
TL;DR AI Agent는 일을 맡는 하나의 실행 단위이고, Agentic AI는 여러 에이전트가 목표를 나눠 자율적으로 움직이는 시스템입니다.
2026년 국내 기업과 공공기관의 AI 도입 담당자를 위해, 제안서와 보고서마다 섞여 쓰이는 AI Agent와 에이전틱 AI를 어떤 기준으로 구분하고 도입 판단에 어떻게 반영할지 방법을 정리했습니다.
검색창에 “AI Agent Agentic AI 차이”를 입력하는 분들은 대개 비슷한 상황에 있습니다. 공급사 소개서에는 “에이전틱 AI 플랫폼”이라고 적혀 있고, 내부 보고서에는 “AI 에이전트 도입”이라고 쓰여 있으며, 정부 사업 공고에는 “에이전틱 AI”라는 낯선 표기가 등장합니다. 같은 이야기를 다른 말로 하는 것인지, 실제로 다른 물건을 가리키는 것인지 헷갈립니다. 결론부터 말하면 두 말은 겹치지만 같지 않습니다. AI Agent는 목표를 받아 도구를 쓰며 일하는 하나의 실행 단위이고, Agentic AI는 그런 에이전트가 하나 이상 모여 목표를 나누고 조율하며 자율적으로 움직이는 시스템, 그리고 그 시스템이 가진 “스스로 일하는 성질”을 함께 가리킵니다. 이 글은 AI란 무엇인가에서 정리한 인공지능의 큰 그림 위에서, 두 용어를 가르는 해석 세 가지와 비교 축 아홉 가지, 그리고 문서를 읽고 도입 순서를 정하는 판단 기준을 다룹니다. 각 용어의 정의 자체가 궁금하다면 AI Agent란 무엇인가와 Agentic AI(에이전틱 AI)란 무엇인가를 먼저 읽어 두면 이해가 빠릅니다.
이 글이 답하는 여덟 가지 질문 목록
“ai agent vs agentic ai 차이”, “agentic ai 와 ai agent 차이”처럼 실제로 검색되는 질문을 기준으로 순서를 잡았습니다.
- AI Agent와 에이전틱 AI는 왜 이렇게 헷갈리나요?
- 두 용어를 한 문장으로 구분하면 어떻게 말할 수 있나요?
- 논문과 공급사는 두 용어를 각각 어떻게 정의하나요?
- 자율성, 구조, 메모리, 조율 방식은 구체적으로 어떻게 다른가요?
- 실패하는 방식과 보안 위협은 어떻게 달라지나요?
- 비용과 성과 평가는 무엇을 다르게 봐야 하나요?
- 제안서와 공급사 자료에서 두 용어를 만나면 무엇을 확인해야 하나요?
- 우리 조직은 하나의 에이전트부터 시작해야 하나요, 에이전틱 AI 시스템부터 설계해야 하나요?
두 용어는 왜 이렇게 헷갈리나?
헷갈리는 가장 큰 이유는 두 말이 서로 다른 시기에, 서로 다른 목적으로 퍼졌기 때문입니다. “에이전트”는 인공지능 교과서에서 수십 년 동안 써 온 오래된 학술 용어입니다. 러셀과 노빅의 교과서는 에이전트를 환경을 인식하고 그 환경에 작용하는 모든 것으로 정의했고, 온도 조절기처럼 단순한 규칙형 프로그램도 그 정의에 들어갔습니다. 반면 에이전틱 AI는 대형 언어 모델(LLM)이 도구를 호출하고 계획을 세우기 시작한 2024년 무렵부터 산업계에서 빠르게 퍼진 말입니다. 연구실의 정밀한 용어와 시장의 기대를 담은 용어가 같은 시기에 한국어로 들어오면서 경계가 흐려졌습니다.
둘째 이유는 문법적으로 한쪽은 명사이고 다른 쪽은 형용사라는 점입니다. Agent는 “행위자”라는 셀 수 있는 명사이고, agentic은 “행위자다운, 스스로 행동하는”이라는 성질을 뜻하는 형용사입니다. 영어권에서는 “an agent”와 “agentic behavior”가 자연스럽게 구분되지만, 한국어로 옮기면 “AI 에이전트”와 “에이전틱 AI”가 모두 명사처럼 쓰여 같은 층위의 물건처럼 보입니다. 그래서 “에이전틱 AI를 도입한다”는 문장이 “에이전트 하나를 들인다”는 뜻인지 “스스로 일하는 방식으로 업무 체계를 바꾼다”는 뜻인지 문맥 없이는 알기 어렵습니다.
셋째 이유는 같은 회사도 문서마다 두 말을 다르게 쓴다는 점입니다. 어떤 공급사는 두 용어를 거의 같은 뜻으로 섞어 쓰고, 어떤 공급사는 “에이전트는 부품이고 Agentic AI는 그 부품으로 지은 집”이라고 분명히 나눕니다. 연구자들은 단일 과업을 처리하는 에이전트와 여러 에이전트가 협업하는 시스템을 별도의 범주로 보자고 제안합니다. 독자가 무엇을 기준으로 읽느냐에 따라 같은 문장이 다르게 해석되는 것입니다.
| 헷갈리는 이유 | 실제로 일어나는 일 | 읽는 사람이 할 일 |
|---|---|---|
| 등장 시기가 다름 | 오래된 학술 용어와 2024년 이후 산업 용어가 섞임 | 문서가 쓰인 시기와 작성 주체를 확인 |
| 품사가 다름 | 명사(개체)와 형용사(성질)가 한국어에서 모두 명사처럼 쓰임 | “몇 개인가”를 물을 수 있는지로 구분 |
| 공급사 용법이 제각각 | 같은 뜻으로 섞거나 계층으로 나눔 | 정의 문장을 직접 찾아 비교 |
| 마케팅 수요 | 기존 제품에 새 이름만 붙이는 경우가 생김 | 실제 자율 실행 범위를 시연으로 확인 |
이 표의 마지막 줄이 실무에서 가장 중요합니다. 용어 자체보다 그 용어가 붙은 시스템이 실제로 무엇을 스스로 하는지를 확인하는 습관이 두 말을 구분하는 출발점입니다.
한 문장으로 말하면 무엇이 다른가?
AI Agent는 “누가 일하는가”의 답이고, 에이전틱 AI는 “일이 어떤 방식으로 굴러가는가”의 답입니다. 회사에 빗대면 AI Agent는 특정 업무를 맡은 한 명의 직원이고, 에이전틱 AI는 여러 직원이 목표를 나누고 서로 일을 넘기며 관리자가 진행을 조율하는 팀 운영 방식, 그리고 그 팀이 지시를 기다리지 않고 스스로 움직이는 성질까지 함께 가리킵니다. 직원 한 명도 스스로 일할 수 있으니 하나의 에이전트도 Agentic한 성질을 가질 수 있습니다. 그러나 “에이전틱 AI 시스템”이라고 부를 때는 보통 여러 에이전트와 그들을 묶는 조율 계층, 공유 메모리, 통제 장치까지 포함한 전체 구조를 말합니다.
| 구분 | AI Agent | Agentic AI |
|---|---|---|
| 한 줄 정의 | 목표를 받아 도구를 쓰며 일하는 하나의 실행 단위 | 하나 이상의 에이전트가 목표를 나눠 조율하며 자율적으로 움직이는 시스템과 그 성질 |
| 셀 수 있는가 | 예, “에이전트 세 개”처럼 셈 | 보통 세지 않음, “에이전틱 AI 방식”, “Agentic AI 시스템”으로 부름 |
| 다루는 업무 크기 | 좁고 정의가 분명한 과업 | 여러 단계와 부서에 걸친 업무 흐름 |
| 핵심 구성 | 모델, 도구, 지시문, 짧은 기억 | 여러 에이전트, 조율 계층, 공유 메모리, 통제 정책 |
| 대표 예 | 일정 조율, 문의 분류, 사내 문서 검색 | 조사 보고서 자동 작성, 여러 시스템을 거치는 업무 처리 |
이 표를 외우기보다는 “몇 개인가”와 “어떻게 움직이는가”라는 두 질문만 기억하면 대부분의 문서를 바로 읽을 수 있습니다. 몇 개인지 셀 수 있으면 에이전트 이야기이고, 움직이는 방식과 체계를 말하면 에이전틱 AI 이야기일 가능성이 높습니다. AI Agent와 Agentic AI는 경쟁 관계가 아니라 부품과 구조의 관계이며, 그래서 “둘 중 무엇을 고를까”보다 “에이전트를 몇 개, 어떤 구조로 묶을까”가 실무에서 더 정확한 질문입니다.
아래 슬라이드는 같은 구분을 작업 범위, 자율성, 제어 방식, 구성 단위, 실패 전파의 다섯 항목으로 나란히 놓은 것입니다. 특히 마지막 줄의 실패 전파 범위가 두 용어를 가르는 실무상 가장 큰 차이입니다.
