이전트는 다양한 행동 시퀀스에 수치적 점수를 부여하고 가장 높은 효용을 제공하는 행동만 선택하여 작동합니다. 효용 기반 에이전트는 결과가 불확실한 상황을 위해 설계되었습니다. 예를 들어, AI 기반 거래 시스템은 수익 극대화를 목표로 하지만, 사용자의 위험 감수 능력과 현재 시장 상황도 고려해야 합니다. 이를 위해서는 잠재적 위험과 보상에 대한 신중한 분석이 필요합니다.
본질적으로, 효용 기반 에이전트는 결정을 내리기 전에 다양한 선호도를 고려하고 결과를 평가합니다. 이들의 목표는 단순히 목표를 달성하는 것이 아니라, 다양한 요소들을 균형 있게 조정하여 최적의 행동 방침을 찾는 것입니다. 즉, 상황에 대한 포괄적인 평가를 바탕으로 "기대 효용"을 극대화하고자 합니다.
5. 학습 에이전트: AI 시스템 성능 향상
학습 에이전트는 정의상 과거 경험을 통해 학습하여 시간이 지남에 따라 성능을 향상시킬 수 있습니다. 학습 에이전트의 가장 중요한 특징은 알려지지 않은 환경에 적응하고 피드백을 기반으로 동작을 최적화하는 능력입니다. 학습 에이전트는 에이전트의 성능에 대한 피드백을 제공하는 "중요" 요소를 가지고 있으며, 이는 학습 과정에 매우 중요합니다.
이를 설명하기 위해 이메일 스팸 필터가 어떻게 작동하는지 살펴보겠습니다. 스팸 필터는 처음에는 기본적인 규칙을 가지고 있습니다. 하지만 이메일이 계속해서 스팸으로 식별되면 에이전트는 제공된 평가("비평가")를 통해 학습하고 동작을 조정합니다. 이제 미래에는 이러한 이메일이 자동으로 스팸으로 표시되어 다른 폴더로 이동됩니다. 이 과정은 머신러닝 분야의 정교한 알고리즘에 의존합니다.
6. 피라미드 요원
계층적 에이전트는 복잡한 목표를 하위 목표로 세분화하는 에이전트 유형입니다. 여러 단계의 절차와 문제 해결을 필요로 하는 복잡한 작업이 많습니다. 이러한 경우, 작업은 더 작고 관리하기 쉬운 하위 문제로 세분화되어 계층 구조로 구성됩니다. 이제 하위 에이전트에게 해당 작업을 위임하고, 상위 에이전트는 전략과 최종 결과를 제어합니다.
예를 들어, AI 로봇에게 저녁 식사를 준비하라고 요청하면 상위 에이전트는 파스타와 소스를 만드는 등의 작업을 계획하고 분할합니다. 이러한 작업은 다시 스토브를 켜고 팬에 물을 붓는 등의 작업으로 세분화됩니다. 이제 이러한 계층적 방식으로 작업이 단계적으로 완료됩니다. 이러한 접근 방식은 복잡한 작업을 효율적이고 효과적으로 수행할 수 있게 해 주며, 이는 고급 AI 애플리케이션에 매우 중요합니다.
7. 다중 에이전트 시스템
마지막으로, 여러 독립적인 에이전트를 통합하여 공동의 목표를 달성하는 다중 에이전트 시스템(MAS)에 대해 살펴보겠습니다. 이러한 시스템은 여러 에이전트가 서로 소통하고, 상호작용하고, 잠재적 행동을 조정하고, 협상하고, 협력할 수 있도록 합니다. 이러한 시스템에서 각 에이전트는 독립적으로 작동하며 고유한 의사 결정 능력을 갖습니다.
그러나 모든 에이전트는 충돌을 피하고 공동의 목표를 달성하기 위해 공통된 다중 에이전트 시스템 프로토콜을 준수해야 합니다. 예를 들어, 공급망 시스템에서는 여러 에이전트가 재고를 추적하고, 다른 에이전트는 재고 요구 사항을 기반으로 구매 보고서를 제출하며, 물류 에이전트는 최적의 운송 경로를 찾는 등의 작업을 수행합니다. 다중 에이전트 시스템은 독립적인 주체 간의 조정과 협업이 필요한 복잡한 문제에 효과적인 해결책입니다.
