생성형 AI 대 에이전틱 AI: 무엇이 다른가?

상세 정의

두 용어는 비슷해 보여 자주 혼동되지만 서로 다른 것을 가리킵니다. IBM은 이를 간단히 설명합니다. 생성형 AI는 요청에 대한 응답으로 텍스트, 이미지, 동영상, 오디오, 코드 같은 새로운 콘텐츠를 만듭니다. 모델은 방대한 데이터에서 패턴을 학습해, 통계적으로 그럴듯한 새로운 형태로 이를 재현합니다. 모든 생성형 사용 사례의 공통점은, 질문이나 지시를 하면 모델이 한 번 답하고 거기서 끝난다는 것입니다.

반면 에이전틱 AI는 하나의 응답이 아니라 일련의 판단과 행동을 통해 목표 달성을 지향합니다. IBM은 비교 페이지에서 이 차이를 다음과 같이 요약합니다. 생성형 AI는 새로운 콘텐츠를 만들고, 에이전틱 AI는 여러 단계로 이루어진 워크플로를 계획, 판단, 실행하며 목표 달성에 집중합니다. 이 두 번째 개념을 자세히 알아보려면 에이전틱 AI 페이지를 참고하세요.

흥미로운 지점은 이 둘이 겹치는 부분입니다. IBM은 실무에서 두 범주가 '자주 함께 작동한다'고 명시적으로 말합니다. 에이전틱 시스템은 자체적인 언어나 작문 능력을 갖고 있지 않습니다. 생성형 모델의 능력을 빌려와 내부 추론 엔진으로 삼습니다. 다시 말해, 오늘날 만들어지는 거의 모든 에이전틱 에이전트는 어딘가에 생성형 모델을 품고 있지만, 모든 생성형 사용이 에이전트인 것은 아닙니다. 이는 정면으로 대립하는 관계가 아니라 부분적으로 포함되는 관계이며, 두 개념은 완전히 겹치지 않으면서도 서로 맞닿아 있습니다.

작동 원리

생성형 모델 단독으로는 짧은 루프로 작동합니다. 입력, 모델 처리, 출력, 그리고 끝입니다. 매번 프롬프트에 명시적으로 넣어주지 않는 한 호출 사이에 기억이 없으며, 외부 시스템이 응답을 해석해 행동을 촉발하지 않는 한 대화 밖에서는 아무것도 하지 않습니다.

에이전틱 시스템은 같은 생성형 모델 위에 네 개의 층을 더합니다. 마이크로소프트는 이를 4단계 루프로 설명합니다. 데이터와 신호를 인지하고, 계획을 세우기 위해 추론하며(여기서 생성형 모델이 개입합니다), 도구와 API로 실행한 뒤, 결과를 평가하고 다음을 조정하는 성찰 단계를 거칩니다. 구글 클라우드도 비슷한 루프를 설명합니다. 인지, 판단, 실행 순으로 이루어지며, 그 결과가 다시 다음 단계로 이어집니다. 구체적으로 에이전틱 층이 더하는 것은 다음과 같습니다.

• 계획 수립: 목표를 단계로 나누고 진행 중에 계획을 수정할 수 있습니다. 생성형 모델만으로는 갖추지 못한 능력입니다.
• 도구 호출(툴 콜링): 행동을 텍스트로 설명하는 데 그치지 않고, 메시지 전송, 파일 생성, 데이터베이스 조회 같은 실제 행동을 할 수 있게 합니다.
• 지속적인 기억: 단기와 장기 기억을 통해 여러 세션에 걸쳐 목표의 흐름을 유지합니다.
• 조정 가능한 자율성 수준: 검증할 행동을 제안하는 코파일럿부터, 매번 검증 없이 실행하는 자율 에이전트까지 폭넓게 걸쳐 있습니다.

시장에서 이 구분은 또 하나의 유용한 경계선과 겹칩니다. 장기 목표를 부여받아 스스로 경로를 선택하고 자체 환경에서 계속 작동하는 비동기 자율 에이전트와, 메이크, n8n, 재피어, 린디, 코파일럿 스튜디오, 에이전트포스 같은 도구 위에 구축되어 이벤트가 대체로 미리 정해진 순서를 실행시키는 트리거 기반 에이전트 워크플로 사이의 경계입니다. 둘 다 내부적으로 같은 생성형 모델을 사용할 수 있습니다. 달라지는 것은 시스템이 스스로 단계 순서를 선택할 수 있는 재량의 크기입니다.

