- 제1부 에이전틱 AI의 이론적 기반 및 아키텍처

1. 서론

본 원고는 에이전틱 AI(Agentic AI)의 개념적·기술적 체계를 심층적으로 분석하고, 이를 클라우드 컴퓨팅 및 SaaS(Software as a Service) 산업의 최신 동향과 연계하여 기술한다.  에이전틱 AI는 대규모 언어 모델(LLM)을 기반으로 자율적 목표 설정, 장기 기억 관리, 환경 인식, 그리고 반복적 계획 수행 능력을 통합한 차세대 AI 패러다임으로, 단순 반응형 자동화 시스템을 넘어 능동적이고 전략적인 지능 체계로 진화하고 있다.

본 원고는 총 4부로 구성된다. 제1부는 에이전틱 AI의 이론적 기반과 에이전트 아키텍처의 역사적 진화 및 프레임워크 원칙을 다룬다. 제2부는 Kubernetes 기반 마이크로서비스 배포 전략, 이중 계층 메모리 아키텍처, 오케스트레이션 전략의 비교 분석, 그리고 클라우드-엣지 트레이드오프를 분석한다. 제3부는 에이전틱 AI와 SaaS 플랫폼의 수렴이라는 새로운 패러다임을 중심으로, 주요 통합 패턴과 산업별 혁신 사례, 그리고 MCP 표준 등 최신 기술 동향을 포괄적으로 다룬다. 제4부는 윤리적 거버넌스 체계와 미래 기술 로드맵을 제시한다.

2. 에이전틱 AI의 개념적 정의 및 패러다임 전환

인공지능 역사에서 가장 근본적인 전환 중 하나는 반응형(reactive) 모델에서 에이전틱(agentic) 모델로의 이동이다. 기존 AI 모델은 주어진 입력에 대해 고정된 출력을 생성하는 단방향 처리 체계에 머물렀으나, 에이전틱 AI는 목표를 자율적으로 설정하고, 환경과 지속적으로 상호작용하며, 장기적 계획을 수립하고 실행하는 능동적 지능 체계로 정의된다. Alva & Pandey(2026)는 에이전틱 AI를 '반응성의 자동화에서 자율성의 에이전시로의 전환'으로 규정하며, 이를 통해 AI 시스템이 단순한 도구를 넘어 독립적 계획 기계로 기능한다고 주장한다.

에이전틱 AI의 부상은 단순한 기술적 진보가 아닌 철학적·인식론적 전환을 내포한다. 전통적 AI 시스템은 인간이 정의한 문제를 인간이 설계한 알고리즘으로 해결하는 '도구적 AI(Instrumental AI)'의 패러다임에 속하였다면, 에이전틱 AI는 목표를 스스로 내면화하고, 환경을 관찰하며, 경험으로부터 전략을 수정하는 '에이전트 AI(Agent AI)'의 패러다임을 구현한다. 이 전환은 GPT-4, Claude, PaLM 등 강력한 생성형 AI 기반 시스템의 등장으로 기술적 가능성이 현실화되면서 가속화되고 있다.

그러나 이러한 기반 모델들은 내재된 지속성(persistence), 목표 추적(goal following), 자기 조율(self-coordination) 기능이 결여되어 있다는 근본적 한계를 갖는다. LLM의 상태 비저장성(statelessness)과 프롬프트 종속성은 에이전틱 능력, 즉 경험 기억, 계획 수립, 시간에 걸친 환경 변화 대응 능력을 본질적으로 제한한다. 이 간극을 해소하기 위해 에이전틱 프레임워크는 LLM을 상태 변화를 포용하고, 결과를 비판적으로 평가하며, 작업 경로를 적응시키는 제어 모듈로 둘러싸야 한다. 이를 위해서는 메모리가 맥락적 사실을 유지하고, 의사결정 시스템이 재귀적 계획 능력을 갖추며, 평가 프레임워크가 실시간 피드백을 제공해야 한다.

에이전틱 AI는 또한 인지과학, 의사결정 이론, 기호적 추론의 학제적 기반 위에 구축된다. Baddeley의 작업 기억 모델에서 유래한 메모리 지속 계층 개념은 에이전틱 AI의 메모리 아키텍처 설계에 직접적 영향을 미쳤다. 의사결정 이론의 효용 극대화 원칙은 불확실성 하에서 에이전트가 행동을 선택하는 방식을 구조화하며, 기호적 추론과 논리 프로그래밍은 해석 가능한 계획 및 정책 엔진 설계에 기여한다. 이 이론적 토대는 현대 에이전틱 시스템이 단순한 공학적 진화가 아닌, 인지 과학과 AI 엔지니어링의 심층적 융합으로부터 탄생했음을 의미한다.

