생성에서 에이전시로: 차세대 AI와 기업 워크플로우 자동화에서의 구현 분석

1.0 Executive Summary

인공 지능 분야는 주로 콘텐츠를 생성하는 시스템에서 자율적인 행동을 실행할 수 있는 시스템으로 진화하면서 상당한 패러다임 전환을 겪고 있습니다. 이 보고서는 이 전환에 대한 종합적인 분석을 제공하며, 생성 AI(Generative AI)의 확립된 기능, 에이전트 AI(Agentic AI)의 출현하는 힘, 그리고 기업 운영에 대한 전략적 함의를 검토합니다. 핵심적인 발견은 생성 AI가 콘텐츠 생성과 정보 종합을 혁신했지만, 에이전트 AI는 AI의 잠재력을 구체적인 목표 지향적인 행동으로 변화시키고 비즈니스 프로세스 자동화의 지형을 재정의하는 다음 논리적 단계를 나타낸다는 것입니다.

기초 모델(foundation models)과 대형 언어 모델(LLMs)로 구동되는 생성 AI는 특정 사용자 프롬프트에 응답하여 새로운 텍스트, 이미지, 코드 및 기타 미디어를 생성하는 데 뛰어납니다. 그 가치는 개별적인 콘텐츠 중심 작업을 자동화함으로써 인간의 창의성과 생산성을 증대시키는 데 있습니다. 이러한 도구의 광범위한 채택은 기본 콘텐츠 생성을 상품화하고 있으며, 프롬프트 엔지니어링과 인간 감독의 전략적 중요성을 높이고 있습니다.

이와 대조적으로, 에이전트 AI는 새로운 수준의 자율성을 도입합니다. 이러한 시스템은 적극성, 적응성, 목표 지향성으로 정의됩니다. AI 에이전트는 프롬프트에 반응하는 대신 최소한의 인간 개입으로 고수준 목표를 추구하도록 설계되었습니다.它們은 인식, 추론, 계획, 실행, 학습의 지속적인 루프를 통해 작동하여 다양한 디지털 플랫폼에서 복잡한 다단계 워크플로우를 관리할 수 있습니다. 이러한 시스템의 아키텍처는 종종 포괄적인 비즈니스 목표를 달성하기 위해 협력하는 여러 전문 에이전트의 오케스트레이션을 포함합니다. 이는 도구로서의 AI에서 디지털 인력으로서의 AI로의 이동을 표시합니다.

비판적 분석에 따르면, 에이전트 AI는 생성 AI를 대체하는 것이 아니라 LLM을 핵심 추론 엔진으로 사용하여 이를 기반으로 구축하는 진화입니다. 그러나 상용 제품이 점점 더 두 패러다임의 기능을 혼합함에 따라 구분이 모호해지고 있습니다. Seasalt.ai의 SeaMeet을 “에이전트형 회의 코파일럿(Agentic Meeting Copilot)“으로 홍보하는 자세한 사례 연구는 이 트렌드를 보여줍니다. 그 핵심 기능은 생성적(녹음 전사, 요약)이지만, 후속 문서 생성을 위한 이메일 기반 워크플로우는 “원형 에이전틱(proto-agentic)” 기능을 나타냅니다—이것은 제품에 에이전트와 같은 기능을 주입하려는 광범위한 시장 동향을 신호하는 정교한 인간 트리거ed 자동화입니다.

비즈니스 리더에게 전략적 필수 사항은 두 가지입니다: 즉각적인 생산성 향상을 위해 생성 AI를 활용하는 동시에, 새로운 자동화 시대를 위해 핵심 비즈니스 프로세스를 재설계하기 위해 에이전트 AI와의 전략적 실험을 시작하는 것입니다. 성공적인 채택은 데이터 준비 상태, 견고한 보안 및 거버넌스 프레임워크, 그리고 자율 시스템 배포에 내재된 윤리적 고려 사항에 대한 철저한 인식을 확립하는 데 달려 있습니다. 이 기술의 궤적은 인간과 AI 에이전트의 협력 생태계가 기업의 효율성, 혁신, 가치 창출을 주도하는 미래를 가리킵니다.

2.0 The Generative Revolution: AI as a Content Creator

최근 인공 지능이 주류 비즈니스 및 소비자 애플리케이션으로 급속히 확산된 것은 대부분 생성 AI의 부상 때문입니다. 이 AI의 하위 분야는 기계에 원본 콘텐츠를 생성하는 능력을 부여함으로써 대중의 상상력을 사로잡고 상당한 생산성 향상을 이루었습니다. 이 패러다임의 메커니즘, 기능, 한계를 이해하는 것은 자율적인 에이전트 시스템으로의 후속적인 도약을 맥락화하는 데 필수적입니다.

2.1 Defining the Paradigm: The Mechanics of Creation

생성 인공 지능(Generative Artificial Intelligence)은 사용자 입력에 응답하여 텍스트, 이미지, 오디오, 비디오 또는 기타 형태의 데이터와 같은 새로운 콘텐츠를 생성하기 위해 기계 학습 모델을 활용하는 AI의 한 종류입니다.1 전통적인 예측 또는 분류를 위해 설계된 AI 시스템이나 기존 정보를 찾고 큐레이션하는 검색 엔진과 달리, 생성 모델은 완전히 새로운 출력을 생성합니다.2它們은 인간이 생성한 방대한 데이터 세트로 훈련됨으로써 이를 달성합니다. 이 훈련 과정을 통해 모델은 데이터 내의 기본 패턴, 구조, 관계를 학습합니다. 그 핵심 기능은 확률적입니다; 문장의 단어, 이미지의 픽셀, 음악 구성의 음표와 같은 시퀀스에서 다음으로 가장 가능성 높은 요소를 예측하여 일관되고 맥락적으로 관련된 결과를 구성합니다.2

현대 생성 AI의 기술적 기초는 기초 모델(FMs)이라고 알려진 아키텍처와 더 구체적으로는 대형 언어 모델(LLMs)에 기반을 두고 있습니다.4 FMs는 광범위한 일반화되고 레이블이 지정되지 않은 데이터로 사전 훈련된 거대한 기계 학습 모델로,开箱即用(즉, 추가적인 훈련 없이) 다양한 작업을 수행할 수 있습니다.4 OpenAI의 Generative Pre-trained Transformer(GPT) 시리즈와 같은 LLMs는 요약, 텍스트 생성, 분류, 개방형 대화와 같은 언어 기반 작업에 특별히 초점을 맞춘 FMs의 한 종류입니다.4

이러한 모델의 규모와 복잡성은 이전 모델들로부터 거대한 도약을 나타냅니다. 1세기 전에 개발된 마르코프 체인과 같은 초기 형태의 생성 AI도 다음 단어 예측을 수행할 수 있었지만, 몇 개의 선행 단어를 넘어선 더 넓은 맥락을 고려할 수 없다는 점에서 제한되었습니다.5 이와 대조적으로 ChatGPT와 같은 현대 LLMs는 수십억 개의 매개변수로 구축되었고 공개적으로 사용 가능한 인터넷의 상당 부분에서 훈련되었으며, 이를 통해 언어의 복잡한 종속성, 뉘앙스, 통계적 패턴을 파악할 수 있습니다. 이러한 엄청난 규모는 그들이 합리적이고 정교하며 인간과 유사한 텍스트를 생성할 수 있게 해주어 단순한 자동 완성 기능을 훨씬 뛰어넘습니다.5 기본적인 상호 작용 모델은 반응형으로 남아 있습니다: 시스템은 사용자로부터 특정 프롬프트를 기다린 다음 응답으로 콘텐츠를 생성합니다.6

