Agentic AI
Agentic AI는 단순한 “도구형 AI”와는 다른 차원의 인공지능입니다.
Agentic AI란, 스스로 목표(goal)를 설정하거나, 복잡한 지시를 이해하고, 이를 달성하기 위해 여러 단계를 계획하며, 주어진 환경 내에서 자율적으로 행동하는 "에이전트(Agent)형 인공지능"을 의미합니다.
Agentic: "에이전트(agent)의 성격을 가진", 즉 자기 주도적으로 행동하고, 목표를 달성하기 위해 계획하거나 환경에 맞게 유연하게 대응하는 성격을 의미합니다.
기존의 반응형 AI가 입력에 따라 정해진 반응만 했다면, Agentic AI는 다음과 같은 능동적 특성을 지닙니다.
- 목표 지향적 행동
- 계획 및 추론 능력
- 환경 인식 및 적응
- 반복적 학습 및 자기 수정
- 외부 시스템과의 상호작용
주요 특징
1. 목표 중심의 자율적 행동
단순 명령 수행이 아닌, 목표를 분석하고 달성 방법을 스스로 설계합니다.
2. 계획 및 추론 능력
작업을 단계별로 나누고, 필요한 경우 계획을 수정하거나 우선순위를 재조정합니다.
3. 환경 인식 및 적응성
주변 환경, 사용자 피드백을 파악하여 자신의 행동을 능동적으로 조절합니다.
4. 상태 기억(State)과 메모리
진행 중인 작업, 과거 시도, 다음 단계 등을 기억해 컨텍스트를 유지한 채 여러 작업을 연결합니다.
5. 복잡한 작업 자동화
예시:
- 문서 리서치 → 이메일 작성 → 보고서 완성
- 고객 요청 분석 → 대응 메일 전송 → CRM 데이터 업데이트
기존 AI와 Agentic AI의 차이점
1. 목표 설정 방식
기존의 도구형 AI는 사용자가 명확한 지시를 내리는 방식으로 동작합니다. 스스로 목표를 설정하거나 분석하는 능력은 없습니다. 반면, Agentic AI는 주어진 지시나 상황을 바탕으로 스스로 목표를 명확히 정의하고, 이를 달성하기 위한 세부 목표로 분해하는 능력을 가집니다. 따라서 보다 유연하고 장기적인 작업 수행이 가능합니다.
2. 상태 관리(State Management)
기존 AI는 대부분 Stateless 구조로, 요청과 응답이 독립적으로 처리됩니다. 이전 대화나 행동에 대한 기억 없이 매번 새롭게 작동하는 방식입니다. 이에 비해 Agentic AI는 Stateful 구조를 기반으로 하여, 이전의 의사결정, 진행 중인 작업, 실패 경험 등을 기억하고 문맥(Context)을 유지하며 작업을 수행할 수 있습니다.
3. 시스템 연동 능력
도구형 AI는 보통 단일 API 호출이나 제한적인 외부 연계 기능을 제공합니다. 그러나 Agentic AI는 다양한 외부 시스템, 도구, API와 동적으로 상호작용하며, 웹 검색, 데이터베이스 질의, 이메일 전송 등 실제 행동을 필요로 하는 작업도 자율적으로 처리할 수 있습니다.
4. 반복과 학습 구조
기존 AI는 한 번의 요청에 대해 결과를 반환하는 일회성 처리 방식입니다. 반대로 Agentic AI는 결과가 불충분하거나 실패했을 경우, 스스로 실패 원인을 분석하고, 계획을 수정하여 반복적으로 시도하는 구조를 갖고 있습니다. 즉, 점차적으로 더 나은 결과를 도출해내는 학습적 패턴을 내재하고 있습니다.
5. 아키텍처 구성 방식
기존 AI는 하나의 모델이 정해진 기능만을 수행하는 단일 구조입니다. Agentic AI는 여러 개의 역할 기반 에이전트(예: 플래너, 실행자, 평가자 등)가 협력하는 멀티 에이전트 구조를 기반으로 하며, 복잡한 작업을 분해하고 조율하는 오케스트레이션(Orchestration) 시스템을 필요로 합니다.
