Agentic Web: AI가 다른 AI와 대화하기 시작할 때

Source: Dev.to

위에 제공된 텍스트만으로는 번역할 내용이 없습니다. 번역을 원하는 본문을 제공해 주시면 한국어로 번역해 드리겠습니다.

현재 상호작용 패턴

지난 몇 년간, AI와의 대부분 상호작용은 같은 패턴을 따라왔습니다:

1. 당신이 무언가를 묻는다.
2. AI가 답한다.

챗봇이든, 코딩 어시스턴트든, AI 검색 도구든 관계없이 구조는 거의 항상 다음과 같습니다:

Human → AI → Answer

The Emerging Shift: AI → AI

흥미로운 일이 AI 엔지니어링 분야에서 시작되고 있습니다. 차세대 시스템은 더 이상 단순히 질문에 답하는 것만을 목표로 하지 않습니다; 작업을 수행하도록 설계되고 있습니다.

AI 시스템이 작업을 수행하기 시작하면, 필연적으로 다른 시스템과 상호작용해야 하며, 이는 흥미로운 변화를 가져옵니다:

AI가 다른 AI와 대화하기 시작하고 있습니다.

이 개념은 때때로 Agentic Web이라고 불립니다. 인간이 주로 탐색하도록 만든 웹이 아니라, 미래의 인터넷은 자율 에이전트들이 협업하고, 협상하며, 서비스 전반에 걸쳐 행동을 실행하는 네트워크가 될 가능성이 높아지고 있습니다.

Source:

오늘날 웹 작동 방식

여행을 계획하고 싶다면 보통 다음과 같은 과정을 거칩니다:

1. 항공권 검색 사이트 열기
2. 가격 비교하기
3. 호텔 웹사이트 확인하기
4. 리뷰 찾아보기
5. 결제 정보 입력하기

각 단계마다 인간의 주의와 의사결정이 필요합니다. 웹은 사용자가 화면 앞에 앉아 있다는 전제하에 만들어졌기 때문에 인터페이스는 다음과 같이 설계됩니다:

• 버튼 클릭
• 양식 입력
• 페이지 스크롤
• 옵션 비교

AI 에이전트는 이러한 인터페이스가 필요하지 않습니다. 그들은:

• 스크롤하지 않음
• 리뷰를 천천히 읽지 않음
• 가격 비교를 위해 15개의 탭을 열지 않음

대신 시스템과 직접 상호작용합니다. 이 사실은 인터넷이 단순히 인간 상호작용에 최적화되는 것이 아니라 기계 협업에 최적화되는 방향으로 진화할 수 있음을 시사합니다.

Source: …

챗봇 vs. 에이전트

예시 프롬프트: “도쿄행 가장 저렴한 항공편을 찾아줘.”

• 챗봇: 옵션 목록을 응답합니다.

• 에이전트: 다음과 같은 워크플로를 실행할 수 있습니다:

  1. 항공사 API 검색
  2. 플랫폼별 가격 비교
  3. 일정 확인
  4. 호텔 가용성 확인
  5. 여행 일정 최적화

이러한 전환—응답을 생성하는 것에서 워크플로를 실행하는 것으로—이 바로 에이전시 시스템을 강력하게 만드는 요소입니다.

멀티‑에이전트 시스템의 필요성

하나의 AI 에이전트가 모든 가능한 작업을 현실적으로 처리하기는 어렵습니다. 초기 시도에서는 단일, 전천후 에이전트를 만들려고 했지만, 작업이 복잡해지면서 그 접근 방식은 한계에 부딪혔습니다:

• 관리하기 어려움
• 추론 속도가 느림
• 디버깅이 어려움
• 확장하기 어려움

Solution: 전문화된 에이전트 팀을 구축하여 함께 조정합니다—인간이 업무를 조직하는 방식을 반영합니다.

전형적인 에이전시 아키텍처

Goal
 ↓
Planner Agent
 ↓
Task Decomposition
 ↓
Research Agent
 ↓
Execution Agent
 ↓
Critic Agent

이 구조는 작은 조직과 유사합니다: 한 명은 계획하고, 다른 사람은 조사하며, 또 다른 사람은 실행하고, 마지막 사람은 검토합니다.

예시 워크플로우: 여행 계획

사용자 요청: “1500달러 이하로 도쿄에서 5일간 여행을 계획해 주세요.”

User
 ↓
Personal AI Agent
 ↓
Travel Planning Agent
 ↓
Flight Pricing Agent
 ↓
Hotel Recommendation Agent
 ↓
Payment Agent

• Flight Pricing Agent: 항공 옵션을 찾습니다.
• Hotel Recommendation Agent: 숙박 데이터베이스를 검색합니다.
• Pricing Agent: 할인이나 프로모션을 협상합니다.
• Payment Agent: 예약을 완료합니다.

