행위자형 AI vs. 생성형 AI

행위자형(Agentic) AI와 생성형(Generative) AI는 이번 10년을 정의할 두 가지 패러다임이 될 것입니다. AI가 급속히 확산되면서 아키텍처에는 두 가지 뚜렷한 패턴이 나타나고 있습니다 — 행위자형과 생성형입니다.

이 설명을 마친 후 다음 질문에 답할 수 있습니다:

• 행위자형 AI란 무엇인가요?
• 생성형 AI란 무엇인가?
• 왜 둘 다 중요한가?
• 각각을 언제 사용해야 하는가?

이 기술들에 대한 간략한 개요

행위자 AI와 생성형 AI는 종종 동일한 기반(가중치, 사전 훈련, 미세 조정, 대규모 언어 모델)을 공유합니다. 주요 차이점은 사용 방식에서 비롯됩니다. 음악에 비유하여 설명해 보겠습니다.

• 행동형 AI: 다른 사람이 작곡한 음악을 연주하는 것 — 모든 음표를 정확히 따라 — 완벽하게.
• 생성형 AI: 여전히 연주를 수행하지만 즉흥적으로 이루어집니다. 생성형 AI는 음악을 직접 작곡하는 주체입니다. 베토벤이나 재즈 뮤지션을 떠올리면 됩니다.

에이전트형 AI는 복잡한 작업을 완수합니다. 생성형 AI는 완전히 새로운 것을 존재하게 합니다.

공통점

• 가중치: 가중치는 모델이 실제로 학습한 내용을 나타냅니다. 내부 패턴 인식과 의사 결정을 정의합니다.
• 사전 학습: 모델이 방대한 데이터셋으로부터 학습하고 내부 가중치를 조정하는 단계입니다.
• 미세 조정: 훈련 후 모델은 특정 작업과 영역에 맞게 미세 조정됩니다. 의도된 대로 작동하도록 가중치가 정밀하게 조정됩니다.
• 모델: 훈련 과정 후 모델은 목적에 맞게 활용됩니다. 에이전트형 AI와 생성형 AI 모두 최종 결과물은 대개(항상은 아님) LLM(대규모 언어 모델)에 의해 구동됩니다.

차이점

• 최종 목표: 에이전트형 AI는 특정 작업을 수행하도록 구축됩니다. 생성형 AI는 콘텐츠를 생성하도록 구축됩니다.
• 상호작용: 에이전트형 AI는 최소한의 프롬프트를 사용하며, 정해진 계획에 따라 행동합니다. 생성형 AI는 거의 전적으로 프롬프트에 의해 구동됩니다. 모델은 프롬프트를 받아 해석한 후 콘텐츠를 생성합니다.
• 자율성: 에이전트형 AI는 높은 수준의 자율성을 부여받는 반면, 생성형 AI는 인간이 개입하는 방식으로 운영됩니다. ChatGPT로 LinkedIn을 스크래핑할 때는 에이전트형 AI를 사용하는 것이고, ChatGPT에게 이미지 생성을 요청할 때는 생성형 AI를 사용하는 것입니다.
• 출력: 에이전트형 AI는 상태 변화를 출력합니다 — “작업 상태: 완료”. 생성형 AI는 일반적으로 텍스트, 이미지 또는 동영상을 출력합니다.
• 평가: 에이전트형 AI는 작업 완료 성공 여부로 측정됩니다. 생성형 AI는 출력의 품질, 관련성, 독창성으로 평가됩니다.

행위자형 AI

에이전틱 AI는 작업 완수를 중심으로 합니다. 이는 AI 에이전트와 혼동해서는 안 됩니다. 에이전트는 에이전틱 AI의 실제적이고 실용적인 적용 사례입니다. 에이전틱 AI를 사용하여 소프트웨어를 구축할 때, 애플리케이션은 다음과 같은 요구 사항 중 하나 이상을 가질 가능성이 높습니다.

• 의사 결정
• 문제 해결
• 자율성
• 상호작용
• 작업 완료

내부 구조

1. 계획 수립: 모든 AI 에이전트는 최소한의 유연한 계획이 필요합니다. 이는 “당신은 유용한 스크래핑 보조입니다. 이 제품들을 추출하여 JSON 형식으로 출력해 주세요”와 같은 간단한 프롬프트 형태일 수 있습니다.
2. 도구 및 함수 호출: 에이전트는 혼자 일하지 않습니다. 복잡성에 따라 계산기 접근 권한을 부여하거나, 심지어 전체 Playwright 인스턴스까지 제공할 수 있습니다. 에이전트에게 접근 권한을 부여하면, 도구를 언제 어떻게 사용할지 스스로 결정합니다.
3. 상태 관리: 에이전트는 단기 및 장기 컨텍스트를 모두 인지해야 합니다. 단기적으로는 채팅 컨텍스트로 충분할 수 있으나 권장되지 않습니다. 간단한 CRUD(생성, 읽기, 업데이트, 삭제) 앱이 큰 도움이 됩니다. 지속적 저장소는 에이전트가 작업을 적절히 추적할 수 있게 합니다.
4. 피드백 루프: 에이전트는 작업이 완료되거나 사용자에 의해 중단되는 등 조건부로 중지될 때까지 루프를 실행해야 합니다.
5. 평가 및 종료: 에이전트는 작업 완료 시점을 인지해야 합니다. 작업 단계가 실행되었으나 결과가 허용되지 않을 경우 프로세스를 재시도해야 합니다. 작업이 성공하면 제어 루프에서 종료해야 합니다.

