자율 에이전트: 정의와 작동 방식

자율 에이전트란 무엇인가

자율 에이전트는 스스로 목표를 향해 작업하는 AI 시스템입니다. 사람이 원하는 결과를 설명하면 에이전트가 필요한 단계를 파악하고 실행합니다.

예를 들어 누군가 세 가지 프로젝트 관리 도구 중 하나를 선택하려 한다고 가정해 보겠습니다. 자율 에이전트는 각 도구를 검색하고, 가격 페이지를 열어 차이점을 정리한 뒤, 완성된 비교 결과를 돌려줄 수 있습니다. 사람은 목표를 정하고 결과를 검토하며, 그 사이의 작업은 에이전트가 수행합니다.

현재 많은 소프트웨어 에이전트는 대규모 언어 모델을 사용해 지시를 해석하고 다음에 할 일을 결정합니다. 일부 모델은 이미지나 오디오도 처리합니다. 웹 검색, 버튼 클릭, 이메일 전송을 하려면 에이전트에게는 모델을 도구에 연결하고 모델의 요청을 실행하는 소프트웨어가 필요합니다.

프로젝트 관리 예시에서 LLM과 에이전트는 다음과 같이 작동합니다.

1. LLM이 목표를 읽고 첫 번째 도구의 가격을 검색하라는 요청을 작성합니다.
2. 에이전트의 소프트웨어가 검색을 실행하고 결과를 텍스트로 LLM에 다시 전달합니다.
3. LLM이 결과를 읽고 다음 단계(가격 페이지 열기)를 선택한 뒤 새 요청을 작성합니다.
4. LLM이 비교가 완료되었다고 판단하고 최종 답변을 작성할 때까지 이 과정이 반복됩니다.

확대

자율성 수준

에이전틱 AI 시스템(질문에 답하는 데 그치지 않고 행동을 수행하도록 만들어진 AI)에서 자율성은 설계상의 선택입니다. 같은 에이전트라도 매 단계마다 확인을 요청하도록 설정할 수도 있고, 전체 작업을 혼자 끝내도록 설정할 수도 있습니다.

워싱턴 대학교 연구진은 에이전트가 가질 수 있는 다양한 자율성 수준을 설명하기 위해 5단계 프레임워크를 제안합니다.

수준 4에서는 에이전트가 스스로 조사하고 구매 주문서 초안을 작성하되, 제출하기 전에 멈출 수 있습니다. 수준 5에서는 주문서 제출까지 수행합니다.

자율 AI 에이전트 vs 자동화 vs 챗봇

자율 에이전트는 두 가지 면에서 챗봇 및 워크플로우 자동화와 다릅니다. 스스로 단계를 결정하고, 다른 앱과 웹사이트에서 행동을 수행한다는 점입니다.

챗봇은 대화 속에서 질문에 답하지만, 보통 대화 밖에서 행동하지는 않습니다. 워크플로우 자동화는 행동을 수행하지만, 누군가 미리 설정해 둔 단계를 따를 뿐입니다. 대표적인 유형으로 로보틱 프로세스 자동화(RPA)가 있는데, 한 시스템의 데이터를 다른 시스템으로 복사하는 것처럼 단순하고 규칙에 기반한 작업을 반복하는 소프트웨어입니다.

자율 에이전트는 이 두 가지를 모두 수행합니다. 다른 소프트웨어에서 행동하고, 주어진 도구, 권한, 지시의 범위 안에서 목표를 향한 단계를 스스로 선택합니다.

주문 지연에 대한 불만을 예로 들면 차이를 알 수 있습니다. 챗봇은 배송 정책에 대해 미리 작성된 설명으로 답할 수 있습니다. 워크플로우 자동화는 표준 “주문 지연” 이메일을 보낼 수 있습니다. 자율 에이전트는 주문을 조회해 배송 중 분실된 것을 확인하고, 대체품을 발송한 뒤, 고객에게 진행 상황을 알릴 수 있습니다.

자율 에이전트의 작동 방식

자율 에이전트는 작업을 완료하기 위해 네 가지 역량에 의존합니다. 단계 계획, 도구 사용, 수행한 작업 기억, 자체 결과 확인입니다. 규모가 큰 작업의 경우 일부 에이전트는 여러 에이전트로 구성된 팀에 작업을 나누기도 합니다.

