에이전틱 AI와 생성형 AI 비교

에이전틱 AI와 생성형 AI는 모두 태스크와 프로세스를 지원, 강화, 최적화하므로 생산성 측면에서 장점이 있습니다. 두 가지 모두 대규모 언어 모델(LLM)을 사용하는 인공지능의 형태들입니다. 

이 두 개를 비교할 때 에이전틱 AI는 능동적이고 생성형 AI는 수동적이라고 생각하면 됩니다. 

• 에이전틱 AI는 인간의 감독을 최소화하여 능동적으로 목표를 설정하고 완수할 수 있는 시스템입니다. 목표 달성에 콘텐츠 생성이 포함된 경우 생성형 AI 툴이 해당 태스크를 처리합니다. 에이전틱 AI는 사용자나 시스템의 에이전트가 됩니다.
• 생성형 AI는 프롬프트에 대한 응답으로 새로운 콘텐츠를 생성하는 툴입니다. 생성형 AI는 에이전틱 시스템의 구성 요소가 될 수는 있지만 자체적으로 태스크를 완료할 수는 없습니다. 에이전시가 없습니다.

에이전틱 AI와 생성형 AI는 협업적으로 작업합니다. 에이전틱 AI 시스템은 생성형 AI를 사용하여 사용자와 대화하거나, 더 큰 목표의 일환으로 독립적으로 콘텐츠를 생성하거나, 외부 툴과 소통할 수 있습니다. 즉, 생성형 AI는 에이전틱 AI의 '인지' 프로세스에서 매우 중요한 일부분입니다. 

에이전틱 AI 활용 사례 살펴보기

에이전틱 AI와 생성형 AI는 모두 사용자의 프롬프트로 시작하고 일반적으로 챗봇 같은 형식으로 존재하기 때문에 둘 사이의 경계가 모호하게 느껴질 수 있습니다. 또한 한때는 전적으로 생성형 AI였던 많은 애플리케이션이 지금은 에이전틱 요소를 포함하고 있습니다. 이러한 추세는 계속될 가능성이 높습니다. 

예를 들어 인기 있는 챗봇 플랫폼(ChatGPT, Gemini, Claude 등) 중 상당수가 자동으로 웹 검색을 시작하고 데이터를 구문 분석하여 대화의 일부로 반환합니다. 이것이 에이전틱 AI의 초기 형태입니다.  

독립적 작동과 외부 툴과의 협업 능력 면에서 서로 다른 에이전틱 AI와 생성형 AI

두 기술의 차이점을 더 알기 쉽게 설명하기 위해 활용 사례를 가정하여 살펴보겠습니다. 

어느 영업 담당자가 AI를 사용해 잠재 고객에게 보낼 후속 이메일을 작성하려고 합니다. 

이 영업 담당자는 생성형 AI를 사용하여 생성형 AI 인터페이스를 열고 '마리아 왕에게 보낼 우리 회사의 제안에 대한 후속 이메일을 정중하고 전문적으로 작성해 줘'와 같은 프롬프트를 입력할 수 있습니다. 그러면 생성형 AI가 즉시 이메일 초안을 작성해 임무를 완수합니다. 이제는 영업 담당자가 텍스트를 복사해서 이메일에 붙여넣은 다음 수신자의 이메일 주소를 입력하고 보내기를 누릅니다.

지금부터는 에이전틱 AI가 이와 유사한 태스크를 어떻게 처리하는지 살펴보겠습니다. 

영업 담당자는 에이전틱 시스템 내에서 고객 관계 관리(CRM) 시스템에 규칙이나 명령을 설정할 수 있습니다. 예를 들어 '내가 '후속 이메일 필요'라고 표시한 모든 잠재 고객에게는 영업일 기준 이틀을 기다린 다음 후속 이메일을 보내 줘'와 같이 설정할 수 있습니다.

영업 담당자가 마리아 왕을 '후속 이메일 필요'라고 표시하면 에이전틱 워크플로우가 트리거됩니다. 시스템에는 자체 지침(최초 프롬프트)이 있으며, 시스템은 외부 툴의 도움을 통해 실행할 계획을 독립적으로 세웁니다. 계획의 예는 다음과 같습니다. 