그림. 행위자인 AI Agent와 시스템인 Agentic AI의 다섯 가지 비교 항목
첫 번째 해석, 개체와 성질로 나누면 어떻게 보이나?
가장 널리 쓰이는 해석은 AI Agent를 개체로, 에이전틱 AI를 성질과 패러다임으로 보는 것입니다. MSAP.ai의 Agentic AI(에이전틱 AI)란 무엇인가도 이 관점에서 두 용어를 “개체와 패러다임”으로 정리했습니다. “리서치 에이전트를 하나 만들었다”고 할 때의 에이전트는 개체이고, “회사가 에이전틱 AI 전략을 세운다”고 할 때는 자율 실행이라는 접근 방식 전체를 말합니다. 이 해석의 장점은 문법과 잘 맞는다는 것입니다. Agentic이 형용사이므로, 에이전틱 AI는 “에이전트처럼 스스로 행동하는 성질을 띤 AI”라는 뜻이 됩니다.
앤트로픽(Anthropic)의 해석도 이와 가깝습니다. 앤트로픽은 2024년 12월 공개한 Building effective agents에서 미리 정한 코드 경로로 언어 모델과 도구를 엮는 워크플로와, 언어 모델이 스스로 과정과 도구 사용을 결정하는 에이전트를 나누고, 이 둘을 모두 “에이전틱 시스템(agentic systems)“이라는 상위 범주로 묶었습니다. 즉 Agentic이라는 말은 순수한 자율 에이전트만이 아니라, 정해진 순서에 따라 모델이 도구를 호출하는 워크플로까지 아우르는 넓은 우산입니다.
이 해석을 받아들이면 실무에서 몇 가지가 정리됩니다. 첫째, 하나의 에이전트도 Agentic한 정도가 높거나 낮을 수 있습니다. 정해진 세 단계만 실행하는 에이전트는 Agentic한 정도가 낮고, 스스로 계획을 고치고 도구를 바꾸는 에이전트는 높습니다. 둘째, Agentic AI는 특정 제품명이 아니라 설계 방향을 가리키므로 “에이전틱 AI를 샀다”는 표현은 정확하지 않습니다. 셋째, 도입 논의를 “몇 단계까지 맡길 것인가”라는 자율성의 정도로 바꿔 말할 수 있습니다.
에이전트인지 아닌지를 둘로 가르는 대신 얼마나 agentic한지를 성질로 보자는 제안도 같은 흐름에 있습니다. 아래 표는 전통적인 AI, 소프트웨어 에이전트, Agentic AI를 실행 방식, 자율성, 의사 결정, 위임된 의도로 비교합니다. 스팸 필터 같은 전통적인 AI는 예측과 분류에 머물고, 챗봇이나 감시 에이전트는 정해진 규칙 안에서 움직이며, Agentic AI는 위임받은 목표에 맞춰 전략을 바꾼다는 점이 가장 큰 차이입니다.
그림. 전통적인 AI·소프트웨어 에이전트·Agentic AI의 성질 비교
| 질문 | 개체로서의 AI Agent | 성질로서의 Agentic AI |
|---|---|---|
| 무엇을 가리키나 | 이름이 있는 실행 프로그램 하나 | 계획·도구 사용·재시도를 스스로 하는 정도 |
| 측정 방법 | 에이전트 수, 처리 건수 | 사람 개입 없이 이어지는 단계 수, 맡긴 결정의 범위 |
| 문서 표현 예 | “문의 분류 에이전트 배포” | “Agentic 방식으로 업무 흐름 재설계” |
| 도입 질문 | 어떤 업무를 이 에이전트에 맡기나 | 어디까지 사람 승인 없이 진행시키나 |
다만 이 해석에는 약점도 있습니다. 성질이라는 말은 범위가 넓어 무엇이든 Agentic하다고 부를 여지를 줍니다. 그래서 연구자들은 보다 구체적인 구조 기준으로 두 범주를 나누자고 제안했고, 그것이 두 번째 해석입니다.
두 번째 해석, 단일 에이전트와 다중 에이전트로 나누면?
두 번째 해석은 AI Agent와 에이전틱 AI를 구조가 다른 두 범주의 시스템으로 나눕니다. 대표적인 근거가 코넬대학교와 펠로폰네소스대학교 연구진이 쓴 논문 AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges입니다. 이 논문은 2025년 5월 arXiv에 처음 공개된 뒤 학술지 Information Fusion 126권(2026)에 실렸습니다. 연구진은 AI Agent를 대형 언어 모델과 대형 이미지 모델을 바탕으로 특정 과업을 자동화하는 모듈형 시스템으로 정의하고, 자율성, 과업 특화, 반응성을 핵심 특성으로 꼽았습니다. 반면 에이전틱 AI는 여러 에이전트의 협업, 동적인 과업 분해, 지속 메모리, 조율된 자율성을 특징으로 하는 패러다임 전환으로 설명합니다.
이 구분은 응용 사례에서 더 분명해집니다. 논문은 두 범주에 각각 네 가지 대표 응용을 제시합니다.
| 범주 | 논문이 제시한 대표 응용 | 공통점 |
|---|---|---|
| AI Agent | 고객 지원 자동화와 사내 검색, 메일 분류와 우선순위 지정, 개인화 추천과 기본 보고서, 자율 일정 조율 | 입력과 결과가 분명한 좁은 과업 |
| 에이전틱 AI | 다중 에이전트 연구 보조, 로봇 협업 조율, 협업형 의료 의사결정 지원, 다중 에이전트 게임 AI와 적응형 업무 자동화 | 여러 역할이 나눠 맡고 중간 결과를 주고받는 긴 과업 |
이 해석의 장점은 도입 검토에서 바로 쓸 수 있는 구조 기준을 준다는 점입니다. 에이전트가 하나이고 과업이 좁으면 AI Agent, 여러 에이전트가 과업을 쪼개 나눠 갖고 기억을 공유하며 조율 계층이 있으면 Agentic AI로 분류합니다. 이 기준은 앞의 첫 번째 해석과도 충돌하지 않습니다. 성질로서의 Agentic이 강해질수록 하나의 에이전트로는 감당하기 어려워지고, 자연스럽게 여러 에이전트의 협업 구조로 옮겨 가기 때문입니다.
구조로 나눌 때 하나 덧붙일 점이 있습니다. 여러 에이전트가 같은 언어 모델을 같은 이름으로 불러 쓰더라도, 역할을 가르는 것은 모델이 아니라 각자가 가진 지침 문서, 연결된 MCP 서버, 예약 작업입니다. 재무 에이전트와 마케팅 에이전트는 같은 모델을 쓰면서도 읽을 수 있는 데이터와 맡는 업무가 다릅니다. 그래서 Agentic AI 구조를 설계할 때는 모델을 공용 자원으로 두고 에이전트별 권한과 데이터 범위를 나누는 방식이 관리하기 쉽습니다. 역할 기반으로 에이전트 팀을 구성하는 방법은 Agentic AI 멀티에이전트 프로필과 역할 기반 팀 구성 백서에서 함께 볼 수 있습니다.
국내 언론과 업계도 대체로 이 해석을 따릅니다. 디지털타임스는 2025년 8월 국내 IT서비스 3사의 AI 전략을 다루며 에이전틱 AI를 여러 에이전트가 팀을 이뤄 문제를 푸는 멀티에이전트 시스템으로 설명했습니다. 그래서 한국어 문서에서 “에이전틱 AI”가 나오면 우선 멀티 에이전트 구조를 떠올리고, 실제 구조를 확인하는 순서로 읽는 편이 오해가 적습니다. 멀티 에이전트를 설계하는 구체적인 협업 패턴은 멀티 에이전트 시스템 설계에서, 단일·멀티·계층형으로 에이전트를 나누는 기준은 AI 에이전트 종류에서 따로 정리했습니다.
세 번째 해석, 마케팅 용어로 보면 무엇이 달라지나?
세 번째 해석은 에이전틱 AI를 기술 범주가 아니라 시장의 기대를 담은 마케팅 용어로 보는 시각입니다. 이 시각이 나온 배경에는 가트너의 경고가 있습니다. 가트너는 2025년 6월 25일 발표에서 2027년 말까지 Agentic AI 프로젝트의 40% 이상이 중단될 것으로 전망하고, 그 이유로 비용 증가, 불분명한 사업 가치, 부족한 위험 통제를 꼽았습니다. 같은 발표에서 가트너는 기존의 AI 비서, 로봇 프로세스 자동화(RPA), 챗봇에 새 이름만 붙여 파는 에이전트 워싱(agent washing)을 지적하고, 에이전틱 AI를 내세우는 수천 곳의 공급사 가운데 실제로 그 기능을 갖춘 곳은 약 130곳에 불과하다고 추정했습니다.