이러한 강력하고 접근하기 쉬운 도구의 확산은 콘텐츠 관련 작업의 본질을 근본적으로 변화시키고 있습니다. 생성 AI가 요청에 따라 고품질의 기본 콘텐츠를 생산할 수 있게 되면서 경제적 가치는 수동적인 창작 행위 자체로부터 멀어지고 있습니다. 대신에 가치는 AI에 제공되는 전략적 지시에서 점점 더 발견되고 있습니다. 원하는 출력을 유도하는 정확하고 맥락이 풍부한 프롬프트를 작성하는 능력—종종 ‘프롬프트 엔지니어링’이라고 불리는 기술—은 중요한 역량이 되고 있습니다. 이러한 역학은 인간의 역할을 순수한 창작자에서 창작 디렉터, 전략가, 편집자로 재정의하며, 이들은 AI를 강력한 힘의 배가자로 활용합니다. 이 기술은 단순히 인간의 노력을 대체하는 것이 아니라 인간의 전략적 입력의 품질이 AI의 출력 품질을 직접 결정하는 새로운 협업 계층을 만들고 있습니다.

2.2 Core Capabilities and Applications: A Survey of the Generative Toolkit

생성 AI의 응용은 다양한 영역에 걸쳐 있으며, 이는 기본 기초 모델의 다재다능함을 반영합니다. 이러한 도구는 생산성 향상, 창작 작업 지원, 의사 소통 자동화를 위해 산업 전반의 워크플로우에 통합되고 있습니다.4 그 핵심 기능을 조사하면 현대 지식 작업을 위한 포괄적인 도구 키트가 드러납니다.

주요하고 널리 채택된 응용은 텍스트 생성입니다. 생성 모델은 전문 이메일, 마케팅 카피, 기술 보고서 작성에서 시와 이야기와 같은 창작 작품 생성에 이르기까지 광범위한 서면 콘텐츠를 생산할 수 있습니다.2 이 기능은 콘텐츠 요약 및 종합으로 확장되며, AI는 긴 문서, 연구 논문, 대화를 간결하고 이해하기 쉬운 요약으로 추출하여 사용자가 대량의 비정형 데이터에서 핵심 정보를 빠르게 파악할 수 있게 합니다.2

텍스트를 넘어서 생성 AI는 멀티미디어 생성 분야에서 상당한 진전을 이루었습니다. DALL-E 3, Midjourney, Stable Diffusion과 같은 도구는 간단한 텍스트 설명에서 고품질의 원본 이미지와 예술 작품을 생성할 수 있습니다.8 이것은 비디오와 오디오로 확장되며, 새로운 모델은 가상 어시스턴트 및 오디오북 내레이션과 같은 응용 프로그램을 위해 애니메이션을 만들거나 자연스러운 음성을 합성할 수 있습니다.8

소프트웨어 개발 분야에서 생성 AI는 프로그래머에게 강력한 조수 역할을 하고 있습니다. GitHub Copilot과 같은 플랫폼은 개발 환경에 직접 통합되어 코드 조각을 제안하고, 함수를 완성하며, 프로그래밍 언어 간을 번역하고, 기존 코드의 디버깅을 도와줍니다.2 이것은 개발 수명 주기를 가속화하고 엔지니어가 더 높은 수준의 아키텍처 문제에 집중할 수 있게 합니다.10

또 다른 정교한 응용은 합성 데이터 생성입니다. 생성 모델은 실제 세계의 데이터셋의 통계적 특성을 모방하는 새로운 인공 데이터를 생성할 수 있습니다. 이 합성 데이터는 특히 의료 또는 금융과 같이 실제 데이터가 부족하거나 민감하거나 획득 비용이 높은 분야에서 다른 기계 학습 모델을 훈련시키는 데 매우 가치가 있습니다.4

상업적 환경에는 수많은 잘 알려진 애플리케이션이 존재하며, 이들은 이러한 기능을 수백만 사용자에게 제공해 왔습니다. 이에는 ChatGPT 및 Gemini와 같은 대화형 AI, Grammarly와 같은 쓰기 도우미, 그리고 기존의 생산성 슈트에 생성형 기능을 내장한 Microsoft Copilot 및 Adobe Firefly와 같은 통합 솔루션이 포함됩니다.9 이러한 도구의 전반적인 비즈니스 가치는 콘텐츠 생성을 자동화하고 특정 입력 기반 작업을 간소화함으로써 생산성을 향상시키고 혁신을 촉진하는 능력에 있습니다.4

3.0 에이전트적 도약: 콘텐츠 생성에서 자율적 행동으로

생성형 AI가 콘텐츠 생성의 혁명을 대표하는 반면, 인공 지능의 다음 전선은 생성에서 행동으로의 전환으로 정의됩니다. 에이전트적 AI는 이러한 진화를 표시하며, 단순히 응답하는 것이 아니라 복잡한 목표를 달성하기 위해 독립적으로 행동하도록 설계된 시스템을 도입합니다. 이러한 자율성 향상은 새로운 수준의 생산성을 잠금 해제하고 비즈니스 프로세스 자동화의 기본적인 성격을 변화시킬 것을 약속합니다.

3.1 자율 시스템의拂晓: 에이전시 정의

에이전트적 AI는 최소한의 인간 개입으로 의사 결정을 내리고 작업을 수행할 수 있는 자율 시스템 개발에 중점을 둔 고급 인공 지능 형태입니다.13 “에이전트적”이라는 용어는 에이전시의 개념에서 파생된 것으로, 시스템이 환경 내에서 독립적이고 목적 있게 행동하여 미리 정의된 일련의 목표를 달성할 수 있는 능력을 의미합니다.15 이는 생성형 AI를 포함한 기존의 AI와는 근본적으로 대조적이며, 기존 AI는 본질적으로 반응형입니다. 생성형 모델은 프롬프트를 기다리고 미리 정의된 워크플로우를 따르하여 출력을 생성합니다. 에이전트적 시스템은 고수준의 목표가 주어지면 그 목표를 달성하기 위해 능동적으로 계획을 수립하고 실행할 수 있습니다.7

핵심적인 차이는 요청-응답 모델에서 목표 지향적 모델로의 전환에 있습니다. 에이전트적 시스템은 단순히 단계별 지시를 따르는 것이 아닙니다. 대신, 복잡한 목표를 더 작고 관리 가능한 하위 작업의 시퀀스로 분해하고 독립적으로 추구할 수 있습니다.17 이러한 주동적인 특성으로 인해 필요성을 예측하고 잠재적인 문제를 식별하며 문제가 확대되기 전에 해결하기 위해 주도적으로 조치를 취할 수 있는데, 이는 반응형 시스템의 범위를 훨씬 뛰어넘는 능력입니다.15

3.2 AI 에이전트의 해부학: 운영 루프

에이전트적 AI의 기능은 그 자율적인 행동을 가능하게 하는 일련의 주요 특성에 기반을 두고 있습니다. 이러한 시스템은 다음과 같이 설계됩니다:

주동적 및 자율적: 각 행동에 대한 명시적인 명령을 기다리지 않습니다. 대신, 지속적인 인간 감독 없이 작업을 수행할 수 있는 정도의 독립성으로 운영되어 장기 목표와 다단계 문제를 관리할 수 있습니다.15
적응 가능: 중요한 기능은 상호작용에서 학습하고 변화하는 환경에 적응하는 능력입니다. 새로운 정보나 피드백을 기반으로 실시간으로 전략과 행동을 조정할 수 있어 동적이고 예측할 수 없는 상황에 적합합니다.12
목표 지향적: AI 에이전트는 특정 목표를 달성하기 위해 명시적으로 설계됩니다. 목표를 달성하기 위해 필요한 단계를 추론하고 전략을 수립합니다.14
추론 및 계획: 에이전트적 시스템의 핵심에는 종종 강력한 대형 언어 모델(LLM)인 추론 엔진이 있습니다. LLM은 에이전트의 “뇌” 역할을 하여 데이터를 분석하고 맥락을 이해하며 잠재적인 솔루션을 도출하고 행동 과정을 계획할 수 있게 합니다.14

AI 에이전트의 작동은 지속적인 순환 과정으로 이해될 수 있습니다. 이 루프를 통해 에이전트는 환경과 지능적으로 상호작용하고 시간이 지남에 따라 성능을 개선할 수 있습니다.16:

지각: 에이전트는 환경에서 데이터를 수집하여 시작합니다. 이는 API, 데이터베이스, 센서 또는 직접적인 사용자 상호작용을 포함한 다양한 소스에서 올 수 있습니다.
추론: 수집된 데이터는 의미 있는 통찰력을 추출하기 위해 처리됩니다. 자연어 처리와 같은 기능을 사용하여 에이전트는 정보를 해석하고 패턴을 감지하며 광범위한 맥락을 이해합니다.
의사 결정: 추론과 미리 정의된 목표를 기반으로 에이전트는 여러 가능한 행동을 평가합니다. 효율성, 성공 확률 및 예상 결과와 같은 요인을 기반으로 최적의 행동 과정을 선택합니다.
실행: 에이전트는 선택된 행동을 수행합니다. 이는 종종 API 호출, 데이터 조작 또는 사용자와의 통신을 통해 외부 시스템과 상호작용하는 것을 포함합니다.
학습 및 적응: 실행 후 에이전트는 결과를 평가합니다. 이 피드백은 내부 모델을 개선하고 향후 의사 결정을 개선하는 데 사용되며, 종종 강화 학습과 같은 기술을 통해 이루어집니다.

이 운영 프레임워크는 기초 모델의 원시 잠재력을 실용적이고 목표 지향적인 행동으로 변화시킵니다. LLM이 추론 및 이해를 위한 핵심 지능을 제공하지만, 계획, 도구 사용, 기억, 환경 상호작용을 위한 구성 요소인 에이전트 프레임워크가 이 지능을 실세계 작업에 적용할 수 있게 합니다. 이 관계는 컴퓨터의 운영 체제와 응용 소프트웨어의 관계와 유사합니다. LLM은 기본 기능을 제공하는 강력한 운영 체제이고, 에이전트 시스템은 이러한 기능을 활용하여 사용자를 위해 특정하고 가치 있는 기능을 수행하는 응용 계층으로, 단순한 채팅 인터페이스를 훨씬 뛰어넘습니다.

3.3 협업의 힘: 오케스트레이션과 다중 에이전트 시스템

실세계 비즈니스 문제의 복잡성은 종종 다양한 기술과 도메인 지식을 요구합니다. 이를 해결하기 위해 고급 에이전트 시스템은 종종 다중 에이전트 시스템으로 설계되며, 여기서 여러 개의 고도로 전문화된 AI 에이전트가 공통 목표를 달성하기 위해 협력합니다.15 예를 들어, 금융 서비스 환경에서 한 에이전트는 규제 준수, 다른 에이전트는 사기 탐지, 세 번째 에이전트는 포트폴리오 최적화에 특화될 수 있습니다. 이러한 에이전트는 활동을 조정하고 통찰력을 공유하며 필요에 따라 작업을 전달하여 단일의 일반화된 에이전트로는 달성할 수 없는 포괄적인 솔루션을 제공합니다.15

이 협업 모델은 오케스트레이션이라고 알려진 중요한 기능을 필요로 합니다. 오케스트레이션은 생태계 내의 다양한 AI 에이전트와 시스템의 전반적인 관리 및 조정입니다.16 오케스트레이션 플랫폼은 워크플로우 자동화, 목표 달성 진행 상황 추적, 리소스 할당 관리, 실패 처리 등을 담당합니다. 이는 개별 에이전트가 조화롭고 효율적으로 함께 작동하도록 보장합니다. 이는 “AI 에이전트”가 개별 도구 또는 전문가로 볼 수 있고, “에이전트 AI”가 이러한 에이전트를 관리하여 보다 광범위하고 복잡한 목표를 달성하는 조정된 시스템을 나타내는 것을 명확히 구분합니다.14 Amazon Bedrock 및 Google의 Vertex AI Agent Builder와 같은 기술 플랫폼은 이러한 정교한 다중 에이전트 시스템을 구축하고 오케스트레이션하기 위한 인프라를 제공하기 위해 개발되고 있으며, 이는 AI 개발에서 단일 모델에서 협력적인 디지털 노동력으로의 중요한 아키텍처적 전환을 나타냅니다.14

4.0 비교 프레임워크: 생성형 vs. 에이전트 시스템

생성형 AI와 에이전트 AI 간의 차이점과 관계를 이해하는 것은 일관된 AI 전략을 개발하려는 모든 조직에 중요합니다. 둘 다 유사한 기본 기술을 활용하지만, 그 목적, 상호작용 모델, 운영 범위는 근본적으로 다릅니다. 에이전트 AI는 생성형 AI의 경쟁자가 아니라 콘텐츠 생성에서 작업 실행으로 이동하기 위해 그 기능을 기반으로 구축된 기능적 진화입니다.

4.1 반응형 프롬프트 vs. 주도형 목표: 핵심 차이점

두 패러다임 간의 가장 기본적인 차이는 운영 자세에 있습니다: 생성형 AI는 반응형이고, 에이전트 AI는 주도형입니다.7 생성형 시스템은 특정 사용자 프롬프트에 직접 응답하여 콘텐츠를 생성하도록 설계되었습니다. 이는 지시를 기다리는 수동적인 도구입니다.17 반면에 에이전트 시스템은 높은 수준의 목표를 추구하기 위해 행동하도록 설계되었습니다. 이는 목표와 환경 인식에 기반하여 주동적으로 행동하는 능동적인 참여자입니다.15