1) 영업일 기준 이틀이 지나면 시스템이 에이전틱 워크플로우에 요청을 보냅니다.

2) 시스템이 CRM에서 마리아 왕에 대한 세부 정보를 검색합니다.

3) 또 다른 툴이 마리아 왕에 대한 추가 정보(고객 이력, 개인 맞춤화 상세 정보, 회사 정보 등)를 가져와 후속 이메일의 프롬프트에 컨텍스트를 제공할 수 있도록 합니다.

4) 시스템이 후속 이메일의 프롬프트를 생성하여 통합된 생성형 AI 모델에 제공하면 생성형 AI 모델이 이메일 텍스트를 작성합니다.

5) 시스템이 후속 이메일의 초안을 영업 담당자에게 제공하고, 영업 담당자는 이메일을 승인하거나 재작성하도록 다시 보냅니다.

6) 영업 담당자가 이메일을 승인할 경우 시스템은 마리아 왕의 이메일 서비스에 애플리케이션 프로그래밍 인터페이스(API) 호출을 합니다.

7) 시스템이 이메일을 마리아 왕에게 보냅니다. 

8) 시스템이 CRM을 업데이트하여 이메일이 전송되었다고 표시합니다. 

적응 능력이 서로 다른 에이전틱 AI와 생성형 AI 

두 AI 유형 모두 각자의 방식으로 적응 가능성을 보여줍니다. 생성형 AI는 다양한 스타일의 콘텐츠를 서로 다른 컨텍스트에 맞게 만드는 방식으로 적응 가능성을 발휘합니다. 반면 에이전틱 AI는 변화하는 환경 조건 또는 새로운 정보에 맞게 계획과 전략을 조정함으로써 적응 가능성을 보여줍니다.  

에이전틱 AI는 로봇 프로세스 자동화(RPA)로 분류됐던 워크로드를 위한 프레임워크를 제공합니다. AI의 도입으로 에이전트는 실행(runtime) 환경의 변화에 대한 적응 가능성을 크게 강화할 수 있습니다. 예를 들어 스크린 스크래핑(screen-scraping) 봇은 대상 사이트의 사소한 변경 사항에도 어려움을 겪는 반면, 에이전틱 AI는 변경 사항에 적응하고 데이터 수집에 대한 접근 방식을 조정할 수 있습니다. 따라서 AI 기반 에이전트는 과거에는 인간의 입력이 필요했을 수준에서 작동이 가능합니다.

컨텍스트 이해

에이전틱 AI는 컨텍스트를 사용하여 조치합니다. 에이전틱 시스템은 다음에 액세스할 수 있습니다.

• 최초 프롬프트
• 디지털 환경이나 물리적 환경의 상태 또는 조건
• 사용 가능한 툴(API 액세스, 생성형 AI 애플리케이션 등)
• 메모리와 과거 조치

이러한 모든 정보에 데이터 탐색에 도움이 되는 수학 공식까지 더해져 에이전틱 시스템은 컨텍스트를 이해합니다. 그 결과 '논리적으로 추리'하고 조치를 취할 수 있게 됩니다. 

한편 생성형 AI는 컨텍스트를 사용해 새로운 것을 만들어 냅니다. 생성형 AI의 목표는 새로운 콘텐츠를 만드는 것이므로 생성형 애플리케이션은 다음에 액세스합니다.

• 프롬프트
• 대화 기록
• 학습한 데이터

이러한 정보에 머신 러닝 기술과 딥러닝 알고리즘까지 더해져 생성형 AI는 정보를 가져오고, 연결을 생성하고, 결과를 산출할 수 있습니다. 

에이전틱 AI 모델과 생성형 AI 모델이 실제 적용 사례에서 작동하려면 두 모델 모두 추론을 수행해야 합니다. 추론을 통해 LLM은 실시간 데이터를 처리하고 실시간으로 예측할 수 있습니다. 

