AI 에이전트에는 다섯 가지 고전적인 종류가 있습니다. 단순 반사형, 모델 기반 반사형, 목표 기반, 효용 기반, 학습형 에이전트입니다. 쉽게 말하면 각각 규칙을 따르고, 상황을 계속 파악하고, 목표를 향해 일하고, 여러 선택지 중 가장 좋은 것을 고르고, 피드백을 통해 나아집니다. 많은 목록에서는 여기에 계층형 에이전트와 멀티 에이전트 시스템 두 가지를 더하는데, 이 둘은 여러 에이전트가 함께 일하는 방식에 관한 것입니다.
이 가이드는 각 종류를 일상 속 예시와 업무 예시로 설명합니다. 그리고 실무에서 중요한 한 가지를 짚습니다. AI 에이전트가 업무를 잘못 처리할 때, 원인은 대개 계획 능력이 부족해서가 아닙니다. 에이전트가 잘못된 사실을 바탕으로 일하고 있기 때문입니다. 그러니 에이전트를 고를 때는 먼저 무엇을 볼 수 있는지, 무엇을 바꿀 권한이 있는지부터 물어보세요. 얼마나 똑똑한지는 그다음 문제입니다.
AI 에이전트란 무엇인가요?
AI 에이전트는 상황을 살펴보고, 무엇을 할지 결정한 뒤, 실제로 실행하는 소프트웨어입니다. 챗봇은 질문에 답합니다. 에이전트는 그다음 단계까지 할 수 있습니다. 예를 들어 받은편지함을 읽고, 스프레드시트를 업데이트하고, 답장 초안을 작성합니다.
다섯 가지 종류는 스튜어트 러셀(Stuart Russell)과 피터 노빅(Peter Norvig)의 교과서 Artificial Intelligence: A Modern Approach에서 나왔습니다. 대부분의 대학 AI 강의에서 쓰는 책입니다. 이 책은 에이전트를 하나의 질문으로 분류합니다. 에이전트는 다음에 할 일을 어떻게 결정하는가? IBM의 AI 에이전트 유형 가이드도 같은 목록을 사용합니다.
공식적인 단일 정의는 없지만, 그래도 괜찮습니다. 비즈니스 관점에서 유용한 기준은 간단합니다. 답만 하나요, 아니면 실제로 행동도 하나요?
AI 에이전트의 고전적인 5가지 종류
다섯 가지 종류를 가장 단순한 것부터 가장 복잡한 것 순서로 읽어 보세요. 순위가 아닙니다. 단순한 설계가 정답인 경우도 많고, 학습 기능은 나머지 네 가지 어디에나 더할 수 있습니다.
고전적인 다섯 가지 종류는 결정을 내리는 방식을 설명합니다. 학습은 나머지 네 가지에 더할 수 있는 기능이지, 사다리의 마지막 칸이 아닙니다. 어떤 설계든 맥락의 품질을 확인하세요.
YouTube · IBM Technology
5 Types of AI Agents: Autonomous Functions & Real-World Applications · 2025년 4월 28일
교과서 속 종류를 하나씩 그림으로 설명하는 10분짜리 영상입니다. 8:23 지점의 요약은 이를 다섯 개의 동사로 정리합니다. 반응한다(reacts), 기억한다(remembers), 목표를 향한다(aims), 평가한다(evaluates), 개선한다(improves).
1. 단순 반사형 에이전트: 규칙을 따른다
하는 일: "이런 일이 생기면 저렇게 한다." 지금 눈앞에 있는 것만 봅니다.
일상 예시: 온도조절기가 19°C 아래로 내려가면 난방을 켭니다.
업무 예시: 받은편지함 규칙이 "인보이스"라는 단어가 들어간 모든 이메일을 매입채무 담당 부서로 보냅니다.
한계: 규칙이 예상하지 못한 모든 상황입니다. "인보이스"를 언급한 뉴스레터도 재무팀으로 가게 됩니다. 규칙은 차이를 구분하지 못하고, 매번 같은 실수를 반복합니다.
이럴 때 쓰세요: 상황이 예측 가능하고 실수해도 비용이 적을 때.
2. 모델 기반 반사형 에이전트: 상황을 계속 파악한다
하는 일: 여전히 규칙을 따르지만, 본 것을 기억합니다. 그래서 상황에 대한 그림을 갖게 되는데, 교과서에서는 이를 "모델"이라고 부릅니다.
