AI 에이전트(AI Agent)는 사용자가 준 목표를 달성하기 위해 LLM으로 스스로 추론하고 계획하며, 검색이나 API 같은 외부 도구를 호출해 작업을 끝까지 수행하는 소프트웨어 시스템이다. 답만 내놓는 챗봇과 달리 직접 행동한다.
Google Cloud는 “AI를 사용해 사용자를 대신하여 목표를 추구하고 태스크를 완료하는 소프트웨어 시스템”으로, “추론, 계획, 기억이 가능하며 일정 수준의 자율성을 갖고 의사 결정, 학습, 조정을 처리”한다고 정의한다 (Google Cloud, AI 에이전트란 무엇인가요?, 2026-04-02 갱신). OpenAI의 구축 가이드는 한 문장으로 “에이전트는 사용자를 대신해 독립적으로 작업을 완수하는 시스템”이라고 쓴다 (OpenAI, A practical guide to building agents).
한국어 위키백과는 “다양한 정도의 자율성을 가지고 목표를 추구하고, 도구를 사용하며, 행동을 취할 수 있는 지능형 에이전트의 일종”으로 정의하고, 복합 AI 시스템이나 에이전트형 AI라는 이름도 함께 쓴다 (위키백과, AI 에이전트). 국내 검색에서는 “에이전틱 AI”가 별도 키워드로 자리 잡았는데, 이 문서에서는 두 표현을 같은 개념으로 다룬다.
챗봇은 답을 출력하고, 어시스턴트는 제안하되 결정은 사람이 하고, 에이전트는 스스로 결정하고 실행한다. 구글 “AI 에이전트” 관련 질문에 “AI 에이전트와 AI 어시스턴트의 차이점은 무엇인가요?”가 올라올 만큼 혼동이 잦은 지점이다.
| 구분 | AI 에이전트 | AI 어시스턴트 | 봇 |
|---|---|---|---|
| 목적 | 자율적이고 선제적으로 태스크 수행 | 사용자의 태스크 지원 | 간단한 태스크나 대화 자동화 |
| 기능 | 복잡한 다단계 작업, 학습과 적응, 독립적 의사 결정 | 요청에 응답, 작업을 추천하되 결정은 사용자 | 사전 정의된 규칙, 제한된 학습 |
| 상호작용 | 선제적, 목표 지향적 | 반응형, 사용자 요청에 응답 | 반응형, 트리거나 명령에 응답 |
표는 Google Cloud의 비교를 옮긴 것이다 (Google Cloud, AI 에이전트란 무엇인가요?, 2026-04-02 갱신). IBM은 비에이전틱 챗봇에는 “사용할 수 있는 툴, 메모리 또는 추론 기능이 없”는 반면 에이전틱 챗봇은 하위 작업을 스스로 만들어 낸다고 구분한다 (IBM, AI 에이전트란 무엇인가요?).
경계를 가장 명확히 긋는 것은 OpenAI다. “LLM을 통합했지만 워크플로 실행을 LLM이 제어하지 않는 애플리케이션, 즉 단순 챗봇, 단일 턴 LLM, 감정 분류기는 에이전트가 아니다” (OpenAI, A practical guide to building agents). Anthropic도 “LLM과 도구가 미리 정의된 코드 경로로 조율되는” 워크플로와 “LLM이 자기 프로세스와 도구 사용을 동적으로 지휘하는” 에이전트를 나눈다 (Anthropic, Building effective agents, 2024-12-19).
모델이 두뇌, 도구가 손발, 지시가 규칙이다. OpenAI는 가장 기본적인 형태의 에이전트가 “추론과 의사 결정을 담당하는 LLM(모델), 에이전트가 행동에 쓰는 외부 함수나 API(도구), 에이전트의 행동 방식을 정의하는 명시적 지침과 가드레일(지시)” 세 요소로 구성된다고 정리한다 (OpenAI, A practical guide to building agents).
실행은 루프로 돈다. IBM은 목표를 받아 계획을 세우고, 도구를 써서 추론하고, 결과를 보고 학습과 성찰을 거치는 세 단계로 설명하며, 추론과 행동을 번갈아 하는 ReAct 패러다임을 대표 방식으로 든다 (IBM, AI 에이전트란 무엇인가요?).
Google Cloud도 “주요 기능은 추론과 행동(ReAct 프레임워크에서 설명됨)“이라며 관찰, 계획, 협업, 자체 조정을 덧붙인다.
여기서 LLM은 언어를 이해하고 생성하는 두뇌이고, 도구는 검색, 데이터베이스, 외부 시스템을 만지는 함수이며, 메모리는 단기와 장기 맥락을 유지하는 저장소다 (Google Cloud, AI 에이전트란 무엇인가요?, 2026-04-02 갱신). 도구 연결의 표준으로 자리 잡은 것이 MCP인데, 공식 문서는 MCP를 “AI 애플리케이션을 외부 시스템에 연결하는 오픈소스 표준”으로 정의하고 에이전트가 캘린더나 노션에 접근해 사용자를 대신해 행동하는 예를 든다 (Model Context Protocol, What is MCP?).
