Generative AI vs Agentic AI

Agentic AI는 여러 AI 에이전트가 협력해 목표를 달성하는 시스템을 말한다. 하나의 명령에 반응하는 것을 넘어, 큰 목표를 작은 작업으로 쪼개고 상황에 적응하며 에이전트끼리 소통한다. 이 개념을 이해하려면 먼저 Generative AI와의 차이부터 정리해야 한다.

 

1. Generative AI vs Agentic AI

둘의 차이는 반응형(reactive)이냐 능동형(proactive)이냐로 갈린다.

Generative AI — 반응형

• 사용자의 프롬프트를 받아 텍스트·이미지·코드·오디오 등 콘텐츠를 생성한다.
• 학습한 통계적 패턴으로 "다음에 올 것"을 예측하는 패턴 매칭 기계다.
• 생성에서 작업이 끝난다. 추가 입력이 없으면 다음 단계로 가지 않는다.

Agentic AI — 능동형

• 프롬프트를 목표로 받아, 일련의 행동을 통해 목표를 추구한다.
• 환경을 지각 → 행동 결정 → 실행 → 결과 학습의 사이클을 사람 개입 최소화로 반복한다.

두 방식은 공통 기반인 LLM을 쓴다. LLM은 챗봇의 backbone이면서, 동시에 에이전트의 추론 엔진(reasoning engine) 역할을 한다.

그림 1. Generative AI는 생성에서 멈추고, Agentic AI는 목표를 향해 사이클을 반복한다.

 

2. 에이전트의 동작 사이클

능동형 시스템은 다음 생명주기(lifecycle)를 따른다.

• 지각(Perceive) — 환경·입력을 인식한다.
• 판단(Decide) — 다음에 취할 행동을 결정한다.
• 실행(Act) — 결정한 행동을 수행한다.
• 학습(Learn) — 결과(output)로부터 배우고 다시 지각으로 돌아간다.

 

3. Chain-of-Thought 

판단 능력은 LLM의 추론에서 나온다. 복잡한 작업을 작고 논리적인 단계로 분해해 푸는 방식을 chain-of-thought 추론이라 한다. 예를 들어 "콘퍼런스 기획"이라는 목표를 받으면 에이전트는 내부적으로 다음과 같은 단계를 생성한다.

 

4. AI Agent vs Agentic AI

자주 혼동되지만 둘은 다르다.

• AI Agent — 특정 환경에서 하나의 작업을 수행하는 단일 개체. 자율성(autonomy), 작업 특화(task-specificity), 반응성(reactivity)이 특징. 예) 이메일 분류, 문서 검색, 고객 응대 봇.
• Agentic AI — 여러 에이전트가 팀을 이뤄 협력. 작업을 자동 분해하고, 메시지·공유 메모리로 정보를 주고받으며, 리더 에이전트가 전체를 조율.

그림 3. 단일 AI Agent는 선형 처리, Agentic AI는 조율자 아래 특화 에이전트들이 협업한다.

 

5. Agentic AI의 핵심 구성요소

• 작업 분해(Task Decomposition) — 큰 목표를 하위 작업으로 자동 분해.
• 에이전트 간 통신(Inter-Agent Communication) — 메시지 큐·공유 메모리로 진행 상황 공유.
• 메모리와 반영(Memory & Reflection) — 과거 단계를 기억하고 결과로부터 학습. (episodic / semantic / vector memory)
• 오케스트레이션(Orchestration) — 리더 에이전트가 팀 전체를 조율.

이 한계를 보완하는 보조 기술도 함께 등장한다.

• RAG — 실시간 데이터에 답을 근거 지어 환각(hallucination)을 줄임.
• 도구·함수 호출(Tool calling) — 외부 시스템과 실제로 상호작용.
• 메모리 아키텍처 — 장기 계획(long-horizon)에서 정보 유실 방지.

 

6. 활용과 한계

• 활용 — 다단계·지속 관리가 필요한 작업에 적합. 예) 여러 플랫폼을 탐색·결제·배송까지 처리하는 쇼핑 에이전트, 진단 스크립트를 실행하고 위험한 결정 전 사람 승인을 받는 자율 IT 보안 대응 에이전트.
• HITL(Human-in-the-loop) — 되돌릴 수 없는 결정(서버 차단, 결제 등) 앞에서 실행을 멈추고 사람의 승인을 받는 안전장치.
• 한계 — 단일 에이전트는 환각·프롬프트 민감성·장기 계획 실패. 멀티 에이전트는 오류 연쇄(error cascade), 조율 실패, 설명 가능성 저하.

 

다음 글에서는 이런 에이전트를 코드로 구현할 때 쓰는 LangChain과 LangGraph의 차이, 그리고 왜 반복·분기 구조에는 그래프가 필요한지 다룬다.