3. 기존 프레임워크의 분석

에이전틱 AI를 구현하려는 기존 프레임워크들, 즉 LangChain, AutoGPT, ReAct, CrewAI는 각각 고유한 기여와 동시에 극복되지 않은 한계를 지닌다. 이 한계들의 분석이 새로운 프레임워크 설계의 직접적 동기가 된다.

- LangChain: 맞춤화 가능한 느슨하게 결합된 프레임워크로 프롬프트, 도구, 메모리를 결합하여 LLM을 활용하는 애플리케이션 구축을 지원한다. 벡터 저장소, API, 함수 호출과의 상호 운용성을 제공하지만, 자율적 목표 분해나 실시간 피드백 루프를 위한 네이티브 지원이 없다. 추상화가 높고 다른 도구와 조합하기 좋아 프로토타이핑에는 우수하나, 불확실한 환경의 복잡하고 지속적인 에이전트에는 적합하지 않다.

- AutoGPT: LLM의 가장 중요한 측면인 작업 계획 및 실행을 오픈소스로 시연한 최초 시스템이다. LLM에 단계를 생각하고 계획하며 행동하도록 재귀적으로 요청하는 방식으로 에이전트를 구축한다. 그러나 취약한 메모리, 환각된 목표, 불량한 오류 복구로 비판받으며, 현실적 상태 표현이나 환경 인식이 없어 장기 수평 작업에서 불균일한 성능을 보인다.

- ReAct (Reasoning and Acting): 언어적 추론과 행동 실행을 연결하는 매력적인 패러다임을 제시하였다. 에이전트가 중간 아이디어를 생각하고 API 호출을 수행하며 다음 단계를 조정한다. 이전보다 훨씬 투명한 에이전트 결정 과정을 제공하였으나, 프롬프트 엔지니어링 패턴에만 적용 가능하고 지속적 메모리나 멀티에이전트 조율을 도입하지 못하여 멀티턴 상태 기반 애플리케이션에 적용성이 제한된다.

- CrewAI: 역할 기반 행동으로 조직된 협업 에이전트를 통해 기능을 확장한다. 작업을 특화된 에이전트로 세분화하고 각 에이전트의 기여를 공통 워크플로에 통합하는 인프라를 제공한다. 그러나 표준화된 상태 공유, 계획의 계층 수준, 목표 정렬을 지원하지 않아 확장 가능하고 견고한 에이전틱 애플리케이션 구축에 필요한 요소가 부족하다.

4. 에이전트 아키텍처의 역사적 진화

AI 에이전트 아키텍처의 발전사는 지능적 행동에 대한 이해가 어떻게 심화되어 왔는지를 보여주는 기술적 계보다. 이 역사는 단순 반사 기계에서 출발하여 점차 복잡한 인지 구조를 갖춘 자율 시스템으로 향하는 일관된 궤적을 그린다.

4.1 반사 에이전트 시대 (Rule-Based Reflex Agents)

초기 AI 에이전트는 규칙 기반 반사 에이전트(reflex agent)로 구현되었다. 이들은 결정론적 환경에서 사전 정의된 입출력 쌍에 따라 동작하는 방식으로, 엄격하게 확립된 입출력 쌍과 함께 결정론적 세계에서 작동하며 에이전트는 학습, 계획 또는 맥락 평가 능력을 전혀 보유하지 않았다. 이들은 내부 목표 상태나 세계 모델링 없이 반응적으로만 작동하였다. 체스 엔진, 산업용 제어 시스템, 초기 챗봇 등이 이 세대의 대표적 구현 사례다.

4.2 BDI 모델과 숙고 에이전트 (Deliberative Agents)

반사 에이전트의 한계가 드러나자 신념-욕구-의도(BDI: Belief-Desire-Intention) 모델이 등장하였다. BDI 에이전트는 자신이 처한 환경의 기호적 모델을 유지하고 취할 수 있는 행동에 대해 추론할 수 있었다. 목표 설정, 계획 알고리즘, 명시적 신념·욕구·의도 체계를 활용하는 2세대 에이전트의 주요 전환점이 되었다. BDI 에이전트는 행동하기 전 미래를 시뮬레이션하고 추론할 수 있었으며, 이로써 단순한 행동 주체가 아닌 목표 지향적 추론 주체로 진화하였다.

