Agentic AI: 개념과 필요성, 그리고 미래 영향

2025-06-30 최성철

매우 빠른 것 같습니다!
AI 기술의 진화 속도는 우리가 상상하는 것 이상으로 빠르게 전개되고 있습니다. 불과 20여 년 전만 해도, RBS(Rule-Based System) 같은 시스템이 중심이었으며, AI는 ‘사람이 만들어낸 규칙’으로 정의했습니다. 이러한 시스템을 구축하기 위해선 비즈니스 로직에 대한 깊은 이해가 필요했고, 그 컨텍스트를 룰 기반으로 명확하게 해석할 수 있어야 했습니다. 당시에는 국내에 AI 전문가도 드물었고, 관련 연구나 실증 사례 또한 찾기 어려웠습니다. 이른바 ‘AI Winter’가 지속되던 시기였습니다. ^[1]

[그림 1] The Three Booms of AI (출처: Hsiang-Lan Lung, 2019) ^[1]

그러나 2010년대 초반, 딥러닝의 발전은 AI 기술의 르네상스를 다시 열었습니다. 그리고 2022년 말, ChatGPT의 등장은 AI에 대한 인식을 완전히 바꾸어 놓았습니다. 생성형 AI는 텍스트를 넘어 이미지, 영상 등 다양한 형태의 데이터를 이해하고 생성할 수 있는 능력을 보여 주었고, 이는 일과 삶에 엄청난 영향을 미쳤습니다. 다시 그로부터 약 2년 후인 2025년, CES 기조연설에서 엔비디아 CEO 젠슨 황이 ‘AI 에이전트’의 가능성을 강조하면서 한 번의 전환점을 열었습니다.

지금의 AI는 단순히 ‘무엇을 하라’는 명령을 수행하는 수준을 넘어서고 있습니다. 사람의 개입 없이도 스스로 목표를 설정하고, 판단하고, 실행하며, 결과를 학습하는 자율형 AI, 즉 Agentic AI의 시대가 본격적으로 도래하고 있는 것입니다.

AI의 진화

AI 기술은 지난 수십 년간 비약적인 진화를 거쳐 왔으며, 최근에는 단순한 생성에서 자율적 실행으로 패러다임이 전환되고 있습니다. 이 흐름은 생성형 AI, AI 에이전트, Agentic AI로 크게 세 단계로 발전하고 있습니다. ^[2]

[그림 2] From GenAI to Agentic AI: Technical Comparison (출처: Courtney Goodman, 2025) ^[2]

Generative AI(생성형 AI)
생성형 AI는 대규모 언어 모델(LLM)을 기반으로 입력된 데이터를 분석하고 그에 맞는 새로운 텍스트, 이미지, 오디오, 코드 등 다양한 형태의 출력을 생성하는 AI입니다. ^[3] 대표적인 예로는 ChatGPT, Claude, Gemini 등이 있습니다. 기존 데이터를 학습하여 패턴과 구조를 이해하고, 이를 바탕으로 유사하거나 완전히 새로운 콘텐츠를 만들어냅니다. ‘Input → Model → Output’의 단순한 구조로, 사용자가 프롬프트를 입력하면, 모델이 이를 분석해 적합한 출력을 생성합니다. 또한, Stateless 구조로 각 입력에 대해 독립적으로 출력을 생성합니다. 이전 입력이나 대화의 맥락을 장기적으로 기억하지 않으며, 매 요청에 새로운 결과를 제공합니다. 사용자의 요구에 따라 다양한 콘텐츠를 빠르게 생성할 수 있을 뿐, 스스로 목표를 설정하거나 문제를 해결하는 능력이 없습니다.