실제 사례
AutoGPT / BabyAGI: 오픈소스 기반으로 자율적 정보 수집, 분석, 실행까지 수행
OpenAI GPT-4o 기반 에이전트: 명령 분해, 반복 수행, 이메일/보고서 등 업무 자동화
Google Astra / Microsoft AutoGen: 협업 기반 멀티 에이전트 시스템, 분산된 역할 수행
개발 관점에서의 핵심 변화
1. 아키텍처
- 입력→출력이 아닌 “목표→계획→실행” 구조
- 기존의 단일 호출 기반에서 계획(Planner)과 실행자(Executor) 모듈을 분리하여 구성해야 합니다.
2. 상태/메모리 관리
이전 의사결정, 실패 시도, 중간 결과 등을 기억하고 활용해야 하므로 메모리 관리가 핵심입니다.
3. 도구 및 시스템 연동
웹 크롤링, DB 질의, API 호출 등 다양한 외부 시스템과 실시간 연동 및 피드백 반영이 필요합니다.
4. 오케스트레이션과 반복 구조
목표를 달성할 때까지 여러 단계를 순환하거나 병렬 처리하는 Task 오케스트레이션 로직이 중요합니다.
5. 프롬프트/역할 분할
단일 프롬프트가 아니라, 플래너, 액터, 평가자 등 역할별 LLM 구조 설계가 필수입니다.
6. 오류 처리 및 안전성 확보
에러가 발생했을 때 단순 실패가 아닌, 재시도 → 원인분석 → 전략수정 루프가 작동해야 합니다.
핵심 요약
Agentic AI는 단순한 입력-출력 AI가 아니라, 목표 설정, 장기적인 계획, 상태 기억, 환경 적응, 실패 복구가 가능한 동적이고 자율적인 지능형 시스템입니다.
Agentic AI를 구성하는 주요 컴포넌트는 다음과 같습니다.
- 플래너 (Planner)
- 액터 (Actor/Executor)
- 메모리 (Memory/State)
- 도구관리 및 시스템 연동
- 오류 복구 및 실패 루프 설계
향후 활용 분야
- 디지털 비서: 일정 관리, 이메일 작성, 업무 대행
- 연구 자동화: 논문 조사, 실험 설계, 결과 분석
- 소프트웨어 에이전트: 코딩, 문서화, 테스트 자동화
- 기업 자동화: 고객 대응, 데이터 분석, 업무 리포팅
Agentic AI는 단순히 더 똑똑한 AI가 아니라, 진짜 ‘스스로 생각하고 행동하는’ AI의 시대를 여는 기술입니다.
앞으로 디지털 사회에서 사람과 함께 일하는 지능형 동반자(AI Co-worker)로 발전할 것이며, AI 활용 방식의 패러다임이 완전히 바뀔 것입니다.
[I/O 2025] 구글 I/O 2025: 이론이 현실이 되다
제미나이로 AI를 더욱 유용하게 만드는 방법
blog.google
Google I/O 2025 보고서 요약
1. Gemini 모델의 비약적 발전과 대중화
- Gemini 2.5 시리즈는 AI 성능(Elo 점수, LMArena 리더보드 1위 등)과 시장 대중화(월 480조 토큰 처리, 7백만 개발자, 4억 MAU 등)에서 획기적 발전을 이루었음.
- 모델 라인업에서 빠르고 효율적인 Flash, 최고 성능의 Pro, DeepThink 모드(고난도 추론/사고 능력 강화)를 제공, 다양한 니즈를 충족.
- DeepThink는 인간처럼 ‘더 오래 생각’하는 AI로, 복잡한 문제에 대한 깊이 있는 추론으로 과학, 엔지니어링, 교육 등 전문 분야 확장이 기대됨.
2. 검색의 미래: AI 기반 새로운 정보 탐색
- AI 오버뷰가 15억 명 이상에게 제공, 검색 경험을 종합적 요약·분석 중심으로 재정의. 시각 검색(Lens)도 65% 급성장.
- AI 모드는 복잡한 쿼리, 다이나믹 UI, ‘Deep Search’를 통한 전문가 수준 보고서 자동 작성 등으로 검색의 패러다임을 변화.
- 개인 컨텍스트를 결합해, 사용자 Gmail·일정 등 맥락을 활용한 맞춤형 검색 제공. 정보 접근의 효율성과 품질이 비약적으로 향상됨.
3. 일상에 스며드는 AI 에이전트 기술
- Project Mariner는 멀티태스킹, Teach & Repeat 등 AI가 실제로 웹/소프트웨어를 자동 조작하는 시대를 열었고, API 등으로 개발자 개방 확대.