교과서 분류는 다섯 가지이고, 실무에서는 사용자와 상호작용하는 방식이나 에이전트 수로 나눈다. 전통 분류는 러셀과 노빅의 인공지능 교과서에서 왔으며 IBM, AWS, 한국딥러닝이 같은 다섯 유형을 쓴다.
| 유형 | 판단 근거 | 예 |
|---|---|---|
| 단순 반사 에이전트 | 현재 입력만 보고 규칙대로 반응, 기억 없음 | 온도가 기준을 넘으면 꺼지는 온도 조절기 |
| 모델 기반 반사 에이전트 | 내부 모델로 보이지 않는 상태를 추정 | 지도와 센서로 위치를 추정하는 로봇 청소기 |
| 목표 기반 에이전트 | 목표에 가까워지는 행동을 선택 | 목적지까지 경로를 찾는 내비게이션 |
| 유틸리티 기반 에이전트 | 여러 결과 중 효용이 큰 쪽을 선택 | 시간과 비용을 함께 따지는 경로 추천 |
| 학습 에이전트 | 경험에서 배워 성능을 개선 | 사용 이력으로 추천을 바꾸는 시스템 |
단순 반사 에이전트는 “현재 지각만으로 행동하고 나머지 지각 이력은 무시”하며, 학습 에이전트는 “미지의 환경에서 시작해 초기 지식의 한계를 점차 넘어선다” (Wikipedia, Intelligent agent). IBM은 이 다섯을 단순 반사, 모델 기반 반사, 목표 기반, 유용성 기반, 학습 에이전트로 옮긴다 (IBM, AI 에이전트란 무엇인가요?).
LLM 기반 에이전트를 나눌 때 Google Cloud는 두 축을 쓴다. 상호작용 기준으로는 사용자 질의에 답하는 대화형 파트너와 이벤트로 구동돼 뒤에서 일하는 자율 백그라운드 프로세스, 에이전트 수 기준으로는 단일 에이전트와 협력하거나 경쟁하는 멀티 에이전트다 (Google Cloud, AI 에이전트란 무엇인가요?, 2026-04-02 갱신).
국내 검색 1페이지의 한국딥러닝과 요즘IT는 권한 기준으로 웹, 코딩, 자율 에이전트로 나누는 실무 분류를 쓴다.
국내 금융권에서는 우리은행이 2026년 4월 삼성SDS와 “다양한 업무 시스템을 연결해 175개 이상의 AI 에이전트를 구축하는” AI 에이전트 뱅킹 사업에 착수했고, 기사는 이를 “국내 금융권에서 대규모 AI 에이전트를 본격적으로 적용하는 첫 사례”로 전한다 (이코리아, 삼성SDS, 우리은행 ‘AI 에이전트 뱅킹’ 구축, 2026-04-07).
이 문서 자체도 사례다. 서치폴라리스 위키는 맥미니의 launchd가 매일 08:00에 헤드리스 Claude를 띄우면, 에이전트가 4,127자짜리 지시문 한 장을 읽고 발행 캘린더에서 다음 용어를 고른 뒤 Playwright로 구글 1페이지를 검색하고, 키워드 플래너와 네이버 검색광고 API로 검색량을 확인하고, 출처 URL을 열어 수치를 대조하고, 원고를 써서 발행 스크립트로 GitHub에 커밋하는 방식으로 만들어진다.
2026년 8월 21일부터 이 글까지 93편이 이 백그라운드 에이전트 한 대로 발행됐고, 사람은 결과를 확인하고 규칙을 고친다.
용도별로 보면 Google Cloud는 고객, 직원, 크리에이티브, 데이터, 코드, 보안 에이전트 여섯 갈래를 들고, IBM은 고객 경험, 의료, 긴급 대응, 재무와 공급망 관리를 사용 사례로 꼽는다 (IBM, AI 에이전트란 무엇인가요?). 코딩 에이전트는 국내 검색 관련 검색어에 “AI 에이전트 클로드”가 뜰 만큼 가장 대중화된 갈래다.
능력은 크게 뛰었지만 기업 배치는 아직 한 자릿수이고, 컨설팅사는 프로젝트 절반 가까이가 취소될 것으로 본다. 스탠퍼드 AI 인덱스 2026은 “AI 에이전트가 실제 컴퓨터 작업을 시험하는 OSWorld에서 작업 성공률 12%에서 약 66%로 도약했지만, 구조화된 벤치마크에서 여전히 세 번에 한 번꼴로 실패한다”고 쓴다 (Stanford HAI, The 2026 AI Index Report).