같은 발표에는 기업들의 투자 태도도 담겼습니다. 2025년 1월 웨비나 참석자 3,412명을 조사한 결과, 에이전틱 AI에 상당한 투자를 했다는 응답은 19%, 보수적으로 투자했다는 응답은 42%, 투자하지 않았다는 응답은 8%, 관망하거나 정하지 못했다는 응답은 31%였습니다. 가트너는 그럼에도 2028년에는 일상 업무 의사결정의 최소 15%가 Agentic AI로 자율 결정되고(2024년 0%), 기업용 소프트웨어 애플리케이션의 33%가 에이전틱 AI를 포함할 것(2024년 1% 미만)으로 내다봤습니다. 이 수치들은 가트너 발표를 옮긴 W.Media 기사 원문에서 확인한 값입니다.
| 겉으로 내세우는 말 | 실제로 확인해야 할 것 | 에이전트 워싱 신호 |
|---|---|---|
| “Agentic AI 플랫폼” | 모델이 다음 행동을 스스로 고르는가 | 모든 분기가 사람이 그린 순서도에 고정 |
| “자율 에이전트” | 사람 승인 없이 실행되는 단계가 무엇인가 | 결과는 항상 사람이 복사해 다음 시스템에 입력 |
| “멀티 에이전트” | 에이전트끼리 결과를 주고받는 경로가 있는가 | 이름만 다른 프롬프트 여러 개를 나열 |
| “스스로 학습” | 실행 결과가 다음 실행에 어떻게 반영되는가 | 학습 경로 설명 없이 성능 향상만 주장 |
이 해석이 주는 교훈은 분명합니다. 용어가 에이전틱 AI든 AI Agent든, 실제로 무엇을 스스로 결정하고 실행하는지를 시연과 로그로 확인하지 않으면 이름은 아무것도 보증하지 않습니다. 세 해석은 서로 배타적이지 않으며, 실무에서는 첫째 해석으로 말을 정리하고, 둘째 해석으로 구조를 확인하며, 셋째 해석으로 과장을 걸러 내는 식으로 함께 쓰면 됩니다.
주요 기관과 공급사는 두 용어를 어떻게 정의하나?
공급사들의 정의를 나란히 놓으면 “에이전트는 부품, 에이전틱 AI는 그 부품을 조율하는 전체”라는 공통 축이 보입니다. 다만 그 축을 얼마나 분명하게 말하는지는 회사마다 다릅니다. 아래 표는 각 기관의 공개 문서 원문에서 확인한 내용을 정리한 것입니다.
| 출처 | AI Agent 정의 요지 | 에이전틱 AI 정의 요지 | 두 용어 관계 |
|---|---|---|---|
| Google Cloud | 사용자를 대신해 목표를 추구하고 과업을 수행하는 소프트웨어 시스템 | 자율적 의사결정과 행동에 초점을 둔 고급 형태의 AI | 에이전트는 Agentic AI의 구성 요소, 공구와 집의 관계 |
| IBM | 사용 가능한 도구로 업무 흐름을 설계해 자율적으로 과업을 수행하는 시스템 | 제한된 감독 아래 특정 목표를 달성하는 시스템, AI 에이전트들로 구성 | 에이전틱 AI는 오케스트레이션으로 조율되는 에이전트들의 시스템 |
| AWS | 환경과 상호작용하며 데이터를 모아 미리 정한 목표를 위해 스스로 과업을 수행하는 프로그램 | 미리 정한 목표를 위해 독립적으로 행동하는 자율 AI 시스템, 단일 또는 다중 에이전트 | 명시적 대비 없이 거의 같은 뜻으로 사용 |
| NVIDIA | 별도 정의보다 Agentic AI 설명 안에서 다룸 | 정교한 추론과 반복 계획으로 복잡한 다단계 문제를 자율 해결, 인지·추론·행동·학습 4단계 | 언어 모델이 조율자 역할을 맡는 구조 |
| OpenAI | 사용자를 대신해 독립적으로 과업을 완수하는 시스템 | 별도 용어 대신 단일 에이전트 시스템과 다중 에이전트 시스템으로 구분 | 단일 에이전트 역량을 먼저 최대화하라고 권고 |
| Anthropic | 언어 모델이 스스로 과정과 도구 사용을 결정하는 시스템 | 워크플로와 에이전트를 모두 아우르는 에이전틱 시스템 | Agentic은 상위 범주 |
가장 분명한 대비는 Google Cloud의 설명입니다. Google Cloud의 Agentic AI 소개 페이지는 AI 에이전트를 공구함 속 개별 공구에, 에이전틱 AI를 그 공구들을 조율해 집 한 채를 짓는 일에 비유합니다. 하나의 AI 에이전트가 특정 과업에 집중한다면 Agentic AI는 여러 에이전트를 써서 복잡한 업무 흐름을 처리하고, 그 에이전트들을 조율하고 관리하는 상위 시스템 역할을 한다는 설명입니다. 같은 페이지는 에이전틱 AI를 에이전트의 조율과 실행에 초점을 둔 생성형 AI의 한 갈래로 봅니다.
IBM의 Agentic AI 설명도 비슷한 구조입니다. 에이전틱 AI는 제한된 감독 아래 특정 목표를 달성하는 시스템이며 AI 에이전트들로 이루어지고, 다중 에이전트 시스템에서는 각 에이전트가 하위 과업을 맡고 AI 오케스트레이션으로 조율된다고 설명합니다. 반면 AWS의 Agentic AI 설명은 에이전틱 AI가 단일 에이전트로도, 다중 에이전트로도 구성될 수 있다고 보고 두 용어를 거의 같은 뜻으로 씁니다. NVIDIA는 2024년 10월 블로그에서 Agentic AI의 문제 해결을 인지, 추론, 행동, 학습의 4단계로 설명하며 언어 모델이 조율자이자 추론 엔진 역할을 맡는다고 썼습니다.
이 차이를 알면 공급사 문서를 읽을 때 오해가 줄어듭니다. AWS 계열 문서의 에이전틱 AI는 단일 에이전트일 수도 있고, Google Cloud 계열 문서의 에이전틱 AI는 대개 여러 에이전트의 조율을 뜻합니다. 같은 단어라도 출처에 따라 범위가 다르므로, 비교 검토표에는 용어 대신 “에이전트 수”, “조율 방식”, “사람 승인 지점” 같은 구조 항목을 적는 것이 공정합니다.
목표 범위와 자율성은 어떻게 다른가?
AI Agent는 좁고 정의가 분명한 목표를 받고, 에이전틱 AI는 넓은 목표를 받아 스스로 하위 목표로 쪼갭니다. 예를 들어 “이번 주 회의 일정을 참석자 일정에 맞춰 잡아 줘”는 AI Agent 하나로 충분한 목표입니다. 입력은 참석자 목록과 달력이고, 결과는 확정된 회의 시간입니다. 반면 “다음 분기 신규 사업 후보 세 가지를 시장 자료와 내부 실적으로 비교해 보고서로 만들어 줘”는 목표 자체가 넓습니다. 어떤 자료를 찾을지, 어떤 순서로 분석할지, 어떤 형식으로 정리할지를 시스템이 정해야 하므로 Agentic AI 구조가 어울립니다.
자율성도 같은 방향으로 달라집니다. 하나의 에이전트에 맡기는 자율성은 대개 “어떤 도구를 어떤 순서로 부를지”까지이고, 결과를 받아 다음 업무로 넘기는 판단은 사람에게 남는 경우가 많습니다. 에이전틱 AI 시스템에서는 조율 에이전트가 하위 과업을 배분하고, 결과를 검토해 다시 시키고, 다음 단계로 넘길지를 정합니다. 사람이 개입하지 않고 이어지는 단계가 길어질수록 시스템은 더 Agentic해지고, 동시에 통제 설계의 부담도 커집니다.
| 비교 축 | AI Agent | Agentic AI |
|---|---|---|
| 목표 형태 | “이 문의를 분류해 담당 부서로 보내라”처럼 구체적 | “고객 이탈을 줄일 방안을 찾아 실행 계획을 세워라”처럼 넓음 |
| 목표 분해 | 사람이 미리 쪼개 둔 과업을 수행 | 시스템이 스스로 하위 목표를 만들고 다시 조정 |
| 자율 범위 | 도구 선택과 호출 순서 | 과업 배분, 재시도, 다음 단계 진행 여부까지 |
| 사람 개입 위치 | 결과 확인과 다음 업무 지시 | 위험한 실행 직전 승인, 최종 결과 검토 |
| 종료 조건 | 과업 하나가 끝나면 종료 | 목표 달성 판단 또는 예산·시간 한도 도달 |
자율성의 정도를 정할 때는 “되돌릴 수 있는 일인가”를 먼저 따져야 합니다. 문서 초안 작성처럼 틀려도 다시 쓰면 되는 일은 긴 자율 구간을 허용해도 되지만, 송금, 계약 상태 변경, 운영 서버 설정 변경처럼 되돌리기 어려운 일은 하나의 에이전트라도 실행 직전에 사람 승인을 두는 것이 원칙입니다. 자율성 수준을 단계로 나누는 방법은 Agentic AI(에이전틱 AI)란 무엇인가의 자율성 절에서 더 자세히 다룹니다.