- Gemini 앱 에이전트 모드는 집/여행/쇼핑/부동산 검색 등 복잡한 실제 작업을 AI가 자동 수행, 시간과 노력을 절약.
- 개인 컨텍스트로 이메일 또는 다양한 업무에서 내 스타일과 과거 이력을 반영한 맞춤형 AI 응답 가능. 개인정보는 사용자 통제.
4. 실시간 다언어·멀티모달 AI
- Google Meet 실시간 번역: 목소리·톤·표정까지 자연스럽게 여러 언어를 실시간 번역, 기업/관광/교육 등에서 언어장벽 해소.
- Gemini Live/Project Astra: 카메라·화면 인식을 통한 실시간 시각 대화 지원. 직접 보며 대화하는 방식으로, 교육, 현장 지원에서 활용.
- Search Live: 실시간 시각 질문·도움 제공으로, 검색이 상호작용적이고 상황기반 서비스로 진화.
5. 누구나 창작자 시대: 생성형 AI 도약
- Imagen 4: 고품질/고속 이미지 생성에, 텍스트까지 정교하게 반영. 빠르고 쉽게 시각 자료 제작 가능.
- Veo 3: 네이티브 오디오+비디오 동시 제작, 물리엔진 향상. 일반인도 ‘실사 수준’ 영상을 단번에 제작.
- Flow: 직관적으로 장면을 조립·편집하는 AI 영화 제작 도구. 창작 과정 자체를 극적으로 단순화.
- SynthID: AI 콘텐츠에 보이지 않는 워터마크 삽입, 탐지. 생성형 AI 신뢰성과 투명성 강화.
6. Android XR과 현실-디지털융합
- Android XR: 삼성 등과 협력, 몰입형 헤드셋/안경 등 다양한 형태로 출시 예정. Gemini로 현실·가상연동 경험(MLB 중계, 지도 탐색 등) 제공.
- XR 안경: 카메라, 마이크, 디스플레이 내장. 실시간 번역·증강정보, 손짓 없는 앱 사용 등 ‘일상 속 AI 조력자’ 실현.
- 패션과의 융합: Gentle Monster, Warby Parker 등과 협력해 스타일리시한 웨어러블 구현(주류화 의지).
7. Google AI 구독 서비스
- Google AI Pro/Ultra: Gemini Pro, 2.5 Pro DeepThink, Flow·Veo 3 등 최첨단 기능 독점 제공.
- Ultra는 ‘AI VIP 패스’로, 창작도구와 YouTube Premium, 대용량 스토리지 등 프리미엄 혜택까지. 유료 구독 확산으로 AI 산업의 ‘비즈니스 모델’ 다양화.
8. 비즈니스, 사회적 영향
- AI 개발자 생태계(7백만 명)와 기업 성장, 소프트웨어 개발 자동화, 고객 경험 개선 등 비즈니스 기회 확대.
- 접근성: 시각 장애인(Aira 프로젝트), 실시간 번역 등 기술 격차 해소 및 포용력 증진.
- 사회문제 해결: Firesat(실시간 산불 감지), Wing(재난 드론 배송) 등 AI의 공공 안전·구호 분야 실질 응용 확장.
Google I/O 2025는 AI가 검색, 창작, 일상 업무, 커뮤니케이션 등 모든 디지털 경험을 바꾸고 더욱 인간 친화적으로 발전하고 있음을 보여줌.
AI는 더 이상 미래 기술이 아닌, 현실적인 일상 속 동반자로 자리잡고 있음. 책임감 있는 AI 혁신, 사회적 영향까지 고려하는 균형 잡힌 전략이 강조됨.
결국, 인간의 능력과 경험을 크게 증폭시키는 새로운 AI 시대가 본격적으로 열리고 있음을 보여주는 시점.
AI 위험 관리 - Enterprise Spotlight
엔터프라이즈 IT 시스템에 AI가 도입되면서 새로운 형태의 위험이 확산되고 있다. AI 시대의 CIO는 더욱 심도 있게 위험 관리를 고민해야 한
www.techlibrary.co.kr
엔터프라이즈 스포트라이트: AI 위험 관리 요약
1. AI 도입과 위험 관리의 중요성
- IT 시스템에 AI 도입으로 새로운 위험이 증가.
