I. Agent AI의 발전 배경과 사업 적용 (1/5) : 생성형 AI에서 Agent AI로 진화한 이유
ChatGPT의 등장 이후 생성형 AI는 빠르게 발전하고 있습니다. 최근에는 단순히 질문에 답하는 수준을 넘어 스스로 계획을 세우고 여러 도구를 활용하며 목표를 수행하는 'Agent AI'가 새로운 패러다임으로 주목받고 있습니다. 이번 시리즈에서는 Agent AI가 등장하게 된 배경부터 핵심 기술, 실제 기업 적용 사례, 그리고 미래 비즈니스 변화까지 쉽게 살펴보겠습니다.
왜 Agent AI가 등장했을까? — 생성형 AI에서 Agent AI로 진화한 이유
AI의 발전 과정: 1950년대 초창기 AI부터 ChatGPT까지, 인공지능이 어떻게 진화해왔는지 한눈에 정리합니다.
기존 LLM의 한계: ChatGPT가 놀라운 이유, 그리고 왜 그것만으로는 부족한지 실제 사례로 설명합니다.
Agent AI의 등장: 한계를 넘기 위해 무엇이 바뀌었는지, 챗봇과 Agent AI의 결정적 차이를 비교합니다.
AI 배경지식이 없어도 읽을 수 있습니다. 해양 산업 종사자의 시각으로 쉽게 설명합니다.
프롤로그
배가 항구를 떠나는 순간, 항해사는 수백 개의 결정을 내립니다.
날씨를 확인하고, 항로를 계산하고, 화물 균형을 점검하고, 기관 상태를 모니터링합니다. 이 모든 것을 순서대로, 상황에 맞게, 목적지를 향해 실행합니다. 과거의 AI는 이 중 하나의 질문에만 답할 수 있었습니다. Agent AI는 항해사처럼 전체 과정을 스스로 계획하고 실행합니다.
왜 이런 AI가 등장했을까요? 그리고 왜 지금일까요?
1. AI는 어떻게 여기까지 왔을까?
인공지능(AI)의 역사는 생각보다 깁니다. 1950년 앨런 튜링이 "기계가 생각할 수 있을까?"라는 질문을 던진 이후, AI는 수십 년의 도전과 실패를 거쳐 오늘에 이르렀습니다. 큰 흐름으로 보면 크게 네 번의 전환점이 있었습니다.
사람이 규칙을 직접 입력하면 AI가 따르는 방식. "만약 온도가 100도를 넘으면 경고를 울려라"처럼 미리 정해진 명령대로만 동작. 체스, 바둑 같은 규칙이 명확한 게임에서는 강했지만, 현실의 복잡한 상황에는 대응하지 못했습니다.
규칙을 사람이 입력하는 대신, 데이터에서 AI가 스스로 패턴을 찾는 방식. 스팸 메일 필터, 추천 알고리즘 등에 활용. 하지만 여전히 학습 데이터 범위 밖의 상황에는 취약했습니다.
인간 뇌의 뉴런 구조를 모방한 신경망으로 이미지 인식, 음성 인식에서 인간을 능가. 2017년 구글의 "Attention is All You Need" 논문으로 Transformer 구조가 등장, 언어 AI의 시대를 열었습니다.
GPT-4, Claude, Gemini 같은 대형 언어 모델이 인간 수준의 텍스트 이해·생성 능력을 갖추고, 이제 스스로 계획하고 행동하는 Agent AI로 진화 중.
2. ChatGPT가 바꾼 것들
2022년 11월 30일, OpenAI가 ChatGPT를 공개했습니다. 출시 5일 만에 100만 사용자를 돌파했고, 두 달 만에 1억 명을 넘었습니다. 역사상 가장 빠르게 성장한 소비자 서비스입니다.
무엇이 달랐을까요? 이전의 AI는 특정 작업만 할 수 있었습니다. 번역 AI는 번역만, 이미지 인식 AI는 이미지만. 하지만 ChatGPT는 자연어로 대화하듯이 무엇이든 물어볼 수 있었습니다. 계약서 초안 작성, 코드 디버깅, 해외 규정 요약, 아이디어 브레인스토밍까지.