이 차이점은 실용적인 비유로 명확해질 수 있습니다. 생성형 AI는 광고 문구 작가 또는 그래픽 디자이너와 같은 고도로 숙련된 전문가에 해당합니다. 이 전문가에게 세부적인 지시(“주제 X에 대한 500단어 블로그 포스트를 전문적인 어조로 작성하세요”)를 제공하면 그 특정 작업을 실행합니다. 그러나 블로그 포스트가 필요하다고 자발적으로 결정하거나 요청 없이 주제를 조사하거나 게시 일정을 잡지는 않을 것입니다.6 반면에 에이전트 AI는 자율적인 프로젝트 매니저에 해당합니다. 이 매니저에게 높은 수준의 목표(“이 분기 목표 고객 참여도를 높이세요”)를 제공하면, 에이전트 매니저는 자발적으로 계획을 수립할 것입니다. 이 계획에는 일련의 블로그 포스트 의뢰(생성형 모델에 위임할 작업), 소셜 미디어 업데이트 일정, 참여 데이터 분석, 성과에 따라 전략 조정 등이 포함될 수 있으며, 이 모든 과정에서 각 작업에 대한 단계별 지시가 필요하지 않습니다.7

이 기능상의 차이는 인간 상호작용의 본질에도 직접적인 영향을 미칩니다. 생성형 AI의 경우 사용자는 “루프 내”에 있으며, 프로세스의 각 단계에서 지속적인 지시를 제공하고 의사 결정을 내립니다. 에이전트 AI의 경우 사용자는 “루프 상”에 있으며, 전반적인 목표를 설정하고 감독을 제공하지만, 주로 예외 상황을 처리하거나 에이전트가 프로그래밍을 넘어서는 상황에 직면했을 때 전략적 지침을 제공합니다.6

(Note: Footnote numbers are preserved as in the original text.)

4.2 공생 관계: 혁명이 아닌 진화

Agentic AI가 생성 AI를 대체하지 않고 오히려 공생 관계에서 그 기능을 확장한다는 점을 인식하는 것이 중요하다.16 Agentic 시스템은 생성 모델, 특히 LLM을 중앙 처리 장치 또는 ‘뇌’로 의존한다.14 LLM은 에이전트가 목표를 해석하고, 상황을 분석하며, 전략을 수립할 수 있게 하는 추론, 언어 이해, 계획이라는 중요한 인지 기능을 제공한다.

분명한 예가 이 상호작용을 설명한다. 영업 담당자는 순수한 생성 AI 도구를 사용하여 “Maria Wang에게 우리 제안서에 대한 정중한 후속 이메일을 작성해 주세요”라고 프롬프트를 입력할 수 있다. AI는 텍스트를 생성하지만, 담당자는 그 텍스트를 수동으로 이메일 클라이언트에 복사하고, Maria의 연락처 정보를 찾고, 이메일을 보낸 다음 고객 관계 관리(CRM) 시스템을 업데이트해야 한다. 이는 AI에 의해 보강된 일련의 개별적인 인간 주도 작업이다.7

Agentic 시스템은 동일한 목표를 다르게 처리할 것이다. 담당자는 “후속 조치 필요”로 표시된 모든 리드에 대해 영업일 2일 후에 후속 이메일을 보내라”와 같은 높은 수준의 규칙 또는 목표를 설정할 수 있다. 그런 다음 Agentic 시스템은 자율적으로 다단계 워크플로를 실행할 것이다. CRM을 모니터링하여 트리거를 감지하고, 지정된 시간을 기다린 후, CRM에서 Maria의 세부 정보를 검색하고, 생성 모델을 사용하여 개인화된 이메일을 작성하고, API 호출을 통해 이메일을 보내고, 마지막으로 CRM을 업데이트하여 해당 작업을 기록한다. 이 워크플로에서 생성 AI는 중요한 구성 요소로, 에이전트가 더 넓은 자율 계획의 한 단계를 완료하는 데 사용하는 도구이다.7

이 관계는 상업적 응용에서 이 두 개념 사이의 경계가 점점 더 모호해지고 있음을 강조한다. 반응적 콘텐츠 생성과 능동적 목표 달성 사이의 이론적 구분은 명확하지만, 실제로는 중간 지대를 차지하는 제품이 등장하고 있다. ChatGPT와 같은 고급 생성 도구는 ‘함수 호출’과 같은 기능을 통합하고 있는데, 이를 통해 외부 도구와 상호작용하고 단순한 연쇄 작업을 수행하여 초기 단계의 agentic 행동을 나타낸다.2 반대로, agentic 시스템은 핵심 지능을 위해 생성 기능에 근본적으로 의존한다.14 이러한 융합은 시장이 두 가지 별개의 기술 사이의 이진 선택으로 진화하는 것이 아니라 AI 기능의 스펙트럼으로 진화하고 있음을 시사한다. 이는 기업 리더들에게 과제를 제시하는데, 그들은 마케팅 라벨을 넘어서 특정 제품이 제공하는 진정한 자율성과 지능 수준을 정확하게 평가해야 한다.

4.3 표 1: 생성 AI vs. Agentic AI - 기능별 비교

다음 표는 생성 AI와 Agentic AI 패러다임 사이의 주요 차이점을 요약하기 위한 간결한 기능 수준의 비교를 제공한다.

측면	생성 AI(콘텐츠 생성자)	Agentic AI(자율적 행위자)	지원 스니펫
주요 기능	학습된 패턴을 기반으로 새로운 콘텐츠(텍스트, 이미지, 코드)를 생성하는 것.	다단계 작업을 실행하여 높은 수준의 목표를 달성하고 행동하는 것.	2
상호작용 모델	반응적: 구체적이고 직접적인 사용자 프롬프트에 응답함.	능동적: 목표와 환경 데이터를 기반으로 주도적으로 행동함.	7
자율성 수준	낮음(인간 개입): 각 출력마다 단계별 인간 지도가 필요함.	높음(인간 감독): 예외 상황에 대한 인간 감독 하에 독립적으로 운영됨.	6
입력 방식	구체적인 프롬프트: “X에 대한 이메일을 작성해 주세요”.	높은 수준의 목표: “모든 새로운 영업 리드에 대한 후속 조치를 관리하라”.	7
작업 범위	좁고 명확한 작업: 콘텐츠 생성, 요약, 번역.	넓고 복잡한 워크플로: 프로세스 자동화, 문제 해결, 시스템 관리.	19
핵심 메커니즘	패턴 인식 및 예측: 시퀀스에서 다음 항목을 예측함.	지각-추론-행동 루프: 감지, 계획, 결정, 실행, 학습.	2
도구 통합	제한적: 더 큰 애플리케이션 내에서 기능으로 통합될 수 있음.	광범위: 외부 도구, API 및 기타 시스템을 호출하여 행동할 수 있도록 본래 설계됨.	14
비즈니스 유추	고도로 숙련된 전문가 또는 어시스턴트(예: 카피라이터, 코더, 연구원).	자율적인 프로젝트 매니저 또는 디지털 직원.	6

5.0 Agentic 기업: 자율적 워크플로로 산업을 변화시키다

에이전트 기반 AI(Agentic AI)의 이론적 가능성은 빠르게 실용적인 응용 분야로 전환되고 있으며, 이는 다양한 산업 전반에 걸쳐 운영 효율성과 전략적 능력을 재정의할 준비가 되어 있습니다. 단순한 작업뿐만 아니라 복잡한 엔드투엔드 워크플로우를 자동화함으로써 에이전트 기반 시스템은 기업 생산성의 새로운 패러다임을 가능하게 하고 있습니다. 이는 초기 자동화 기술로부터의 중요한 발전을 나타내며, 단순히 수동 노동을 대체하는 것이 아니라 인간의 잠재력을 증강시킵니다.

