에이전틱 검색(Agentic Search)은 AI 에이전트가 사용자의 질문을 여러 개의 하위 질의로 나눠 스스로 검색을 반복하고, 모인 결과가 충분한지 판단한 뒤 하나의 답으로 합쳐 내놓는 검색 방식이다. 검색이 한 번으로 끝나지 않고 계획과 실행, 검증이 도는 과정이라는 점이 기존 검색과 다르다.
마이크로소프트는 이 파이프라인을 "복잡한 질문을 처리하기 위해 설계된 멀티 쿼리 파이프라인"으로 정의하고, LLM이 복잡한 쿼리를 더 작고 집중된 하위 쿼리로 분할한 뒤 병렬로 실행한다고 설명한다 (Microsoft Learn, 에이전트 검색 개요).
챗GPT의 딥리서치, 퍼플렉시티, 구글 AI 모드, 네이버 AI탭이 모두 이 방식으로 답을 만든다.
검색을 몇 번 하는지, 그리고 검색 결과가 충분한지를 누가 판단하는지가 다르다. 전통 검색은 사용자가 판단하고, RAG는 한 번 검색한 문서로 답을 만들며, 에이전틱 검색은 에이전트가 판단하고 다시 검색한다.
| 구분 | 전통 검색 | RAG | 에이전틱 검색 |
|---|---|---|---|
| 질의 처리 | 입력한 키워드 그대로 | 질문을 한 번 변환해 검색 | 질문을 하위 질의 여러 개로 분해 |
| 검색 횟수 | 1회 | 1회 | 여러 회, 부족하면 반복 |
| 대화 맥락 | 쓰지 않음 | 대체로 쓰지 않음 | 대화 기록까지 질의에 반영 |
| 결과 판단 | 사용자가 함 | 받은 문서로 바로 답 생성 | 에이전트가 충분한지 판단 |
| 최종 출력 | 링크 목록 | 근거가 붙은 답변 | 근거가 붙은 답변과 실행 |
마이크로소프트 문서는 하위 쿼리에 추가 맥락을 위한 채팅 기록이 포함될 수 있다고 밝힌다. 앞선 대화를 이어받는다는 점에서 대화형 검색과 겹치고, 질문을 하위 주제로 쪼갠다는 점에서 쿼리 팬아웃과 같은 뿌리다.
차이는 마지막 줄에 있다. RAG까지는 답을 만드는 데서 끝나지만 에이전틱 검색은 예약이나 구매 같은 실행으로 이어진다.
질문을 쪼개고, 동시에 검색하고, 하나로 합치는 순서로 돈다. 애저 AI 서치가 공개한 에이전트 검색 워크플로는 네 단계다 (Microsoft Learn, 에이전트 검색 개요).
같은 문서의 비용 산정 예시는 규모를 짐작하게 한다. 쿼리 계획 하나당 하위 질의가 평균 3개 생기고, 하위 질의마다 최대 50개의 청크를 재순위한다.
질문 하나가 문서 조각 150개를 훑고 지나간다는 뜻이다. 검색이 하이브리드 검색이든 벡터 검색이든, 평가 단위는 페이지가 아니라 조각이 된다.
복잡한 질문일수록 늘어난다. 구글 클라우드 AI 리서치와 뉴욕대가 만든 딥서치 데이터 생성 프레임워크 SAGE의 논문이 데이터셋별 난이도를 검색 횟수로 비교했다 (SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback, Findings of ACL: EACL 2026).
| 데이터셋 | 질문당 평균 검색 횟수 |
|---|---|
| Natural Questions | 1.3 |
| HotpotQA | 2.1 |
| Musique | 2.7 |
| FRAMES | 3.2 |
| SAGE | 4.9 |
SAGE가 만든 질문은 답 하나를 얻는 데 평균 4.9회의 검색이 필요했다. 사람이 만든 자연어 질의 데이터셋인 Natural Questions의 1.3회와 비교하면 세 배를 넘는다.
이 숫자는 실제 사용자 질의의 평균이 아니라 딥서치 에이전트를 훈련하려고 만든 데이터셋의 난이도 지표다.
