AI 에이전트란 LLM이 도구를 쓰면서 결과를 보고 다음 행동을 스스로 정하는 시스템입니다. 질문 하나에 답 하나를 내고 끝나는 챗봇과 달리 여러 단계를 반복하며 일을 끝내고, 그만큼 비용이 커서 Anthropic은 에이전트가 채팅보다 평균 약 4배 많은 토큰을 쓴다고 밝혔습니다. 그래서 작은 회사라면 처음부터 에이전트를 만들기보다 순서가 정해진 워크플로로 풀 수 있는지 먼저 확인하는 것이 손해가 적습니다. 이 글의 정의와 수치는 2026년 10월 12일에 확인한 Anthropic 공식 글과 클로드 코드 문서를 기준으로 했습니다.
AI 에이전트 뜻은 무엇인가요?
AI 에이전트를 이해하려면 먼저 그 바탕인 LLM을 알아야 합니다. LLM은 글을 읽고 다음 말을 이어 쓰는 모델이고, 기본 개념은 LLM이란? 토큰·컨텍스트·할루시네이션 정리에 따로 적어 두었습니다.
에이전트는 이 LLM에 세 가지를 더한 것입니다.
- 도구: 검색, 파일 읽기·쓰기, 명령 실행, 외부 서비스 호출
- 환경의 피드백: 도구를 쓴 결과(검색 결과, 에러 메시지, 테스트 통과 여부)
- 반복: 결과를 보고 다음에 무엇을 할지 정해 다시 도구를 쓰는 고리
Anthropic은 2024년 12월 글 'Building effective agents'에서 이런 시스템을 통틀어 '에이전트형 시스템'이라 부르고, 그 안을 두 가지로 나눕니다.
| 구분 | 공식 정의(요약) |
|---|---|
| 워크플로 | LLM과 도구를 미리 정해 둔 코드 경로로 조율하는 시스템 |
| 에이전트 | LLM이 자신의 과정과 도구 사용을 스스로 지휘하는 시스템 |
핵심 차이는 누가 순서를 정하느냐입니다. 워크플로는 개발자가 "분류하고 → 요약하고 → 검토한다"처럼 순서를 코드로 박아 두고, 에이전트는 모델이 상황을 보고 몇 단계를 어떤 순서로 할지 정합니다.
AI 에이전트와 챗봇은 실제로 어떻게 다르게 일하나요?
같은 요청을 예로 들어 보겠습니다. "우리 사이트 문의 폼에서 이메일이 안 보내지는 버그를 고쳐 줘."
- 챗봇: 원인 후보와 고치는 법을 글로 설명합니다. 코드를 열어 보고 고치는 건 사람 몫입니다.
- 코딩 에이전트: 관련 파일을 찾아 읽고, 에러 로그를 확인하고, 코드를 고친 뒤 테스트를 돌려 통과할 때까지 반복합니다.
클로드 코드 공식 문서는 클로드 코드를 "코드베이스를 읽고, 파일을 수정하고, 명령을 실행하고, 개발 도구와 연동하는 에이전트형 코딩 도구"라고 설명합니다. 설치와 기본 사용법은 클로드 코드 사용법에 정리했습니다.
에이전트가 쓸 수 있는 도구를 늘리는 표준 방법도 있습니다. MCP(Model Context Protocol)는 AI가 외부 데이터와 서비스에 접속하는 공통 규격으로, 연결 방법은 클로드 MCP 연결 방법에서 다뤘습니다. 이 블로그도 클로드 코드로 자료 조사와 초안을 만들고, 검사기를 통과한 글만 발행하는 식으로 운영합니다.
AI 에이전트 종류에는 어떤 것이 있나요?
종류는 회사마다 부르는 이름이 달라서, 하는 일로 나누는 편이 이해하기 쉽습니다.
| 종류 | 하는 일 | 예시 |
|---|---|---|
| 코딩 에이전트 | 코드를 읽고 고치고 테스트까지 실행 | 클로드 코드, 커서 같은 AI 코딩 도구 |
| 리서치 에이전트 | 여러 곳을 검색해 자료를 모으고 정리 | 젠스파크 같은 조사·정리형 서비스 |
| 멀티 에이전트 | 지휘 에이전트가 하위 에이전트에게 일을 나눠 맡김 | 클로드 코드의 서브 에이전트 병렬 실행 |
| 직접 만든 에이전트 | 회사 업무에 맞춰 도구를 붙여 만듦 | Agent SDK 같은 개발 도구로 구현 |
조사부터 슬라이드까지 한 번에 맡기는 서비스가 궁금하다면 젠스파크 사용법과 요금제를 참고하세요.
워크플로에도 정해진 모양이 있나요?
Anthropic은 에이전트까지 가지 않고도 쓸 수 있는 워크플로 패턴 다섯 가지를 소개합니다.
- 프롬프트 체이닝: 일을 순서대로 나눠 앞 단계 결과를 다음 단계에 넘김
- 라우팅: 입력을 분류해 알맞은 처리로 보냄(예: 환불 문의와 기술 문의를 나눔)
- 병렬화: 독립된 작업을 동시에 돌리거나, 같은 일을 여러 번 시켜 결과를 비교
- 오케스트레이터-워커: 중심 모델이 일을 나눠 맡기고 결과를 합침
- 평가자-최적화: 한 모델이 만들고 다른 모델이 평가해 고치기를 반복
실무 자동화의 상당수는 이 다섯 가지 조합으로 충분합니다.
