- 해당 아티클은 2025년 9월 10일에 진행된 LG CNS 월간 D-Talks ‘AI 에이전트 개발 방식의 전환과 도입 사례’ 내용을 기반으로 작성되었습니다.
AI를 활용해 업무를 처리하는 일은 이제 낯설지 않습니다. 많은 기업과 사용자가 다양한 AI 서비스를 통해 정보를 검색하고, 반복적인 작업을 자동화하고 있습니다. 현재 AI 활용 방식은 주로 ‘질문-응답’ 또는 ‘명령-실행’ 구조에 기반합니다. 사용자가 질문을 입력하면 답을 제공하고, 특정 작업을 요청하면 결과를 반환하는 방식입니다. 이 구조는 개별 작업을 빠르게 처리하는 데에는 효과적이지만, 여러 단계의 작업이 연결되고 상황에 따라 판단이 필요한 실무 환경을 처리하기에는 한계가 있습니다.
실무는 단일 작업이 아니라 여러 업무가 유기적으로 연결된 흐름으로 구성됩니다. 업무 수행 과정에서는 상황을 이해하고, 필요한 작업을 조합하며, 목표 달성을 위해 실행 방식을 조정하는 과정이 반복됩니다. 이러한 요구를 충족하기 위해 등장한 개념이 에이전틱 AI(Agentic AI)입니다. 기존 AI가 ‘검색 엔진’처럼 동작했다면, 에이전틱 AI는 ‘개인 비서’처럼 목표를 중심으로 움직입니다. 주어진 목표를 기반으로 필요한 작업을 스스로 계획하고 실행하며, 결과를 점검하는 방식으로 업무를 수행합니다.
에이전틱 AI는 자율성, 적응성, 목표 지향성이라는 3가지 특징으로 설명할 수 있습니다. 자율성은 별도의 지시 없이 작업을 수행하는 능력을 의미합니다. 적응성은 상황 변화에 따라 실행 방식을 유연하게 조정하는 특성입니다. 목표 지향성은 목표를 세부 단계로 나누고 계획적으로 실행하는 능력을 의미합니다. 에이전틱 AI는 3가지 특징을 기반으로 스스로 판단하고 행동하며, 실무에 직접 참여하는 ‘동료형 AI’로 발전하고 있습니다.
에이전틱 AI 도입, 기대와 현실 사이의 간극
에이전틱 AI는 기업의 업무 혁신을 가능하게 하는 기술로 주목받고 있습니다. 다만 실제 도입 과정에서는 기대와 달리 다양한 현실적인 제약이 함께 나타납니다. 기술 자체의 가능성과는 별개로, 기업 환경에 적용하기 위해서는 여러 조건을 동시에 충족해야 합니다.
초기 도입 단계에서는 여러 AI 모델과 기존 시스템을 함께 연계해야 합니다. 이 과정에서 전체 구조가 복잡해지고, 시스템을 안정적으로 운영하기 위한 관리 부담이 증가합니다. 개발 환경 구축과 시스템 연계를 동시에 진행해야 하므로 초기 투자 비용도 주요한 진입 장벽으로 작용합니다.
데이터 환경 역시 중요한 제약 요소입니다. 기업의 데이터는 여러 시스템에 분산되어 있으며, 표준화 수준이 충분하지 않은 경우가 많습니다. 이러한 환경에서는 AI가 자율적으로 작업을 수행하는 과정에서 오류가 발생할 가능성이 높아지고, 문제 발생 시 대응이 어려워질 수 있습니다.
에이전틱 AI는 높은 잠재력을 가지고 있지만, 실제 도입을 위해서는 복잡성, 비용, 데이터 구조와 같은 현실적인 요소를 함께 고려해야 합니다. 효과적인 도입을 위해서는 단계적으로 적용 범위를 확장하고, 데이터 정비를 선행하며, 지속적인 운영과 개선을 담당할 전담 조직을 갖추는 접근이 필요합니다. AI를 협업 파트너로 활용하기 위한 내부 교육과 변화 관리 역시 함께 이루어져야 합니다.
AI 연결 방식의 진화: MCP에서 A2A까지
에이전틱 AI를 구현하기 위해서는 기존 업무를 에이전트(Agent) 단위로 재구성해야 하며, 다양한 시스템과 데이터 간 연결이 필수적으로 요구됩니다. 기업 환경에서는 업무가 여러 시스템에 분산되어 있기 때문에, AI가 실무를 수행하기 위해서는 각 시스템과의 연계가 반드시 필요합니다.