AI Agents(AI 에이전트)
AI 에이전트는 생성형 AI 모델에 계획 수립, 간단한 메모리 기능이 결합해 진화된 AI입니다. ^[4] AI 에이전트는 단순히 텍스트를 생성하는 데 그치지 않고, 사용자의 목표에 따라 다양한 API와 기능을 조합해 실제 작업을 자동으로 수행할 수 있습니다. ^[5] 주로 단계적인 작업 자동화나 RAG 기반 문서 질의 응답 등에 활용됩니다. LangChain, AutoGen 등이 대표적인 구현 프레임워크입니다. 목표 달성을 위해 여러 단계를 자동으로 계획하고 실행할 수 있으며, 이전 작업의 결과나 상태를 기억해, 연속적이고 맥락 있는 작업이 가능합니다. 외부 API, 데이터베이스, 웹 검색, 파일 시스템 등 다양한 도구를 직접 호출해 복합적인 작업을 처리할 수 있습니다. 특정 작업을 수행하기 위한 지시를 내릴 수는 있지만, 장기적인 목표를 설정하거나 복잡한 상황을 해결하는 데는 한계가 있습니다.

Agentic AI(에이전틱 AI)
Agentic AI는 기존의 AI 시스템을 뛰어넘어, 스스로 목표를 설정하고, 그 목표를 달성하기 위한 전략을 수립하며, 실행 과정에서 발생하는 다양한 변수와 환경 변화에 자율적으로 대응하는 자율 실행형 AI입니다. ^[6] Agentic AI는 목표 지향적이고 자기 최적화 능력을 갖추고 있으며, 구조적으로는 지속성 있는 Persistent Memory를 기반으로 합니다. 완전한 자율성을 기반으로 업무 흐름을 자동으로 구성하며, 변화하는 환경에 맞춰 전략을 수정하고, 상황에 자율적으로 반응하면서 점차 학습하고 진화합니다.

요약하자면, 생성형 AI는 주로 콘텐츠 생성에 중점을 두는 반면, AI 에이전트는 제한된 자율성을 가지고 단계적인 작업 자동화를 처리합니다. 반면, Agentic AI는 스스로 목표를 정의하고, 여러 에이전트를 협업시키며, 자율적으로 작업을 실행하고 학습하는 완전 자율 시스템입니다.

Agentic AI(에이전틱 AI)란 무엇인가?

Agentic AI(에이전틱 AI)는 인간의 지시나 개입 없이도 스스로 목표를 설정하고, 문제를 인식하며, 적절한 도구를 활용해 작업을 수행하고, 그 결과를 학습에 반영하는 자율 실행형 AI입니다. ^[7] Microsoft는 이를 ‘minimal human oversight (최소한의 감독)’에서도 복잡한 미션을 스스로 수행할 수 있는 시스템으로 정의합니다. ^[8] 즉, AI가 더 이상 단순히 ‘사용되는 도구’가 아니라, 스스로 계획하고 판단하며, 능동적으로 환경에 대응하는 존재로 진화한다는 것입니다.

Harvard Business Review에 따르면, Agentic AI의 핵심 개념은 ‘자발성(Proactiveness)'에 있습니다. ^[9] 이는 AI 시스템이 주어진 목표를 달성하기 위해 독립적으로 결정을 내리고 행동을 취할 수 있는 능력을 갖추었다는 것을 의미합니다. 이러한 자발성 덕분에 Agentic AI는 인간과 협업하는 디지털 동료로서 역할을 확대하며, 복잡한 비즈니스 프로세스, 개인 비서, 연구, 분석 등 다양한 분야에서 높은 효율성과 적응성을 발휘합니다. 기존의 AI가 단순히 명령을 수행하는 도구에 머물렀다면, Agentic AI는 데이터를 수집하고, 의사결정을 내리며, 행동하고, 그 결과에 따라 스스로 행동 방식을 조정하는 등 자율적이고 능동적으로 역할을 수행합니다. Agentic AI는 목표 또는 비전을 이해하고, 이를 해결하기 위해 스스로 상황을 분석하고 적절한 결정을 내리며, 끊임없이 자신을 개선하는 방식으로 작동합니다.

Agentic AI의 핵심 특성

Agentic AI는 기존의 생성형 AI나 반응형 AI 시스템과는 본질적으로 다른 차원의 능력을 요구합니다. 단순히 질문에 답하거나 단일 작업을 수행하는 것을 넘어, 스스로 목표를 정의하고 실행하며 학습하는 자율적 사고 체계를 기반으로 작동합니다.