5.1 산업 간 영향 분석

추론, 계획, 디지털 시스템과의 상호작용 능력에서 비롯된 에이전트 기반 AI의 다재다능성은 복잡한 정보 처리와 의사 결정에 의존하는 거의 모든 영역에 적용될 수 있게 합니다.

고객 서비스: 에이전트 기반 AI는 고객 지원을 반응적이고 스크립트 기반의 챗봇에서 능동적인 서비스 에이전트로 변화시키고 있습니다. 이러한 시스템은 자율적으로 고객 문의를 관리하고, 지식 베이스를 액세스하여 복잡한 문제를 해결하며, 환불이나 반품을 처리하고, 여러 채널을 통해 개인화된 지원을 제공하며, 가장 미묘하거나 공감이 필요한 상호작용에만 인간 에이전트에게 업무를 이관합니다.14
금융 및 은행: 데이터 집약적인 금융 부문에서 AI 에이전트는 실시간으로 거래를 모니터링하고 의심스러운 활동을 차단하기 위한 조치를 취함으로써 사기 탐지를 자동화하기 위해 배치됩니다. 이들은 또한 지속적인 위험 평가를 수행하고, 시장 상황과 미리 정의된 전략에 따라 투자 포트폴리오를 관리하며, 법률 변경을 모니터링하고 내부 정책을相应地 업데이트함으로써 규제 준수를 보장할 수 있습니다.14
헬스케어: 헬스케어 분야의 잠재적 영향은 매우 큽니다. 에이전트 기반 시스템은 의료 기록, 연구 논문, 임상 시험 데이터를 분석하여 진단 및 치료 계획에 도움을 주는 방식으로 임상의를 지원할 수 있습니다. 이들은 또한 웨어러블 디바이스에서 수집한 데이터를 사용하여 건강 문제의 초기 징후를 감지하고 치료 팀에 알리는 프로액티브한 환자 모니터링에 사용되거나, 심지어 자동으로 후속 진료 예약을 잡는 데에도 사용될 수 있습니다.14
공급망 및 물류: 에이전트 기반 AI는 매우 탄력적이고 효율적인 공급망을 구축할 수 있습니다. 판매, 재고, 날씨, 배송과 같은 데이터를 분석함으로써 이러한 시스템은 수요를 예측하고 물류를 최적화하며 지연을 피하기 위해 선적을 능동적으로 재경로 지정할 수 있으며, 이 모든 과정에서 비용과 인간의 감독을 최소화합니다.14
소프트웨어 개발 및 IT 운영: 단순한 코드 생성을 넘어서 AI 에이전트는 디버깅, 테스트, 배포를 포함한 소프트웨어 개발 라이프사이클 전체를 자동화할 수 있습니다. IT 서비스 관리 분야에서 에이전트는 단순한 헬프데스크 봇을 넘어서 복잡한 IT 티켓을 자율적으로 해결하고, 네트워크 문제를 진단하며, 소프트웨어 프로비저닝을 관리할 수 있습니다.14
인사 관리: 인사 부서는 에이전트 기반 워크플로우를 활용하여 이력서 스크리닝과 같은 시간이 많이 드는 프로세스를 자동화할 수 있습니다. 여기서 에이전트는 직무 기준에 따라 지원자를 분석하고 점수를 매길 수 있습니다. 이들은 또한 지원자와 채용 관리자 간의 일정을 조율하여 인터뷰 일정을 잡고, 직원 온보딩 및 급여 프로세스를 관리할 수도 있습니다.25

이러한 응용 프로그램의 진정한 장기적인 영향은 기존 작업의 자동화를 넘어설 가능성이 높습니다. 자율 에이전트의 도입은 비즈니스 프로세스가 설계되는 방식에 대한 근본적인 재고를 가능하게 합니다. 이전에는 인간 의사 결정의 속도와 용량에 제한되었던 워크플로우는 보다 동적이고 반응적이며 데이터 기반으로 재설계될 수 있습니다. 예를 들어, 에이전트가 단순히 잠재적인 공급망 중단을 플래그하여 인간이 검토하도록 하는 대신, 완전히 구현된 에이전트 기반 시스템은 중단의 재정적 영향을 자율적으로 모델링하고, 대체 배송 경로를 평가하며, API를 통해 운송업체와 새로운 조건을 협상하고, 새로운 계획으로 기업 자원 계획(ERP) 시스템을 업데이트하며, 관련 이해 관계자 모두에게 실시간으로 알릴 수 있습니다. 이는 단순한 작업 자동화가 아니라 비즈니스 프로세스 자체의 완전한 변화로, 이전에는 달성할 수 없었던 수준의 운영 민첩성과 탄력성을 가능하게 합니다.

5.2 생산성 재정의: 로봇 공정 자동화(RPA)를 넘어서

에이전트 기반 자동화의 부상은 로봇 공정 자동화(RPA)와 같은 전통적인 자동화 기술을 뛰어넘는 중요한 발전을 나타냅니다. RPA는 데이터 입력이나 송장 처리와 같은 구조화되고 반복적이며 규칙 기반의 작업을 자동화하는 데 매우 효과적이었습니다. 그러나 RPA는 비구조화된 데이터나 기본 애플리케이션이나 프로세스의 변경에 직면할 때 종종 어려움을 겪습니다.7 예를 들어, 화면 스크래핑 봇은 대상 웹사이트의 사용자 인터페이스가 업데이트되면 쉽게 작동하지 않을 수 있습니다.7

에이전트형 AI는 이러한 한계를 극복합니다. LLM의 추론 기능을 활용함으로써 AI 에이전트는 맥락을 이해하고, 모호성을 처리하며, 환경의 변화에 적응할 수 있습니다. 이는 복잡한 종단 간 프로세스를 포함하여 훨씬 더 광범위한 종류의 작업을 자동화할 수 있게 하며, 이에는 비정형 데이터와 동적 의사 결정이 포함됩니다.17 이는 ‘로봇적’ 단순 작업 자동화에서 ‘인지적’ 워크플로우 자동화로의 전환을 나타냅니다.

가장 중요한 점은, 이 새로운 자동화 물결은 인간 증강의 한 형태로 가장 잘 이해될 수 있다는 것입니다.17 목표는 인간 근로자를 대체하는 것이 아니라 그들의 능력과 생산성을 향상시키는 것입니다. 복잡하고 시간이 많이 소요되며 반복적인 작업을 AI 에이전트에 위임함으로써 인간 직원은 인간 고유의 기술이 필요한 활동에 집중할 수 있게 됩니다: 전략적 사고, 창의적인 문제 해결, 복잡한 협상, 대인 관계 구축.17 인간과 AI 에이전트 간의 이러한 협력은 조직의 복잡한 과제를 해결하고 혁신을 주도하며 더 높은 품질의 결과를 제공하는 능력을 확장할 것으로 기대됩니다. 이 트렌드의 중요성은 시장 전망에 의해 강조됩니다. Gartner는 2028년까지 모든 기업 소프트웨어의 1/3이 에이전트형 AI 기능을 포함할 것이며, 일상적인 비즈니스 결정의 적어도 15%는 AI 에이전트에 의해 자율적으로 이루어질 것이라고 예측합니다.19

6.0 사례 연구: “에이전트형 미팅 코파일럿” 분석 - Seasalt.ai의 SeaMeet

에이전트형 AI에 대한 이론적 논의를 현실 세계의 상업적 예로 구체화하기 위해, 본 섹션에서는 Seasalt.ai의 제품인 SeaMeet에 대한 상세한 분석을 제공합니다. 그 기능, 마케팅, 전략적 포지셔닝을 검토함으로써 “에이전시” 개념이 현재 시장에서 어떻게 해석되고 구현되는지 분석할 수 있으며, 순수한 생성 기능과 완전한 자율성 사이에 위치한 미묘한 현실을 드러냅니다.