1. 목표 세분화와 계획 수립

목표는 대개 한 번에 실행하기에는 너무 크기 때문에, 에이전트가 가장 먼저 하는 일은 목표를 더 작은 작업으로 나누는 것입니다. 예를 들어 사용자가 팀 오프사이트 계획을 요청하면, 에이전트는 이 목표를 날짜 정하기, 예산 내 장소 찾기, 예약 가능 여부 확인, 초대장 초안 작성으로 나눌 수 있습니다.

에이전트는 설계 방식에 따라 미리 계획을 세울 수도 있고, 진행하면서 계획을 세울 수도 있습니다. 미리 계획한다는 것은 시작하기 전에 모든 단계를 작성하는 것으로, 짧고 예측 가능한 작업에 적합합니다. 진행하면서 계획한다는 것은 다음 한두 단계를 구상하고 실행한 뒤, 돌아온 결과에 따라 수정하는 것입니다. 오프사이트의 1순위 장소가 이미 예약되어 있다면, 에이전트는 처음부터 다시 시작하지 않고 다음 선택지로 넘어갈 수 있습니다.

확대

중국 인민대학교의 LLM 기반 자율 에이전트에 관한 서베이 논문에 따르면, 결과를 보기 전에 완벽한 계획을 세우기는 어렵기 때문에 두 번째 방식이 더 복잡한 작업을 더 잘 처리합니다. 많은 에이전트는 두 방식을 결합해, 먼저 전체 계획의 윤곽을 잡은 뒤 작업하면서 수정합니다.

2. 도구를 활용한 행동 수행

계획이 세워지면 에이전트는 작업을 하나씩 처리하며 각 작업에 맞는 도구를 선택합니다.

• 장소를 찾을 때는 “오스틴 근처 20명 규모 오프사이트 장소” 같은 검색어로 웹 검색을 사용할 수 있습니다.
• 예약 가능 여부를 확인할 때는 브라우저에서 각 장소의 예약 페이지를 열고 일정표를 확인할 수 있습니다.
• 초대장을 보낼 때는 API를 통해 사용자의 이메일에 연결할 수 있습니다. API는 한 소프트웨어가 다른 소프트웨어에 데이터나 작업을 요청할 수 있게 해 주는 연결 방식입니다.

각 행동을 수행한 후 에이전트는 돌아온 결과를 읽고 다음 행동을 결정합니다. 검색 결과로 장소 다섯 곳이 나오면 각 장소의 예약 가능 여부를 확인합니다. 예약 페이지가 열리지 않으면 해당 장소의 전화번호 정보를 찾아보거나 다음 선택지로 넘어갑니다.

에이전트가 어떤 도구를 갖추고 있는지에 따라 혼자서 끝낼 수 있는 작업이 결정됩니다. 이메일 접근 권한이 없으면 초대장 초안은 작성할 수 있지만 보낼 수는 없습니다.

3. 메모리로 진행 상황 추적

에이전트는 작업하는 동안 자신이 한 일과 알게 된 내용을 계속 추적해야 합니다. 장소 세 곳을 확인했을 때쯤이면 어느 곳이 예약되어 있고, 어느 곳에 자리가 있으며, 각각 비용이 얼마인지 알고 있어야 합니다. 이 기록은 LLM의 컨텍스트 윈도우, 즉 모델이 한 번에 고려할 수 있는 텍스트의 양 안에 담깁니다.

긴 작업은 컨텍스트 윈도우의 한계를 넘어설 수 있습니다. 장기 메모리를 갖춘 에이전트는 정보를 모델 외부(보통 데이터베이스)에 저장하고 현재 단계에 필요한 정보만 불러와 이 문제를 해결합니다.

장기 메모리는 작업 간에도 이어집니다. 내년 오프사이트를 계획할 때가 되면, 에이전트는 올해의 장소 목록과 예산을 재사용하거나, 팀이 차로 1시간 이내 거리의 장소를 선호한다는 점을 떠올릴 수 있습니다.