사용 사례

• 고객 서비스: 거의 모든 웹사이트는 헬프 데스크에서 챗봇을 운영합니다. 이러한 경우 모델은 문제와 사용자 감정을 기록한 후 함수 호출을 통해 티켓을 생성하거나 문제를 해결된 것으로 표시할 수 있습니다.
• 의료 분야: 의료 산업은 1990년대부터 에이전트형 AI를 활용해 왔습니다. 이는 해당 패러다임이 명명되기 훨씬 이전입니다. 에이전트는 X선, 초음파, 환자 병력 등을 받아 진단을 가속화하는 데 도움을 줍니다.
• 워크플로: 에이전트가 브라우저와 파일 시스템에 동시에 접근할 수 있다고 상상해 보십시오. 크롤링을 수행한 후 추출된 데이터를 SQL 데이터베이스든 단순한 JSON 파일이든 저장 매체에 직접 입력할 수 있습니다.
• 자율 로봇: 에이전트형 AI의 가장 광범위한 활용은 자율 로봇과 스마트 홈 형태로 나타납니다. 테슬라의 자율 주행 기술은 에이전트형 AI입니다. 스마트 가전과 룸바(Roomba) 청소기도 마찬가지입니다.

생성형 AI

앞서 언급했듯이 생성형 AI는 작곡가나 재즈 뮤지션처럼 작동합니다. 여전히 사전 훈련에 크게 의존하지만(아마도 더 많이), 그 사전 훈련을 활용해 새로운 구조화/비구조화 데이터를 생성합니다 — 구조화/비구조화 데이터의 차이는 여기서 확인할 수 있습니다. 생성형 AI는 아래 요구사항을 충족합니다.

• 독창적인 결과물 생성
• 데이터 분석
• 적응성
• 개인화

핵심 기술

1. 사전 훈련된 기초 모델: 생성형 AI 모델의 핵심에는 거대한 신경망이 있습니다. ChatGPT, Grok, Claude — 이 모든 모델은 트랜스포머 아키텍처를 활용합니다. 훈련은 추론을 가능하게 하고, 추론을 통해 우리는 새로운 데이터를 생성할 수 있습니다.
2. 프롬프트 인터페이스: 이러한 모델은 종종 인간과의 직접적인 상호작용을 위해 설계됩니다. 모델에게 “밈을 생성해줘” 또는 “이 텍스트를 요약해줘”라고 지시할 때, 프롬프트가 직접 출력을 생성하는 데 사용됩니다.
3. 벡터 인코딩: 프롬프트는 수치 벡터로 인코딩됩니다. 이 벡터는 모델의 내부 임베딩과 대조되어 해석됩니다. 이러한 벡터와 임베딩에 대해 자세히 알아보려면 여기를 참조하세요.
4. 검색 강화 생성( RAG): RAG는 여전히 선택적 기능으로 간주되지만 점점 더 보편화되고 있습니다. 모델이 특정 정보를 알지 못할 경우 관련 데이터를 검색(retrieval)합니다. 이후 제로샷 학습(zero-shot learning)을 활용해 출력(생성)을 개선(강화)합니다.
5. 출력 매체: 모델은 동일한 벡터 인코딩을 사용하여 출력을 토큰(텍스트) 또는 이미지, 영상으로 변환합니다. 프롬프트에 따라 JSON이나 CSV 데이터로 출력하도록 요청할 수도 있습니다.

사용 사례

• 대화형 도구: 헬프데스크 챗봇과 달리 생성형 챗봇은 대화를 이어가고 고유한 출력을 생성하도록 설계되었습니다. “확실히 플러그가 꽂혀 있나요?” 같은 단순한 질문 이상의 심도 있는 대화를 시뮬레이션합니다. Grok, ChatGPT, Claude 및 대부분의 LLM 중심 웹앱이 대화형 도구입니다.
• 콘텐츠 생성: 적절한 프롬프트만 있다면 고품질 콘텐츠를 몇 초 만에 얻을 수 있습니다. 컨셉 아트, 소셜 미디어 게시물, 장문 글 등 생성형 모델이 처리할 수 있는 작업은 다양합니다.
• 데이터 분석 및 생성: 분석을 위해 모델에 데이터셋 파일을 업로드하세요. 모델에 따라 상세한 보고서를 얻거나 원본 패턴을 반영한 새로운 합성 데이터셋을 생성할 수도 있습니다.
• 개인 맞춤형 어시스턴트: 생성형 AI는 고도로 커스터마이징이 가능합니다. 독특하게 설계되었기 때문입니다. 특정 어조를 가진 어시스턴트가 필요하다면, 몇 가지 예시를 제공하면 맞춤형 개성을 가진 어시스턴트를 얻을 수 있습니다.

행위자형 AI와 생성형 AI의 주요 비교

결론

행동형 AI와 생성형 AI는 서로 경쟁하기 위한 것이 아닙니다. 이들은 상당 부분 도구가 중복되는 두 가지 다른 영역입니다. 행동형 AI는 계획에 따라 행동하는 반면, 생성형 AI는 한 번에 하나의 프롬프트를 즉흥적으로 생성합니다.

Bright Data의 모델 컨텍스트 프로토콜 같은 도구를 사용하면 에이전트나 LLM이 실시간으로 실제 웹 데이터를 활용할 수 있습니다. 이는 매우 강력한 기능으로, AI가 인터넷상의 모든 공개 사이트에 접근할 수 있게 합니다. 에이전트형 AI에서는 의사결정 능력을 향상시키고, 생성형 AI에서는 결과물의 품질을 높여줍니다.

에이전트형과 생성형 AI가 미래를 주도할 것입니다. 양쪽을 모두 활용하는 방법을 이해하는 개발자와 분석가는 성공을 위한 유리한 위치에 설 것입니다.