구조와 조율 방식은 어떤 차이가 있나?
AI Agent는 하나의 반복 루프로 움직이고, 에이전틱 AI는 여러 루프를 묶는 조율 계층을 가집니다. 하나의 에이전트는 대개 “생각하고, 도구를 부르고, 결과를 보고, 다시 생각하는” 루프를 종료 조건이 될 때까지 돕니다. 이 루프 하나로 처리할 수 있는 일이면 구조를 복잡하게 만들 이유가 없습니다. 반면 에이전틱 AI 시스템은 역할이 다른 에이전트 여러 개와, 그 사이에서 일을 배분하고 결과를 모으는 조율 방식이 핵심 설계 대상입니다.
OpenAI의 A practical guide to building agents는 이 구조 차이를 실무 관점에서 정리합니다. 이 안내서는 에이전트 시스템을 단일 에이전트 시스템과, 업무 실행이 여러 에이전트에 나뉘는 다중 에이전트 시스템으로 나눕니다. 다중 에이전트 구조로는 중앙의 관리자 에이전트가 전문 에이전트들을 도구처럼 호출하는 관리자 방식과, 에이전트들이 동료처럼 일을 서로 넘기는 분산 방식 두 가지를 제시합니다. 그리고 일반적인 권고로 단일 에이전트의 역량을 먼저 최대한 끌어올리라고 말합니다.
| 구조 | 동작 방식 | 장점 | 주의할 점 |
|---|---|---|---|
| 단일 에이전트 | 하나의 루프가 도구를 골라 반복 실행 | 추적과 평가가 쉬움, 비용 예측 가능 | 도구와 지시가 많아지면 판단이 흔들림 |
| 관리자 방식 다중 에이전트 | 관리자 에이전트가 전문 에이전트를 도구처럼 호출 | 최종 책임 지점이 하나, 결과 취합이 명확 | 관리자에 판단이 몰려 병목이 생길 수 있음 |
| 분산 방식 다중 에이전트 | 에이전트끼리 일을 넘기며 진행 | 상담 분기처럼 전문 영역 전환에 유리 | 누가 최종 책임자인지 흐려질 수 있음 |
| 계층형 다중 에이전트 | 상위 조율자 아래 팀 단위 에이전트 묶음 | 큰 업무를 부서처럼 나눠 관리 | 계층이 깊을수록 지연과 비용 증가 |
언제 단일 에이전트에서 에이전틱 AI 구조로 넘어가야 할까요? OpenAI 안내서는 두 가지 신호를 듭니다. 지시문의 조건 분기가 너무 많아져 관리하기 어려운 복잡한 논리, 그리고 도구 과부하입니다. 안내서에 따르면 도구 수 자체보다 도구가 서로 비슷하고 겹치는지가 문제여서, 잘 구분된 도구 15개 이상을 다루는 에이전트도 있지만 겹치는 도구 10개 미만에서 판단이 흔들리는 경우도 있습니다. “에이전트를 늘릴까”의 판단 근거는 업무 규모가 아니라 단일 에이전트가 실제로 실패하는 지점이어야 한다는 뜻입니다. 조율 계층을 구성하는 방법은 AI 오케스트레이션에서 별도로 정리했습니다.
메모리와 상태 관리는 어떻게 달라지나?
하나의 AI Agent에게 메모리는 대화 맥락을 잇는 장치이지만, Agentic AI에게 메모리는 여러 에이전트가 함께 쓰는 업무 기록이자 협업의 기반입니다. 단일 에이전트는 현재 대화와 직전 도구 결과를 언어 모델의 맥락 창 안에 담아 다음 판단에 씁니다. 필요하면 지난 대화 요약이나 사용자 선호를 별도 저장소에 두고 불러오지만, 그 기억의 주인은 에이전트 하나입니다. 반면 에이전틱 AI 시스템에서는 조사 에이전트가 모은 자료를 분석 에이전트가 읽고, 검토 에이전트가 남긴 지적을 작성 에이전트가 반영해야 합니다. 앞서 본 Sapkota 연구진이 에이전틱 AI의 특징으로 지속 메모리(persistent memory)를 꼽은 이유가 여기에 있습니다.
메모리가 공유되면 설계 질문이 달라집니다. 누가 어떤 기록을 읽고 쓸 수 있는지, 서로 다른 에이전트가 같은 항목을 동시에 고치면 무엇이 우선하는지, 틀린 정보가 기록에 들어가면 어떻게 찾아 지우는지를 정해야 합니다. 논문은 해법으로 일화 기억, 의미 기억, 벡터 기억을 나누는 메모리 구조를 제시합니다. 실무 언어로 바꾸면 “무슨 일이 있었나”를 남기는 실행 기록, “무엇이 사실인가”를 담는 지식 저장소, “비슷한 자료를 찾는” 검색용 색인을 구분해 관리하라는 뜻입니다.
| 항목 | AI Agent의 메모리 | 에이전틱 AI의 메모리 |
|---|---|---|
| 주된 용도 | 대화 맥락 유지, 사용자 선호 기억 | 에이전트 간 작업 결과 공유, 장기 업무 이력 |
| 소유 | 에이전트 하나 | 시스템 전체, 역할별 읽기·쓰기 권한 |
| 주요 위험 | 맥락 창 초과로 앞부분을 잊음 | 틀린 기록이 다른 에이전트로 퍼짐 |
| 필요한 장치 | 요약, 대화 이력 저장 | 기록 출처 표시, 권한 분리, 기록 검증과 삭제 절차 |
국내 기업에서 이 차이는 데이터 거버넌스와 바로 연결됩니다. 하나의 에이전트가 개인 업무 기록을 기억하는 것과, 여러 부서의 에이전트가 공용 기록을 읽고 쓰는 것은 개인정보와 보안 검토의 범위가 다릅니다. 그래서 Agentic AI 구조로 넘어가기 전에 공유 메모리에 무엇을 남기고 무엇을 남기지 않을지부터 결정해야 합니다. 사내 데이터를 근거로 붙이는 검색 증강 방식은 RAG란 무엇인가에서 따로 다룹니다.
실패하는 방식은 어떻게 다른가?
AI Agent의 실패는 대개 한 지점에서 드러나지만, 에이전틱 AI의 실패는 에이전트 사이를 건너며 커지거나 예상하지 못한 행동으로 나타납니다. Sapkota 연구진의 논문은 두 범주의 과제를 따로 정리했습니다. AI Agent의 과제로는 인과 이해의 부족, 언어 모델에서 물려받은 한계, 불완전한 에이전트 특성, 긴 과업의 계획과 복구 능력 부족, 신뢰성과 안전 문제의 다섯 가지를 꼽았습니다. 에이전틱 AI의 과제는 여덟 가지로 늘어납니다. 인과 문제의 증폭, 통신과 조율의 병목, 창발적 행동과 예측 불가능성, 확장과 디버깅의 복잡성, 신뢰와 설명 가능성, 보안과 적대적 위험, 윤리와 거버넌스, 기반 기술의 미성숙이 그것입니다.
| 실패 유형 | AI Agent에서의 모습 | 에이전틱 AI에서의 모습 |
|---|---|---|
| 사실 오류 | 답변 하나에 틀린 내용이 섞임 | 앞 에이전트의 틀린 결과를 다음 에이전트가 사실로 받아 증폭 |
| 무한 반복 | 같은 도구를 반복 호출 | 에이전트끼리 일을 되넘기며 끝나지 않음 |
| 예측 불가 | 같은 입력에 다른 도구 순서 | 개별 에이전트는 정상인데 전체가 의도와 다른 결과 |
| 원인 추적 | 실행 기록 하나를 따라가면 됨 | 여러 에이전트의 기록을 시간순으로 맞춰야 함 |
| 복구 | 해당 과업만 다시 실행 | 어느 단계부터 다시 할지 정하기 어려움 |
실무에서 가장 조심해야 할 것은 오류의 연쇄 증폭입니다. 단일 에이전트의 할루시네이션은 사람이 결과를 읽으며 잡아낼 수 있지만, Agentic AI 시스템에서는 사람이 중간 결과를 보지 않는 구간이 길어 틀린 내용이 다음 단계의 전제가 됩니다. 할루시네이션이 생기는 이유와 줄이는 방법은 AI 할루시네이션에서 따로 다뤘습니다. 논문이 제시한 열 가지 설계 해법, 곧 검색 증강, 함수 호출, 추론·행동·관찰 루프, 메모리 구조, 역할 특화 조율, 자기 검토, 프로그래밍 방식의 프롬프트 관리, 인과 모델링, 감시·감사·설명 파이프라인, 거버넌스를 고려한 설계 가운데 감시·감사 파이프라인과 역할 분리는 에이전틱 AI 구조에서 선택이 아니라 필수에 가깝습니다.