목표 지향성
Agentic AI의 가장 큰 특징은 외부의 명령 없이도 스스로 ‘무엇을 해야 하는가’를 정의하고, 그 목표 달성을 위한 계획을 수립한다는 점입니다. 기존의 AI는 사람이 설정한 명령에 따라 움직이지만, Agentic AI는 인간의 개입 없이도 목표를 스스로 이해하고 이를 달성하기 위한 계획을 수립합니다. 예를 들어, 물류 기업의 Agentic AI는 ‘배송 지연 최소화’라는 목표를 이해하고, 날씨 정보, 교통 상황, 재고 현황 등을 실시간으로 분석해 최적의 물류 경로를 재설정하는 전략을 스스로 수립할 수 있습니다. ^[10] 이처럼 목표를 인식하고 능동적으로 접근하는 것이 핵심입니다.

자율적 실행
Agentic AI는 단순히 목표를 설정하는 데 그치지 않고, 그 목표를 달성하기 위한 수단과 절차를 독립적으로 실행할 수 있습니다. 이는 사람의 세부 지시 없이도 계획 수립부터 실행까지 전체 과정을 독립적으로 수행합니다. 필요에 따라 여러 도구나 API, 외부 시스템을 활용하여 실제 업무를 처리합니다. ^[11] 예를 들어, 고객 서비스 분야에서 Agentic AI는 고객 불만 접수부터 정책 확인, 해결 방안 제시, 후속 안내까지 전 과정을 혼자 처리할 수 있습니다. 미국의 AI 스타트업 Ema는 고객의 감정을 인식하고, 적절한 해결책을 실시간으로 제시하며, 백엔드 시스템에까지 자동으로 접근해 필요한 조치를 수행합니다. 이는 단순 자동화를 넘어선 완전한 실행 주도 능력을 의미합니다. ^[12]

지속적 학습
Agentic AI는 단순히 명령을 반복 수행하는 기존 AI와 달리, 작업을 수행한 후 그 결과를 분석하고 평가하여 다음 작업에 반영하는 학습 루프를 내장하고 있습니다. ^[13] 이로써 반복되는 업무 상황 속에서 단순히 명령을 반복하는 것이 아니라, 실패와 성공의 패턴을 인식하고 전략을 수정해 나가는 방식입니다. 미국의 헬스케어 스타트업 Hippocratic AI는 고령 환자와의 상호작용 데이터를 바탕으로 점차 더 따뜻하고 공감 어린 커뮤니케이션 방식을 학습하고 있습니다. ^[14] 이처럼 Agentic AI는 정적인 시스템이 아니라, 지속적으로 진화하고 성장하는 동적인 시스템입니다. 단순히 한 번의 작업을 수행하고 끝나는 것이 아니라, 실행 결과를 분석하고 학습하여 다음 작업에 반영합니다. 이를 통해 AI는 경험을 축적하고 스스로 개선합니다.

Agentic AI로의 변화는 왜 필요한가?

Agentic AI는 기존의 생성형 AI나 단순 자동화 시스템이 해결할 수 없는 복잡한 문제와 변화하는 환경에 능동적으로 대응할 수 있기 때문에 점점 더 중요해지고 있습니다.

기존 AI 시스템은 주어진 명령이나 절차를 반복적으로 수행하는 데는 효과적이지만, 스스로 문제를 정의하거나 전략을 조정해 실행하는 능력은 제한적입니다. 반면, Agentic AI는 스스로 목표를 수립하고, 이를 달성하기 위한 계획을 세우며, 실행과 피드백을 통해 점진적으로 학습합니다. 사람이 일일이 세부 지시를 내리지 않아도, AI가 스스로 판단하고 실행해 생산성과 효율성을 크게 높일 수 있습니다.

시장, 고객, 기술 등 환경이 빠르게 변하는 상황에서 Agentic AI는 실시간 데이터를 분석하고 전략을 즉각 수정해 최적의 결과를 도출합니다. 실행 결과와 피드백을 바탕으로, 지속적으로 학습하고, 실패와 성공의 패턴을 인식해 점점 더 나은 성과를 내도록 진화합니다.