선도적인 기술 기업의 현재 AI 에이전트
시중에는 이미 다양한 유형의 AI 에이전트가 출시되어 있습니다. OpenAI, Google, Microsoft, Anthropic, Salesforce 등 여러 기업이 지향형 AI의 힘을 효과적으로 활용하기 위해 AI 에이전트와 프레임워크를 개발하고 있습니다. 아래는 고려해 볼 만한 몇 가지 AI 에이전트입니다. 이러한 도구는 여전히 지속적으로 개발 및 개선되고 있다는 점을 염두에 두시기 바랍니다.
OpenAI
OpenAI는 최초로 출시한 회사입니다. 운영자 AI 에이전트 소비자 중심입니다. 컴퓨터를 사용하여 웹에서 작업을 자동화하는 에이전트입니다. 운영자는 웹 브라우저와 상호 작용하고 클릭, 입력, 스와이프 등의 동작을 수행할 수 있습니다. 양식 작성, 항공권 예약, 식료품 주문 등의 작업에 사용할 수 있습니다. 하지만 아직 완전히 자율적인 것은 아닙니다. 필요한 경우 수동으로 결제를 완료하고 CAPTCHA를 입력해야 합니다. 이 에이전트는 복잡한 작업을 효율적으로 완료할 수 있는 AI 개발을 향한 중요한 발걸음입니다.
Operator는 목표 지향적이고 학습하는 에이전트 범주에 속할 가능성이 높습니다. 목표 지향적이고 웹사이트와의 상호작용을 통해 학습합니다. 또한, OpenAI의 심층 연구 에이전트 복잡하고 여러 단계로 구성된 검색 작업을 수행하고 텍스트, 이미지, PDF 파일을 분석하여 종합적인 보고서를 생성합니다. 목표 기반 에이전트, 학습 에이전트, 그리고 작업을 더 작은 하위 작업으로 세분화하는 계층형 에이전트가 결합된 형태입니다. 이러한 기능 덕분에 연구원과 분석가에게 강력한 도구가 됩니다.
또한 OpenAI는 최신 o3 및 o4-미니 이들은 단순한 AI 모델이 아니라, 에이전트와 유사한 AI 시스템입니다. 이러한 새로운 AI 시스템은 에이전트처럼 동작하며 웹 검색, Python 인터프리터, 이미지 분석, Plus 등 다양한 도구와 상호 작용할 수 있습니다. 모델 기반 및 목표 기반 에이전트로, 이러한 시스템은 AI 역량의 상당한 발전을 보여줍니다.
마지막으로, OpenAI의 최신 Codex CLI 도구는 개발자가 터미널에서 코드를 읽고, 편집하고, 실행할 수 있도록 하는 또 다른 유형의 AI 에이전트입니다. 자동으로 버그를 수정하고, 새로운 기능을 만들고, 파일을 수정할 수 있습니다. 다시 말해, 이 도구는 Learning Agent를 사용하여 구축된 목표 기반 에이전트입니다. 이 도구는 개발자 생산성을 크게 향상시킵니다.
구글
지금까지 구글은 단지 출시했습니다 제미니의 심층 연구 AI 에이전트OpenAI의 에이전트와 유사하게 작동합니다. 웹을 탐색하고, 필요한 정보를 매핑하고, 이를 정리하여 어떤 주제에 대한 종합적인 보고서든 생성할 수 있습니다. 저는 이 에이전트를 목표 기반, 학습 기반 에이전트로 분류하는데, 이는 최첨단 AI라고 할 수 있습니다.
이어서 구글은 아직 개발 중인 프로젝트 마리너(Project Mariner)를 공개했습니다. 이 프로젝트는 OpenAI의 오퍼레이터 AI 에이전트처럼 작동하며 크롬 브라우저에서 작업을 자동화할 수 있습니다. 활성 화면을 분석하고 웹사이트에서 작업을 수행할 수 있습니다. 구글은 이 에이전트가 신뢰할 수 있는 테스터들을 통해 테스트 중이며 가까운 시일 내에 출시될 것이라고 밝혔습니다.
또한, 구글은 Agent2Agent(A2A) 프로토콜 여러 AI 에이전트가 서로 통신할 수 있도록 하는 새로운 접근 방식입니다. 이는 에이전트 자체가 아니라 다중 에이전트 시스템(MAS)을 구현하는 표준/프레임워크입니다.