결국 두 구조의 실패 차이는 “한 번 틀리는가, 틀린 것이 번지는가”로 요약됩니다. 그래서 에이전틱 AI를 검토할 때는 성공 시연보다 실패 시연을 요청하는 편이 훨씬 많은 정보를 줍니다. 중간 에이전트가 틀린 결과를 냈을 때 시스템이 그것을 알아채는지, 멈추는지, 사람에게 알리는지를 직접 보아야 합니다.
보안 위협과 통제 설계는 무엇이 다른가?
하나의 AI Agent에 대한 보안 질문이 “이 에이전트에 어떤 권한을 줄까”라면, 에이전틱 AI에 대한 질문은 “에이전트들이 서로를 얼마나 믿게 할까”까지 넓어집니다. OWASP 생성형 AI 보안 프로젝트는 2025년 2월 Agentic AI 위협과 완화 방안 가이드를 공개했고, 2025년 12월 개정판(1.1)에서 위협 목록을 T1부터 T17까지로 정리했습니다. 메모리 오염(T1), 도구 오용(T2), 권한 탈취(T3)처럼 하나의 에이전트에도 해당하는 위협이 있는 반면, 여러 에이전트가 있을 때만 생기는 위협이 따로 분류되어 있습니다.
| 위협 | 단일 AI Agent | Agentic AI(다중 에이전트) |
|---|---|---|
| 메모리 오염, 도구 오용, 권한 탈취 | 해당 | 해당, 영향 범위가 더 넓음 |
| 에이전트 간 통신 오염(T12) | 해당 없음 | 에이전트 사이 통신 경로를 조작해 거짓 정보를 퍼뜨림 |
| 다중 에이전트 내 불량 에이전트(T13) | 해당 없음 | 감염되거나 오작동하는 에이전트가 시스템 안에서 활동 |
| 다중 에이전트 대상 사람의 공격(T14) | 해당 없음 | 에이전트 간 위임과 신뢰 관계, 업무 의존성을 악용 |
| 에이전트 간 프로토콜 악용(T16, 1.1판) | 해당 없음 | MCP나 A2A 같은 프로토콜의 결함을 악용 |
이 표에서 보듯 에이전틱 AI 구조로 갈수록 공격면이 에이전트 사이의 연결로 넓어집니다. 그래서 통제 설계도 달라집니다. 하나의 에이전트는 최소 권한, 실행 전 승인, 실행 기록 세 가지로 상당 부분을 관리할 수 있습니다. Agentic AI 시스템에는 여기에 에이전트별 신원과 권한 분리, 에이전트 간 메시지 검증, 위임 범위 제한, 이상 행동을 보이는 에이전트를 격리하는 절차가 더해져야 합니다.
그래서 도입 심사에서는 어떤 모델을 쓰는지보다 에이전트에게 무엇을 위임했는지를 먼저 적어야 합니다. 위임 목록이 곧 공격면 목록이기 때문입니다. 에이전트 시스템에서 새로 열리는 공격면은 목표, 기억, 도구, 자격증명, 에이전트 간 통신의 다섯 자리로 정리할 수 있고, 이 다섯은 서로 다른 위험이어서 하나를 막아도 나머지가 남습니다. 사내 결재 시스템에 쓰기 권한을 가진 에이전트와 문서를 읽기만 하는 에이전트는 같은 모델을 쓰더라도 통제 요구가 다릅니다.
국내 공공기관과 금융회사라면 망 분리와 데이터 등급 규정도 함께 따져야 합니다. 외부 클라우드의 에이전트와 내부 에이전트가 서로 일을 주고받는 구조는 그 자체로 데이터 반출 경로가 되기 때문입니다. 에이전트끼리 주고받는 메시지에 어떤 등급의 데이터가 실리는지 점검해야 합니다. 에이전트 검토에 필요한 기능 목록은 OWASP 위험 분류로 본 에이전트 검토의 8가지 필수 기능에 정리해 두었습니다.
비용과 성과 평가 지표는 어떻게 달라지나?
AI Agent는 과업 하나의 비용과 품질을 재면 되지만, 에이전틱 AI는 목표 하나를 달성하기까지 든 전체 비용과 최종 결과를 재야 합니다. 단일 에이전트는 호출 한 번에 쓰는 토큰과 도구 호출 수가 비교적 일정해 처리 건수당 비용을 예측하기 쉽습니다. 에이전틱 AI 시스템은 조율 에이전트가 하위 에이전트를 몇 번 부를지, 검토 에이전트가 몇 번 되돌려 보낼지가 실행마다 달라집니다. 에이전트가 늘어날수록 모델 호출이 곱으로 늘어날 수 있다는 점이 가장 큰 차이입니다. 가트너가 에이전틱 AI 프로젝트 중단의 첫 번째 이유로 비용 증가를 꼽은 것도 같은 맥락입니다.
호출 구조를 보면 이 차이가 더 분명합니다. 정해진 순서로 동작하는 보조 프로그램은 작성자가 코드에 적어 둔 횟수만큼 모델을 부르지만, 에이전트는 목표를 받은 뒤 어떤 도구를 부르고 언제 멈출지를 스스로 정하면서 단계마다 모델을 다시 호출합니다. 사용자 요청 한 건이 모델 호출 몇 건으로 이어질지는 실행해 봐야 알 수 있고, 호출량은 사용자 수보다 에이전트가 맡은 작업의 단계 수에 따라 달라집니다. 에이전트가 늘어날수록 호출을 한 곳에서 세고 제한하는 길목, 곧 LLM 게이트웨이가 필요해지는 이유입니다.
| 평가 항목 | AI Agent | Agentic AI |
|---|---|---|
| 비용 단위 | 처리 건당 모델 호출과 도구 호출 | 목표 달성 1회당 전체 호출 합계 |
| 비용 변동 | 작음 | 큼, 재시도와 되넘김에 따라 달라짐 |
| 품질 지표 | 과업 정확도, 응답 시간 | 최종 결과 품질, 목표 달성률, 사람 개입 횟수 |
| 평가 방법 | 정답이 있는 시험 세트 | 끝까지 실행해 보는 시나리오 시험과 중간 단계 점검 |
| 예산 통제 | 호출 한도 | 목표당 예산과 시간 한도, 단계 수 상한 |
평가 방법의 차이도 큽니다. 하나의 에이전트는 문의 100건을 넣고 분류 정확도를 재는 식으로 비교적 단순하게 평가할 수 있습니다. 에이전틱 AI는 중간 결과가 맞아도 최종 결과가 틀릴 수 있고, 반대로 중간에 헤매도 결과는 맞을 수 있습니다. 그래서 최종 결과와 함께 몇 단계를 거쳤는지, 사람이 몇 번 개입했는지, 목표당 비용이 얼마였는지를 한 화면에서 보는 운영 지표가 필요합니다.
이 차이 때문에 도입 순서도 정해집니다. 단일 에이전트로 처리 건당 비용과 품질의 기준선을 먼저 만들어 두면, 나중에 Agentic AI 구조로 바꿨을 때 늘어난 비용이 늘어난 성과로 정당화되는지를 비교할 수 있습니다. 기준선 없이 처음부터 다중 에이전트 구조로 시작하면 비용이 적정한지 판단할 근거가 사라집니다. 도입 비용 구조 전반은 AI 도입 비용에서, 에이전트 호출을 한 곳에서 관리하는 방법은 LiteLLM 도입 가이드에서 다룹니다.
MCP와 A2A는 어느 쪽에 필요한가?
MCP는 에이전트와 도구를 잇는 표준이라 AI Agent 하나에도 필요하고, A2A는 에이전트끼리를 잇는 표준이라 에이전틱 AI 구조에서 의미가 커집니다. 앤트로픽은 2024년 11월 25일 MCP(Model Context Protocol)를 오픈소스로 공개하며 AI 비서를 데이터와 도구에 연결하는 표준으로 소개했습니다. 하나의 에이전트가 사내 문서 저장소, 일정 시스템, 데이터베이스를 쓰려면 각 시스템과의 연결이 필요하고, MCP는 이 연결 방식을 통일합니다.
구글은 2025년 4월 9일 Agent2Agent(A2A) 프로토콜을 발표하며 50곳이 넘는 기술 파트너와 함께 에이전트 간 상호 운용성을 내세웠고, A2A가 MCP를 보완하는 관계라고 설명했습니다. A2A는 2025년 6월 23일 리눅스 재단 프로젝트가 되었습니다. 이어 2025년 12월 9일에는 리눅스 재단 아래 Agentic AI Foundation이 출범하면서 MCP, goose, AGENTS.md가 창립 프로젝트로 기여되었고, 공개된 MCP 서버가 1만 개를 넘었다고 밝혔습니다.