다만 방향은 분명하다. 에이전트가 다루도록 설계되는 질문일수록 한 번의 검색으로는 답이 나오지 않는다.
논문은 이렇게 만든 합성 데이터로 학습한 에이전트가 딥서치 벤치마크에서 최대 23%의 상대 성능 향상을 보였다고 보고한다.
구글과 네이버가 모두 검색에 실행 기능을 붙였다. 구글은 2026년 5월 I/O에서 웹을 계속 지켜보다 조건에 맞는 매물이 나오면 알려주는 정보 에이전트, 예약과 전화를 대신하는 기능, 질문에 맞춰 즉석에서 화면을 만들어 주는 기능을 발표했다 (Google, Google Search's I/O 2026 updates).
발표에 따르면 이 에이전트는 블로그, 뉴스 사이트, 소셜 게시물 같은 웹 전체와 금융, 쇼핑, 스포츠의 실시간 데이터를 함께 살핀다. 예약에서는 최신 가격과 예약 가능 여부를 모아 제공자별 링크로 연결한다.
국내에서는 네이버가 이 용어를 공식 문서에 직접 썼다. 2026년 6월 26일 정식 출시 보도자료는 "AI탭은 사용자의 검색 의도와 맥락을 이해해 답변을 제공하는 것을 넘어 쇼핑, 장소 탐색, 예약 등 실제 행동까지 연결하는 에이전틱 검색 서비스다"라고 규정했다 (네이버, 대화형 검색 AI탭 정식 출시 보도자료).
같은 자료에서 AI탭은 4월 베타 시작 뒤 약 2개월 만에 누적 사용자 400만 명을 넘었고, 상품과 장소 카드의 클릭률은 20%를 넘었다. 11회 이상 방문한 사용자의 상품 클릭은 2.7배, 장소 클릭은 2배로 나타났다.
느리고 비싸다. 마이크로소프트는 에이전트 검색이 단일 쿼리 파이프라인에 비해 대기 시간을 더하지만 단일 쿼리로는 처리할 수 없는 복잡성을 다룬다고 명시한다 (Microsoft Learn, 에이전트 검색 개요).
과금 단위도 바뀐다. 전통적인 파이프라인은 쿼리 수로 요금이 매겨지지만 에이전틱 검색은 토큰 기준이라 비용이 가변적이다.
같은 문서의 예시에서 에이전트 검색 2,000건의 비용은 검색 3.30달러와 쿼리 계획 1.02달러를 합쳐 약 4.32달러로 추산됐다. 한 건에 0.2센트 남짓이지만 질문마다 하위 질의와 재순위 청크 수에 따라 달라진다.
그래서 모든 질문에 필요한 방식은 아니다. 애저는 추론 노력을 가장 낮게 설정하면 쿼리 계획 단계를 건너뛰고 질의를 그대로 보낸다고 안내한다.
단순 질의까지 계획을 세울 이유가 없기 때문이다.
문서 전체가 아니라 조각 단위로 평가된다는 전제에서 시작해야 한다. 하위 질의 하나하나가 별도의 검색이고, 그 검색에 걸리는 것은 페이지가 아니라 청킹된 본문 조각이다.
조각이 홀로 읽혀도 뜻이 통해야 한다는 것이 실측으로 확인된 지점이다. 앤트로픽은 각 청크에 맥락 설명을 붙이는 방식으로 상위 20개 청크의 검색 실패율을 5.7%에서 1.9%로, 즉 67% 낮췄다고 보고했다 (Anthropic, Contextual Retrieval).
순위가 곧 인용은 아니라는 점도 같이 봐야 한다. Ahrefs가 863,000개 SERP와 400만 개 URL을 분석한 결과 AI 오버뷰가 인용한 페이지 가운데 상위 10위 안에 드는 것은 38%였다 (Ahrefs, AI Overview citations and top 10 rankings).
준비할 것은 셋이다.
이 준비의 총합이 GEO이고, 에이전틱 검색은 그 대상이 사람의 클릭에서 에이전트의 선택으로 옮겨 가는 단계다.
서치폴라리스가 AI 검색 가시성을 진단하고 GEO 실행까지 대행합니다.