(이 내용은 도서 <AX 100배의 법칙>에서 발췌했습니다.)
인공지능의 역사를 살펴보면 그 발전 속도와 방향이 결코 단선적이지 않다는 사실을 알 수 있다. 초창기에는 문제 해결이나 논리 추론 중심의 전문가 시스템이 각광받았고, 이후 통계학과 컴퓨팅 파워를 만나 머신러닝이라는 이름하에 대규모 데이터 분석 시대가 열렸다. 그러다 딥러닝이 등장하면서부터 음성 인식과 이미지 분류, 자율 주행 등 사람들이 상상하던 여러 AI 활용 시나리오가 현실화되었다.
그런데 최근 들어 AI는 또다시 새로운 국면으로 접어들고 있다. 바로 생성형 AI와 멀티모달 학습 그리고 인간의 협업 파트너로 자리 잡을 수 있는 에이전트(Agent)형 AI의 출현이다. 그리고 여기에 그치지 않고 특정 산업 분야나 전문 지식이 요구되는 영역에서 특화된 모델들이 차세대 패러다임으로 계속해서 떠오르고 있다.
이제는 누구나 “AI는 금방 끝나거나 한때의 유행이 아니고, 앞으로 계속 확장될 기나긴 여정의 문을 열었다”는 사실을 체감하고 있다. 그렇다면 이 AI 발전 과정을 어떤 식으로 정리해 볼 수 있을까?
🟥 ChatGPT를 만든 오픈AI가 전망한 인공지능 발전 5단계
(챗봇 – 추론자 – 에이전트 – 혁신가 – 조직(AGI)
1️⃣챗봇(Chatbot) – Q&A 수준의 기본 대화
주로 정해진 데이터베이스나 사전에 학습한 텍스트 정보에 기초해 사용자가 묻는 질문에 답변을 제공한다. 사람의 질의에 문맥을 심도 있게 파악하기보다는 패턴 매칭에 가까운 방법으로 답변을 내놓는 경우가 대부분이다.
질문 안에 특정 키워드가 있으면 그 키워드에 대응하는 답변을 데이터베이스에서 검색해서 출력하는 구조다. 조금 더 발전된 경우에는 머신러닝 기법을 통해 비슷한 문장을 여러 형태로 인식하기도 하지만 그 폭은 제한적이다.
2️⃣추론자(Reasoner) – 멀티모달·추론 강화
챗봇 단계의 AI가 주로 FAQ 수준의 질문-답변을 처리했다면, 추론 단계의 AI는 이보다 한 걸음 더 나아간다. 이 단계에서는 단일 텍스트 외에 다양한 형태(이미지, 음성, 영상 등)를 인식·이해하고 이를 바탕으로 추론을 수행하는 “멀티모달(Multimodal)” 능력을 갖춘다.
또한 한두 번의 질문으로 끝나는 것이 아니라 여러 차례의 상호 작용을 거치면서 문맥을 기억하고 그 문맥을 기반으로 추가 답변을 생성한다.
사용자가 “매출 그래프를 보면 A제품 매출은 꾸준히 오르는데 B제품 매출은 지지부진해, 그 이유가 뭘까?”라고 질문하면, “데이터 상 3월 이후 B제품의 경쟁사가 프로모션을 확대했고, 비교 결과 광고 노출량의 차이가 크게 났다”라는 식의 맥락 있는 설명이 가능하다. 숫자를 단순 나열하는 것을 넘어 과거 트렌드나 연관된 인사이트를 추론해 제시하는 방식이다.
Q&A 수준에서는 “매출 데이터가 이렇습니다”라고 말하는 정도였다면, 이제는 “원인이 무엇이고, 어떤 변수가 연관되어 있는지” 추론까지도 시도한다.
기업 차원에서 보면 추론자 AI는 고객과의 대화를 풍부하게 만들고 좀 더 정교한 인사이트를 뽑아낸다.
DX를 통해 이미 빅데이터 시스템을 구축해 둔 곳이라면, 이 모델을 결합해 모든 데이터 소스를 하나의 플랫폼에 묶어 두고, AI가 문맥을 이해하는 방식으로 질의응답 진행이 가능하다. 마치 사내 도메인 전문 컨설턴트와 대화하듯 정보를 검색하고 인사이트를 얻는 광경이다.
==> 지금(2025년)의 생성형 AI가 딱 추론자 단계에 이르렀다고 보면 된다.
3️⃣에이전트(Agent) – 스스로 판단하고 결정
지금까지는 사용자가 매번 프롬프트(명령어)를 주거나 특정 모델을 직접 실행해야 했다.
AI 에이전트는 스스로 알아서 움직인다. “우리 회사 신제품 마케팅 캠페인을 기획해 줘. 주 대상은 20대 후반에서 30대 중반, 예산은 얼마, 기간은 몇 달이야.”라는 큰 목표를 전달하면, 필요한 세부 업무를 단계적으로 계획하고 일부는 자체적으로 실행한다.