- CIO들은 AI 거버넌스를 심도 있게 고민해야 한다는 압박을 받고 있음.
- 미국, 유럽, 기타 주요 기관들이 AI 거버넌스 프레임워크를 내놓고 있으나, AI 기술(특히 생성형 AI)의 발전 속도가 규제나 표준을 앞질러가고 있음.
- 정책 수립에는 CIO 단독이 아닌, 경영진 및 다양한 부서의 협력이 중요.
2. 거버넌스 실무와 사례
- 조직별로 AI 워킹 그룹 등 내부 거버넌스 프로세스를 마련.
- AI 시스템에서 투명성, 공정성, 책임성을 중시하며 다양한 이해관계자 참여 유도.
- 미국과 유럽은 AI 책임 정책 수립 수준은 비슷하나, 다부서 거버넌스에서는 유럽이 앞서 있음.
- 예시: TruStone 등은 플랫폼 구축 및 제한적 접근 정책을 통해 위험 통제.
3. AI 위험 평가와 정량화
- AI 도입 조직에서 규정 준수·데이터 보안이 핵심 위험.
- 내부 AI, 서드파티 AI, 외부 위협(공격자)이 주요 평가 대상.
- 기존의 ISO, NIST 등 위험관리 프레임워크 활용, NIST는 전용 AI 위험관리 프레임워크도 발표.
- 정량적 위험 평가는 쉽지 않으나, “AI 신뢰 지수” 등 벤치마크가 개발 중.
4. 서드파티·외부 AI 위험
- 서드파티 AI 도입시 데이터 보안 및 제4자 위험(하도급 등)에 대한 주의 필요.
- 계약 시 데이터 사용, 폐기 조건 등 명확한 관리 권장.
- 생성형 AI 기반의 해킹·피싱 등 사이버 공격이 증가, 대응책 강화 필요.
5. 교육과 준비 부족
- 많은 조직에서 AI 위협은 크다고 보지만, 실제 전사적 교육이나 포괄적 정책 시행은 부족(10% 내외).
- 대다수는 준비가 미흡하다고 자각.
6. 비용 및 ROI 불확실성
- AI 도입 비용의 예측 불가성과 ROI 불확실성이 가장 큰 장애물.
- 종량제(사용량 기반) 결제 방식이 선호됨.
- 자체 모델 구축보다 SaaS 활용 등 실용적 접근이 권장됨.
- 데이터 품질 문제, 전력·GPU 비용 상승, 인력 부족 등이 추가 장애요인.
7. 성공적 도입을 위한 조언
- 작은 파일럿으로 ROI를 명확히 하고, 전사적 확산 전 단계별로 효과를 측정할 것.
- 명확한 비용-성과 추적, 데이터 품질·관리, 프롬프트 엔지니어링 등이 실질적 성공에 중요.
AI 도입 기업은 기술 발전-규제 간 격차, 실제 구현 시 위험과 비용 예측, 내부-외부 위험 통제, 정량화의 어려움, 교육 및 가이드라인 부족, 그리고 비용 구조 불확실성이라는 과제를 갖고 있습니다.
CIO는 이 과정에서 내부 거버넌스 체계 마련, 실용적이고 점진적인 도입, 다양한 프레임워크 적극 활용, 전사적 협력과 교육 강화를 통해 신뢰와 관리능력을 갖추는 것이 핵심입니다.
「엔터프라이즈 스포트라이트: AI를 위한 데이터 애널리틱스 전략 수립」 요약
1. AI를 위한 데이터 애널리틱스 변화와 전략
데이터 애널리틱스의 복잡성
AI 애플리케이션 도입이 늘어나면서 데이터 분석은 점점 복잡해지고 있고, 이에 맞는 새로운 전략이 필요해졌음.
AI 중심 데이터 전략
본문에서는 글로벌 유통 기업 이케아의 사례를 중심으로, 데이터 활용과 AI 전략이 어떻게 기업 전체로 확장되고 내부 교육/인재 발굴에 집중되고 있는지 설명함.