4. 결과 확인 및 방향 수정

많은 에이전트는 작업하는 동안 단계가 잘못되었다는 신호를 주시합니다. 예약 양식에서 오류가 반환되거나 검색 결과가 비어 있으면 다른 방법을 시도합니다. 예산을 약간 초과하는 장소도 괜찮은지처럼 혼자 내려서는 안 되는 결정에 이르면, 사람에게 물어보고 그 답변에 따라 조정합니다.

많은 에이전트는 작업물을 넘기기 전에 결과를 검토합니다. LLM이 자신이 만든 결과물을 다시 읽고 목표와 비교한 뒤, 빠졌거나 잘못된 부분을 나열합니다. 에이전트는 결과가 목표를 충족할 때까지 수정하고 다시 확인합니다. 예를 들어 초대장에 장소 주소가 빠져 있으면 검토 과정에서 이를 발견하고, 에이전트가 보내기 전에 주소를 추가합니다.

5. 여러 에이전트에 작업 분담

어떤 작업은 여러 에이전트가 나누어 맡으면 더 빨리 진행됩니다. 리드 에이전트가 작업을 나누어 하위 에이전트에게 각 부분을 맡깁니다.

Perplexity Computer가 이런 방식으로 작동합니다. 사람이 원하는 결과를 설명하면 Computer가 이를 작업과 하위 작업으로 나눈 뒤, 하위 에이전트를 생성해 실행합니다. 하위 에이전트는 웹을 조사하고, 문서를 생성하고, 데이터를 처리하거나, API를 통해 연결된 서비스를 호출할 수 있습니다.

Computer는 문제에 부딪히면 이를 해결하기 위해 새로운 하위 에이전트를 생성합니다. 또한 각 하위 에이전트는 서로 다른 AI 모델에서 실행될 수 있으므로, 작업의 각 부분이 가장 적합한 모델에 배정됩니다.

따라서 오프사이트 예시에서는 한 하위 에이전트가 장소를 조사하는 동안 다른 하위 에이전트는 팀 일정을 확인하고, 세 번째 하위 에이전트는 이동 수단을 알아볼 수 있습니다.

확대

사람들이 자율 에이전트를 활용하는 방법

사람들은 주로 리서치, 글쓰기, 이메일, 학습 같은 일상적인 지식 업무에 자율 에이전트를 사용합니다. 하버드와 Perplexity 연구진의 연구에 따르면 생산성 및 학습 작업이 에이전틱 쿼리의 57%를 차지했습니다. 아래 예시는 각 유형의 업무에서 에이전트가 하는 일을 보여 줍니다.

리서치 및 분석

리서치는 작은 단계가 많기 때문에 에이전트에 잘 맞습니다. 에이전트는 검색하고, 출처를 열어 읽고, 각 출처의 내용을 비교할 수 있습니다. “원격 근무와 생산성에 관한 최근 연구 세 편을 찾아 각 연구의 결과를 요약해 줘” 같은 쿼리를 예로 들어 보겠습니다. 에이전트는 연구를 검색하고 가장 관련성 높은 연구를 엽니다. 각 연구의 결과를 읽고 모든 출처의 링크를 포함한 요약을 작성합니다. 연구가 유료 구독으로 막혀 있으면 다음 연구로 넘어갑니다. 앞서 언급한 연구에서 리서치 요약 및 분석은 에이전틱 쿼리의 7%를 차지합니다.

문서, 이메일, 캘린더

에이전트는 사람들이 매일 이미 사용하는 도구 안에서 작업하는 경우가 많습니다. 하버드와 Perplexity의 연구에서는 Google의 문서 도구와 이메일이 가장 많이 사용된 두 가지로, 합쳐서 에이전틱 쿼리의 약 4분의 1을 차지했습니다. “이번 주에 읽지 않은 이메일을 확인해서 고객이 보낸 메일에는 플래그를 지정하고, 일정 요청에 대한 답장 초안을 작성해 줘” 같은 쿼리를 예로 들어 보겠습니다. 에이전트는 받은편지함을 열고 메시지를 분류합니다. 캘린더에서 비어 있는 시간을 확인하고 각 요청에 대한 답장 초안을 작성합니다. 초안을 보내지 않고 저장해 둘 수 있으므로, 사람이 먼저 하나씩 검토할 수 있습니다.