또한, Agentic AI는 단순한 도구가 아니라, 인간과 협업하며 스스로 행동하는 디지털 파트너로서 역할을 수행합니다. 이는 인간의 전략적 역량과 AI의 학습 능력을 결합해, 새로운 가치와 혁신을 창출합니다.

결국, Agentic AI는 단순 자동화나 생성형 AI만으로는 달성할 수 없는 고차원적 자율성, 적응성, 혁신성을 제공합니다. 기업과 조직이 빠르게 변화하는 시장에서 생존하고 성장하기 위해서는, 스스로 목표를 세우고 실행하는 Agentic AI의 도입이 필수적입니다.

결론적으로, Agentic AI는 복잡성, 변화, 효율성, 혁신이 요구되는 현대 사회와 산업에서 인간과 조직의 한계를 보완하고, 새로운 성장 동력을 제공하는 핵심 기술로 자리 잡고 있습니다.

Agentic AI의 주요 구성 요소

Agentic AI는 단순한 기술 조합이나 자동화 수준에 머무르지 않고, 목표 수립부터 실행, 피드백, 재계획에 이르기까지 자율적인 실행 루프를 완성하는 복합 지능 시스템입니다. 기업 환경에서 효과적인 운영을 위해서는 다음과 같은 구성 요소들이 유기적으로 판단하고 실행할 수 있는 구조를 갖추고 있어야 합니다. ^[15]

[그림 3] Core Components of Agentic AI Architectures (출처: Rajeev Sharma, 2025) ^[15]

Perception(지각): 지각 모듈은 Agentic AI의 첫 번째 단계로, AI의 감각 시스템 역할을 수행합니다. 사용자의 명령과 외부 환경으로부터 다양한 정보를 실시간으로 인식하고, 센서, 데이터베이스, API, 사용자 상호작용 등 다양한 소스에서 데이터를 수집합니다. 이 단계는 단순한 명령어 해석이 아니라, 외부 환경과 내부 시스템의 상태를 통합적으로 파악하여 이후의 인지, 실행 단계에 필요한 기초 데이터를 제공합니다. 이러한 지속적인 정보 흐름은 AI의 의사결정 프로세스에 중요한 역할을 합니다.
Cognition(인지): 인지 모듈은 AI의 두뇌 역할을 하며, 인간의 문제 해결 방식과 유사하게 작동합니다. 지각 모듈에서 전달된 다양한 데이터를 바탕으로 현재 상황을 이해하고 맥락을 파악하여, 에이전트의 목표와 원하는 결과를 명확하게 정의합니다. 목표가 설정되면, 이를 달성하기 위해 에이전트의 역량과 환경적 제약을 고려하여 전략과 계획을 수립합니다. Agentic AI는 목표 지향적 아키텍처와 강화 학습 등 핵심 기술을 바탕으로, 에이전트가 실시간으로 전략을 조정하고, 복수의 목표를 동적으로 관리할 수 있도록 설계합니다.
Action(실행): 실행 모듈은 인지 모듈에서 도출된 결정을 실제로 수행하는 역할을 합니다. 에이전트가 설정한 목표를 달성하기 위해 외부 시스템과 직접 연결되어 선택한 작업을 자동으로 실행합니다. ERP, CRM, 클라우드 API, 이메일, 웹 브라우저 등 다양한 인터페이스와 상호작용할 수 있습니다.

Agentic AI 시스템은 지각, 인지, 실행 모듈의 핵심 구성 요소를 바탕으로 동작하지만, 여기서 멈추지 않고 시간이 지남에 따라 새로운 데이터와 경험에서 지속적으로 학습하고 개선하는 기능을 가지고 있습니다. Agentic AI는 높은 자율성과 실행력을 갖추고 있기 때문에, 철저한 제어와 감시 시스템이 필수적입니다. 실행 이전에 인증 및 권한 관리를 통해 에이전트가 민감 데이터에 무분별하게 접근하지 못하게 제한하고, 중요한 판단이나 고위험 작업에는 Human-in-the-Loop (HITL) 방식을 통해 사람이 중간에 개입하여 결정을 검증하거나 승인하는 절차를 마련합니다. 또한, 모든 실행 내역을 체계적으로 기록해 사후에 작업 흐름과 결정 과정을 투명하게 추적, 감사할 수 있도록 합니다. 이러한 체계적 통제는 AI의 신뢰성과 안전성을 높이고, 기업과 조직 환경에서의 실질적 도입을 가능하게 만듭니다.