코드나 전문 명령어 없이 일상 언어로 AI와 대화
번역, 요약, 작성, 분석, 코딩 등 단일 모델로 모든 작업
전문가를 기다릴 필요 없이 수 초 내 결과물
월 구독료 수준의 비용으로 전문 도구 수준의 결과
3. 놀랍지만, 부족한 것들
ChatGPT는 혁명적이었지만, 실제 업무에 써본 분들은 곧 벽에 부딪혔습니다. 다음 상황을 생각해보세요.
"IACS UR E27 최신 개정 내용을 바탕으로 우리 회사 선박의 CBS 목록을 작성하고, 각 시스템의 리스크를 평가해서 보고서를 만들어줘."
ChatGPT의 한계: 이 작업을 완전히 자동으로 수행할 수 없습니다.
왜일까요? 기존 LLM에는 구조적인 한계가 있기 때문입니다.
매번 새 대화를 시작하면 이전 내용을 기억하지 못합니다. 오늘 분석한 내용을 내일 이어서 할 수 없습니다. 배의 항해 로그처럼 누적·연속적인 작업이 불가능합니다.
내부 데이터베이스, ERP 시스템, 선박 관제 시스템, 최신 규정 문서에 직접 접근할 수 없습니다. 질문에 답할 뿐, 실제 시스템과 연결되지 않습니다.
보고서 작성 방법을 알려줄 수 있지만, 직접 보고서를 만들어 저장하거나, 이메일을 발송하거나, 시스템에 결과를 입력하는 행동은 할 수 없습니다.
여러 단계가 순서대로 연결된 복잡한 작업을 자율적으로 분해하고 실행하는 능력이 없습니다. 각 단계마다 사람이 개입해야 합니다.
모델 학습 이후 발표된 새 규정, 새 사고 사례, 최신 위협 정보는 알지 못합니다. IACS가 어제 개정한 UR E27은 ChatGPT가 모릅니다.
4. 해양 산업에서 보이는 LLM 한계의 민낯
해운·조선 업무는 특히 LLM의 한계가 뚜렷이 드러납니다. 실제로 현장에서 겪는 상황들입니다.
"우리 선박 50척의 CBS 목록을 IACS E26 기준으로 리스크 평가해줘" → 선박 DB 접근 불가, 문서 파일 직접 읽기 불가, 결과를 시스템에 저장 불가.
"IACS, IMO, 각국 해양청의 규정 변경 사항을 매일 체크하고 우리 선대에 영향 있는 것만 알려줘" → 최신 정보 접근 불가, 지속적 모니터링 불가.
"방금 ECDIS에서 이상 신호가 감지됐어. 원인 분석하고, 선급에 보고서 작성하고, 관련 팀에 알림 보내줘" → 실시간 시스템 접근 불가, 실행 불가.
이 모든 시나리오가 Agent AI로는 가능합니다. 2편과 4편에서 자세히 다룹니다.
5. Agent AI가 등장하게 된 배경
AI 연구자들은 LLM의 한계를 일찌감치 파악했습니다. 해결책은 놀라울 정도로 직관적이었습니다. "AI에게 도구를 주고, 스스로 계획하게 하면 어떨까?"
2022년 발표된 ReAct 논문(Princeton·Google)은 LLM이 추론(Reasoning)과 행동(Acting)을 번갈아 수행하면 훨씬 복잡한 작업을 수행할 수 있음을 보였습니다. 2023년에는 AutoGPT가 등장해, GPT-4가 목표 하나를 주면 스스로 하위 작업을 계획하고 인터넷을 검색하며 자율적으로 실행하는 모습을 보여주었습니다.
LLM(대형 언어 모델)을 '두뇌'로 삼아, 외부 도구(검색, 계산기, 데이터베이스, API 등)를 활용하면서 목표를 향해 스스로 계획을 세우고, 단계적으로 실행하고, 결과를 평가하며 다음 행동을 결정하는 AI 시스템입니다. 단순히 질문에 답하는 것이 아니라, 목표를 향해 능동적으로 행동합니다.