4.3 효용 기반 에이전트와 확률적 추론

의사결정 이론과 경제학에서 영감을 받은 효용 기반 에이전트는 불확실성 하에서 기대 효용을 극대화하는 행동을 선택하도록 설계되었다. 고정된 지침을 따르는 규칙 기반 에이전트와 달리, 효용 기반 에이전트는 트레이드오프, 위험, 확률에 근거하여 다양한 행동 중 선택할 수 있었다. 이를 통해 환경 전반에 걸쳐 더 역동적이고 반응적이며 탄력적인 의사결정이 가능해졌다. 자율주행 및 금융 예측 같은 응용 분야에서 효용 기반 에이전트를 활용하면 더 상황 인식적이고 유연한 에이전트를 발견할 수 있었다.

4.4 하이브리드 아키텍처의 통합

하이브리드 에이전트의 도입은 반응적 능력과 숙고적 능력을 통합하여 추론 속도와 깊이 사이의 균형을 유지하였다. 반응 모듈은 에이전트가 중요한 자극에 빠르게 반응할 수 있도록 하고, 숙고적 모듈은 장기적으로 전략화할 수 있게 하였다. 하이브리드 시스템은 실시간 요구사항, 장기 목표 계획 필요성, 과거에서 얻은 지식의 계승을 결합하여 에이전트가 즉각적 변화에 반응하면서도 장기 목표를 추구해야 하는 로봇 시스템과 인터랙티브 환경에서 특히 효과적이었다. 3T, ATLANTIS 같은 아키텍처가 저수준 행동 제어와 고수준 인지 계획을 통합한 대표적 사례다.

4.5 LLM 기반 에이전틱 시스템의 출현

LLM과 생성형 AI가 부상하면서 에이전시는 다시 한번 새로운 형태를 취하게 되었다. 현대 에이전틱 시스템은 하이브리드 아키텍처의 더 나아간 확장으로, 자연어 추론, 메모리 보존, 동적 목표 설정, 환경 피드백 루프를 포함한다. 이 시스템의 새로운 모듈은 의도 모델링, 도구 호출, 오류 복구, 메타인지를 위한 기능을 포함한다. 이 세대는 생물학적으로 영감받은 계산과 분산 인지에서 나온 아이디어의 영향도 받으며, 인공 에이전트를 인간과 더 유사하게 추론하고 사회적으로 상호작용하도록 만들었다.

표1. 에이전트 아키텍처 세대별 진화 비교

5. 에이전트 아키텍처 프레임워크

본 장에서는 AI 에이전트 아키텍처로 확장성, 적응성, 다양한 도메인 적용 가능성을 염두에 둔 모듈형 설계 패러다임으로 아키텍처의 핵심 구성 블록을 기술한다. 핵심 구성 블록은 다섯 가지 기능 모듈로 구성되는데 각 모듈은 독립적으로 배포·교체·확장이 가능하도록 소프트웨어 정의 방식으로 구현된다. 

5.1 지각 모듈 (Perception Module)

지각 모듈은 센서 입력 단위로 기능하며, 비정형 정보(텍스트, API 응답, 센서 데이터)를 수집하고 에이전트의 추론 프로세스를 활성화하는 구조화된 표현으로 변환한다. 이 모듈은 감각 변환기(Sensory Transformers)라는 재사용 가능한 아키텍처 기본 단위로 구현되며, 다중 입력 채널을 병렬로 처리하고 시맨틱 임베딩 벡터로 정규화하여 이후 계획 및 메모리 모듈과의 원활한 인터페이스를 보장한다. 멀티모달 입력(텍스트, 이미지, 센서 스트림)을 통합 처리하는 능력은 산업용 IoT, 로봇 비전, 의료 진단 영상 분석 등 다양한 실세계 응용 분야에서 핵심 차별화 요소가 된다.

5.2 계획 모듈 (Planning Module)

계획 모듈은 규칙 기반 논리와 확률적 모델링을 결합하여 고수준 목표를 하위 작업으로 재귀적으로 분해하고 전략을 수립하는 인지 처리 단위다. 목표 트리(Goal Trees)라는 계층적 데이터 구조를 기반으로 동작하며, 의존성 트리를 위상 정렬로 해결하는 실행 분기를 채용한다. 이 모듈의 핵심 혁신은 동적 재계획(Dynamic Replanning) 능력으로, 실행 실패나 환경 변화가 감지되면 현재 계획을 폐기하지 않고 영향받는 하위 트리만 수정하는 부분적 재계획을 수행하여 계산 효율성을 극대화한다. 이는 기존 AutoGPT나 ReAct가 전체 계획을 처음부터 재생성하는 방식과 근본적으로 다른 접근이다.