소셜미디어에 예고 게시물을 올릴 계정을 찾아내 등록한다거나 광고 문안을 생성해 스케줄링도 한다. 그리고 언제 사람에게 보고하고 어느 단계에서 승인이 필요한지도 자율적으로 판단한다.
에이전트 AI가 가능하려면 단순 질문-답변 이상의 목표 지향적 행동을 이해하고 수행할 수 있어야 한다. 목표를 설정하거나 이해한 뒤 어떤 작업이 필요한지 스스로 계획하는 것이다. 일종의 태스크 분해 과정이다.
==> 2025년 현재, RPA를 이용해 업무 자동화를 하는 회사가 있지만 엄격하게 정해진 규칙과 시나리오 안에서만 동작한다. 예외 상황이 생기면 사람이 개입해야 한다.
반면 AI 에이전트는 사람처럼 긴급 대안을 생각하거나 해결책을 스스로 탐색하려 든다. 이 차이는 기계적 자동화와 지능적 자동화를 가르는 중요한 분기점이다.
4️⃣혁신가(Innovator) – 고급 도메인 전문성
에이전트 AI 단계는 기업 내부에서 필요한 여러 업무를 자율적으로 실행할 수 있다는 점에서 주목할 필요가 있다. 그러나 지식이나 판단 능력이 일반적 목적(General Purpose)에 머무를 뿐, 특정 산업 분야의 심도 있는 전문성이나 복잡한 규제 환경, 높은 정확도를 요하는 분야로 한정했을 때에는 충분치가 않다.
의료 분야에서 환자 진단을 보조하는 AI, 금융 분야에서 투자 포트폴리오를 자동 관리하는 AI, 제조 분야에서 공정 최적화를 실시간으로 제안하는 AI 등은 더 전문적인 지식과 엄격한 안전장치가 필요하다. 그래서 앞으로 더 많이 등장할 것으로 보이는 부분이 고급 도메인 전문성(Vertical LLM)이다.
이렇게 특별히 설계된 AI는 해당 분야에서만큼은 에이전트 AI보다 훨씬 정교한 판단과 추론을 수행하고, 새로운 발명을 돕는다.
버티컬 LLM 모델은 기업이 본격적으로 AI를 통해 산업별 역량을 강화한다는 목표를 실현하는 데 핵심 역할을 한다. 단순한 사무 자동화나 제너럴한 대화형 AI로는 충족할 수 없는 정확한 전문 지식과 세밀한 판단 로직을 제공한다.
5️⃣AGI(Organization) – 인간과 AI의 융합 시대
AI가 인간의 사고 과정과 깊이 얽히며 상호 보완적 진화를 이룰 수 있으며, 사람과 주고받는 대화 개념을 넘어 사실상 인간의 인지 과정을 실시간으로 보완한다. 뇌-컴퓨터 인터페이스(BCI)나 증강현실(AR), 웨어러블 디바이스 등을 통해 인간의 사고・감각 정보가 곧바로 AI로 전달되고, AI는 이를 가공 분석한 뒤 다시 사람에게 직접 피드백을 주는 식이다.
단순히 AI가 더 똑똑해져서 사람을 대체한다는 식의 시나리오가 아니다. 인간과 AI가 서로 역량을 결합해 조직적으로 훨씬 더 뛰어난 결과물을 만들어 낸다는 것이 핵심이다.
예를 들어, 높은 수준의 기술을 요하는 엔지니어가 AR 글라스를 착용한 상태에서 기계를 점검할 때, AI가 실시간으로 센서 데이터를 분석해 잠재적 결함 위치를 표시해 준다. 엔지니어는 마치 자기 눈에 보이는 것처럼 그 정보에 접근해 보다 빠르고 정확하게 문제를 파악할 수 있다. 혹은 외과 의사가 수술을 집도할 때 실시간으로 AI가 환자의 생체 신호를 분석해 동맥을 건드리면 위험하다는 경고를 낸다.
—-
중요한 것은 이러한 5단계 모델이 앞으로 이렇게 발전할 거야, 라는 미래 예측이 아니라 기업이 AI 트랜스포메이션(AX)을 준비할 때 어떤 수준의 AI를 도입할지 또 조직과 문화는 어떻게 맞춰나갈지 체계적으로 고민하는 틀이 될 수 있다는 점이다.
예를 들어, 우리가 아직 Q&A 수준의 AI도 도입하지 못했다면 당장 AI 에이전트를 구현하겠다고 뛰어드는 것은 무리다. 데이터 인프라나 내부 인력이 뒷받침되지 않는 상황에서 AI가 알아서 업무를 자동화할 거야, 라고 기대하면 실망만 클 가능성이 높다.
반대로 이미 멀티모달 추론이나 AI 에이전트를 시도해 볼 만한 기반(클라우드, 협업 툴 연동, 보안 체계 등)을 갖춘 조직이라면 굳이 1단계 수준에 머무를 이유가 없다.
(이 내용은 도서 <AX 100배의 법칙>에서 발췌했습니다.)
좋은습관연구소 