생성형 AI는 일반적으로 추론을 한 번 수행하여 콘텐츠(예: 단일 이미지 또는 문단)를 생성하는 반면, 에이전틱 AI는 종종 추론 루프를 반복적으로 실행합니다. 에이전틱 AI는 더 복잡한 멀티 스텝 태스크를 해결하고 기반 LLM으로부터 더 많은 리소스를 요구하기 때문입니다. 이러한 리소스 수요를 감당하려면 처리 성능이 필요하고, 이것이 추론 서버의 중요성이 대두되는 이유입니다.

추론 서버는 클라우드 인프라 내에서 실행되며, 하드웨어와 사용자 애플리케이션을 연결하는 다리 역할을 합니다. 추론 서버는 리소스 요청을 관리하고 처리가 최대한 빨리 이루어지도록 하여 모델을 최적화합니다. 

이 분야를 선도하는 툴이 vLLM입니다. vLLM은 메모리 효율적인 추론 서버이자 엔진으로, 하이브리드 클라우드 환경에서 LLM의 속도와 처리 능력을 향상하도록 설계되었습니다.

vLLM에 대해 자세히 알아보기

에이전틱 AI는 인간 개입을 최소화하는 방식으로 데이터 및 툴과 상호작용하도록 설계된 소프트웨어 시스템입니다. 목표 지향적 행동에 중점을 둔 에이전틱 AI는 단계를 생성하고 이러한 단계를 자율적으로 수행하여 태스크를 완수할 수 있습니다. 에이전틱 AI는 자체 목표를 설정하고, 태스크를 다른 AI 에이전트나 외부 툴에 위임하고, 학습한 바 없는 새로운 조건이나 비정형 조건에 적응할 수 있습니다.  

AI 에이전트는 에이전틱 시스템의 구성 요소입니다. AI 에이전트를 다른 소프트웨어 툴을 기반으로 하여 이러한 툴을 작동하는 엔터티로 생각해 보세요. 에이전틱 AI는 물리적 구조나, 소프트웨어 프로그램 또는 이 두 가지가 결합된 것일 수 있습니다.

로봇 시스템의 AI 에이전트는 카메라, 센서, 모니터 등을 사용하여 환경에 관한 데이터를 수집한 다음 해당 정보를 소프트웨어와 더불어 실행하여 다음 단계를 결정할 수도 있습니다. 자율 주행 차량이 도로에 떨어진 파편을 보고 브레이크를 밟을지 아니면 계속 앞으로 주행할지 결정하는 것이 이에 대한 좋은 예가 될 수 있습니다. 

한편 소프트웨어 환경의 에이전틱 AI는 API, 온라인 검색, 텍스트 프롬프트, 데이터베이스 등 다른 소스에서 데이터를 수집해 에이전트가 지각과 맥락의 개념을 만드는 데 도움이 될 수 있습니다. 앞서 잠재 고객과 미팅 후 여러 단계에 걸쳐 개인 맞춤화된 후속 이메일을 전송하는 태스크를 자동화하고자 하는 직원의 예를 생각해 보세요. 

에이전틱 AI의 작동 방식

에이전틱 AI는 인식, 계획, 조치라는 3가지 단계로 문제를 해결할 수 있습니다. 에이전틱 AI에는 '체인' 기능이 있습니다. 다시 말해 하나의 요청이나 프롬프트에 대해 일련의 조치를 수행할 수 있습니다. 

예를 들어 AI 에이전트에게 웹사이트를 만들어 달라고 요청하면 필요한 모든 단계를 수행할 수 있습니다. 즉, 하나의 프롬프트만 입력해도 AI 에이전트는 코드를 작성해 웹사이트 구조를 짜고, 페이지에 콘텐츠를 채우고, 시각적 요소를 디자인하고, 반응성을 테스트할 수 있습니다.

그렇기 때문에 에이전틱 AI를 '실행자'이자 '프로젝트 매니저'로 생각할 수 있습니다. 에이전틱 AI는 앞에 놓인 장애물을 탐색한 뒤 질문에 답하는 데 도움이 되는 자체 프롬프트를 생성하는 등의 조치를 취할 수 있습니다. 

에이전틱 워크플로우란?