같은 보고서의 경제 장은 “조직의 AI 도입은 2025년에도 계속 늘어 조사 대상 조직의 88%“에 이르렀지만 “AI 에이전트 배치는 거의 모든 업무 기능에서 한 자릿수”라고 정리한다 (Stanford HAI, 2026 AI Index Report: Economy).
가트너는 2025년 6월 “비용 상승, 불분명한 사업 가치, 부적절한 위험 통제” 때문에 에이전틱 AI 프로젝트의 40% 이상이 2027년 말까지 취소될 것으로 예측했다. 기존 어시스턴트, RPA, 챗봇을 이름만 바꾸는 “에이전트 워싱”이 만연해 수천 벤더 중 진짜는 약 130곳뿐이라고도 추정했다 (Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, 2025-06-25).
| 가트너 예측 항목 | 2024년 | 2028년 |
|---|---|---|
| 에이전틱 AI가 자율적으로 내리는 일상 업무 결정 | 0% | 15% 이상 |
| 에이전틱 AI를 포함한 기업 소프트웨어 애플리케이션 | 1% 미만 | 33% |
같은 발표는 2028년 전망도 함께 냈다. 취소 예측과 성장 예측이 한 보도자료에 공존하는 것이 이 시장의 현재다.
가장 단순한 구조부터 시작하고, 정말 필요할 때만 자율성을 늘린다. Anthropic은 수십 개 팀과 에이전트를 만든 경험을 정리하며 “가능한 가장 단순한 해법을 찾고, 필요할 때만 복잡성을 높이라”고 권한다 (Anthropic, Building effective agents, 2024-12-19).
같은 글이 제시하는 단계는 다음 순서다.
구현 재료는 OpenAI가 말한 모델, 도구, 지시 세 가지이고, 도구 연결은 MCP로 표준화할 수 있다. 지시문을 쓰는 법은 프롬프트 문서를 참고한다.
운영 위험도 설계에 넣어야 한다. IBM은 다중 에이전트 종속성, 무한 피드백 루프, 계산 복잡성, 데이터 개인정보 보호를 위험으로 들고, 활동 로그, 중단 장치, 고유 식별자, 인간의 감독을 모범 사례로 권한다 (IBM, AI 에이전트란 무엇인가요?).
에이전트가 도구 결과를 잘못 읽으면 오류가 다음 행동으로 증폭되므로 할루시네이션 대책이 챗봇보다 더 중요하다.
검색과 구매를 사람 대신 에이전트가 수행하는 비율이 늘면, 웹 문서의 독자에 에이전트가 추가된다. 서치폴라리스 서치콘솔에서는 최근 28일 “agentic search” 질의가 평균 1.1위로 노출됐고, “ai 검색 최적화 에이전트 얼리 파트너 신청” 같은 문장형 질의도 잡힌다.
에이전트는 페이지를 눈으로 훑지 않고 텍스트를 읽어 도구 호출의 근거로 삼는다. 그래서 AI 검색에 인용되기 위한 GEO의 원칙인 명확한 정의, 구조화된 표, 검증 가능한 출처가 에이전트 독자에게도 그대로 적용된다.
같은 현상을 가리키는 두 표현이다. 가트너는 산업 전망에서 에이전틱 AI를, 구글과 OpenAI는 제품 문서에서 AI 에이전트를 쓴다.
굳이 나누면 에이전틱 AI는 자율적으로 목표를 추구하는 AI의 성질이나 접근법을, AI 에이전트는 그 성질을 구현한 개별 시스템을 가리킨다.
대화창에서 답만 받는 기본 사용은 에이전트가 아니다. OpenAI 스스로 “단순 챗봇, 단일 턴 LLM”은 에이전트가 아니라고 선을 긋는다 (OpenAI, A practical guide to building agents).
다만 웹을 탐색하고 도구를 호출하며 여러 단계를 스스로 수행하는 모드로 쓰면 에이전트로 동작한다.
만들 수 있다. 네이버 지식iN에 “초보자도 쉽게 사용할 수 있는 AI 에이전트 제작 툴”을 묻는 질문이 올라올 만큼 수요가 있고, 노코드 빌더들이 그 자리를 채운다.
다만 Anthropic의 권고대로 단일 호출이나 워크플로로 충분한 일에 에이전트를 붙이면 비용과 오류만 는다 (Anthropic, Building effective agents, 2024-12-19).
우리은행의 175개 AI 에이전트 뱅킹, 코드를 읽고 고치는 코딩 에이전트, 이 위키를 매일 발행하는 백그라운드 에이전트가 있다. 용도별 분류는 위 “실제 사례” 절에 정리했다.
서치폴라리스가 AI 검색 가시성을 진단하고 GEO 실행까지 대행합니다.