일상 예시: 로봇청소기가 이미 청소한 방을 기억합니다.
업무 예시: 고객 지원 어시스턴트가 같은 고객이 지난주에 같은 버그를 이미 신고했다는 것을 알아차리고, 중복 티켓을 새로 만드는 대신 열려 있는 티켓에 새 메시지를 추가합니다.
한계: 머릿속 그림이 오래되었을 때입니다. 오래된 CRM 기록, Slack 스레드에만 남아 있는 결정, 지난달 스프레드시트는 에이전트가 잘못된 사실을 바탕으로 자신 있게 행동하게 만듭니다.
이럴 때 쓰세요: 올바른 행동이 최신 메시지만이 아니라 지금까지의 이력에 달려 있을 때.
비즈니스 팀에게 가장 중요한 것이 바로 이 종류입니다. 2026년 11월 초 X에서 널리 퍼진 한 게시물이 그 이유를 보여 줍니다. 글래스고 대학교(University of Glasgow)의 리드 데이터 엔지니어 Gul Saeed Khattak은 지난 분기 매출을 요청받은 에이전트에 대해 이렇게 썼습니다.
X · Gul Saeed Khattak (@Ldataengineer) · 2026년 11월 3일
"It answers in 3 seconds. Clean number. Nice chart. But it used the wrong 'revenue' column. Nobody notices."
(번역) "3초 만에 답합니다. 깔끔한 숫자. 보기 좋은 차트. 그런데 엉뚱한 '매출' 열을 썼습니다. 아무도 눈치채지 못합니다."
이 이야기 속 에이전트는 추론을 못한 것이 아닙니다. 잘못된 열을 바탕으로 추론을 잘한 것입니다. 저희도 이 진단에 동의합니다. 다만 이 게시물은 이어서 특정 데이터 도구를 홍보하는데, 저희는 그 도구를 테스트해 보지 않았습니다. 비즈니스 교훈은 어떤 도구보다 단순합니다. 에이전트의 답을 믿기 전에, 어떤 출처를 사용했는지 확인하세요.
3. 목표 기반 에이전트: 목표를 향해 일한다
하는 일: 목표를 주면 단계를 스스로 계획합니다. "어떤 규칙이 적용되지?"가 아니라 "무엇을 하면 목표에 더 가까워지지?"를 묻습니다.
일상 예시: 내비게이션 앱이 경로를 계획하고, 길을 놓치면 경로를 다시 찾습니다.
업무 예시: "목요일까지 이사회 보고 자료를 준비해 줘." 에이전트는 최신 수치를 가져오고, 지난 분기 슬라이드 레이아웃을 그대로 따르고, 아직 답이 없는 질문을 정리합니다.
한계: 목표를 달성했는지만 확인합니다. 두 계획이 모두 통한다면, 더 저렴하거나 더 안전한 쪽을 고를 이유가 없습니다.
이럴 때 쓰세요: 원하는 결과는 알지만, 거기까지 가는 단계가 매번 달라질 때.
4. 효용 기반 에이전트: 가장 좋은 선택지를 고른다
하는 일: 괜찮은 선택지 여러 개를 비교하고, 여러분이 중요하게 여기는 기준으로 점수를 매깁니다.
일상 예시: 가격, 이동 시간, 경유 횟수를 함께 따지는 항공권 검색.
업무 예시: 광고 어시스턴트가 판매당 비용, 남은 예산, 캠페인별로 쌓인 데이터 양을 따져 캠페인 사이에 예산을 옮기라고 제안합니다.
한계: 점수는 여러분의 우선순위만큼만 정확합니다. 속도와 비용 중 무엇이 더 중요한지 아무도 정하지 않았다면, 에이전트도 정할 수 없습니다.
이럴 때 쓰세요: 실제로 장단점을 따져야 하고, 받아들일 만한 답이 하나 이상일 때.
5. 학습형 에이전트: 피드백으로 나아진다
하는 일: 과거 행동의 결과를 보고 스스로 조정합니다. 위의 네 가지 종류 어디에나 얹을 수 있습니다.
일상 예시: 음악 앱의 추천은 여러분이 곡을 건너뛰거나 다시 들을수록 달라집니다.