에이전틱 AI는 에이전틱 워크플로우라고 하는 프로세스가 있기 때문에 작동할 수 있습니다. 에이전틱 워크플로우는 에이전트, 로봇 및 사람의 통합으로 구성될 수 있습니다. 에이전틱 워크플로우는 특정 목표를 달성하기 위해 설계된 엔드 투 엔드 프로세스로, 인간의 감독을 통합하며 디지털 환경과 물리적 환경의 간극을 좁힙니다. 

에이전틱 워크플로우는 AI 에이전트가 관리하고 완수하는 일련의 체계적 조치로, 때로는 인간이 개입하기도 합니다. AI 에이전트에 완료해야 할 목표가 주어지면 태스크를 더 작은 단계들로 나눈 다음 해당 단계를 수행하는 방식으로 워크플로우를 시작합니다.

이러한 단계를 수행하기 위해 AI 에이전트는 자신의 여러 버전을 구동하는 멀티 에이전트 시스템(MAS)을 생성합니다. 이 워크플로우에서 메인 에이전트(메타 에이전트, 오케스트레이터 또는 수퍼바이저라고도 함)는 새로운 에이전트를 생성하여 태스크를 위임해 값을 할당하고 피드백 루프에서 메모리와 상호작용합니다. 에이전트들은 전체적인 목표를 달성할 때까지 동시에 작업합니다.

이 MAS 내에서 각 에이전트는 독립적으로 또는 협업하여 기능할 수 있는 내부 구조로 구성됩니다. 이러한 협업에는 개별 지식, 과거 경험, 신념 상태 등에 관한 컨텍스트를 제공하는 공유 메모리 저장소가 필요합니다.

에이전틱 AI와 MCP

모델 컨텍스트 프로토콜(MCP)은 AI 애플리케이션과 외부 서비스 간 양방향 연결 및 표준화된 통신을 지원하는 오픈소스 프로토콜입니다. MCP는 AI 시스템이 다양한 데이터 소스와 툴에 가상으로 '연결'할 수 있는 간단하고 안정적인 방법을 제공합니다. MCP는 말하자면 장치를 액세서리에 연결하고 데이터 전송을 허용하는 USB-C 케이블입니다.

MCP와 에이전틱 AI는 상호작용을 통해 지능형 AI 시스템을 생성합니다. MCP를 통해 AI 시스템은 더 광범위한 디지털 에코시스템과 상호작용하여 사용자를 위한 태스크를 완수할 수 있습니다. MCP 없이도 에이전틱 AI는 사고하고 계획할 수는 있지만(생성형 AI의 특성) 외부 시스템과는 상호작용할 수 없습니다.

에이전틱 AI 활용 사례

에이전틱 AI는 신속한 문제 해결과 의사 결정 능력이 뛰어납니다. 다음은 에이전틱 AI의 산업별 활용 사례입니다.

제조: 에이전틱 워크플로우는 공급망 관리, 재고 수준 최적화, 수요 예측, 물류 계획 등에 도움이 될 수 있습니다. 

보건 의료: 에이전틱 AI는 요구 사항을 모니터링하고, 치료 계획을 이행하고, 맞춤형 지원을 제공함으로써 고객과 소통할 수 있습니다. 

소프트웨어 개발: 에이전틱 AI는 자동으로 디버깅 코드를 생성하고, 개발 라이프사이클을 관리하고, 시스템 아키텍처를 설계할 수 있습니다. 

맞춤형 직원 지원: 에이전틱 AI는 상황이 변화함에 따라 접근 방식을 조정하고 적극적인 맞춤형 지원을 제공할 수 있습니다. 그러므로 일정 예약, 질문에 대한 답변 제공, 온보딩과 같은 태스크를 완수하는 데 도움이 될 수 있습니다. 

금융 리스크 관리: 에이전틱 AI는 실시간 데이터 스트림을 기반으로 시장 동향을 분석하고, 거래 결정을 내리고, 전략을 조정하여 금융 및 무역 부문을 지원할 수 있습니다. 

에이전틱 AI 활용 사례 살펴보기

생성형 AI는 텍스트, 동영상, 오디오, 소프트웨어 코드 등과 같은 새로운 콘텐츠를 제작할 수 있는 인공지능의 한 유형입니다. 생성형 AI는 딥러닝을 활용하여 단어 간 통계적 관계를 계산하고 학습 데이터, 패턴 인식, 확률 등을 기반으로 출력을 생성합니다. 