AI 에이전트는 왜 비용이 더 들까요?
에이전트는 결과를 볼 때마다 지금까지의 대화와 도구 결과를 다시 읽고 다음 행동을 정합니다. 단계가 늘수록 모델이 읽는 양이 불어나고, 요금은 토큰 단위로 붙습니다.
Anthropic은 2025년 6월 리서치 시스템 개발기에서 에이전트는 채팅보다 약 4배, 멀티 에이전트는 약 15배 많은 토큰을 쓴다고 밝혔습니다. 그래서 멀티 에이전트는 여러 방향을 동시에 찾아야 하는 값비싼 조사에는 맞지만, 맥락을 계속 공유해야 하는 일(대부분의 코딩 작업 포함)에는 덜 맞는다고 설명합니다.
비용을 미리 가늠하려면 이렇게 계산합니다.
- 같은 일을 채팅 한 번으로 했을 때 입력·출력 토큰을 잰다.
- 에이전트라면 그 약 4배를 출발점으로 잡는다(실제 배수는 일마다 다름).
- 모델 단가를 곱해 월 사용량으로 늘린다.
모델별 단가는 클로드 요금제·API 가격에 정리해 두었습니다.
AI 에이전트가 안 맞는 경우는 언제인가요?
파는 쪽에서는 잘 말하지 않지만, 에이전트가 오히려 손해인 경우가 많습니다.
- 순서가 늘 같은 반복 업무: 문의 분류 → 답변 초안 → 사람 검토처럼 흐름이 고정이면 워크플로가 싸고 예측 가능합니다.
- 답 하나로 끝나는 일: Anthropic도 많은 경우 검색과 예시를 붙인 LLM 호출 한 번이면 충분하다고 말합니다. 사내 문서로 답하는 챗봇이라면 RAG(검색 증강 생성)부터 보세요.
- 실수가 비싼 일: 에이전트는 앞 단계 실수가 뒤로 쌓일 수 있습니다. 결제, 고객 데이터 삭제, 대량 메일 발송처럼 되돌리기 어려운 일을 맡기면 위험합니다.
- 비용 상한이 빠듯한 일: 단계 수를 미리 알 수 없으니 요금도 들쭉날쭉합니다.
주의
에이전트에 붙이는 도구 권한은 가장 좁게 시작하세요. 읽기 권한부터 주고, 쓰기·삭제·발송은 사람 승인을 거치게 두는 편이 안전합니다. Anthropic은 실제 환경에 붙이기 전에 격리된 환경에서 충분히 시험하고 안전장치를 둘 것을 권합니다.
작은 회사는 AI 에이전트를 어떻게 시작하면 될까요?
처음부터 '알아서 다 하는 에이전트'를 목표로 하면 비용과 사고가 먼저 옵니다. 아래 순서가 손해가 적습니다.
| 단계 | 할 일 | 넘어가는 기준 |
|---|---|---|
| 1 | 채팅으로 한 번에 되는지 시험 | 답의 질이 모자랄 때 |
| 2 | 자료를 붙여(RAG) 한 번 호출 | 여러 단계가 꼭 필요할 때 |
| 3 | 순서를 정한 워크플로로 묶기 | 순서를 미리 정할 수 없을 때 |
| 4 | 좁은 권한의 에이전트 시험 | 비용·사고가 감당될 때만 확대 |
에이전트에 맡길 일은 어떻게 고르나요?
맡기기 전에 세 가지를 물어보세요. 셋 다 '예'일 때만 에이전트를 검토할 만합니다.
- 단계 수를 미리 정할 수 없는가? 정할 수 있으면 워크플로가 더 싸고 안정적입니다.
- 결과를 기계적으로 확인할 수 있는가? 테스트 통과, 숫자 일치처럼 확인 기준이 있어야 에이전트가 스스로 고칠 수 있습니다.
- 잘못돼도 되돌릴 수 있는가? 되돌릴 수 없는 일이라면 마지막 실행만큼은 사람이 누르게 두세요.
1~3단계에서 끝나는 업무가 생각보다 많습니다. 에이전트가 필요해 보여도 먼저 기존 도구(클로드 코드, 젠스파크 같은 서비스)를 써 보며 감을 잡고, 그다음에 직접 만들지 판단하는 편이 낫습니다.
정리: AI 에이전트, 무엇부터 하면 될까요?
- 뜻: LLM이 도구를 쓰며 결과를 보고 다음 행동을 스스로 정하는 시스템입니다. 순서를 코드로 정해 두면 워크플로입니다.
- 비용: 채팅보다 토큰을 약 4배, 멀티 에이전트는 약 15배 씁니다. 값어치가 큰 일에만 맞습니다.
- 시작: 채팅 → RAG → 워크플로 → 에이전트 순서로 필요한 만큼만 올라갑니다.
- 안전: 도구 권한은 좁게, 되돌리기 어려운 동작은 사람 승인을 거치게 합니다.
반복 업무를 줄이는 다른 도구와 방법은 AI 자동화 글 모음에 정리하고 있습니다.
참고 자료
- Anthropic, Building effective agents: https://www.anthropic.com/engineering/building-effective-agents
- Anthropic, How we built our multi-agent research system: https://www.anthropic.com/engineering/multi-agent-research-system
- 클로드 코드 개요(공식 문서): https://code.claude.com/docs/en/overview