5.3 메모리 모듈 (Memory Module)

메모리 모듈은 단기 대화·작업 맥락 캐시와 장기 에피소드·의미론적 벡터 데이터베이스를 결합한 이중 계층 기억 구조를 구현한다. 메모리 인코더/디코더(Memory Encoders/Decoders)라는 아키텍처 기본 단위를 통해 에이전트가 과거 상호작용을 기록하고, 세션 간 솔루션을 재사용하며, 장기 프로세스에서 연속성을 유지할 수 있다. 내결함성 유닛이 상태 불일치를 감지하고 동적 복구를 시작하며, 의도된 경로를 따르지 않는 작업의 경우 메모리 관리자가 롤백을 수행하고 계획 레이어에 재예약을 요청한다. 이 메커니즘은 파국적 실패를 최소화하고 갑작스러운 활동 종료 대신 우아한 성능 저하를 허용한다.

5.4 실행 모듈 (Execution Module)

실행 모듈은 외부 API, 추론 엔진, 문서 파서 등과 인터페이스하며 구체적인 작업 계획을 물리적·디지털 행동으로 변환하는 출력 처리 단위다. 행동 노드(Action Nodes)로 구현되며, 동기적·비동기적 모두로 호출 가능한 REST, gRPC, WebSocket 프로토콜을 지원한다. 모든 실행 결과는 메모리 모듈에 피드백되어 학습과 적응을 가능케 하며, 실패한 실행은 계획 모듈의 재계획 사이클을 트리거한다. 이 역방향 피드백 루프는 전체 시스템의 자기 수정 능력의 핵심이다.

5.5 통신 모듈 (Communication Module)

통신 모듈은 사용자, 다른 에이전트, 외부 시스템과의 멀티모달 맥락 인식 기반 소통을 담당하는 인터페이스 단위다. 맥락 브로커(Context Brokers)라는 아키텍처 기본 단위로 구현되며, 현재 에이전트 상태, 목표 진행도, 중간 결과를 적절한 형식으로 인간 또는 다른 에이전트에게 전달한다. 멀티에이전트 환경에서는 에이전트 간 역할 협상, 작업 위임, 충돌 해결을 위한 프로토콜을 지원한다. Human-in-the-Loop(HITL) 인터페이스도 이 모듈을 통해 구현되어, 신뢰도 임계값 초과나 윤리적 경계 감지 시 자동으로 인간 검토자에게 결정을 넘긴다.

—

참고문헌

1. Alva, L. R., & Pandey, B. (2026). Agentic AI systems in the age of generative models: architectures, cloud scalability, and real-world applications. Artificial Intelligence Review, 59 

2. Bousetouane, F. (2025). Agentic systems: a guide to transforming industries with vertical AI agents. ArXiv:2501.00881. 

3. Hosseini, S., & Seilani, H. (2025). The role of agentic AI in shaping a smart future: a systematic review. Array, 100399. 

4. Hughes, L., et al. (2025). AI agents and agentic systems: a multi-expert analysis. Journal of Computer Information Systems. 

5. Jaggavarapu, M. K. R. (2025). The evolution of agentic AI: architecture and workflows for autonomous systems. Journal of Multidisciplinary, 5(7), 418–427.

6. Jiang, F., Pan, C., Dong, L., Wang, K., Dobre, O. A., & Debbah, M. (2025). From large AI models to agentic AI: a tutorial on future intelligent communications. ArXiv:2505.22311.

7. Koubaa, A. (2025). From pre-trained language models to agentic AI: evolution and architectures for autonomous intelligence. 

8. Mukherjee, A., & Chang, H. H. (2025). Agentic AI: autonomy, accountability, and the algorithmic society. ArXiv:2502.00289. 

9. Pati, A. K. (2025). Agentic AI: a comprehensive survey of technologies, applications, and societal implications. IEEE Access. 

10. Sapkota, R., Roumeliotis, K. I., & Karkee, M. (2025a). AI agents vs. agentic AI: a conceptual taxonomy, applications and challenges. ArXiv:2505.10468.

저작권 정책

SaaS 전환지원센터의 저작물인 『에이전틱 AI 시스템: 아키텍처, 클라우드 확장성, 그리고 SaaS 혁신 전략』은 SaaS 전환지원센터에서 『상명대학교 서광규 교수』에게 집필 자문을 받아 발행한 전문정보 브리프로, SaaS 전환지원센터의 저작권정책에 따라 이용할 수 있습니다. 다만 사진, 이미지, 인용자료 등 제3자에게 저작권이 있는 경우 원저작권자가 정한 바에 따릅니다.