서론

제품 회의나 피치 덱(pitch decks)에서는 생성형 AI (Generative AI), AI 에이전트 (AI Agents), 그리고 에이전틱 AI (Agentic AI)라는 용어가 거의 혼용되어 사용되지만, 이들은 실제로 서로 다른 수준의 능력과 자율성을 설명합니다. 생성형 AI (Generative AI)는 사용자가 요청했을 때 텍스트, 이미지, 코드 블록과 같은 무언가를 생성하며, 그것으로 작업이 끝납니다. AI 에이전트 (AI Agents)는 생성형 모델 (generative model)에 메모리 (memory), 도구 (tools), 그리고 자신의 출력을 스스로 확인할 수 있는 방법을 추가하여, 대부분의 감독 없이 다단계 작업을 수행할 수 있습니다. 에이전틱 AI (Agentic AI)는 여기서 한 걸음 더 나아갑니다. 여러 에이전트가 훨씬 더 모호하고 지속적인 목표의 각기 다른 부분을 처리하며, 서로 협력하고 진행 과정에 따라 경로를 조정합니다. 가장 인상적으로 들리는 것이 아니라, 실제로 무엇이 필요한지를 아는 것이 프로젝트의 성공 여부 또는 예산 및 거버넌스 (governance) 역량의 조용한 초과 지출 여부를 결정합니다.

문제

이러한 혼란은 단순히 의미론적인 문제에 그치지 않습니다. 이는 다음과 같은 실제적인 실수로 이어집니다:

• 팀들이 콘텐츠 초안 작성이나 요약과 같은 생성형 AI (generative-AI) 문제 해결을 위해 에이전틱 인프라 (agentic infrastructure)를 구매하고, 결과적으로 필요하지 않은 오케스트레이션 (orchestration) 및 거버넌스 (governance) 오버헤드 비용을 지불하게 됩니다.
• 팀들이 생성형 모델 (generative model)에 에이전트 수준의 자율성을 기대했다가, 메모리나 도구가 없는 챗봇 (chatbot)이 스스로 다단계 작업을 완료하지 못할 때 좌절감을 느낍니다.
• 팀들이 이를 지원할 거버넌스 (governance) 성숙도(감사 추적(audit trails)이나 명확한 인간 체크포인트(human checkpoints)가 없는 상태) 없이 에이전틱 시스템을 배포하며, 이는 규제 산업에서 무언가 잘못되는 순간 부채가 됩니다.
• 벤더(Vendors)들이 단순한 도구 호출(tool-calling) 챗봇을 "에이전틱 AI (agentic AI)"라고 부르며 기능 인플레이션을 기본값처럼 마케팅하여, 구매자가 실제로 무엇을 구매하고 있는지 평가하기 어렵게 만듭니다.

명확한 프레임워크 (framework)가 없다면, 팀들은 과잉 구축(expensive, deployment가 느림, 문제에 비해 과도한 거버넌스 필요)하거나 과소 구축(실제로 자율적이고 다단계적인 조정이 필요한 워크플로에 정적인 챗봇을 덧붙임)하게 됩니다.

해결책

이들을 구분하는 가장 명확한 방법은 마케팅 문구가 아니라 아키텍처 (architecture)를 통해 확인하는 것입니다.

생성형 AI (Generative AI)는 단일 순방향 패스 (forward pass)를 실행합니다: 프롬프트 (prompt) → 모델 (model) → 예측 (prediction) → 출력 (output). 루프 (loop)가 없으며, 별도로 설계되지 않는 한 세션 간의 메모리 (memory)가 없고, 현실 세계에서 행동을 취할 수 있는 능력도 없습니다. 인간이 출력을 직접 검토하거나 사용하는 경우 — 초안 작성, 요약, 코드 스니펫 (code snippets), 디자인 컨셉 등 — 에 적합한 선택입니다. 배포하기에 가장 빠르고 저렴합니다.

AI 에이전트 (AI Agents)는 생성형 모델을 제어 루프 (control loop) 안에 감쌉니다: 목표 (goal) → 계획 (planning) → 도구 사용 (tool use) → 추론 (reasoning) → 실행 (execution) → 응답 (response). 이 루프를 통해 에이전트는 무언가를 찾아보고, 공백을 인지하고, 누락된 정보를 가져온 다음, 인간이 모든 단계를 지정하지 않아도 최종 답변을 생성할 수 있습니다. 이는 현재 사람이 무언가를 찾아보고, 결정하고, 행동해야 하는 잘 정의된 반복 프로세스 — 고객 지원 문제 해결, 회의 일정 예약, 자동화된 테스트 — 에 적합합니다.

