AI 에이전트 완전 입문 — 챗봇·LLM과의 차이, ReAct 루프, RAG, 워크플로 비교

핵심 메시지

• AI 에이전트는 목표를 주면 스스로 생각하고 결정하고 행동해 일을 끝내는 소프트웨어로, 핵심은 "행동(action)"이다.
• 일반 LLM이 말만 하는 똑똑한 친구라면, 에이전트는 지시·AI 모델·도구를 결합해 실제로 단계를 밟아 목표를 향해 나아간다.
• 에이전트는 추론(Reason)·행동(Act)·관찰(Observe)을 반복하는 ReAct 루프로 작동하며, 결과를 확인하고 계획을 수정해 가며 일을 완수한다.
• RAG(검색 증강 생성)로 오래된 학습 데이터 대신 웹·데이터베이스·사내 문서에서 최신 정보를 실시간으로 가져와 행동의 근거로 삼는다.
• 워크플로는 사람이 경로를 정하지만 에이전트는 AI가 경로를 정한다 — 누가 결정하느냐가 둘을 가르는 기준이다.

쉽게 이해하기

발표자는 항공권 예약을 예로 든다. 일반 챗봇은 조언만 주지만, AI 에이전트는 일정을 확인하고 항공편을 비교하며 예약 단계까지 준비해 준다. 즉 AI 에이전트란 "목표를 주면 스스로 생각하고 결정하고 행동해 완수하는 소프트웨어"이며, 핵심 단어는 "행동"이다. 사람이 손을 거의 대지 않아도 필요한 도구를 써서 알아서 단계를 처리한다.

많은 사람이 "ChatGPT도 이미 일을 해주지 않나"라고 묻는다. 영상은 일반 LLM을 "많이 알지만 말만 하는 똑똑한 친구"에 비유한다. 입력을 주면 답을 주고 대화는 거기서 끝난다. 반면 에이전트는 지시·AI 모델·도구 세 가지를 결합한다. "내일 아침까지 시카고에 도착하게 해주고 팀에도 알려줘" 같은 목표를 주면, 가격을 확인하고 일정을 보고 대체 항공편을 제안하며 팀에 보낼 메시지 초안까지 만들고, 권한을 줬다면 예약 단계도 돕는다.

내부 작동은 ReAct, 즉 추론·행동·관찰의 반복이다. 먼저 목표를 잘게 쪼개 "시카고행 항공권 예약"을 날짜 확인·공항 찾기·가격 비교·최선 선택으로 분해한다(추론). 다음으로 캘린더·검색 사이트·이메일 같은 도구로 각 단계를 실제 수행한다(행동). 그리고 가격이 맞는지, 오류는 없는지 결과를 확인한 뒤(관찰) 다시 계획을 조정하며 끝날 때까지 반복한다.

에이전트는 알던 것에만 의존하지 않고 실시간으로 정보를 찾는데, 이것이 RAG(검색 증강 생성)다. 답하거나 행동하기 전에 웹·데이터베이스·사내 문서에서 최신 정보를 가져와 근거로 삼는다. 또한 워크플로와의 차이가 핵심이다. n8n·Zapier 같은 자동화는 사람이 미리 "메일이 오면 첨부를 저장하고 슬랙에 알려라"처럼 경로를 정해 둔다. 반면 에이전트는 AI 스스로 상황을 보며 경로를 고른다. 한마디로 워크플로는 사람이, 에이전트는 LLM이 의사결정자다.

활용 사례는 고객지원 티켓 처리, 코드 작성·테스트·수정, 수백 개 사이트를 훑어 요약하는 리서치, 영업·마케팅의 리드 조사와 맞춤 아웃리치, 일정·받은편지함 정리 같은 개인 비서까지 넓다. 다만 영상은 신중함을 강조한다. 에이전트는 실수하거나 목표를 오해할 수 있으니 좁은 작업부터 맡기고 신뢰가 쌓일 때 권한을 늘리며, 공개 웹이나 개인 데이터를 다룰 때는 신뢰할 수 있는 도구·최소 권한·사람의 최종 확인을 지키라고 권한다.

주요 인사이트

• "챗봇은 말하고, 에이전트는 행동한다"가 둘을 가르는 가장 간단한 기준이다.
• ReAct 루프(추론→행동→관찰→반복)는 에이전트가 한 번에 답하지 않고 진행 상황을 추적하며 목표를 향해 스스로 보정하게 만든다.
• 워크플로 대 에이전트의 차이는 "누가 경로를 결정하는가"로 귀결된다 — 사람이면 워크플로, AI면 에이전트다.
• RAG는 에이전트가 오래된 학습 지식 대신 최신·관련 정보를 근거로 행동하게 해주는 핵심 장치다.
• 에이전트는 강력하지만 완벽하지 않다 — 좁은 작업부터 시작하고 최소 권한과 사람의 감독을 유지하는 점진적 도입이 안전하다.

자주 묻는 질문

관련 AI 소식