- 이케아는 AI/데이터 분석에 1년 과정의 정규 교육을 여러 부서에 제공
- 3만 명이 넘는 직원이 기본 AI 교육을 수료하는 등 사내 데이터 역량에 적극 투자
- AI와 데이터 전문성이 IT 부서뿐 아니라 비즈니스 실무 영역까지 확장
실용적 AI 활용
- AI 추천 서비스, 트럭 경로 최적화 등 실용적인 AI와 자체 솔루션 개발에 초점
- 생성형 AI보다는 전통적 머신러닝 기법을 더 많이 사용
2. 데이터 정제(클린징)와 품질 이슈
지나친 데이터 정제의 부작용
AI에 최적화된 '완벽한' 데이터만 강조하다 보면 오히려 신호(특징)와 맥락을 잃고, 실제 활용 가치는 낮아질 수 있다.
- 데이터에 남아 있는 다양한 유형과 약간의 '더러움'이 오히려 AI 품질에 기여할 수 있음.
- 정제 작업의 ROI(투자 대비 효과)를 명확히 따져볼 필요
- 주요 포인트
- 목적 중심의 데이터 정제 필요(모든 데이터에 일률 적용 X)
- 데이터 정제 수준은 사용 목적과 맥락에 따라 다름(“깨끗한 데이터” 기준은 상대적)
- 데이터 정제의 80/20 법칙(필요한 부분만 효율적으로 정제)
데이터 정제가 너무 많으면
- 쓸모 있는 데이터(변이, 경계값, 이상치 등)를 잃을 수 있음 → 모델의 일반화/응용 능력 저하
- 맥락(예: 고객 불만 언어, 실제 필드의 잡음 데이터)이 손실되어 실제 서비스에서는 오작동 위험
- 편향된 데이터셋이 생성될 여지도 있음(특정 특성, 인구, 문화 등 소외 가능성)
점진적, 반복적 정제 권장
- 소규모, 신뢰 가능한 최신 데이터로 실험 후 점진적으로 확대
- 데이터의 오류와 신호 구분, 실제 현업의 맥락 이해가 중요
- 지나친 표준화·균질화로 다양성이 손실되지 않도록 주의
3. 비정형 데이터의 이해와 AI 전략
비정형 데이터의 부상
- 2028년 전 세계 데이터의 90%가 비정형 데이터(문자, 음성, 이미지, 비디오 등)로 예측됨
- 정형 데이터와 달리, 비정형 데이터는 구조가 없고 다양한 특징·의미를 가짐. 따라서 저장, 검색, 분석을 위해 AI의 역할이 커짐
기업의 대응 전략
- 정형 데이터는 정확한 일치, 비정형 데이터는 ‘유사성’이나 ‘의미’를 중시하는 방식으로 관리 필요
- 사람이 생성한 데이터(이메일, SNS, 수기, 오디오)와 기계가 생성한 데이터(로그, 센서, IoT, NLP 등) 모두 중요
- 대규모/복잡한 비정형 데이터 관리·분석 역량이 곧 기업 경쟁력으로 직결됨
향후 전망
- 비정형 데이터가 기업의 핵심 자산이 되며, 정형/비정형 데이터를 통합적으로 관리하는 데이터 거버넌스와 인사이트 발굴 능력이 기업 AI 성공의 핵심 요인으로 부상
- AI·데이터 분석 역량을 현업 전체로 확장해야 한다.
- 데이터 정제는 “필요한 만큼”만 효율적으로, 지나치면 오히려 품질 저하.
- 다양한(비정형) 데이터와 그 맥락을 이해하고 관리하는 능력이 AI 시대의 경쟁력.
- 데이터 품질, 정제, 활용 목적, 현업 실무의 이해가 데이터 기반 AI 프로젝트의 성공을 좌우한다.
보도사진 - 미디어라이브러리 - PRESS - 포스코 미디어센터
Better World with Green Steel, 친환경 미래소재 대표기업 포스코입니다.
www.posco.co.kr
p.s. 내가 말했잖아
'아현' 카테고리의 다른 글
| 행운은 준비와 기회의 만남이다, 트롤리 딜레마(Trolley Dilemma) (7) | 2025.06.07 |
|---|---|
| 역사상 가장 빠르게 확산된 소비자 서비스, Fossil-Free (2) | 2025.06.02 |
| 누가 내 치즈를 옮겼을까? (Who Moved My Cheese?), 스펜서 존슨(Patrick Spencer Johnson) (4) | 2025.05.25 |
| “내가 사라져도 넌 살아야해”, 오가노이드(organoid) (2) | 2025.05.21 |
| “가난한 게 죄냐?”, 마음의 가난은 죄다 (15) | 2025.05.16 |