실질적인 필터: 야망의 크기가 아니라 문제의 형태에 맞춰 도구를 선택하십시오. 콘텐츠가 필요한 요구사항은 생성형 (generative) 상태로 유지됩니다. 경계가 정해진 반복 프로세스는 에이전트 (agent)가 됩니다. 실제 거버넌스 (governance)가 뒷받침되는 다단계의 진화하는 워크플로 (workflow)가 바로 에이전틱 아키텍처 (agentic architecture)가 비용을 들일 가치가 있는 영역입니다.

예시

Healthcare: 생성형 AI (Generative AI)는 환자 요약 및 임상 기록 초안을 작성합니다. AI 에이전트 (AI Agent)는 예약 일정 관리 및 보험 확인을 처리합니다. 에이전틱 AI (Agentic AI)는 여러 부서에 걸친 다단계 케어 경로 (care pathways)를 조정합니다 — 각 단계에서 책임의 범위가 근본적으로 다릅니다.
Logistics: 생성형 AI (Generative AI)는 경로 문서 요약을 생성합니다. AI 에이전트 (AI Agent)는 단일 화물의 배송 추적 및 예외 처리를 관리합니다. 에이전틱 AI (Agentic AI)는 전체 네트워크에 걸쳐 멀티 에이전트 (multi-agent) 함대 조율을 실행하며, 조건이 변화함에 따라 실시간으로 조정합니다.
Software development: 생성형 AI (Generative AI)는 코드와 문서를 생성합니다. AI 에이전트 (AI Agent)는 정의된 범위 내에서 테스트 및 버그 분류 (bug triage)를 자동화합니다. 에이전틱 AI (Agentic AI)는 계획, 코딩, 테스트, 배포를 하나의 지속적으로 모니터링되는 프로세스로서 전체 파이프라인 (pipelines)을 조정합니다.

모든 경우에서, 상위 단계로 이동하는 것은 단순히 "더 많은 AI"를 사용하는 것이 아닙니다 — 이는 다른 거버넌스 (governance) 요구 사항, 다른 인프라 비용, 그리고 문제가 발생했을 때의 다른 실패 모드 (failure mode)를 의미합니다.

핵심 요약 (Key Takeaways)

• 생성형 AI (Generative AI)는 요청 시 생성하고 멈춥니다; 명시적으로 설계되지 않는 한 자율성이나 지속적인 메모리 (persistent memory)를 갖지 않습니다.
• AI 에이전트 (AI Agents)는 목표가 주어지면 대부분 감독 없이 '계획-실행-확인 (plan-act-check)' 루프를 통해 정의된 제한된 작업을 완료합니다.
• 에이전틱 AI (Agentic AI)는 광범위하고 진화하는 목표를 향해 여러 에이전트를 조정하며, 중대한 결정의 경우 인간 참여 (human-in-the-loop) 체크포인트를 가집니다.
• 올바른 선택은 어떤 용어가 가장 진보적으로 들리는가가 아니라, 작업의 복잡성, 거버넌스 성숙도, 그리고 자율성에 대한 수용도에 달려 있습니다.
• 스타트업은 일반적으로 워크플로 (workflow)가 가치 있음을 증명하면 생성형 AI (Generative AI)로 시작하여 단일 목적의 에이전트 (Agents)로 이동하는 것이 더 유리하며, 기업은 규모와 기존 컴플라이언스 (compliance) 인프라 덕분에 완전한 에이전틱 AI (Agentic AI)의 비용을 더 자주 정당화합니다.

결론 (Conclusion)

이 세 가지 사이의 구분은 단순히 용어의 차이가 아닙니다. 이는 능력 (capability), 복잡성 (complexity), 그리고 자율성 (autonomy) 측면에서의 실질적인 발전 단계이며, 각각은 서로 다른 비용, 배포 일정 (deployment timeline), 그리고 거버넌스 부담 (governance burden)을 수반합니다. 더 나은 시작 질문은 "어느 것이 더 진보되었는가"가 아니라, "나는 콘텐츠를 생성하고 있는가, 작업을 자동화하고 있는가, 아니면 워크플로우를 오케스트레이션 (orchestrating) 하고 있는가?"입니다. 이 질문에 정직하게 답하는 것이, 어떤 벤더의 피치 덱 (pitch deck)이 개입하기 훨씬 전부터 적절한 아키텍처 (architecture)를 결정하는 실제적인 방법입니다.

전체 기사 읽기: https://www.squalix.com/blog/generative-ai-vs-ai-agents-vs-agentic-ai