업무 예시: 리드 스코어링 어시스턴트는 영업팀이 어떤 리드가 실제 거래로 이어졌는지 표시하고 나면 리드 순위를 더 잘 매깁니다.
한계: 피드백이 가르치는 것은 무엇이든 배웁니다. 띄엄띄엄하거나 일관성 없는 피드백은 에이전트를 자신 있게 틀리게 만듭니다. 학습은 또한 가장 많은 데이터와 가장 많은 시간이 필요합니다.
이럴 때 쓰세요: 일이 자주 반복되고, 에이전트가 무엇을 배우고 있는지 누군가 확인할 때.
6번째와 7번째 종류: 계층형 에이전트와 멀티 에이전트 시스템
이 둘은 에이전트 하나가 결정하는 방식이 아니라, 여러 에이전트가 조직되는 방식을 설명합니다.
- 계층형 에이전트: "매니저" 에이전트가 큰 일을 여러 부분으로 나누고, 각 부분을 다른 에이전트에게 맡깁니다.
- 멀티 에이전트 시스템: 여러 에이전트가 같은 문제를 동시에 다루면서 일을 공유하거나 나눕니다.
업무 예시: 제품 출시를 위해 한 에이전트는 경쟁사를 조사하고, 다른 에이전트는 출시 이메일 초안을 쓰고, 또 다른 에이전트는 랜딩 페이지를 점검합니다.
에이전트가 많을수록 결과가 좋아질까요? 일에 따라 다릅니다. 2025년 6월 Anthropic은 자체 리서치 테스트에서 에이전트 팀이 단일 에이전트보다 좋은 성과를 냈지만, 일반 채팅보다 약 15배 많은 토큰(AI 사용료가 청구되는 단위)을 썼다고 발표했습니다. Anthropic은 또한 모든 에이전트가 같은 맥락을 필요로 하는 작업은 이 방식에 잘 맞지 않는다고 밝혔습니다(Anthropic). 아직 동료 심사를 거치지 않은 2026년 10월의 한 연구 논문은, 서로 일을 넘겨받는 에이전트들이 프로세스가 강제하지 않는 한 서로의 사실 관계를 다시 확인하지 않는다는 것을 발견했습니다(arXiv).
그러니 결론은 "에이전트는 많을수록 좋다"가 아닙니다. 사람과 일할 때와 같은 원칙입니다. 모든 인계에는 명확한 입력, 명확한 결과물, 그리고 결과를 확인하는 사람이 필요합니다.
오늘날의 AI 에이전트는 어디에 해당할까
다섯 가지 종류는 ChatGPT나 Claude 같은 도구가 나오기 전에 정리된 것입니다. 현대의 AI 에이전트는 여러 종류를 섞어서 씁니다. 여러분의 지시를 따르고(규칙), 문서와 지난 메시지를 읽고(상황 파악), 요청한 결과를 향해 단계를 계획하고(목표), 선택을 부탁하면 선택지를 비교하고(최선의 선택), 수정 사항을 저장하면 나아질 수 있습니다(피드백).
그래서 어떤 업체가 자사 제품을 "목표 기반 에이전트"라고 소개한다면, 그 말만으로는 알 수 있는 것이 별로 없습니다. 대신 쉬운 질문 세 가지를 던져 보세요.
- 무엇을 읽을 수 있나요?
- 무엇을 바꿀 수 있나요?
- 언제 멈추고 사람에게 물어보나요?
에이전트 종류를 생각할 때 흔한 오해
"뒤에 나오는 종류일수록 항상 더 좋다." 아닙니다. 단순한 규칙이 더 싸고, 더 빠르고, 확인하기도 쉽습니다. 일을 해낼 수 있는 가장 단순한 종류를 쓰세요.
"학습형 에이전트는 모든 것에서 자동으로 배운다." 대부분의 업무용 도구에서는 누군가 수정 사항을 저장해야만 나아집니다. 예를 들어 지시사항을 업데이트하는 식입니다. 아무도 저장하지 않으면 다음 실행은 처음부터 다시 시작합니다.
"에이전트가 많을수록 더 유능하다." 에이전트가 많을수록 인계도 많아집니다. 작은 오류도 쌓입니다. 각 단계가 95% 정확하다면, 10단계짜리 프로세스는 약 60%만 정확합니다.