사용자 입장에서는 과정이 간단해 보이지만, 실제로는 여러 에이전트가 협업하여 작업을 완수합니다. 이것이 Agentic Web의 핵심입니다.

에이전트 시스템 구축을 위한 프레임워크

이러한 오케스트레이션 시스템을 처음부터 만드는 것은 매우 복잡합니다. 엔지니어를 돕기 위해 여러 프레임워크가 등장했습니다:

• LangGraph – 메모리와 상태를 갖춘 구조화된 에이전트 워크플로우를 구축하도록 설계되었습니다.
• CrewAI – 전문화된 에이전트들의 협업 팀에 초점을 맞추고 있습니다.
• AutoGen – 마이크로소프트가 개발한 에이전트 간 통신을 가능하게 하는 프레임워크입니다.

이 프레임워크들은 에이전트 인터넷을 위한 인프라스트럭처 레이어를 제공하여, 개발자가 단 한 번 LLM을 호출하는 것이 아니라 여러 에이전트가 시간에 걸쳐 행동을 조정하는 시스템을 설계할 수 있게 합니다.

다중 에이전트 협업이 가져오는 새로운 과제

여러 자율 시스템이 협업할 때, 조정이 중요해집니다. 빠르게 다음과 같은 질문이 떠오릅니다:

• 누가 계획을 결정합니까?
• 두 에이전트가 의견이 충돌하면 어떻게 됩니까?
• 에이전트들은 어떻게 메모리를 공유합니까?
• 무한 루프를 어떻게 방지합니까?
• 하나의 에이전트가 실패하면 어떻게 됩니까?

이러한 과제는 distributed systems에서 발견되는 문제와 유사하며, 신뢰할 수 있는 에이전트 시스템을 구축하려면 prompt engineering뿐만 아니라 전통적인 소프트웨어 엔지니어링 관행이 점점 더 필요함을 의미합니다.

마무리 생각

멀티‑에이전트 시스템의 부상은 AI와 인터넷의 미래에 대해 중요한 무언가를 시사합니다: 웹이 인간‑중심 인터페이스에서 자율 에이전트들의 기계‑중심 네트워크로 진화하고 있습니다 이 에이전트들은 우리를 대신해 계획하고, 행동하며, 협업할 수 있습니다.

AI의 미래

단일 초지능 모델에 의존하는 대신, 작고 전문화된 에이전트들이 함께 작동하는 생태계를 보게 될 수도 있습니다.

왜 이것이 중요한가

• 에이전트는 전문화될 수 있다 – 각각은 좁은 분야에 집중합니다.
• 작업을 병렬로 수행할 수 있다 – 여러 작업이 동시에 실행됩니다.
• 시스템 확장이 쉬워진다 – 전체 아키텍처를 재구성하지 않고도 새로운 에이전트를 추가할 수 있습니다.
• 실패를 격리하기 쉬워진다 – 고장 난 에이전트를 식별하고 교체해도 전체 시스템이 붕괴되지 않습니다.
• 복잡한 작업을 관리할 수 있다 – 문제를 하위 작업으로 나누면 다루기 쉬워집니다.

결과는 단순히 더 똑똑한 AI가 아니라, 더 잘 조직된 AI입니다.

인터넷 사용 방식의 변화

이 추세가 계속된다면, 인터넷 자체가 진화할 수 있습니다:

• From 주로 인간이 탐색하는 공간
• To 에이전트가 우리를 대신해 서비스 및 다른 에이전트와 상호작용하는 네트워크

인간은 여전히 목표를 정의하지만, 실제 작업—검색, 비교, 협상, 실행—은 점점 배경에서 이루어질 수 있습니다.

다시 말해, 인터넷은 서서히 다음과 같이 변할 수 있습니다:
Human‑driven browsing → Agent‑driven execution

에이전시 웹의 부상

AI에서 가장 흥미로운 변화는 더 큰 모델에서만 오는 것이 아니라, AI 시스템이 어떻게 협업하는가에서 올 수 있습니다.

• 지능은 전문화된 에이전트 네트워크에 걸쳐 분산됩니다.
• 단일 AI가 모든 것을 수행하지 않으며, AI 팀이 공동으로 문제를 해결합니다.

그런 미래가 도래한다면, 인터넷은 정적인 웹사이트 모음처럼 보이기보다는…
협업하는 기계들의 살아있는 생태계처럼 보일 것입니다.