기존 기업 환경에서는 시스템마다 서로 다른 방식으로 연계가 이루어지고 있습니다. 이로 인해 통합 과정에서 구조가 복잡해지고, 시스템 간 연결을 구현하기 위한 개발 비용도 증가하는 문제가 발생합니다. 연결 방식이 일관되지 않으면 유지보수 부담이 커지고, 전체 시스템 안정성에도 영향을 미칠 수 있습니다.
MCP(Model Context Protocol)는 이러한 연결 문제를 해결하기 위한 방식으로 활용됩니다. MCP는 시스템과 데이터를 표준화된 방식으로 연결하여 연계 구조를 단순화합니다. 다양한 충전 규격이 USB-C로 통합되면서 연결이 단순해진 것과 유사하게, MCP는 여러 시스템을 하나의 규격으로 연결할 수 있도록 합니다. 이 구조를 통해 AI는 외부 시스템을 더욱 쉽게 탐색하고 활용할 수 있습니다.
기존 API(Application Programming Interface) 방식은 개발자가 직접 연결을 구현하는 ‘사람 중심’ 구조를 기반으로 합니다. MCP는 AI가 필요한 기능을 스스로 탐색하고 활용하는 ‘AI 중심 연결 방식’으로 발전한 형태입니다. 연결의 주체가 사람에서 AI로 이동하면서, 시스템 활용 방식도 함께 변화하고 있습니다.
최근에는 에이전트 간 직접 협업을 전제로 하는 A2A(Agent-to-Agent) 방식이 주목받고 있습니다. A2A는 개별 에이전트가 서로의 기능을 호출하고 협력하여 작업을 수행합니다. AI 기반 연결 구조는 API에서 MCP를 거쳐 A2A로 확장되고 있습니다. 연결 중심의 구조에서 출발한 AI 활용 방식은 점차 협업 중심 구조로 발전하고 있습니다.
에이전틱 AI를 실제로 구현하는 기반, AI 에이전트(AI Agent) 개발 플랫폼
에이전틱 AI를 기업 환경에 적용하기 위해서는 복잡성과 비용이라는 현실적인 과제를 해결해야 합니다. 여러 시스템과 데이터를 연결하고, 이를 기반으로 AI가 실무를 수행하도록 구현하는 과정은 기술적으로 높은 난도를 요구합니다. 이러한 문제를 해결하기 위한 접근 방식으로 AI 에이전트 개발 플랫폼이 활용되고 있습니다.
AI 에이전트 개발 플랫폼은 에이전틱 AI의 설계부터 구축, 운영까지 전 과정을 지원하는 환경을 제공합니다. 개발 과정 전반에서 ‘설계·실행·검증’을 빠르게 반복할 수 있도록 구성되어 있으며, 이를 통해 복잡한 구조를 단순화하고 개발 시간을 줄일 수 있습니다.
AI 에이전트 개발 플랫폼은 다음과 같은 4가지 특징을 기반으로 구성됩니다.
① 도구(Tool) 모듈화
AI 개발에 필요한 기능을 재사용할 수 있는 단위로 구성합니다. 동일한 기능을 반복적으로 활용할 수 있어 개발 효율성을 높일 수 있습니다.
② 에이전트 오케스트레이션(Agent Orchestration)
여러 도구를 조합해 하나의 에이전트를 구성하고, 여러 에이전트를 연결해 협업 구조를 설계할 수 있습니다. 복잡한 업무를 분산 처리하고 확장성 있는 구조를 구현할 수 있습니다.
③ MCP/API를 이용한 외부 연계 확장
MCP 기반 연계와 기존 API 방식을 함께 지원합니다. ERP, CRM과 같은 기존 시스템을 별도의 변경 없이 연결할 수 있으며, 기존 환경을 유지하면서 Agent 기반 구조를 확장할 수 있습니다.
④ 멀티(Multi) 환경 지원
클라우드와 온프레미스(On-Premise) 환경을 모두 지원합니다. 기업의 인프라 환경에 맞춰 유연하게 적용할 수 있습니다.
AI 에이전트 개발 플랫폼은 도구 기반 구성, 에이전트 간 협업, 시스템 연계, 다양한 인프라 지원을 통해 에이전틱 AI를 실제로 구현할 수 있는 기반을 제공합니다. 복잡한 구조를 단순화하고, 실무에 적용할 수 있는 형태로 전환하는 역할을 수행합니다.