아래 슬라이드는 두 규격이 실제 구성에서 어디에 놓이는지를 보여 줍니다. 사용자의 요청을 받은 에이전트가 A2A로 다른 에이전트에게 일을 넘기고, 일을 받은 에이전트가 MCP로 파일, 데이터베이스, 외부 서비스에 연결되는 구조입니다.
그림. 도구는 MCP로, 에이전트끼리는 A2A로 잇는 연계 구조
| 표준 | 연결 대상 | AI Agent에 필요한가 | Agentic AI에 필요한가 |
|---|---|---|---|
| MCP | 에이전트 ↔ 도구·데이터 | 필요, 도구 연결의 기본 | 필요, 모든 에이전트가 공통으로 사용 |
| A2A | 에이전트 ↔ 에이전트 | 대개 불필요 | 서로 다른 공급사·팀의 에이전트를 잇는 경우 필요 |
| 사내 메시지 규약 | 같은 플랫폼 안 에이전트 | 불필요 | 단일 플랫폼 안 협업이면 충분할 수 있음 |
여기서 놓치기 쉬운 점이 있습니다. A2A를 지원한다는 사실만으로 에이전틱 AI 시스템이 되는 것은 아닙니다. 프로토콜은 대화 통로일 뿐이고, 누가 일을 배분하고 결과를 검증하며 실패를 처리하는지는 별도로 설계해야 합니다. 반대로 같은 플랫폼 안에서 여러 에이전트가 협업하는 구조라면 A2A 없이도 충분히 에이전틱 AI 방식으로 운영할 수 있습니다. 앞서 본 OWASP 1.1판이 프로토콜 악용을 별도 위협으로 분류했듯이, 에이전트 간 연결은 기능이기 전에 보안 검토 대상이라는 점도 함께 기억해야 합니다. 에이전트 도입이 기업 AI 전략에서 갖는 의미는 엔터프라이즈 AI란 무엇인가에서 정리했습니다.
생성형 AI 진화 단계에서 두 용어는 어디에 있나?
생성형 AI의 진화를 단계로 보면 AI Agent는 3단계, 에이전틱 AI는 4단계에 해당합니다. MSAP.ai의 생성형 AI 진화 4단계 발표 자료는 이 흐름을 네 단계로 정리합니다. 학습한 지식으로 문장을 만드는 LLM이 1단계, 외부 데이터를 검색해 근거로 삼는 RAG가 2단계, 스스로 판단해 도구와 API를 실행하는 AI 에이전트가 3단계, 여러 에이전트가 큰 작업을 나눠 협력하는 Agentic AI가 4단계입니다. 이 구분은 앞서 본 두 번째 해석, 곧 단일 과업 에이전트와 다중 에이전트 협업 시스템을 나누는 학술적 구분과 같은 방향입니다.
| 단계 | 이름 | 하는 일 | 성패를 가르는 요소 |
|---|---|---|---|
| 1 | LLM | 학습한 지식으로 답변과 문서 생성 | 모델 성능 |
| 2 | RAG | 사내 자료를 검색해 근거 있는 답변 | 데이터 품질과 검색 정확도 |
| 3 | AI Agent | 도구와 API를 골라 업무 실행 | 도구 연결과 권한 설계 |
| 4 | 에이전틱 AI | 여러 에이전트가 목표를 나눠 협업 | 조율, 공유 메모리, 통제 체계 |
이 표가 알려 주는 핵심은 단계가 올라갈수록 성패를 가르는 요소가 모델에서 데이터와 연결, 그리고 조직의 통제 체계로 옮겨 간다는 점입니다. 3단계까지는 기술 선택의 문제에 가깝지만, 4단계인 에이전틱 AI는 어떤 업무를 어떤 단위로 나누고 누가 책임질지를 정하는 업무 설계의 문제가 됩니다. 그래서 에이전틱 AI 도입은 IT 부서만의 과제가 아니라 현업 부서와 보안, 감사 조직이 함께 결정해야 하는 과제입니다.
공공 AI 플랫폼 관점에서는 이 흐름을 더 잘게 나누기도 합니다. 프롬프트 설계, 검색 증강(RAG)으로 맥락을 붙이는 단계, 모델 실행 틀을 다듬는 하네스 단계, 에이전트 프레임워크, 에이전트 빌더(워크플로), 에이전트 오케스트레이션의 여섯 단계로 보는 방식입니다. 이 구분에서도 에이전트 프레임워크 단계부터 책임이 분리된 여러 에이전트가 협업하기 시작하며, 에이전트 단위로 실행 기록을 남길 수 있어 오히려 책임 추적이 쉬워지는 면이 있습니다. 2026년 1분기 공공 발주에서는 에이전틱 AI 기반 민원 상담 서비스가 사업 키워드로 등장해, 단순 챗봇이 아니라 여러 에이전트의 운영을 전제로 한 요구가 나오기 시작했습니다.
단계는 건너뛸 수 없는 계단이라기보다 위로 쌓이는 층입니다. Agentic AI 시스템 안의 개별 에이전트도 결국 LLM으로 판단하고, RAG로 근거를 찾으며, 도구를 호출합니다. 아래층이 흔들리면 위층의 협업도 흔들립니다. 생성형 AI 자체의 개념이 궁금하다면 생성형 AI란을, 언어 모델의 작동 방식은 LLM이란 무엇인가를 참고하시기 바랍니다.
제안서와 공급사 자료에서 두 용어를 읽는 기준
제안서나 공급사 자료에서 두 용어를 만나면, 용어를 지우고 구조 질문으로 바꿔 읽는 것이 가장 정확합니다. “에이전틱 AI 플랫폼”이라는 문구는 그 자체로 아무것도 보증하지 않습니다. 대신 에이전트가 몇 개이고, 누가 일을 배분하며, 사람이 어디서 승인하고, 실패하면 무엇이 남는지를 물어야 합니다. 국내 공공 사업 제안요청서(RFP)를 쓰는 쪽이라면 요구사항에도 용어 대신 이 질문들을 기능 요건으로 적는 편이 평가가 공정해집니다.
| 확인 질문 | AI Agent라고 할 때 | Agentic AI라고 할 때 |
|---|---|---|
| 에이전트 수와 역할 | 어떤 과업을 맡는 에이전트인가 | 에이전트가 몇 개이고 각각 무엇을 맡는가 |
| 조율 방식 | 해당 없음 또는 고정 순서 | 누가 과업을 배분하고 결과를 취합하는가 |
| 자율 범위 | 어떤 도구를 스스로 고르는가 | 사람 승인 없이 이어지는 단계는 어디까지인가 |
| 메모리 | 무엇을 기억하고 어디에 저장하는가 | 에이전트 간 공유 기록의 권한과 삭제 절차는 무엇인가 |
| 실패 처리 | 실패 시 사람에게 알리는가 | 중간 에이전트의 오류를 감지하고 멈추는가 |
| 기록과 감사 | 실행 기록을 남기는가 | 여러 에이전트의 기록을 하나의 흐름으로 추적할 수 있는가 |
| 비용 통제 | 건당 호출 한도가 있는가 | 목표당 예산과 단계 수 상한이 있는가 |
| 설치 형태 | 사내 설치가 가능한가 | 외부 에이전트와의 연결 경로가 통제되는가 |
이 표를 쓰면 에이전트 워싱도 자연스럽게 걸러집니다. 앞의 질문에 구체적으로 답하지 못하는 “에이전틱 AI 플랫폼”은 기존 챗봇이나 자동화 도구에 새 이름을 붙였을 가능성이 높습니다. 챗봇과 에이전트를 가르는 다섯 기준은 AI Agent와 챗봇의 차이에서 비교표로 정리했습니다.
질문을 하나로 줄여야 한다면 이 에이전트가 사람 확인 없이 수행하는 동작 가운데 되돌리기 어려운 것이 무엇인가를 물으면 됩니다. 자료를 찾아 요약만 내놓는 읽기 전용 에이전트와 파일을 고쳐 쓰고 외부로 메시지를 보내는 에이전트는 같은 이름을 달고 있어도 실패했을 때 치르는 비용이 크게 다릅니다. 제품 이름에 에이전트나 Agentic AI라는 말이 붙었는지는 이 질문에 아무 답도 주지 못합니다.
평가 과정에서는 시연 시나리오를 공급사가 고르게 두지 말고, 발주 기관이 고른 업무로 시연을 요청해야 합니다. 공급사가 준비한 성공 사례보다, 우리 업무 데이터로 실행했을 때 중간에 무엇이 멈추고 무엇이 기록되는지가 실제 운영의 모습에 가깝습니다. 에이전트 도입 전 점검할 기능은 AI Agent 필수 기능 여덟 가지를, 업무 적용을 판단하는 기준은 AI Agent 업무 적용 판단 기준 12가지를 함께 보시면 좋습니다.
국내 공공·산업 현장에서는 두 용어를 어떻게 쓰고 있나?
