AI 에이전트 vs 워크플로: 툴 콜링이 바꾼 2026년의 에이전트

핵심 메시지

• 에이전트 이전에는 대부분의 자동화를 워크플로에 의존했고, 이는 시스템을 제대로 짜기 위해 많은 엔지니어링 시간과 업무 분석을 요구했다.
• LLM을 챗봇에서 에이전트로 바꾼 결정적 변화는 툴 콜링이었다. 외부 도구를 호출해 자기 환경 밖의 것을 바꿀 수 있게 되면서 에이전트형 애플리케이션이 나타났다.
• 워크플로와 달리 에이전트를 특징짓는 것은 LLM이 핵심 의사결정자로서 자신의 지시와 작업용 컨텍스트 창을 갖고 흐름을 이끈다는 점이다.
• 2022년부터 2026년까지 에이전트 구축의 초점은 프롬프트 엔지니어링에서 컨텍스트 엔지니어링, 다시 에이전트 하네스로 이동해 왔다.

쉽게 이해하기

발표는 에이전트 이전 시대를 먼저 돌아본다. 과거의 자동화는 여러 기술을 엮은 워크플로였고, 이를 제대로 만들려면 상당한 엔지니어링과 업무 분석이 필요했다. 그러다 LLM이 더 큰 컨텍스트 창과 더 나은 추론 능력을 갖추면서 그동안의 경직된 처리 방식을 다시 묻기 시작했다.

컨텍스트 창과 추론도 유용했지만, LLM을 진짜 에이전트로 탈바꿈시킨 결정적 요소는 툴 콜링이었다. 외부 도구를 사용할 수 있게 되자 LLM은 자기 환경 바깥을 바꿀 능력을 얻었고, 바로 그 무렵 커서나 윈드서프 같은 에이전트형 애플리케이션이 등장했다. 에이전트의 첫 실질적 활용처는 코딩이었으며, 오늘날에는 챗GPT의 딥 리서치, 문제 해결, 웹 앱 제작(러버블), 웹 자료 조사(퍼플렉시티), 범용 작업(마누스) 등으로 쓰임이 넓어졌다.

이 모든 사례의 밑바탕에서 에이전트를 워크플로와 구분 짓는 것은 LLM이 핵심 의사결정자로 흐름을 주도한다는 점이다. 에이전트는 텍스트로 주어진 자신의 지시와, 작업에 필요한 정보를 담는 자신의 컨텍스트 창을 갖는다. 컨텍스트 창이 작던 시절에는 어떻게 하면 에이전트를 잘 지시할지, 즉 프롬프트 엔지니어링에 크게 의존했다.

이후 컨텍스트 창이 커지자 초점은 컨텍스트 엔지니어링으로 옮겨 갔다. 컨텍스트를 잘 정리해 두는 것이 작업 완수에 더 효과적이라는 사실이 드러났기 때문이다. 컨텍스트 창의 확장은 곧 시간을 의미해 에이전트가 더 길고 복잡한 작업을 처리하게 했다. 발표는 다시 한 번의 성숙 단계로 에이전트 하네스를 드는데, 이는 구체적 지시 메커니즘보다 에이전트가 놓인 환경 자체에 더 집중하는 접근이다.

주요 인사이트

• LLM을 에이전트로 만든 전환점은 컨텍스트 창이나 추론이 아니라 툴 콜링이었다. 외부 도구 호출 능력이 있어야 에이전트는 자기 환경 밖 세계를 실제로 바꿀 수 있다.
• 에이전트 구축 방법론은 프롬프트 엔지니어링에서 컨텍스트 엔지니어링, 다시 에이전트 하네스로 성숙 곡선을 그려 왔다. 후반으로 갈수록 초점은 개별 지시에서 에이전트가 놓인 환경으로 옮겨 간다.
• 컨텍스트 창의 성장은 처리 가능한 작업의 시간(길이·복잡도)과 직결된다. 발표는 METR의 차트를 인용해 AI가 시간이 지날수록 더 복잡한 작업을 성공적으로 수행하고 있음을 보여 준다.
• 기반 기술(더 높은 지능, 더 큰 컨텍스트 창, 더 빠른 추론)이 성숙할수록 에이전트란 무엇이며 무엇을 맡길 수 있는가의 정의 자체가 계속 바뀐다.

자주 묻는 질문

관련 AI 소식