AI 에이전트를 빠르게 구현하는 개발 방식
AI 에이전트 개발 플랫폼은 다양한 도구를 기반으로 에이전트를 구성할 수 있으며, 직관적이고 빠른 개발이 가능하도록 설계되어 있습니다. 개발자는 개별 기능을 직접 구현하기보다, 이미 제공되는 기능을 조합하는 방식으로 에이전트를 구성할 수 있습니다.
AI 에이전트 개발 플랫폼은 다양한 빌트인(Built-in) 도구를 제공합니다. 최신 AI 모델과 함께 음성, 이미지, 번역 등 다양한 기능을 즉시 활용할 수 있으며, 별도의 개발 없이 필요한 기능을 조합해 에이전트를 구성할 수 있습니다. 검색증강생성(Retrieval-Augmented Generation, RAG) 기능을 통해 기업 내부 데이터와 문서를 참조할 수 있으며, 가드레일(Guardrail) 기능을 통해 AI의 응답 품질과 안정성을 제어할 수 있습니다.
외부 기능을 함께 활용할 수 있는 구조도 지원됩니다. MCP 저장소(Registry)를 통해 외부 도구를 등록하고 관리할 수 있으며, 내장 도구와 동일한 방식으로 사용할 수 있습니다. 이 구조를 통해 기존 시스템과의 연계뿐 아니라, 새로운 기능 확장에도 유연하게 대응할 수 있습니다.
에이전트 구성 과정은 직관적인 방식으로 이루어집니다. 에이전트 빌더(Agent Builder)를 활용하면 컴포넌트를 연결하는 방식으로 에이전트를 설계할 수 있습니다. 복잡한 코딩 없이도 구조를 구성할 수 있으며, 개발자는 흐름을 설계하는 데 집중할 수 있습니다.
이와 같은 개발 방식은 구현 속도를 크게 단축시킵니다. 기본적인 이해를 갖춘 개발자라면 짧은 시간 내에 에이전트를 구현할 수 있으며, 반복적인 개발 작업을 줄일 수 있습니다.
AI 에이전트 개발 플랫폼은 다양한 도구와 직관적인 개발 환경을 기반으로 에이전트 개발의 진입 장벽을 낮추고, 실무에 적용할 수 있는 형태로 빠르게 구현할 수 있도록 지원합니다.
AI 에이전트의 유연한 활용과 지속적인 운영 관리
AI 에이전트 개발 플랫폼은 업무에 맞춰 유연하게 에이전트를 활용할 수 있도록 지원합니다. 업무의 특성과 목적에 따라 적합한 구조를 선택할 수 있으며, 필요에 따라 여러 방식을 조합해 활용할 수 있습니다.
에이전트는 다음과 같은 3가지 방식으로 구성할 수 있습니다.
① 워크플로(Workflow) 방식
정해진 순서에 따라 단계별로 작업을 수행하는 구조입니다. 안정성과 예측 가능성이 중요한 업무에 적합합니다.
② 슈퍼 에이전트(Super Agent) 방식
여러 개의 에이전트를 조합해 하나의 구조로 구성합니다. 다양한 기능을 유연하게 연결해 복합적인 요구를 처리할 수 있습니다.
③ 에이전틱 AI 방식
목표를 기반으로 AI가 스스로 계획을 수립하고 실행하는 구조입니다. 복합적인 작업을 자동화하는 데 적합합니다.
3가지 방식은 단독으로 사용할 수 있으며, 상황에 따라 조합해 활용할 수 있습니다. 업무 흐름은 워크플로로 구성하고, 판단이 필요한 영역에는 에이전틱 AI를 적용하는 방식으로 설계할 수 있습니다. 이 구조를 통해 안정성과 유연성을 동시에 확보할 수 있습니다.
운영 단계에서는 에이전트의 성능과 상태를 지속적으로 관리하는 것이 중요합니다. 플랫폼은 모니터링, 비용 관리, 성능 개선 기능을 통해 운영을 지원합니다. 사용 현황과 성능을 확인하고, 비용을 통제하며, 지속적인 개선을 수행할 수 있는 환경을 제공합니다.