"종류를 보면 우리 회사에서 무엇을 할 수 있는지 알 수 있다." 종류는 어떻게 결정하는지를 알려 줍니다. 무엇을 할 수 있는지는 무엇에 접근할 수 있고 무엇을 바꿀 권한이 있는지에 달려 있습니다.
비즈니스 팀을 위한 더 쉬운 방법: 하는 일로 에이전트를 나누기
교과서 속 종류는 에이전트가 어떻게 생각하는지를 설명합니다. 영업 리더나 운영 매니저는 보통 에이전트가 어떤 일을 할지에 더 관심이 있습니다. 그래서 많은 팀이 에이전트를 역할별로 묶는 것이 더 쉽다고 느낍니다. 공식 목록이 아니라 실무적인 사고방식입니다.
| 역할 | 하는 일 | 받는 결과물 | 사람이 여전히 결정하는 것 |
|---|---|---|---|
| 모니터 | 정보원을 지켜보다가 중요한 것을 알린다 | 매일 받는 알림이나 요약 | 어떤 알림에 조치가 필요한지 |
| 리서처 | 정보를 모으고 비교한다 | 브리핑이나 후보 목록 | 출처가 믿을 만한지, 무엇을 할지 |
| 프로듀서 | 받은 자료를 초안으로 만든다 | 이메일, 보고서, 발표 자료, 페이지 | 수정한 뒤 보내거나 게시 |
| 오퍼레이터 | 사용 중인 도구 안에서 변경을 실행한다 | 업데이트된 기록, 예약된 게시물 | 접근 권한을 주고 변경을 승인 |
| 코디네이터 | 여러 도구에 걸친 다단계 작업을 진행한다 | 검토용으로 넘겨받는 완성된 결과물 묶음 | 결과에 대한 책임 |
사람들은 이미 일 전체를 에이전트에게 맡기고 있습니다. 회사를 만드는 스튜디오 Late Checkout의 CEO Greg Isenberg는 X에 자신의 한 주를 이렇게 묘사했습니다.
X · Greg Isenberg (@gregisenberg) · 2026년 11월 3일
"my team is 50+ people in 12 countries, but i talk to my agents more than my human teammates"
(번역) "우리 팀은 12개국에 50명이 넘지만, 나는 사람 팀원들보다 에이전트들과 더 많이 대화한다"
같은 게시물에서 그는 무언가를 만들기 전에 에이전트가 자신의 아이디어에 질문을 던지는 단계를 소개합니다. 표에 나온 어떤 역할에도 좋은 습관입니다. 에이전트가 일을 시작하기 전에 목표에 대해 묻게 하세요. 저희 생각은 그의 표현보다 덜 극적입니다. 에이전트와 많이 대화하는 것은 괜찮습니다. 무엇을 보내고, 바꾸고, 승인할지는 여전히 사람이 결정한다면 말입니다.
예시: 영업 후속 연락 하나를 단계별로
평범한 업무 하나에서 각 종류가 어떻게 나타나는지 살펴보겠습니다. 이것은 Okou에서 단계들이 어떻게 맞물리는지 보여 주는 예시이며, 고객 사례가 아닙니다.
요청. 갱신 미팅이 끝난 뒤, 한 어카운트 매니저가 이렇게 씁니다. "이 고객의 이력을 검토해서 우리 팀용 브리핑을 준비하고, 후속 이메일 초안을 써 줘."
1. 사실부터 확인하기 (상황 파악). 에이전트는 이메일 스레드, 미팅 메모, CRM 기록, 고객에 관한 최근 뉴스를 읽습니다. CRM에는 "갱신, 표준 조건"이라고 되어 있습니다. 하지만 지난주 이메일에는 고객사 재무 책임자가 분기별 청구를 원한다고 나와 있습니다. 에이전트는 더 최근의 이메일을 따르고, 이 불일치를 미해결 질문으로 표시합니다.
2. 작업 계획하기 (목표). 브리핑과 이메일 모두에 필요한 내용을 모읍니다. 미팅에서 약속한 것, 아직 해결되지 않은 것, 고객이 동의한 다음 단계입니다.