비즈니스에서의 Agentic AI 활용 사례

Agentic AI는 실제 기업 환경에서 다양한 방식으로 구현되고 있으며, 에이전트의 유형에 따라 활용 방식을 구분할 수 있습니다. 다음 세 가지 에이전트 유형은 기업 내 Agentic AI 시스템을 분류하고 설계하는 데 있어 기본적인 틀을 제공합니다.

[그림 4] 3 Types of AI Agents (출처: Vinay Mummigatti, 2025) ^[17]

태스크 에이전트(Task Agents)
단일 목적 또는 단일 태스크를 수행하는 에이전트로, 명확하게 정의된 단위 업무를 빠르고 정확하게 처리하는 것을 목표로 합니다. 회의 요약, 이메일 작성, 문서 분석 등 주로 반복적이거나 규칙 기반의 태스크를 자동화하며, 사용자의 개입 없이 자율적으로 동작합니다.

베트남의 대표 IT 기업 CMC Global은 글로벌 프로젝트 협업 과정에서 발생하는 커뮤니케이션 문제를 해결하기 위해 태스크 에이전트를 적극 도입했습니다. ^[18] CMC Global은 다양한 국가, 시간대, 문화, 언어를 가진 고객과의 소통에서 언어적 장벽과 문화적 차이, 기술적 문제 등으로 인해 의사소통 오류가 빈번히 발생하는 상황에 직면했습니다. 이에 CMC Global은 프로젝트 데일리 스크럼 미팅과 글로벌 고객 미팅 등 실제 협업 현장에 태스크 에이전트를 적용했습니다. 태스크 에이전트는 실시간 자막, 자동 번역, 회의록 자동 생성 등 기능을 통해 언어 장벽을 해소하고, 고객 요구사항을 명확하게 파악할 수 있도록 지원하였습니다. 결과적으로 회의 시간은 평균 40% 단축, 회의록 작성 소요 시간은 75% 감소, 커뮤니케이션 오류는 30% 감소하는 등 구체적인 성과를 거두었습니다. 이를 통해 CMC Global은 글로벌 프로젝트에서의 의사소통 효율성을 크게 향상했으며, 고객 대응 품질 또한 한층 개선되었습니다.

서비스 에이전트(Service Agents)
여러 태스크 에이전트를 조합하여 특정 업무 기능 또는 서비스를 지속적이고 지능적으로 수행하는 에이전트입니다. 단일 태스크에 국한되지 않고, 다양한 단위 업무를 통합적으로 관리하며, 고객 응대, 기술 지원, 회계 처리 등 사용자의 복합적인 요구에 대응하는 것이 특징입니다.

이스라엘의 스타트업 Wonderful은 고객센터에 서비스 에이전트를 도입하여, 채팅, 이메일, 음성 등 다양한 채널에서 통합 자동 응대를 실현하였습니다. ^[19] 이 에이전트는 LLM을 활용한 자연스러운 대화 능력을 바탕으로, 27개의 언어로 고객의 감정을 실시간으로 분석할 수 있었습니다. 이를 통해 문의 내용의 뉘앙스와 긴급도를 정확히 파악하고, 각 고객의 문화적 배경과 현지 규제 환경을 고려한 맞춤형 대응을 제공하였습니다. 영어뿐만 아니라, 비영어권 시장에서도 현지의 통화 방언과 문화적 맥락을 정교하게 반영한 서비스를 제공하였습니다. Wonderful은 전 세계 고객에게 일관되고 만족스러운 서비스를 제공함으로써, 고객은 자신의 언어와 문화에 맞는 자연스러운 소통을 경험할 수 있게 되었습니다. 이로 인해 고객은 오해나 불편 없이 정확한 안내를 받을 수 있게 되었으며, 상담 효율성과 고객 만족도가 크게 향상되었습니다.