AI 에이전트 개발 플랫폼은 유연한 구성 방식과 함께 성능, 비용, 품질을 지속적으로 관리하고 개선할 수 있는 체계를 제공합니다. 기업은 이를 통해 에이전트를 실무에 적용할 수 있는 운영 자산으로 활용할 수 있습니다.
AI 에이전트 개발 플랫폼은 이미 다양한 글로벌 AI 서비스와 기업 환경에서 실제 적용이 빠르게 확대되고 있습니다. 기업은 단순한 실험 단계를 넘어, 실무에 적용할 수 있는 수준으로 AI 활용 범위를 넓혀가고 있습니다.
AI 활용 방식도 빠르게 변화하고 있습니다. 여러 도구를 연결하고 스스로 작업을 수행하는 형태가 점차 일반화되고 있으며, 기업은 이를 전제로 업무 구조를 재설계하기 시작하고 있습니다. AI는 업무 프로세스를 구성하고 실행하는 역할로 확장되고 있습니다.
에이전틱 AI는 거스를 수 없는 흐름으로 자리 잡았습니다. 기업은 이제 AI 에이전트 개발 플랫폼을 도입해 AI를 실무에 적용해야 합니다. 업무 단위의 자동화를 넘어, 업무 수행 방식 자체를 AI 중심으로 전환하는 접근이 필요합니다.
2025년 9월 D-Talks에서는 LG CNS Agentic AI서비스기술팀 이명진 팀장과 김종기 총괄, 최수아 책임이 ‘에이전틱 AI와 에이전트 표준 개발 환경’을 주제로 발표를 진행했습니다. 발표 전체 내용은 아래의 다시보기 링크를 통해 확인할 수 있습니다.
오늘의 요약 Q&A
Q1. 에이전틱 AI란 무엇이며 기존 AI와 어떻게 다른가요?
에이전틱 AI는 주어진 목표를 기반으로 스스로 계획을 수립하고 실행하며 결과를 점검하는 동료형 AI를 의미합니다. 단순히 질문에 답하는 검색 엔진 형태의 기존 AI와 달리, 자율성, 적응성, 목표지향성을 갖추고 개인 비서처럼 업무를 완수한다는 점에서 차이가 있습니다.
Q2. 기업이 에이전틱 AI를 도입할 때 직면하는 주요 제약 사항은 무엇인가요?
초기 도입 시 여러 AI 모델과 기존 시스템을 연계하는 과정에서 시스템 구조가 복잡해지고 관리 부담이 늘어날 수 있습니다. 또한 기업 데이터가 여러 시스템에 분산되어 있고 표준화되지 않은 경우 AI의 자율적 업무 수행 중 오류가 발생할 가능성이 높아집니다.
Q3. 에이전틱 AI를 구현하기 위한 연결 방식은 어떻게 진화하고 있나요?
기존의 방식에서 AI 중심 연결 방식인 MCP를 거쳐 에이전트 간 직접 협력하는 A2A 방식으로 확장되고 있습니다. MCP가 시스템과 데이터를 표준 규격으로 통합해 AI의 탐색을 돕는다면, A2A는 개별 에이전트들이 서로의 기능을 호출하고 협업하여 복합적인 업무를 완수하는 협업 중심의 구조를 지향합니다.
Q4. AI 에이전트 개발 플랫폼을 사용하면 어떤 이점이 있나요?
AI 에이전트 개발 플랫폼은 도구 모듈화와 에이전트 오케스트레이션을 통해 개발 효율성을 높이고 복잡한 업무를 분산 처리할 수 있는 구조를 제공합니다. 에이전트 빌더를 활용하면 복잡한 코딩 없이 컴포넌트를 연결하는 방식으로 에이전트를 빠르게 설계하고 실무에 즉시 적용할 수 있습니다.
Q5. 에이전트를 실무에 적용하는 3가지 주요 방식은 무엇인가요?
정해진 순서대로 작업을 수행하여 안정성을 확보하는 워크플로우 방식, 여러 에이전트를 조합해 복합적인 요구를 처리하는 슈퍼 에이전트 방식, 그리고 목표를 기반으로 스스로 계획하고 자동화하는 에이전틱 AI 방식이 있습니다. 기업은 업무 특성에 맞춰 이 방식들을 유연하게 조합하여 활용할 수 있습니다.
본 콘텐츠는 저작권법에 의해 보호 받는 저작물로 LG CNS에 저작권이 있습니다.
사전 동의 없이 2차 가공 및 영리적인 이용을 금합니다.