3. 팀의 선호 따르기 (최선의 선택). 어카운트 매니저는 이미 "고객 이메일은 150단어 이내로, 다음 단계부터 먼저 말할 것"이라고 정해 두었습니다. 짧게 쓸지 자세히 쓸지의 고민은 이것으로 정리됩니다.
4. 초안만 쓰고 보내지 않기. 팀은 Okou가 Gmail 초안을 쓰는 것은 허용했지만 보내는 것은 허용하지 않았습니다(Okou란?). 에이전트에게 없는 접근 권한이 필요하면, 사람이 승인하고 그 권한을 얼마 동안 유지할지 고릅니다.
5. 읽는 사람에 맞는 형식 쓰기. 내부 팀은 코멘트를 달 수 있는 문서 형태의 브리핑을 받습니다. 고객은 다음 단계가 한눈에 보이는 짧은 이메일을 받습니다.
6. 사람이 검토하기. 어카운트 매니저가 청구에 관한 문장 하나를 고치고, 받는 사람을 확인한 뒤, 보내기를 누릅니다.
Okou에서 작성한 이메일 초안(다른 작업의 예시 데이터). Draft 표시와 Send 버튼을 확인해 보세요. 사람이 Send를 누르기 전까지는 아무것도 발송되지 않습니다. 이미지를 클릭하면 원본 크기로 볼 수 있습니다.
7. 팀이 다시 쓸 수 있도록 저장하기 (피드백). 수정 사항은 저장해야만 다음번에 도움이 됩니다. 어카운트 매니저는 Okou에게 이 과정을 워크플로로 저장해 달라고 요청합니다. 어떤 출처를 확인할지, 브리핑은 어떤 모습이어야 하는지, 이메일은 초안으로만 둔다는 규칙까지 포함해서요. 그러면 동료가 다른 고객을 대상으로 이 워크플로를 실행할 수 있고, 이때 만든 사람의 계정이 아니라 자신의 이메일과 CRM 계정을 사용합니다(팀을 위한 Okou). 팀이 모든 갱신 미팅 전에 이 워크플로가 실행되기를 원한다면, 일정이나 트리거를 설정한 자동화를 추가할 수 있습니다.
에이전트 종류를 다루는 글은 대부분 2단계, 즉 계획에 초점을 맞춥니다. 하지만 이 예시에서 결과를 쓸모 있게 만든 것은 1단계(더 최근의 이메일), 4단계(보내지 않고 초안만), 5단계(알맞은 형식), 7단계(수정 사항 저장)였습니다.
알맞은 AI 에이전트 종류를 고르는 방법
맡길 일에 대해 다음 질문에 답해 보세요.
- 규칙을 한 문장으로 쓸 수 있나요? 그렇다면 단순한 규칙으로 충분할 수 있습니다.
- 올바른 답이 이력에 달려 있나요? 그렇다면 에이전트가 올바른 출처에 접근할 수 있어야 하고, 두 출처가 서로 다를 때 어떻게 하는지 확인해야 합니다.
- 결과는 알지만 단계는 모르나요? 그것은 목표 기반 업무입니다. 리서치 브리핑, 보고서, 첫 초안 같은 일입니다.
- 장단점을 따져야 하나요? 우선순위를 먼저 정한 다음, 에이전트가 그것을 적용하게 하세요.
- 이 일이 반복되나요? 다음 실행이 더 나아지도록 수정 사항을 어떻게 저장할지 계획하세요.
- 묻지 않고 바꿔도 되는 범위는 어디까지인가요? 읽기 전용 접근과 초안부터 시작하세요. 접근 권한은 단계적으로 넓히고, 가능하면 시간 제한을 두세요.
Okou에게 없는 권한이 필요하면, 사람이 무엇을 요청받고 있는지 정확히 확인하고 얼마 동안 허용할지 고릅니다.
Okou가 맡는 역할
Okou는 비즈니스 팀을 위한 AI 팀원입니다. 에이전트 종류를 고를 필요가 없습니다. 할 일을 설명하고, 관련 파일과 도구를 알려 주면, Okou가 맥락을 모으고, 클라우드에서 일을 처리한 뒤, 여러분이 확인할 수 있는 결과물을 돌려줍니다.
이 가이드의 세 가지 내용이 Okou의 일하는 방식을 만듭니다.