생성형 AI는 반응형입니다. 즉, 응답을 생성하기 전에 특정 쿼리가 입력되어야 합니다. 자체 목표를 설정하거나, 태스크를 위임하거나, 새로운 조건 또는 비정형 조건에 적응할 수 있습니다. 

생성형 AI 애플리케이션이 생성할 수 있는 콘텐츠는 해당 애플리케이션의 학습 데이터로 제한됩니다. 그러나 사용자는 외부 데이터 소스들을 통합해 생성형 AI 모델의 출력을 더 정확하게 만드는 검색 증강 생성(RAG)과 같은 기술을 사용할 수 있습니다.

생성형 AI 활용 사례

주로 생성형 AI는 사용자에게 선택권이 있는 정보와 옵션을 제공하여 인간의 의사 결정을 지원합니다. 생성형 AI의 활용 사례는 다음과 같습니다.

작문: 생성형 AI 툴은 실질적으로 모든 주제에 대한 작문 콘텐츠 생성 프롬프트에 응답할 수 있습니다. 이러한 툴은 다양한 길이와 문체로 글을 쓸 수도 있습니다.

이미지 및 동영상 생성: 생성형 AI 이미지 툴은 고품질 이미지를 생성하고 기존 작업에 새로운 요소를 추가할 수 있습니다. 많은 생성형 AI 애플리케이션이 프롬프트에 따라 짧은 동영상을 빠르게 만들어낼 수 있는 툴도 제공합니다. 

음성 및 음악 생성: AI 보컬 툴은 작성된 텍스트와 사람 목소리의 오디오 샘플을 사용하여 실제 사람 목소리를 모방하는 내레이션이나 노래를 만들 수 있습니다. 프롬프트나 샘플에서 인공지능으로 음악을 창작하는 다른 툴도 있습니다.

코드 생성 및 완성: 일부 생성형 AI 툴은 소프트웨어 개발자를 지원하기 위해 요청 시 작성된 프롬프트를 가져와 컴퓨터 코드를 출력할 수 있습니다.

데이터 증강: 생성형 AI는 실제 데이터를 사용하는 것이 불가능하거나 바람직하지 않을 때 대량의 합성 데이터를 생성할 수 있습니다. 개인 식별 정보를 포함하지 않고 기밀 데이터를 이해하도록 모델을 학습시키려는 경우 합성 데이터가 유용할 수 있습니다. 또한 학습이나 테스트를 목적으로 소규모이거나 불완전한 데이터 세트를 대규모의 합성 데이터 세트로 확장할 때도 합성 데이터를 사용할 수 있습니다.

생성형 AI 활용 사례 살펴보기

아마도 에이전틱 AI를 고려할 때 가장 일반적인 우려 사항은 자율 시스템이 실수했을 때 누가 책임을 지느냐일 것입니다. 즉, 자율성과 감독 사이의 균형 유지에 관한 문제입니다.

인간-AI 협업

에이전틱 시스템을 구현하기 전에 책임, 투명성, 관리에 대한 프레임워크를 만드는 것이 중요합니다. 

앞서 AI를 사용하여 잠재 고객에게 이메일을 전송한 영업 담당자의 예를 생각해 보세요. 이 직원은 이메일을 먼저 확인한 후 보내려고 했을 것입니다.

에이전틱 AI는 인간의 입력을 최소화하여 독립적으로 의사 결정을 내릴 수 있습니다. 그러다 보니 사용자는 효율성을 위해 완전한 감독을 포기하게 됩니다. 이에 대한 한 가지 솔루션은 테스트와 검증에 리소스를 집중하는 것입니다. 즉, 인간의 개입을 허용하는 관점을 유지해 조치를 모니터링하고 임의적이고 주관적인 잘못된 판단을 방지할 수 있어야 합니다. 