인류
OpenAI와 마찬가지로 Anthropic도 데스크톱 컴퓨터 환경과 상호 작용할 수 있는 "컴퓨터 사용" AI 에이전트를 공개했습니다. 현재 베타 버전이며, 화면 분석, 클릭, 입력, 파일 작업 등을 수행할 수 있습니다. 웹 브라우저뿐만 아니라 운영 체제 수준의 작업도 수행할 수 있습니다. 두말할 필요도 없이, 이 에이전트는 목표 기반 학습 에이전트입니다.
또한, Anthropic은 최근 Claude에 Workspace 통합 기능을 갖춘 리서치 도구를 출시했습니다. Gmail, 캘린더, 드라이브는 물론 웹에 연결하여 리서치 및 인사이트를 얻을 수 있습니다. 마찬가지로, Claude Code는 터미널에서 실행되는 에이전트 기반 코딩 도구입니다. 코드베이스를 이해하고 파일을 수정하고, 테스트를 실행하고, Git과 상호 작용할 수 있습니다. 두 도구 모두 목표 기반 에이전트입니다.
마지막으로, Anthropic은 AI 모델을 외부 데이터 소스에 연결하는 개방형 표준인 모델 컨텍스트 프로토콜(MCP)을 개발하여 AI 에이전트가 API가 없는 서비스에서 안정적으로 작동할 수 있도록 했습니다. 에이전트는 아니지만 AI 모델, 도구, 웹사이트 및 기타 데이터 소스 간의 통신을 지원합니다. 자세한 내용은 Windows 및 macOS에서 클라우드에 MCP 설정.
Microsoft
소비자 서비스 분야에서 Microsoft는 챗봇 Copilot을 위한 여러 가지 새로운 AI 에이전트를 발표했습니다. 이 에이전트는 Copilot에 대한 심층 연구 특정 주제에 대한 포괄적인 보고서를 생성하기 위해 다단계 조사를 수행합니다. 또한, 부조종사 동작 웹에서 티켓 예매, 예약, 상품 구매가 가능합니다. 단, 제휴 웹사이트에서만 이용 가능합니다.
기업 고객을 위해 Microsoft는 최근 Copilot Studio에서 Computer Use AI 에이전트를 발표했습니다. 이 에이전트는 웹사이트 및 데스크톱 애플리케이션과 직접 상호 작용하여 작업을 수행할 수 있으며, 특수 API에 의존하지 않습니다. Microsoft는 또한 기업 사이버 보안의 필수 요소인 피싱 알림, 데이터 보안 및 ID 관리를 지원하는 Security Copilot 에이전트를 공개했습니다.
Microsoft는 기업 고객을 위해 여러 Copilot 에이전트를 개발했으며, 워크플로에 맞는 맞춤형 AI 에이전트를 만들 수도 있습니다. Copilot Studio에서 시작하여 MCP 서버, API 및 외부 소스를 연결하여 작업을 자동화하고, 업무 생산성을 높이고 잠재적 오류를 줄일 수 있습니다.
세일즈 포스
Salesforce는 Microsoft와 함께 기업 고객을 위해 자율적이고 맞춤형 AI 에이전트를 제공하는 Agentforce 플랫폼을 개발했습니다. 기업 사용자는 Agentforce에서 리드 생성, 판매 최적화, 마케팅 관리 등 다양한 용도로 여러 AI 에이전트를 생성, 배포 및 관리할 수 있습니다. Agentforce는 AI를 활용한 비즈니스 프로세스 자동화를 선도하는 플랫폼입니다.
Salesforce는 Microsoft의 Copilot과 달리 Agentforce 에이전트가 미리 정의된 이벤트나 트리거에 따라 자동으로 작업을 실행할 수 있다고 주장합니다. Agentforce 에이전트는 데이터베이스의 레코드를 업데이트하고, 이메일을 발송하고, 회의를 예약하고, 보류 중인 사례를 해결하는 등 다양한 작업을 수행할 수 있습니다. 이러한 기능을 통해 Agentforce는 고객 서비스 및 영업 업무를 자동화하는 강력한 도구가 됩니다.
지금까지 살펴본 AI 에이전트의 유형과 현재 시중에 출시된 AI 에이전트를 살펴보았습니다. 앞으로 AI 에이전트는 소비자든 기업이든 인터넷 경험의 필수적인 요소가 될 것입니다. AI 에이전트 시장은 자동화 수요 증가와 효율성 향상에 힘입어 향후 몇 년간 상당한 성장을 경험할 것으로 예상됩니다.
댓글이 닫혔습니다.