학습 및 과제

학생들은 공부할 때 에이전트를 사용합니다. 이 연구에서 수업 과제는 에이전트 사용에서 가장 큰 단일 범주로, 에이전틱 쿼리의 13%를 차지합니다. “수업 읽기 자료 4장으로 퀴즈를 내 줘” 같은 쿼리를 보내면 에이전트는 강의 웹사이트로 가서 해당 장을 읽고, 핵심 내용에 대한 문제를 작성하고, 학생의 답을 확인합니다. 같은 방식은 낯선 업계를 빠르게 파악해야 하는 직원처럼 새로운 분야를 배우는 누구에게나 효과적입니다.

쇼핑 및 비교

쇼핑은 에이전틱 쿼리의 10%를 차지하며, 대부분 제품을 검색하고 비교하는 작업입니다. “리뷰 평가가 좋은 400달러 미만 스탠딩 책상을 찾아 줘”라고 요청하면, 에이전트는 여러 소매업체를 검색하고 가격과 평점으로 필터링한 뒤 상위 선택지를 비교하고, 가장 좋은 제품을 장바구니에 담을 수 있습니다. 에이전트가 여러 웹사이트의 선택지를 비교해 주면 사람이 각 상품 페이지를 일일이 열어 대조할 필요가 없으므로 시간을 크게 절약할 수 있습니다.

자율 에이전트 활용을 위한 7가지 모범 사례

1. 확인하기 쉬운 작업부터 시작하기

처음 맡기기에 가장 좋은 작업은 실수를 쉽게 발견하고 적은 비용으로 바로잡을 수 있는 작업입니다. 리서치 요약과 제품 비교가 좋은 출발점입니다. 에이전트가 출처를 링크로 제공하면 몇 분 만에 결과를 확인할 수 있습니다. 신뢰가 쌓이면 더 많은 단계가 포함된 긴 작업도 맡길 수 있습니다.

2. 원하는 결과와 제약 조건을 명확하게 설정하기

에이전트는 작업이 왜 중요한지 알면 더 나은 판단을 내릴 수 있습니다. 좋은 쿼리는 외주 업체에 전달하는 브리핑처럼 목적, 대상 독자, 이미 알고 있는 사항, 이미 배제한 사항을 담고 있습니다. “이사회 보고 메모를 위해 이 세 공급업체를 비교해 주세요. 이사회는 구현 리스크를 가장 중요하게 생각하며, SOC 2 준수 요건을 충족하지 않는 업체는 이미 제외했습니다”와 같이 요청하면 에이전트가 스스로 판단하는 데 필요한 정보를 얻을 수 있습니다.

3. 승인 체크포인트 추가하기

이메일 전송, 구매, 파일 삭제, 양식 제출처럼 되돌릴 수 없는 작업도 있습니다. 에이전트가 지원한다면 이러한 단계 전에 일시 중지하고 확인을 요청하도록 설정하세요. 쿼리 자체에서 중단 지점을 정할 수도 있습니다. “답장 초안은 작성하되 보내지는 마세요” 또는 “가장 좋은 옵션을 장바구니에 담되 결제는 하지 마세요”라고 하면 에이전트가 정확히 어디서 멈추고 제어권을 돌려줘야 하는지 알 수 있습니다.

4. 작업 전에 계획 검토하기

규모가 큰 작업이라면 시작하기 전에 에이전트에게 계획의 개요를 먼저 제시해 달라고 요청하세요. 계획을 검토하는 데는 1분이면 충분하며, 이 단계에서 오해를 바로잡는 것이 완성된 결과물에서 문제를 발견하는 것보다 훨씬 적은 비용이 듭니다.

5. 작업에 필요한 만큼만 액세스 허용하기

에이전트가 접근할 수 있는 모든 계정은 에이전트가 직접 작업을 수행할 수 있는 계정이기도 합니다. 작업에 필요한 앱만 연결하면 민감한 데이터에 대한 접근을 막고 문제가 생길 여지를 줄일 수 있습니다. 공급업체를 조사하는 에이전트에게는 이메일 액세스가 필요하지 않습니다. 답장 초안을 작성하는 에이전트에게는 필요하지만, 전송 권한까지는 필요하지 않을 수 있습니다.