6.1 제품 개요 및 핵심 생성 기능

SeaMeet는 개인 및 팀의 생산성을 향상시키도록 설계된 AI 미팅 어시스턴트 또는 “코파일럿”으로 홍보됩니다.31 그 기본 기능은 회의 내용을 처리하는 데 중점을 둡니다. 이 시스템은 Google Meet 및 Microsoft Teams와 같은 인기 있는 화상 회의 플랫폼과 통합되며, 오프라인 회의의 업로드된 오디오 파일도 처리할 수 있습니다.31

제품의 핵심 기능은 다음과 같습니다:

실시간 변환: SeaMeet는 화자 식별 및 타임스탬프가 포함된 매우 정확한 회의 대화의 실시간 변환을 제공합니다.31
지능형 요약: 회의가 끝난 후 시스템은 주요 주제와 논의 내용을 포착하는 지능형 요약을 자동으로 생성합니다.31
조치 사항 감지: AI는 대본을 분석하여 논의된 실행 가능한 작업 또는 “할 일” 항목을 자동으로 식별하고 목록화합니다.31

이러한 주요 기능은 생성 AI의 분명한 적용 사례입니다. 시스템은 정교한 음성-텍스트 모델을 사용하여 대본을 생성하고(오디오에서 텍스트를 생성), LLM을 사용하여 이 대본을 새로운 압축 형식(요약)으로 합성하고 특정 진술을 조치 사항으로 분류합니다. 사용자 리뷰는 이러한 생성 기능의 가치를 일관되게 강조하며, 수동으로 메모를 작성할 필요를 없애고 책임을 추적하는 쉬운 방법을 제공하여 많은 전문가들에게 중요한 고통 포인트를 해결한다고 언급합니다.34

6.2 “에이전트형” 주장 분석: 이메일 기반 워크플로우

SeaMeet는 시장에서 “에이전트형 미팅 코파일럿”으로 브랜딩함으로써 차별화됩니다.32 이 주장의 근거는 회의 후 작업을 자동화하도록 설계된 특정한 혁신적인 기능인 이메일 기반 워크플로우에 있습니다. 회의가 끝나면 SeaMeet는 생성된 요약을 사용자에게 이메일로 보냅니다. 사용자는 그 후 “고객에게 후속 이메일을 작성하세요”, “우리 논의를 기반으로 SOW(작업 명세서)를 작성하세요”, “이해관계자용 보고서를 생성하세요”와 같은 자연어 명령어로 이 이메일에 직접 회신할 수 있습니다.32 시스템은 이 요청을 처리하고 전송할 준비가 된 전문적으로 서식이 지정된 문서를 반환합니다.

이 보고서에서 앞서 설정한 엄격한 에이전트형 AI 정의에 비추어 이 워크플로우를 비판적으로 평가하면 미묘한 현실이 드러납니다. 이 기능은 강력하고 정교한 형태의 워크플로우 자동화를 나타내지만, 진정한 목표 지향적 자율성을 보여주지는 않습니다. 시스템의 행동은 완전히 반응적입니다. 즉, 특정한 인간이 시작한 이메일 명령을 기다린 후에 행동합니다. 이는 초기 요약과 새로운 사용자 프롬프트를 결합하여 후속 문서를 생성하는 연쇄 작업이지만, 주도적이지는 않습니다.

반면에 진정한 행위 주도적인 시스템은 “이 새로운 클라이언트 프로젝트의 온보딩을 관리하라”와 같은 고수준 목표를 부여받을 수 있습니다. 초기 회의 내용을 기반으로 SOW(작업 범위 명세서)의 필요성을 자율적으로 인식하고, 명시적으로 지시받지 않고도 초안을 작성하며, 심지어 내부 승인을 위해 라우팅할 수도 있습니다. SeaMeet의 워크플로우는 고도로 효율적이지만, 여전히 인간이 “루프 안에” 있어 각 주요 회의 후 행동을 촉발해야 합니다. 자율적인 작업 위임 또는 완료 기능을 상세히 설명하는 공개 문서가 부족하다는 점은 이 시스템이 완전 자율적인 에이전트가 아니라 고급 명령 기반 어시스턴트로 작동한다는 평가를 더욱 뒷받침합니다.33

6.3 전략적 맥락: 보다 넓은 Seasalt.ai 생태계 내에서의 SeaMeet

SeaMeet의 위치를 완전히 이해하려면 그 모회사인 Seasalt.ai의 보다 넓은 전략적 프레임워크 내에서 바라봐야 합니다. 2020년에 설립된 Seasalt.ai는 주로 중소기업(SMB)을 대상으로 하는 올인원 컨택 센터 및 AI 자동화 플랫폼으로 자리매깁니다.22 회사의 보다 넓은 제품군은 다양한 비즈니스 커뮤니케이션 및 운영 워크플로우를 자동화하도록 설계되었습니다. 이에는 24시간 고객 지원을 위한 AI 기반 음성봇 및 챗봇, 자동 약속 일정 관리, 리드 자격 검증 및 라우팅, 통합 인박스에서 옴니채널 커뮤니케이션(예: WhatsApp, SMS, 음성) 관리 등이 포함됩니다.22

이 생태계 내에서 SeaMeet는 내부 및 클라이언트 대면 회의 인텔리전스에 초점을 맞춘 핵심 구성요소로 기능합니다. 회의에서 생성되는 가치 있는 데이터를 포착하고 구조화함으로써 회사의 외부 커뮤니케이션 자동화 도구를 보완합니다. 이는 보다 복잡한 기업급 시스템을 구축하거나 통합할 자원이 부족할 수 있는 SMB 시장을 대상으로 접근 가능한 엔드투엔드 AI 자동화 솔루션을 제공하겠다는 회사의 종합적인 미션과 일치합니다.38

6.4 시장 포지셔닝: “원형 에이전트적” 차별점

SeaMeet를 “행위 주도적(agentic)“으로 마케팅하는 결정은 고의적이고 전략적으로 현명한 움직임입니다. 회의 녹음 전사 및 요약 도구가 혼잡한 시장에서 “행위 주도적”이라는 레이블은 강력한 차별점으로 작용합니다. 이는 잠재 고객에게 제품이 표준 생성 AI를 넘어서는 기능을 제공한다는 것을 신호로 보내며, 자율 시스템에 대한 산업界의 성장하는 열정을 활용합니다.

이 범주의 도구에 대한 보다 정확한 분류는 “원형 에이전트적(proto-agentic)” 또는 **“에이전트 지원형(agent-assisted)“**일 수 있습니다. 이러한 시스템은 순수 생성 도구와 완전 자율 에이전트 사이의 스펙트럼에서 중간 단계를 나타냅니다. 이들은 복잡한 다단계 작업 자동화에 뛰어나지만, 여전히 워크플로우를 시작하기 위해 인간의 트리거가 필요합니다. 이와 같은 포지셔닝을 통해 Seasalt.ai는 완전한 능동적 목표 추구 기능을 갖춘 시스템을 개발하지 않아도 기술적으로 진보한 위치를 주장할 수 있습니다.

