Agentic AI는 코드와 대규모 언어 모델(LLM)의 시너지 효과를 결합한 것입니다.
AI 에이전트는 2024년부터 측정 가능한 비즈니스 가치를 제공하기 시작했습니다. 이러한 가치의 예는 소매, 의료, 제조와 같은 수직 산업과 판매, 고객 서비스, 지원과 같은 수평적 비즈니스 기능에서 쉽게 찾을 수 있습니다. 화장품 소매업체 세포라는 에이전트에게 AI를 사용하여 실시간 고객 입력과 실제 결과, 기존 고객 피드백을 결합하여 더욱 정확한 제품을 추천함으로써 피부 관리의 기준을 높인 사례 중 하나입니다 . 소매업체는 고객과의 각 상호작용에서 전체적인 경험을 자동화하고 개인화했습니다. 결과: 매출이 11% 증가하고 반품이 30% 감소했습니다.
AI 에이전트의 가치는 소프트웨어와 LLM을 활용해 여러 작업을 인간 상호 작용을 최소화하거나 아예 없애는 데서 나옵니다. 하지만 이런 에이전트란 정확히 무엇이고, AI를 어떻게 사용하는 걸까요?
에이전트는 특정 작업을 실행하는 소프트웨어입니다. 일부 에이전트는 특정 주제에 대한 웹 검색을 수행하거나 다른 곳에서는 얻을 수 없는 도메인별 정보가 풍부한 LLM을 쿼리하는 것처럼 한 가지 작업에만 특화되어 있습니다. 어떤 사람들은 사용자 요청을 일련의 작업으로 변환하고 작업자 에이전트가 이를 완료하도록 조정하는 데 특화되어 있습니다. 조종하든 실행하든, 에이전트는 매우 지시적이고 결정적입니다. 여기에는 AI가 없습니다. 각 에이전트는 실행하는 데 필요한 모든 정보와 실행 시기를 미리 정의합니다. 소프트웨어는 마법이지만 AI의 마법은 아닙니다.
에이전트가 일하는 한 가지 예로는 여러 단계를 연결하여 더 큰 작업을 완료하는 것이 있습니다. 예를 들어, 반복 고객에게 개인화되고 시기적절한 잠재 고객 홍보 이메일을 보내는 것입니다. 이 프로세스는 여러 개의 작고 개별적인 작업으로 나눌 수 있으며, 각 작업은 해당 목적에 따라 미리 코딩된 단일 전문 에이전트가 쉽게 실행할 수 있습니다. 예를 들어, 지난 7일 동안의 고객 상호작용에 대한 마케팅 리드 데이터베이스를 쿼리하고, 지난 90일 동안의 상호작용 수에 따라 정렬된 고객 관계 관리(CRM) 시스템에서 상위 3개 이메일 주소를 가져온 후, 최신 영업 캠페인에 따라 각 주소에 양식 이메일을 보내는 것입니다. 이러한 행동에 반드시 AI가 필요한 것은 아닙니다.
LLM이 제공하는 GenAI는 기존 검색보다 더 폭넓은 맥락과 풍부한 응답을 바탕으로 데이터 소스에서 패턴을 찾을 수 있습니다. 또한, 텍스트를 요약, 분석 또는 생성하여 정보를 더욱 간결하고 유용한 방식으로 만들거나 리팩토링할 수도 있습니다. LLM을 활용하는 것은 마치 프로세스에 마법을 더하는 것과 같습니다. 왜냐하면 LLM의 출력은 결정적이지 않기 때문입니다. 이러한 모델은 지금까지 발명된 어떠한 컴퓨팅 방법도 따라올 수 없는 속도로 원하는 패턴을 찾아냅니다. 그 결과는 우리 인간에게는 일종의 추론 형태로 나타납니다. 지난 2년 동안 LLM 산출물의 질은 "괜찮음"에서 "놀라움"으로 향상되었습니다. 그렇다면 에이전트 솔루션에 GenAI를 언제 적용해야 할지 어떻게 알 수 있을까요?
잠재고객 이메일 예시를 계속 들어보면, 이메일 템플릿은 최소한의 개인화로 사용할 수 있지만, 텍스트 생성을 위해 설계된 훌륭한 LLM뿐만 아니라 이전 구매 및 요구 사항과 관련된 비공개 고객별 정보에 액세스할 수 있는 AI가 생성한 이메일은 훨씬 더 뛰어납니다. 그 Epson에서 Conversica 솔루션 구현 이야기를 들려줍니다: 자율적이고 반복적인 행동을 설명하는 이 에이전트 AI 솔루션의 가장 효과적인 두 가지 기능은 다음과 같습니다. 1) 시간이 지남에 따라 양방향 이메일 대화에 참여할 수 있는 기능, 2) 수신자가 선호하는 시간대에 따라 이메일을 보내는 기능.
에이전트 AI는 작업을 실행하는 매우 구체적인 지시 코드와 AI 추론을 결합하여 풍부하고 상황에 맞는 답변을 생성하거나 예측합니다. 에이전트 AI는 마법이 아니지만, 단독으로 작동하는 에이전트나 GenAI보다 더 강력합니다. 이 두 가지 구성 요소는 다양한 양과 조합으로 조립되어 작업 흐름을 자동화하여 엄청나게 가치 있는 결과를 만들어낼 수 있습니다. 다음은 자동화된 에이전트 AI 워크플로를 나타내는 간단한 다이어그램입니다. 여러 유형의 전문 에이전트와 AI 모델을 사용하여 일련의 작업을 완료합니다. 솔루션은 허용 가능한 결과가 달성될 때까지 실행된 후 사용자에게 피드백됩니다.
자동화된 에이전트 AI 워크플로의 예.
2025년은 2024년만큼이나 LLM 추론과 에이전트 플랫폼 개발이 계속되면서 흥미진진한 한 해가 될 것으로 예상됩니다. 얼마 전만 해도 LLM에 대한 일반적인 태도는 신뢰할 수 없다는 것이었습니다. 올해는 "에이전트 AI가 인간보다 더 나은 답을 추론할 수 없다"와 같은 댓글이 눈에 띄게 줄어드는 해가 될 수 있습니다. 올해 에이전트와 AI가 모두 성숙하고 개선됨에 따라 주의해야 할 세 가지 사항이 있습니다.
에이전트 AI의 혁신 경로는 2025년 내내 이 세 가지 방향 중 하나로 급증할 수 있습니다. 이를 사용하여 에이전트 AI 플랫폼 발표 내용을 서로 비교하면 새로운 기능이 플랫폼을 성숙시키는지, 통합 작업을 용이하게 하는지, 아니면 AI 기반 인지의 마법을 제공하는지 명확히 알 수 있습니다.