국내에서도 “AI 에이전트”는 개별 업무 도구로, “에이전틱 AI”는 여러 에이전트를 묶는 플랫폼과 국가 R&D 의제로 쓰이는 흐름이 뚜렷합니다. 정부 쪽에서는 과학기술정보통신부가 2026년 7월 30일 에이전틱 AI 핵심기술 R&D 사업 착수를 발표했습니다. 사업명은 실세계 능동 행동형 에이전틱 AI 기술 개발이며, 1.5년간 180억 원을 투자해 2027년 말까지 시제품 개발과 사업화를 추진합니다. 엔씨에이아이, 메디컬파크, 심심이, 브이이엔지 네 곳이 주관기관을 맡고 총 26개 산학연 기관이 참여해 업무 혁신, 의료 초음파, 국민 일상 동행, 물리 해석 시뮬레이션 네 분야를 다룹니다.
산업계에서는 대형 IT서비스 기업들이 에이전틱 AI를 플랫폼 이름으로 내세우고 있습니다. 바이라인네트워크 보도에 따르면 LG CNS는 2025년 8월 에이전틱 AI 플랫폼 에이전틱웍스(AgenticWorks)를 공개했는데, 빌더·스튜디오·지식 저장소·허브·리파이너·라우터의 여섯 모듈로 구성되고 MCP와 A2A를 지원하며 여러 에이전트를 통합 관리하는 구조입니다. 같은 기사에서 회사는 LG디스플레이 적용으로 생산성이 10% 이상 올랐다고 밝혔습니다(회사 발표 기준). 디지털타임스는 삼성SDS가 패브릭스, 브리티 코파일럿, 브리티 오토메이션을 AI 에이전트 서비스로 고도화해 공공·금융 수요를 겨냥하고, SK AX가 제조 분야 디지털 혁신 모델과 금융권 AI 플랫폼을 내세운다고 전했습니다. 뉴시스 2025년 4월 보도는 삼성SDS가 업무 비서를 개인 에이전트로 발전시켜 자율형 에이전트 시대에 대응하려 한다고 소개했습니다.
| 분야 | 하나의 AI Agent로 시작하기 좋은 업무 예시 | Agentic AI 구조가 필요한 업무 예시 |
|---|---|---|
| 공공 | 민원 문의 분류와 담당 부서 안내, 공문 초안 작성 | 민원 접수부터 관련 법령 조회, 처리 부서 협의, 회신 초안까지 이어지는 흐름 |
| 금융 | 상품 약관 질의응답, 내부 규정 검색 | 여신 심사 자료 수집, 위험 분석, 보고서 작성, 승인 요청을 나눠 맡는 흐름 |
| 제조 | 설비 매뉴얼 검색, 품질 보고서 요약 | 이상 징후 감지, 원인 분석, 정비 일정 조정, 부품 발주 검토를 잇는 흐름 |
| 공통 업무 | 일정 조율, 회의 자료 정리, 메일 분류 | 시장 조사와 내부 실적을 엮은 신규 사업 검토 보고서 작성 |
표의 업무 예시는 실제 기관 사례가 아니라 두 구조의 차이를 보여 주기 위한 예시입니다. 공통점은 분명합니다. 왼쪽 열은 입력과 결과가 한 번에 정해지는 업무이고, 오른쪽 열은 여러 시스템과 부서를 거치며 중간 결과가 다음 판단의 근거가 되는 업무입니다. 금융·공공처럼 규제가 강한 분야일수록 오른쪽 업무에서는 사람 승인 지점을 업무 단계마다 명시해야 합니다. 국내 기업의 AI 도입 사례 전반은 국내 기업 AI 도입 사례에서, 공공 분야 에이전트 적용은 공공기관 Ask Gov 도입 사례에서 확인할 수 있습니다.
공공기관이라면 망 분리 규정의 변화도 함께 봐야 합니다. 국가 망 보안체계(N²SF)가 업무 정보를 등급별로 나눠 생성형 AI와 클라우드 활용의 길을 열었지만, 기밀 등급 업무는 여전히 분리된 망에 남습니다. 그래서 외부 AI 서비스 없이 조직 안의 모델로 처리하는 사내 설치 수요는 계속 남습니다. 반대로 마케팅 지표 보고나 주간 손익 보고처럼 입력과 출력 형식이 정해진 정기 업무는 하나의 업무 특화 에이전트로 시작하기에 가장 알맞은 대상입니다.
우리 조직은 어느 쪽부터 시작해야 하나?
대부분의 조직은 하나의 AI Agent로 시작해 기준선을 만든 뒤, 단일 에이전트가 실제로 한계를 보이는 지점에서 에이전틱 AI 구조로 넓히는 순서가 안전합니다. 이것은 보수적인 선택이 아니라 앞서 본 여러 출처의 공통 권고입니다. 앤트로픽은 가장 단순한 해법을 찾고 필요할 때만 복잡도를 높이라고 권하고, OpenAI는 단일 에이전트의 역량을 먼저 최대화한 뒤 필요할 때 다중 에이전트로 옮겨 가라고 말합니다. 가트너가 지적한 에이전틱 AI 프로젝트 중단 이유 세 가지, 곧 비용 증가, 불분명한 사업 가치, 부족한 위험 통제도 처음부터 큰 구조로 시작할 때 커지는 위험입니다.
| 판단 기준 | 하나의 AI Agent로 충분한 경우 | 에이전틱 AI 구조를 검토할 경우 |
|---|---|---|
| 업무 범위 | 한 부서, 한 시스템 안에서 끝남 | 여러 부서와 시스템을 거침 |
| 과업 정의 | 입력과 결과가 분명함 | 목표는 분명하지만 경로가 매번 다름 |
| 도구 수 | 서로 겹치지 않는 소수의 도구 | 겹치는 도구가 많아 단일 에이전트가 자주 헷갈림 |
| 지시문 복잡도 | 조건 분기가 관리 가능 | 분기가 너무 많아 역할을 나눠야 관리됨 |
| 위험 수준 | 틀려도 다시 하면 되는 일 | 단계마다 다른 승인권자가 필요 |
| 운영 준비 | 실행 기록과 승인 절차 정도 | 공유 메모리 권한, 에이전트별 권한, 통합 추적 체계까지 준비 |
실행 순서로 정리하면 이렇습니다. 첫째, 반복적이고 결과가 분명한 업무 하나를 골라 하나의 에이전트로 시작합니다. 둘째, 처리 건당 비용, 품질, 사람 개입 횟수를 기준선으로 기록합니다. 셋째, 에이전트가 반복해서 실패하는 지점을 찾고, 그 원인이 도구 과부하나 지시문 복잡도라면 역할을 나눠 두 번째 에이전트를 추가합니다. 넷째, 에이전트가 셋 이상이 되거나 서로 결과를 주고받기 시작하면 조율 계층, 공유 메모리 권한, 통합 추적 체계를 정식으로 설계합니다. 이때부터가 사실상 Agentic AI 단계입니다.
이 순서에서 에이전트를 늘릴지 말지는 반드시 문서로 결정해야 합니다. “더 똑똑해 보여서”가 아니라 “단일 에이전트가 이 지점에서 이렇게 실패했고, 역할을 나누면 이렇게 개선된다”는 근거가 있어야 비용 증가를 설명할 수 있습니다. 노코드로 첫 에이전트를 만드는 방법은 AI 에이전트 만들기에서, 단계별 도입 계획은 AI 도입 로드맵에서 다룹니다.
MSAP.ai AAS는 두 개념을 어떻게 다루나?
MSAP.ai AAS(AI Agent Studio)는 AI Agent 플랫폼의 일반 사용자 콘솔로, 업무 담당자가 에이전트를 정의하고 플랫폼이 실행하는 구조를 지향합니다. 두 용어의 차이로 보면 AAS는 하나의 AI Agent를 만드는 단계와 여러 에이전트를 운영하는 에이전틱 AI 단계를 한 화면에서 잇는 역할을 합니다. 담당자는 누가 일하는지를 에이전트와 프로파일로, 어떻게 일하는지를 스킬로, 언제 일하는지를 정기 업무로 정하고, 실행은 오픈소스 Hermes Agent 플랫폼이 맡습니다.