결국 Agent AI 등장의 핵심 동력은 세 가지입니다. ① LLM의 언어 이해 능력이 충분히 높아졌고, ② 외부 도구·API 연동 기술이 성숙했으며, ③ 실제 비즈니스 현장에서 단순 Q&A를 넘어 자율 실행에 대한 수요가 폭발적으로 증가했습니다.
6. AI Agent vs 기존 챗봇 — 결정적 차이
같은 상황에서 챗봇과 Agent AI가 어떻게 다르게 행동하는지 비교해보겠습니다. 예시: "우리 선박의 IACS E27 연간 검사 준비를 도와줘."
챗봇은 "어떻게 하면 되는지 알려주는" AI입니다. Agent AI는 "직접 해주는" AI입니다. 챗봇은 수동적(Reactive), Agent AI는 능동적(Proactive)입니다.
7. 왜 '지금'인가? — Agent AI 타이밍의 비밀
Agent AI의 개념은 사실 오래전부터 있었습니다. 그런데 왜 하필 2023~2024년부터 급격히 주목받게 되었을까요? 세 가지 기술 조건이 동시에 갖춰졌기 때문입니다.
GPT-4, Claude 3 이상의 모델들은 복잡한 지시를 이해하고, 모호한 상황에서도 맥락을 파악하며, 오류가 생기면 스스로 수정하는 수준에 도달했습니다. 두뇌가 충분히 강력해진 것입니다.
Function Calling, Tool Use, MCP(Model Context Protocol) 같은 표준화된 방식이 생기면서, AI가 외부 시스템·API와 표준화된 방식으로 연결되는 것이 쉬워졌습니다. (3편에서 자세히 다룹니다)
2023년 대비 2025년 기준, GPT-4급 성능의 AI 활용 비용은 약 100배 저렴해졌습니다. Agent가 수백 단계를 자율로 실행해도 경제적으로 타당한 비용 구조가 만들어졌습니다.
에필로그
AI는 말하는 도구에서, 행동하는 동료로 진화하고 있습니다.
ChatGPT가 '무엇이든 물어볼 수 있는 AI'라면, Agent AI는 '무엇이든 대신 해주는 AI'입니다. 이 전환은 단순한 기능 추가가 아닙니다. AI가 인간 업무 흐름에 통합되는 방식이 근본적으로 바뀌는 것입니다.
해양 산업에서도 이 변화는 이미 시작되었습니다. CBS 리스크 평가, 규정 모니터링, 사이버 인시던트 대응 — 이 모든 것이 Agent AI의 영역입니다. 다음 편에서는 Agent AI가 실제로 어떻게 동작하는지, 그 내부 구조를 살펴봅니다.
“바다에서 선장은 목적지를 정하고, 항해사는 경로를 계획하며, 기관사는 엔진을 관리합니다. 각자의 역할이 분업화되어 있지만, 선박이라는 시스템은 유기적으로 연결되어 목표를 향해 움직입니다. Agent AI도 마찬가지입니다. LLM이라는 두뇌, 도구들이라는 손발, 그리고 목표를 향한 계획 능력이 합쳐져 비로소 '행동하는 AI'가 됩니다. 해양 산업이 오랫동안 쌓아온 시스템 사고(Systems Thinking)는 Agent AI를 이해하는 데 놀랄 만큼 좋은 출발점입니다.”
AI를 도구가 아닌 동료로 바라보는 시각 전환이 필요한 시점입니다.
Agent AI는 어떻게 동작할까? — 생각하고, 계획하고, 실행하는 AI
LLM의 역할, Planning(계획), Memory(기억), Tool Use(도구 활용), Multi-step Reasoning, 그리고 Agent Workflow — Agent AI의 내부 구조를 해부합니다.
데이터, AI, 사이버보안을 해양 산업과 연결하는 혁신 리더. 해양 종사자 누구나 AI를 이해하고 활용할 수 있도록 쉽게 씁니다.
LinkedIn ↗
Comments
Post a Comment