생성형 AI 시스템을 구현할 때 이와 유사한 신뢰와 안전에 대한 고려 사항이 적용됩니다. 아마도 생성형 AI의 가장 명백한 리스크는 잘못된 정보와 조작된 정보를 만들어낼 수 있다는 것입니다. 여기에는 유해한 편향과 편견을 영구화하고 악의적 의도로 딥페이크 이미지를 생성하는 등의 예가 포함됩니다. 따라서 '환각'(잘못된 결과를 사실처럼 제시)을 경계하고, 답변을 액면 그대로 받아들이기보다는 사실 확인을 하는 것이 중요합니다. 

프라이버시와 보안

에이전틱 AI는 외부 데이터베이스도 이용할 수 있기 때문에 보안 및 프라이버시 리스크의 여지가 많습니다. 따라서 워크플로우에서 들어오고 나가는 데이터를 보호하는 보안 프레임워크가 필요합니다. 

생성형 AI도 보안 리스크를 초래할 수 있습니다. 사용자가 보안이 결여된 애플리케이션에 중요한 정보를 입력할 수 있습니다. 또한 생성형 AI는 저작권 보호 자료를 재생산하거나 사람의 음성 또는 신원을 동의 없이 도용하여 법적 위험을 초래할 수 있습니다. 

에이전틱 AI와 생성형 AI는 분산 추론 덕에 개인정보 보호와 효율성 향상이라는 혜택을 볼 수 있습니다. 분산 추론은 물리 서버 및 클라우드 서버를 포함해 여러 하드웨어에 요청을 분할하는 시스템을 지원합니다. 그러면 각 추론 서버가 할당된 몫을 병렬로 처리하여 결과물을 생성합니다. 이를 통해 탄력적이고 관찰 가능한 시스템을 구축하여 일관되고 확장 가능한 AI 기반의 서비스를 제공할 수 있습니다.

분산 추론은 데이터를 로컬로 처리하고 데이터에서 민감하지 않은 부분만 중앙 서버로 전송함으로써 개인정보 보호 규정을 준수합니다. 이를 통해 특정 지리적 관할 구역 내에 개인 데이터를 보존하여 데이터 주권을 지지합니다.

Red Hat® AI는 고객이 이미 신뢰하는 솔루션을 토대로 구축된 Red Hat의 AI 제품 포트폴리오입니다. 이 기반을 통해 Red Hat 제품의 안정성, 유연성, 확장성이 유지됩니다.

Red Hat AI가 조직에 제공하는 이점은 다음과 같습니다.

• AI를 도입하고 활용하여 혁신
• AI 솔루션 제공의 복잡성 해소
• 어디서나 배포

Red Hat AI 살펴보기

맞춤형 오픈 솔루션의 기반

Red Hat AI 솔루션은 생성형 AI 기능과 예측 AI 기능을 모두 지원할 수 있습니다. 자체 모델을 활용(Bring Your Own Model)할 수 있는 유연성을 바탕으로 Red Hat은 비즈니스 활용 사례별 학습과 미세 조정 파운데이션 모델을 지원합니다.

엔터프라이즈 애플리케이션을 위한 LLM과 SLM을 개발, 테스트, 실행할 수 있는 파운데이션 모델 플랫폼인 Red Hat Enterprise Linux® AI로 시작하면 좋습니다. 이 AI 플랫폼은 개발자에게 LLM과 AI 툴링을 갖춘 단일 서버 환경에 대한 빠른 액세스를 제공합니다. 또한 모델을 조정하고 생성형 AI 애플리케이션을 빌드하는 데 필요한 모든 것을 제공합니다. 

Red Hat Enterprise Linux AI 살펴보기

그다음, 멀티 에이전트 시스템을 생성하기 위한 통합 플랫폼을 제공하는 Red Hat OpenShift® AI를 살펴보세요. 또한 AI 에이전트가 사용하는 적응형 학습과 추론은 Red Hat OpenShift의 MLOps 기능을 통해 제어할 수 있습니다.

Red Hat OpenShift AI 살펴보기

아울러 Red Hat의 AI 파트너 에코시스템이 확장되고 있습니다. 다양한 기술 파트너들이 Red Hat과 협력하여 Red Hat AI와의 상호 운용성을 인증하고 있습니다. 맞춤형 오픈 솔루션을 경험하세요.

Red Hat 파트너에 대해 자세히 알아보기