에이전틱 AI 단계에서 필요한 통제 장치도 콘솔 기능으로 담았습니다. 실행하려는 명령은 실행 전에 승인 카드로 올라와 무엇을 보고 승인했는지가 기록으로 남고, 정기 업무의 실행 기록과 실패 여부를 한 화면에서 볼 수 있습니다. 운영 설치본의 최근 7일 세션 가운데 92%가 사람의 대화가 아니라 정기 업무에서 시작됐다는 점은, 에이전트가 늘어날수록 사람이 보지 않는 실행을 지켜보는 화면이 필요하다는 것을 보여 줍니다. 한 메시지를 여러 에이전트에게 동시에 보내는 회의 탭과, 프로파일을 복제해도 비밀값은 따라가지 않는 설계도 여러 에이전트를 함께 운영하는 상황을 전제로 합니다.
| 단계 | AAS에서 하는 일 | 관련 개념 |
|---|---|---|
| 하나의 에이전트 만들기 | 프로파일, 스킬, 정기 업무를 담당자가 직접 정의 | AI Agent |
| 실행 통제 | 실행 전 승인 카드와 승인 이력, 되묻기 카드 | 사람 승인 지점 |
| 여러 에이전트 운영 | 회의 탭으로 여러 에이전트에 동시 요청, 칸반으로 할 일 연결 | 에이전틱 AI |
| 관측 | 정기 업무 실패 감지, 실행 기록 조회 | 통합 추적 |
| 설치 형태 | 조직 안 설치, 외부 에이전트 연결은 별도 보안 검토 | 데이터 반출 통제 |
외부 클라우드를 쓸 수 없는 기밀 등급 업무가 있는 조직이라면, 하나의 에이전트에서 Agentic AI 구조로 넓혀 가는 전 과정을 조직 안에서 운영할 수 있는지가 중요한 선택 기준입니다. AAS는 쓰던 오픈소스 에이전트 플랫폼 위에 콘솔을 얹는 방식이어서, 콘솔이 멈춰도 정기 업무는 플랫폼에서 계속 실행됩니다. 제품 구성은 업무 전문가가 만드는 AI Agent와 AAS 제품 소개에서, 업무용 에이전트를 고르는 기준은 업무용 AI 에이전트 추천에서 볼 수 있습니다.
핵심 정리
- AI Agent는 일을 맡는 하나의 실행 단위이고, 에이전틱 AI는 하나 이상의 에이전트가 목표를 나눠 조율하며 자율적으로 움직이는 시스템과 그 성질입니다. 둘은 경쟁 관계가 아니라 부품과 구조의 관계입니다.
- 두 용어를 가르는 해석은 셋입니다. 개체와 성질로 보는 사전적 해석, 단일 과업 에이전트와 다중 에이전트 협업 시스템으로 보는 학술적 해석(Sapkota 외, 2025), 그리고 에이전트 워싱을 경계하는 마케팅 해석입니다.
- Google Cloud와 IBM은 에이전트를 에이전틱 AI의 구성 요소로 보고, AWS는 두 말을 거의 같은 뜻으로 씁니다. 출처마다 범위가 다르므로 비교표에는 용어 대신 구조 항목을 적어야 합니다.
- 에이전틱 AI로 갈수록 목표는 넓어지고, 메모리는 공유되며, 실패는 번지고, 공격면은 에이전트 사이 연결로 넓어지고, 비용 변동은 커집니다.
- MCP는 에이전트 하나에도 필요한 도구 연결 표준이고, A2A는 서로 다른 에이전트를 잇는 표준입니다. 프로토콜 지원이 곧 Agentic AI 시스템을 뜻하지는 않습니다.
- 대부분의 조직은 하나의 에이전트로 기준선을 만든 뒤, 실패 지점이 확인될 때 에이전틱 AI 구조로 넓히는 순서가 안전합니다.
- 인공지능 전반의 개념과 다른 주제의 글은 AI란 무엇인가에서 이어서 볼 수 있습니다.
자주 묻는 질문
AI Agent와 Agentic AI의 차이를 한 문장으로 말하면 무엇인가요?
AI Agent는 목표를 받아 도구를 쓰며 일하는 하나의 실행 단위이고, Agentic AI는 하나 이상의 에이전트가 목표를 나누고 조율하며 자율적으로 움직이는 시스템과 그 성질을 가리킵니다. 회사에 빗대면 AI Agent는 업무를 맡은 직원 한 명이고, 에이전틱 AI는 여러 직원이 일을 나눠 맡고 서로 넘기며 스스로 움직이는 팀 운영 방식입니다.
Agentic AI는 AI Agent보다 더 발전된 기술인가요?
더 발전된 기술이라기보다 더 큰 구조입니다. Agentic AI 시스템 안의 개별 에이전트도 같은 언어 모델과 도구 호출 방식으로 움직이며, 여러 에이전트를 조율하는 계층과 공유 메모리, 통제 장치가 더해진 것입니다. 구조가 커지는 만큼 비용과 통제 부담도 커지므로 업무에 맞는 크기를 고르는 것이 중요합니다.
에이전트 하나만 써도 Agentic AI라고 부를 수 있나요?
출처에 따라 다릅니다. AWS처럼 단일 에이전트도 에이전틱 AI로 보는 곳이 있고, Google Cloud나 Sapkota 연구진처럼 여러 에이전트의 협업과 조율을 Agentic AI의 핵심으로 보는 곳도 있습니다. 문서를 읽을 때는 이름보다 에이전트 수, 조율 방식, 사람 승인 지점을 확인하는 편이 정확합니다.
멀티 에이전트와 Agentic AI는 같은 말인가요?
거의 겹치지만 완전히 같지는 않습니다. 멀티 에이전트는 여러 에이전트가 함께 일하는 구조를 가리키는 기술 용어이고, 에이전틱 AI는 그 구조에 목표 분해, 지속 메모리, 조율된 자율성 같은 성질까지 포함한 넓은 말입니다. 국내 문서에서 에이전틱 AI라고 하면 대개 멀티 에이전트 구조를 뜻하는 경우가 많습니다.
에이전트 워싱은 어떻게 구별하나요?
에이전트가 몇 개이고 각각 무엇을 맡는지, 누가 일을 배분하는지, 사람 승인 없이 이어지는 단계가 어디까지인지, 실패하면 무엇이 기록되는지를 물어보면 됩니다. 이 질문에 구체적으로 답하지 못하거나 모든 분기가 사람이 그린 순서도에 고정되어 있다면 기존 챗봇이나 자동화 도구에 새 이름을 붙였을 가능성이 높습니다.
처음 도입할 때는 AI Agent와 Agentic AI 중 무엇부터 시작해야 하나요?
대부분은 하나의 AI Agent부터 시작하는 것이 안전합니다. 반복적이고 결과가 분명한 업무 하나에 에이전트를 적용해 처리 건당 비용과 품질의 기준선을 만든 뒤, 도구 과부하나 지시문 복잡도 때문에 단일 에이전트가 반복해서 실패하는 지점이 확인되면 역할을 나눠 Agentic AI 구조로 넓히는 순서를 권합니다.
공공기관이나 금융회사도 Agentic AI를 쓸 수 있나요?
쓸 수 있지만 통제 설계를 먼저 해야 합니다. 여러 에이전트가 주고받는 메시지와 공유 기록에 어떤 등급의 데이터가 실리는지, 외부 클라우드 에이전트와 내부 에이전트 사이의 연결이 데이터 반출 경로가 되지 않는지, 단계마다 사람 승인권자가 정해져 있는지를 확인해야 합니다. 기밀 등급 업무라면 조직 안에 설치해 운영할 수 있는 구성이 기본 조건입니다.
참고 리소스
MSAP.ai
- AI란 무엇인가
- AI Agent란 무엇인가 — 정의, 구조, 기업 도입 기준
- Agentic AI(에이전틱 AI)란 무엇인가 — 생성형 AI의 다음 단계
- 생성형 AI 진화 4단계 — LLM에서 Agentic까지
- AI Agent와 챗봇의 차이 — 5가지 기준 비교
- 멀티 에이전트 시스템 설계 — 협업 패턴과 실패 모드
- AI 에이전트 종류와 선택 기준
- 업무 전문가가 만드는 AI Agent와 AAS 제품 소개
openmaru.io · cncf.co.kr
외부 출처
- Sapkota 외 — AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges (arXiv 2505.10468)
- Anthropic — Building effective agents (2024-12-19)
- OpenAI — A practical guide to building agents (PDF)
- Google Cloud — What is agentic AI?
- IBM — What is agentic AI?
- AWS — What is Agentic AI?
- Gartner — Over 40% of agentic AI projects will be canceled by end of 2027 (2025-06-25)
- OWASP GenAI — Agentic AI Threats and Mitigations
- Google Developers Blog — Agent2Agent(A2A) 프로토콜 발표 (2025-04-09)
- Linux Foundation — Agentic AI Foundation 출범 (2025-12-09)
- 과학기술정보통신부 — 에이전틱 AI 핵심기술 R&D 착수 (2026-07-30, KDI 경제정보센터)
다음 단계
하나의 AI 에이전트로 시작해 여러 에이전트를 함께 운영하는 Agentic AI 구조까지, 데이터를 밖으로 보내지 않고 단계별로 넓혀 가는 방법을 따져 보려면 아래에서 시작하시기 바랍니다. 인공지능 전반의 개념은 AI란 무엇인가에서 먼저 확인할 수 있습니다.
- msap.ai 홈페이지
- MSAP.ai 도입 문의
- 무료 AI Discovery Workshop 신청
- 이메일 문의: hello@msap.ai · 전화 문의: 02-6953-5427