이 사례 연구는 AI 상업화의 보다 넓은 트렌드를 드러냅니다. “행위 주도성(agency)“과 같은 새로운 강력한 개념이 인기를 얻으면서 마케팅 언어는 종종 기술의 완전한 성숙보다 앞서 나갑니다. 기업은 제품에 대한 인식을 형성하고 시장의 주목을 끌기 위해 이 용어를 전략적으로 채택하고 있습니다. 기업 리더와 기술 평가자에게 이는 이러한 개념에 대한 세밀한 이해를 개발하는 것이 결정적으로 중요함을 강조합니다. 마케팅 주장을 표면적으로 받아들이는 것으로는 충분하지 않으며, 대신 제품의 실제 운영 모델—능동성, 적응성, 목표 지향성 수준—에 대한 심층 분석이 정보에 기반한 구매 및 전략적 결정을 내리는 데 필요합니다.

7.0 전략적 필수 사항 및 미래 전망

생성 AI에서 행위 주도적 AI로의 진화는 단순한 점진적인 기술 발전이 아니라 기업이 인공 지능을 활용하여 가치를 창출하는 방식의 근본적인 변화를 나타냅니다. 이 전환은 기업 리더로부터 능동적이고 신중하게 고려된 전략적 대응을 요구합니다. 이 새로운 영역을 탐색하기 위해서는 즉각적인 기회에 대한 명확한 이해, 전략적 채택 계획, 관련 위험 및 윤리적 고려 사항에 대한 주의 깊은 접근이 필요합니다.

7.1 채택을 위한 권고 사항: 새로운 AI 영역 탐색

진화하는 AI 환경의 힘을 활용하려는 조직을 위해 실용적인 두 가지 접근 방식이 권장됩니다.

첫째, 기업은 현재 생성 AI의 사용을 받아들이고 확장하여 즉각적이고 명확한 생산성 향상을 이뤄야 합니다. 이 기술은 콘텐츠 생성 자동화, 연구 및 데이터 합성 가속화, 소프트웨어 개발 지원 등 다양한 기능에 배포할 수 있을 만큼 성숙하고 접근 가능합니다.4 이는 단기적인 ROI를 제공할 뿐만 아니라 조직 내에서 기초적인 “AI 준비된” 문화를 구축하여 직원을 인간-AI 협업에 익숙하게 하는 데 도움이 됩니다.

둘째, 리더들은 전략적으로 에이전트 AI(Agentic AI) 실험을 시작해야 합니다. 이것은 자율적 또는 준자율적 에이전트에 의해 자동화에 적합한 명확하게 정의된, 고영향력의 비즈니스 프로세스를 식별하는 것으로 시작해야 합니다. IT 서비스 관리, 고객 지원 티켓 해결, 공급망 모니터링과 같은 분야의 초기 사용 사례는 내부 전문 지식을 구축하고 에이전트 워크플로우의 잠재력을 입증하기 위한 가치 있는 파일럿 프로그램으로 활용될 수 있습니다.17

두 패러다임 중 어느 하나, 특히 에이전트 AI의 성공적인 구현은 몇 가지 중요한 전제 조건에 달려 있습니다:

데이터 준비 상태: AI 에이전트는 접근하고 처리할 수 있는 데이터만큼 효과적입니다. 조직은 깨끗하고 잘 관리되며 접근 가능한 기업 데이터 인프라를 구축하기 위해 투자해야 합니다. 이 “AI 준비 완료” 데이터 기반은 에이전트가 정확하고 맥락을 파악한 결정을 내릴 수 있게 하는 데 필수적입니다.30
보안 및 거버넌스: 에이전트 AI의 힘은 기업 시스템과의 깊은 통합 및 민감한 데이터에 대한 접근과 직접적으로 연관됩니다. 이는 심각한 보안 및 개인 정보 위험을 초래합니다.20 강력한 보안 프로토콜, 접근 제어, 투명한 감사 추적은 선택 사항이 아니라 기본 요구 사항입니다. 명확한 가이드라인과 감독을 갖춘 “루프 상의 인간(human-on-the-loop)” 거버넌스 모델은 위험을 완화하고 에이전트가 신뢰할 수 있고 안전하게 운영되도록 보장하는 데 필수적입니다.15
윤리적 고려 사항: AI 에이전트는 알고리즘과 데이터를 기반으로 작동하며, 인간의 가치, 윤리, 도덕에 대한 선천적인 이해를 가지고 있지 않습니다. 이는 특히 의료, 금융, 법 집행과 같은 고위험 분야에서 예기치 않은 결과의 상당한 위험을 초래합니다.20 조직은 공정성, 편향, 인간 가치와의 일치성에 대해 에이전트 시스템을 적극적으로 설계하고 테스트하여 효과적일 뿐만 아니라 책임감 있는 방식으로 행동하도록 보장해야 합니다.

7.2 AI 에이전시의 궤적: 앞으로의 길

에이전트 AI의 개발은 아직 초기 단계에 있지만, 그 궤적은 점점 더 정교하고 통합된 자율 시스템의 미래를 가리키고 있습니다. 특정 워크플로우를 처리하는 단일 또는 소규모 에이전트 그룹에 대한 현재의 초점은 대규모, 분산화된 멀티 에이전트 시스템으로 발전할 가능성이 높습니다. 이 미래 비전에서 다양한 전문성을 가진 이질적인 에이전트(일부는 기업이 소유하고, 일부는 파트너가 소유하고, 일부는 개인이 소유함)는 공통의 디지털 환경 내에서 협력하여 매우 복잡하고 동적인 문제를 해결할 것입니다.40

이 기술적 발전은 일의 본질과 조직의 구조에 심오한 영향을 미칠 것입니다. 세계 경제 포럼이 강조한 바와 같이, 복잡한 의사 결정, 문제 해결, 전략적 감독을 강조하는 역할은 글로벌 경제에서 점점 더 중요해지고 있습니다.41 에이전트 시스템의 부상은 이 트렌드를 가속화시켜 현대 기업의 인지적 “배관”의 상당 부분을 자동화하고 인간의 역할을 전략, 창의성, 거버넌스로 승격시킬 것입니다.

궁극적으로 생성형 시스템에서 에이전트 시스템으로의 전환은 인간-컴퓨터 파트너십의 진화에서 중대한 순간을 표시합니다. 이는 AI를 우리가 명령하는 도구에서 우리가 권한을 부여하는 협력자로 옮기고 있습니다. 이 변화를 성공적으로 탐색하는 기업들에게는 운영적 민첩성, 회복력, 혁신의 새로운 수준이 보상으로 주어질 것이며, 이는 인간과 기계 지능의 원활한 통합으로 정의되는 미래를 열어줄 것입니다.