프로세스 에이전트(Process Agents)
복수의 서비스 에이전트와 태스크 에이전트를 관리하며, 전사적 업무 프로세스의 목표 달성과 최적화를 주도하는 에이전트입니다. 변화에 민첩하게 대응하며, 자율적으로 목표 달성을 가능하게 합니다.

미국의 다국적 금융 서비스 기업 BNY Mellon은 프로세스 에이전트를 활용해 백오피스 전반의 업무를 통합적으로 자동화하는 NAVI(Navigator for AI) 프레임워크를 구축했습니다. ^[20] 이 프레임워크는 다양한 백오피스 프로세스를 하나의 통합 플랫폼에서 관리하며, 업무 효율성과 투명성을 크게 높였습니다. NAVI는 여러 서비스 에이전트와 태스크 에이전트를 프로세스 에이전트가 중앙에서 오케스트레이션하는 구조로, 각 업무 단계별로 필요한 작업을 자동으로 실행하고, 실시간 데이터와 업무 흐름을 모니터링합니다. 이를 통해 반복적이고 복잡한 백오피스 업무를 자동화할 뿐만 아니라, 규정 준수와 감사 추적 등 금융 산업의 엄격한 요구사항도 체계적으로 지원함으로써, 운영 효율성과 신뢰성을 강화하고, 고객에게 더 빠르고 정확한 서비스를 제공할 수 있게 되었습니다.

Agentic AI가 가져올 미래의 변화

과거의 AI는 도구로서 인간이 명확한 지시를 내리고, 반복적이고 정형화된 작업을 자동화하는 역할에 머물렀습니다. 그러나 Agentic AI의 등장으로 AI는 단순한 보조를 넘어, Co-worker로 진화하고 있습니다. 이처럼 인간과 AI는 하나의 팀으로서, 각자의 강점을 살려 공동의 목표를 향해 유기적으로 협력합니다.

Agentic AI는 기술적 진보를 넘어, 산업 구조와 일의 본질 자체를 변화시키고 있습니다. 기존 AI가 주로 반복적이고 규칙 기반의 작업 자동화에 집중했다면, Agentic AI는 스스로 목표를 설정하고, 환경을 분석하며, 상황에 맞는 최적의 결정을 내리는 자율성과 적응성을 갖춘 것이 특징입니다. 이로 인해 반복적이고 예측 가능한 작업은 AI가 맡고, 사람은 더 창의적이고 전략적인 업무에 집중할 수 있게 됩니다.

Agentic AI의 도입은 기업 조직 구조의 근본적인 변화를 촉진합니다. 기존의 하향식 명령 체계에서는 상위 관리자가 목표와 지시를 내리고, 각 부서는 이를 수행하는 방식이 일반적이었습니다. 그러나 Agentic AI가 도입되면서 조직은 점차 목표 기반의 자율 운영 모델로 전환되고 있습니다. 각 부서 또는 팀 단위로 Agentic AI를 배치하면, 사람의 직접적인 조정 없이도 부서 간 협업이 자동으로 연결되고, 전체 업무 흐름이 실시간으로 최적화됩니다. 이로써 조직은 규모에 상관없이 민첩성과 확장성을 극대화할 수 있습니다.