6. 쿼리에 검토 기준 포함하기

에이전트는 이미 자신의 결과물을 검토하므로, 쿼리에서 무엇을 확인해야 하는지 알려 줄 수 있습니다. 좋은 결과가 어떤 모습인지 명시하면(“모든 수치에는 2025년 이후 날짜의 출처가 있어야 합니다”) 에이전트는 결과물을 넘기기 전에 그 기준을 적용합니다. 확인된 사실과 자체 추론을 구분하고 가정을 표시해 달라고 요청하면 사람이 더 빠르고 집중적으로 검토할 수 있습니다.

7. 효과적인 방식 재사용하기

좋은 결과를 낸 쿼리는 다음에 비슷한 작업을 할 때 템플릿으로 활용할 수 있습니다. 지난 분기 보고서처럼 좋은 결과물의 예시를 에이전트에게 제공하는 것이 형식을 말로 설명하는 것보다 더 효과적인 경우가 많습니다. 반복되는 작업은 상시 워크플로우로 만들 수 있습니다.

Perplexity의 자율 에이전트 접근 방식

Perplexity는 두 가지 자율 에이전트를 제공합니다. Comet Assistant는 브라우저 안에서 일상적인 작업을 처리하고, Perplexity Computer는 몇 시간 이상 실행될 수 있는 대규모 프로젝트를 맡습니다.

Comet Assistant는 Perplexity의 AI 브라우저인 Comet에 내장되어 있습니다. 사용자가 이미 열어 둔 웹사이트에서 작동하므로 도구를 전환하지 않고도 회의 일정을 잡고, 문서를 편집하고, 이메일을 보내고, 항공편을 예약할 수 있습니다.

Computer는 클라우드에서 실행되며, 앞서 설명한 것처럼 각 목표를 여러 하위 에이전트에게 나누어 맡깁니다. 수백 개의 서비스와 연결되며, 사용자는 작업의 특정 부분에 사용할 AI 모델을 직접 선택할 수 있습니다. Computer는 Pro 및 Max 구독자가 이용할 수 있습니다.

브라우저에서 에이전트를 사용해 보려면 Comet Assistant를, 대규모 프로젝트를 맡기려면 Perplexity Computer를 살펴보세요.

자주 묻는 질문

자율 에이전트는 에이전틱 AI와 같은 것인가요?

아니요. 하지만 두 용어는 의미가 겹칩니다. 에이전틱 AI는 일반적으로 계획을 세우고 행동을 취하며 목표를 추구하는 AI 시스템 전반을 가리킵니다. 자율 에이전트는 그 범주에 속하는 특정 시스템으로, 단계별 승인을 거의 거치지 않고 작업을 수행합니다.

모든 AI 에이전트는 자율적인가요?

아니요. 어떤 에이전트는 사람이 지시할 때만 각 단계를 수행하고, 어떤 에이전트는 전체 작업을 스스로 완료합니다. 앞서 설명한 자율성 수준은 사람이 단계별로 조작하는 에이전트부터 사람이 모니터링만 하는 에이전트까지 전체 범위를 보여 줍니다.

자율 에이전트가 구매나 결제를 할 수 있나요?

일부 에이전트는 웹사이트, 권한, 보호 장치에 따라 구매를 도울 수 있습니다. Comet Assistant는 제품을 비교하고 결제 과정을 도울 수 있습니다. Perplexity의 Instant Buy를 이용하면 자격을 갖춘 미국 사용자가 Perplexity 내에서 지원되는 제품을 구매할 수 있으며, 결제 옵션으로 PayPal을 사용할 수 있습니다.

자율 에이전트를 사용하려면 코딩 기술이 필요한가요?

이미 만들어진 에이전트 중 상당수는 코딩 없이 사용할 수 있습니다. 일부 플랫폼에서는 자연어 지침이나 그래픽 인터페이스를 통해 에이전트를 직접 만들 수도 있습니다. 코딩은 맞춤형 통합, 디버깅, 보다 전문화된 동작을 구현할 때 유용할 수 있습니다.