참고 문헌

en.wikipedia.org, 2025년 9월 6일 조회, https://en.wikipedia.org/wiki/Generative_artificial_intelligence
What is Generative AI? - University Center for Teaching and Learning, 2025년 9월 6일 조회, https://teaching.pitt.edu/resources/what-is-generative-ai/
Generative Artificial Intelligence | NNLM, 2025년 9월 6일 조회, https://www.nnlm.gov/guides/data-thesaurus/generative-artificial-intelligence
What is Generative AI? - Gen AI Explained - AWS - Updated 2025, 2025년 9월 6일 조회, https://aws.amazon.com/what-is/generative-ai/
Explained: Generative AI | MIT News | Massachusetts Institute of Technology, 2025년 9월 6일 조회, https://news.mit.edu/2023/explained-generative-ai-1109
Agentic AI vs. generative AI: The core differences | Thomson Reuters, 2025년 9월 6일 조회, https://www.thomsonreuters.com/en/insights/articles/agentic-ai-vs-generative-ai-the-core-differences
Agentic AI vs. generative AI - Red Hat, 2025년 9월 6일 조회, https://www.redhat.com/en/topics/ai/agentic-ai-vs-generative-ai
What is Generative AI? - IBM, 2025년 9월 6일 조회, https://www.ibm.com/think/topics/generative-ai
10 Top Generative AI Tools for 2025: Today’s Creative Powerhouses - eWeek, 2025년 9월 6일 조회, https://www.eweek.com/artificial-intelligence/generative-ai-apps-tools/
What is Generative AI? Examples & Use Cases - Google Cloud, 2025년 9월 6일 조회, https://cloud.google.com/use-cases/generative-ai
www.google.com, 2025년 9월 6일 조회, https://www.google.com/search?q=generative+ai+applications
Agentic AI vs Generative AI - Which Should You Use? - Atera, 2025년 9월 6일 조회, https://www.atera.com/blog/agentic-ai-vs-generative-ai/
en.wikipedia.org, 2025년 9월 6일 조회, https://en.wikipedia.org/wiki/Agentic_AI
What is agentic AI? Definition and differentiators - Google Cloud, 2025년 9월 6일 조회, https://cloud.google.com/discover/what-is-agentic-ai
What is Agentic AI? - Agentic AI Explained - AWS - Updated 2025, 2025년 9월 6일 조회, https://aws.amazon.com/what-is/agentic-ai/
What Is Agentic AI? | IBM, 2025년 9월 6일 조회, https://www.ibm.com/think/topics/agentic-ai
What is Agentic AI? | UiPath, 2025년 9월 6일 조회, https://www.uipath.com/ai/agentic-ai
What is Agentic AI? | Salesforce US, 2025년 9월 6일 조회, https://www.salesforce.com/agentforce/what-is-agentic-ai/
Agentic AI vs Generative AI: Understanding Key Differences - ThoughtSpot, 2025년 9월 6일 조회, https://www.thoughtspot.com/data-trends/artificial-intelligence/agentic-ai-vs-generative-ai
What you need to know about AI agents - CSAIL Alliances - MIT, 2025년 9월 6일 조회, https://cap.csail.mit.edu/agentic-ai-what-you-need-know-about-ai-agents
GenAI vs. Agentic AI: What Developers Need to Know - Docker, 2025년 9월 6일 조회, https://www.docker.com/blog/genai-vs-agentic-ai/
Stop Juggling Apps. Unify Every Customer Call, Text, WhatsApp, and Chat in One Simple Inbox. - Seasalt.ai, 2025년 9월 6일 조회, https://seasalt.ai/en/
What are AI agents? Definition, examples, and types | Google Cloud, 2025년 9월 6일 조회, https://cloud.google.com/discover/what-are-ai-agents
10 Agentic AI Use Cases for Contact Centers - CX Today, 2025년 9월 6일 조회, https://www.cxtoday.com/conversational-ai/10-agentic-ai-use-cases-for-contact-centers-ringcentral/
6 Agentic AI Examples and Use Cases Transforming Businesses - Moveworks, 2025년 9월 6일 조회, https://www.moveworks.com/us/en/resources/blog/agentic-ai-examples-use-cases
AI Agent Use Cases - IBM, 2025년 9월 6일 조회, https://www.ibm.com/think/topics/ai-agent-use-cases
21 Agentic AI Use Cases & Examples Shaping the Future of AI - Akka, 2025년 9월 6일 조회, https://akka.io/blog/agentic-ai-use-cases
14 real-world agentic AI use cases - Valtech, 2025년 9월 6일 조회, https://www.valtech.com/thread-magazine/14-real-world-agentic-ai-use-cases/
40+ Agentic AI Use Cases with Real-life Examples - Research AIMultiple, 2025년 9월 6일 조회, https://research.aimultiple.com/agentic-ai/
AI-powered agents in action: How we’re embracing this new ‘agentic’ moment at Microsoft, 2025년 9월 6일 조회, https://www.microsoft.com/insidetrack/blog/ai-powered-agents-in-action-how-were-embracing-this-new-agentic-moment-at-microsoft/
SeaMeet: Take ChatGPT Meeting Note Real-Time - Chrome Web Store, 2025년 9월 6일 조회, https://chromewebstore.google.com/detail/seameet-take-chatgpt-meet/gkkhkniggakfgioeeclbllpihmipkcmn
SeaMeet | Agentic Meeting Copilot for Highly Productive Individuals & High Performance Teams, 2025년 9월 6일 조회, https://seameet.ai/
FAQ - Seasalt.ai, 2025년 9월 6일 조회, https://wiki.seasalt.ai/seameet/seameet-manual/00-seameet-faq/
Seasalt.ai SeaMeet Reviews, Ratings & Features 2025 | Gartner Peer Insights, 2025년 9월 6일 조회, https://www.gartner.com/reviews/market/office-productivity-solutions-others/vendor/seasalt-ai/product/seameet
Uncover business opportunities in recordings with SeaMeet, 2025년 9월 6일 조회, https://usecase.seasalt.ai/transcribe-audio-to-discover-insights/
Seasalt.ai | Omni-Channel Contact Center for Small Businesses - Seasalt.ai, 2025년 9월 6일 조회, https://seasalt.ai/
AI Automation Solutions - Seasalt.ai, 2025년 9월 6일 조회, https://seasalt.ai/en/solutions/ai-automation
Haptik launches ‘AI for All’ to bring enterprise-grade AI Agents to SMBs, 2025년 9월 6일 조회, https://timesofindia.indiatimes.com/technology/tech-news/haptik-launches-ai-for-all-to-bring-enterprise-grade-ai-agents-to-smbs/articleshow/123671151.cms
DIGITIMES Biz Focus - Taiwan Tech Arena, 2025년 9월 6일 조회, https://www.digitimes.com/biz/index.asp?topic=617
Business meet Agentic AI: Confidence in autonomous and agentic solutions - Capgemini, 2025년 9월 6일 조회, https://www.capgemini.com/insights/research-library/business-meet-agentic-ai/
IITM Pravartak and Emeritus Launch Professional Certificate Programme in Agentic AI and Applications, 2025년 9월 6일 조회, https://www.ptinews.com/story/business/iitm-pravartak-and-emeritus-launch-professional-certificate-programme-in-agentic-ai-and-applications/2878978
IITM Pravartak and Emeritus Launch Professional Certificate Programme in Agentic AI and Applications, 2025년 9월 6일 조회, https://www.aninews.in/news/business/iitm-pravartak-and-emeritus-launch-professional-certificate-programme-in-agentic-ai-and-applications20250902174614

생성에서 에이전시로: AI의 차세대 물결과 기업 워크플로우 자동화에서의 구현 분석

목차