- 올바른 사실이 먼저. Okou는 작업에 필요한 이메일, 문서, 기록을 읽고, 바뀔 수 있는 사실은 원래 출처와 대조해 확인합니다. 채팅에서 바로잡은 내용은 그 채팅 안에서 계속 이어집니다. 다른 채팅의 배경 정보를 쓰려면 Okou에게 그 채팅을 알려 주면 됩니다(Chat).
- 알맞은 형식. 간단한 업데이트는 짧은 메시지로, 검토가 필요한 세부 내용은 문서로, 여러 사람이 함께 추천안을 살펴봐야 할 때는 웹 페이지나 슬라이드로.
- 한계가 있는 재사용. 저장된 워크플로를 쓰면 동료가 자신의 계정과 권한으로 같은 방법을 다시 쓸 수 있습니다. 워크플로를 공유해도 누군가의 받은편지함이나 개인 채팅이 공유되지는 않습니다.
더 많은 예시는 실제 프롬프트와 결과물로 보는 AI 에이전트 활용 사례 20가지, 팀을 위한 AI 에이전트 맥락 관리, Okou가 행동하기 전에 묻는 방식을 참고하세요.
자주 묻는 질문
AI 에이전트의 5가지 종류는 무엇인가요?
단순 반사형 에이전트는 정해진 규칙을 따릅니다. 모델 기반 반사형 에이전트는 여기에 더해 상황을 계속 파악합니다. 목표 기반 에이전트는 목표를 향한 단계를 계획합니다. 효용 기반 에이전트는 여러 선택지 중 가장 좋은 것을 고릅니다. 학습형 에이전트는 피드백을 통해 나아집니다. 이 목록은 러셀과 노빅의 AI 교과서에서 나왔으며, 대부분의 강의에서 이 목록을 씁니다.
AI에서 단순 반사형 에이전트란 무엇인가요?
"이런 경우에는 이렇게 한다"는 규칙에 따라, 지금 보이는 것에만 반응합니다. 기억도 없고 계획도 세우지 않습니다. 온도조절기가 그 예입니다. 업무에서는 받은편지함 필터와 기본적인 분류 규칙이 이렇게 작동합니다. 상황이 예측 가능할 때는 믿을 만하지만, 그렇지 않을 때는 쉽게 속습니다.
목표 기반 에이전트와 효용 기반 에이전트는 어떻게 다른가요?
목표 기반 에이전트는 목표에 도달하는 계획이라면 무엇이든 만족합니다. 효용 기반 에이전트는 선택지를 비교해 가장 좋은 것을 고릅니다. 목표 기반 에이전트는 시카고행 항공편을 아무거나 하나 예약합니다. 효용 기반 에이전트는 여러분이 중요하다고 말한 기준에 따라 가격, 시간, 경유 횟수의 균형이 가장 좋은 항공편을 예약합니다.
멀티 에이전트 시스템도 AI 에이전트의 한 종류인가요?
에이전트를 조직하는 방식이라고 보는 편이 더 정확합니다. 여러 에이전트가 일을 나누거나 함께 맡고, 각 에이전트는 여전히 고전적인 다섯 가지 종류 중 어느 것이든 될 수 있습니다. 에이전트가 많아지면 인계도 많아지는데, 확인 절차가 가장 자주 빠지는 곳이 바로 인계 지점입니다.
비즈니스용 AI 에이전트 종류에 공식 목록이 있나요?
없습니다. 고전적인 다섯 가지 종류는 널리 가르치지만, 비즈니스에서 쓰는 분류는 제각각입니다. 부서별로 나누기도 하고, 얼마나 자율적인지로 나누기도 하고, 이 가이드의 모니터, 리서처, 프로듀서, 오퍼레이터, 코디네이터처럼 역할별로 나누기도 합니다. 어떤 분류든 표준이 아니라 계획을 위한 도구로 쓰세요.
작은 회사는 어떤 종류의 AI 에이전트부터 시작해야 하나요?
반복되고, 결과가 분명하고, 무언가가 나가기 전에 안전하게 확인할 수 있는 일부터 시작하세요. 주간 보고서, 리서치 브리핑, 후속 이메일 초안 같은 일입니다. 에이전트에게는 필요한 것에 대한 읽기 권한을 주고, 발송과 기록 변경은 사람이 맡으며, 신뢰할 수 있다는 것이 확인된 뒤에만 접근 권한을 넓히세요.