# References
[1] Hsiang-Lan Lung. (2019). AI: from deep learning to in-memory computing. https://doi.org/10.1117/12.2517237
[2] Courtney Goodman. (2025). Understanding Agentic AI and Its Cybersecurity Applications. Balbix. https://www.balbix.com/insights/understanding-agentic-ai-and-its-cybersecurity-applications/
[3] IBM. 생성형 AI란 무엇인가요? https://www.ibm.com/kr-ko/topics/generative-ai
[4] 최성철. (2025). AI 에이전트(AI Agents)란 무엇인가? 삼성SDS 인사이트. https://www.samsungsds.com/kr/insights/what-are-ai-agents.html
[5] Google. What is an AI agent? https://cloud.google.com/discover/what-are-ai-agents
[6] Wikipedia. Agentic AI. https://en.wikipedia.org/wiki/Agentic_AI
[7] GOV.UK. (2025). AI Insights: Agentic AI. https://www.gov.uk/government/publications/ai-insights/ai-insights-agentic-ai-html
[8] Stephen Kenney. (2025). What is agentic AI? University of Cincinnati News. https://www.uc.edu/news/articles/2025/06/what-is-agentic-ai-definition-and-2025-guide.html
[9] Mark Purdy. (2024). What Is Agentic AI, and How Will It Change Work? Harvard Business Review. https://hbr.org/2024/12/what-is-agentic-ai-and-how-will-it-change-work
[10] CJ대한통운. (2025). CJ대한통운, ‘에이전틱 AI와 휴머노이드’로 물류의 미래를 그리다. https://cjnews.cj.net/cj%EB%8C%80%ED%95%9C%ED%86%B5%EC%9A%B4-%EC%97%90%EC%9D%B4%EC%A0%84%ED%8B%B1-ai%EC%99%80-%ED%9C%B4%EB%A8%B8%EB%85%B8%EC%9D%B4%EB%93%9C%EB%A1%9C-%EB%AC%BC%EB%A5%98%EC%9D%98-%EB%AF%B8/
[11] iOPEX Technologies. (2025). Agentic AI and How It is Transforming Customer Service. https://www.iopex.com/blog/agentic-ai-in-customer-service
[12] Abhiraj Hinge. (2024). AI-Powered Support: The Ultimate Guide to Revolutionizing Your Customer Service. Ema. https://www.ema.co/additional-blogs/ai-in-customer-service/ai-customer-service-guide
[13] Amplework. (2025). How to Build Feedback Loops in Agentic AI for Continuous Digital Transformation. https://www.amplework.com/blog/build-feedback-loops-agentic-ai-continuous-transformation/
[14] Michael Spencer. (2024). What is Hippocratic AI's Polaris? https://offthegridxp.substack.com/p/what-is-hippocratic-ais-polaris
[15] Rajeev Sharma. (2025). Agentic AI Architecture: A Deep Dive. Markovate. https://markovate.com/blog/agentic-ai-architecture/
[16] Ampcome. (2024). Agentic AI Components: How Agentic AI Works? https://www.assistents.ai/blog/agentic-ai-components
[17] Vinay Mummigatti. (2025). How to Identify Agentic AI Use Cases: A 7-Step Framework. https://www.skan.ai/blogs/agentic-ai-use-case-framework
[18] 홍은주. (2024). Brity Copilot, 이제 Personal Agent로! 삼성SDS 인사이트. https://www.samsungsds.com/kr/insights/brity-copilot-as-a-personal-agent.html
[19] Yuliya Chernova. (2025). Wonderful Gathers Capital to Build AI Agents for Non-English Customer Support. WSJ. https://www.wsj.com/articles/wonderful-gathers-capital-to-build-ai-agents-for-non-english-customer-support-fd011f16
[20] Monexa. (2025). BNY Mellon's Strategic Moves: AI, Dividends, and Navigating the Landscape. https://www.monexa.ai/blog/bny-mellon-s-strategic-moves-ai-dividends-and-navi-BK-2025-02-20
[21] Ranjan Sapkota, Konstantinos I. Roumeliotis, Manoj Karkee. (2025). AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges. https://arxiv.org/html/2505.10468v1

이 글이 좋으셨다면 구독&좋아요

여러분의 “구독”과 “좋아요”는
저자에게 큰 힘이 됩니다.

최성철 IT트렌드 전문가

삼성SDS 전략마케팅팀

Corporate Strategy & Business Development, and Customer Success Lead

Model Type	Architecture	Memory	Autonomy	Use Case
GenAI	Input - Model - Output	Stateless	None	Text/code generation, summarization
AI Agents	Goal - Agent - Tools - Output	Episodic	Limited	Task execution via APIs, basic RAG
Agentic AI	Obhective - Sub-Agents - Tools + Memory - Output	Persistent	Full	Autonomous workflows, contextual decision-making, adaptive defense