아타코의 실제 사례

아타코에서 만든 에이전트는 그 경계가 어디에 있는지 잘 보여줍니다. 생성 시점에 큐레이션된 목록에서 AI 모델을 선택합니다(또는 기업이 활성화했다면 BYOK로 자체 키를 사용할 수 있습니다). 이는 지침을 이해하고 응답을 작성하는 생성형 구성 요소입니다. 채팅 대화에서 단독으로 사용될 때, 이 에이전트는 질문과 응답이라는 기존 생성형 방식에 가까운 방식으로 작동합니다.

에이전트를 에이전틱 쪽으로 기울게 하는 것은 플랫폼이 이 모델 주변에 더한 층들입니다. 에이전트는 요청이 있는 동안만이 아니라 자체 격리 환경에서 계속 작동합니다. 채팅, 이메일, 웹훅, 크론이라는 네 개의 채널을 통해 요청을 받으며, 이 채널들은 모두 같은 지속적인 기억을 공유합니다. 사람이 대신 일정을 설정하지 않아도, 정기적인 후속 조치가 계획의 일부라고 판단하면 스스로 크론 작업을 만들 수 있습니다. 하위 작업의 경우 임시 하위 에이전트에 위임할 수 있으며, 그 작업은 활동 타임라인에 나타납니다. 그리고 슬랙, 깃허브, 노션 같은 외부 도구에 대한 모든 실제 호출은 명시적인 그랜트, 즉 해당 에이전트가 해당 행동에 대해 부여받은 구체적인 권한을 거쳐야 하며, 그렇지 않으면 기본적으로 거부됩니다.

생성 시점에 선택한 생성형 모델은 처음부터 끝까지 그대로 유지됩니다. 전체를 에이전틱하게 만드는 것은 다른 모델이 아니라, 플랫폼이 그 모델 주변에 구축하는 계획 수립, 기억, 도구, 자율성입니다.

흔한 오해

가장 흔한 오해는 두 용어를 서로 바꿔 쓸 수 있는 동의어로, 혹은 더 나쁘게는 둘 중 하나를 골라야 하는 경쟁 관계로 다루는 것입니다. 프로젝트가 생성형 AI와 에이전틱 AI 중 하나를 '선택'해야 하는 것이 아닙니다. 중요한 질문은 생성형 모델 위에 에이전틱 층을 얼마나 쌓을 것인가이지, 어느 하나를 포기하는 것이 아닙니다.

두 번째 함정은 단순히 'AI를 사용한다'거나 마케팅 자료에서 그렇게 소개된다는 이유만으로 어떤 도구가 에이전틱하다고 믿는 것입니다. 여러 단계에 걸친 실질적인 계획 수립과 외부 시스템에 대한 실제 행동이 없다면, 에이전틱한 어휘로 포장되어 있어도 여전히 생성형 AI일 뿐입니다.

세 번째 실수는 에이전틱 시스템이 기반이 되는 생성형 모델의 품질에 얼마나 의존하는지 과소평가하는 것입니다. 도구는 부족해도 뛰어난 추론 모델 위에 만들어진 에이전틱 시스템은, 도구는 많지만 성능이 떨어지는 생성형 모델에 의존하는 시스템보다 더 나은 계획을 만들어냅니다. 에이전틱 층은 자신이 이끄는 모델의 장점과 단점을 증폭시킬 뿐, 이를 교정하지는 않습니다.

더 알아보기

관련 블로그 글 생성형 AI 대 자율 에이전트, 진짜 차이점은 아타코 사례를 넘어 시장 전체를 더 폭넓게 조망하며 이 비교를 다시 다룹니다. 용어를 더 깊이 알아보려면, 에이전틱 AI 페이지가 이 패러다임을 자세히 설명하며, AI 에이전트 페이지는 계획 수립과 여러 에이전트 간 오케스트레이션을 다루기 전에 에이전트라는 기본 단위부터 짚습니다.