State of AI Agents 소개
2024년 현재, AI 에이전트는 더 이상 소수만의 관심사가 아닙니다. 다양한 산업의 기업들이 반복적인 작업 자동화, 데이터 분석 지원, 코딩 작성 등을 위해 에이전트를 적극적으로 도입하고 있습니다. LangChain은 AI 에이전트의 잠재력을 확인하고 실제 배포를 가로막는 주요 요인을 분석하기 위해 1,300명 이상의 전문가를 대상으로 설문을 진행한 State of AI Agents 글을 공개하였습니다.
설문에 참여한 전문가들의 분포는 다음과 같습니다:
-
Top 5 산업 분야(Top 5 Industries):
-
Technology (60% of respondents)
-
Financial Services (11% of respondents)
-
Healthcare (6% of respondents)
-
Education (5% of respondents)
-
Consumer Goods (4%)
-
-
기업 규모(Company Size):
-
<100 people (51% of respondents)
-
100-2000 people (22% of respondents)
-
2000-10,000 people (11% of respondents)
-
10,000+ people (16% of respondents)
-
주요 인사이트 (Insights)
LangChain은 에이전트를 LLM(Large Language Model)을 사용해 애플리케이션의 제어 흐름을 결정하는 시스템으로 정의합니다. 이는 자율 주행차의 자율성 수준처럼 에이전트의 능력에도 스펙트럼이 존재함을 의미합니다.
에이전트 채택 현황: 현재는 반반, 대부분은 도입 예정 (Agent adoption is a coin toss - but nearly everyone has plans for it)
-
51%의 응답자가 이미 에이전트를 실제 업무에 사용 중이며, 중간 규모(100~2000명) 기업에서 채택률(63%)이 가장 높았습니다.
-
78%의 응답자는 에이전트를 도입할 계획을 갖고 있으며, 기술 업계를 넘어 다양한 산업에서 관심이 높아지고 있습니다.
주요 활용 사례 (Leading agent use cases)
-
연구 및 요약 작업(58%): 방대한 데이터를 빠르게 분석해 주요 정보를 도출.
-
개인 생산성 향상(53.5%): 일정 관리와 조직화 등의 일상 업무 지원.
-
고객 서비스(45.8%): 문의 응대 및 문제 해결을 통한 고객 지원 시간 단축.
안전성과 감독 필요성: 잘못하는 것보다 안전한게 나음 (Better safe than sorry: Tracing and human oversight are needed to keep agents in check)
- 추적 및 관찰 도구가 에이전트 통제를 위한 필수 요소로 꼽혔습니다.
- 대부분의 기업은 에이전트에 읽기 전용 권한을 부여하며, 쓰기/삭제 권한에는 사람이 승인을 필요로 합니다.
- 대규모 기업(2000명 이상)은 데이터 및 시스템 보호를 우선시하고, 소규모 기업 및 스타트업(100명 미만)은 신속한 제품 출시를 목표로 데이터를 직접 분석하고 평가합니다.
에이전트 적용 시 장애물 및 과제 (Barriers and challenges to getting agents into production)
성능 품질의 중요성
-
성능 품질은 가장 큰 우려 사항으로, 비용이나 안전성보다 두 배 이상 중요하게 평가되었습니다.
-
LLM 기반 에이전트는 워크플로를 제어하는 과정에서 비예측성이 높아, 항상 정확하고 맥락에 적합한 응답을 제공하기 어렵습니다.
-
특히, 소규모 기업의 45.8% 가 성능 품질을 가장 큰 장애물로 꼽았으며, 이는 비용(22.4%)보다 훨씬 높은 비중을 차지합니다.
-
대규모 기업에서는 성능뿐 아니라 데이터 안전성과 같은 규정 준수가 주요 우려로 나타났습니다.
지식 부족과 시간 제약
우려는 품질에서 끝나지 않습니다. 서면 응답을 보면 많은 사람들이 에이전트 구축 및 테스트 모범 사례에 대해 불확실성을 느끼고 있습니다. 특히 지식과 시간이라는 두 가지 주요 장애물이 두드러졌습니다.
-
지식 부족: 에이전트를 특정 사례에 구현하기 위한 기술적 노하우가 부족한 팀이 많습니다. 이에 따라 직원들이 AI 에이전트를 활용하기 위한 스킬 업그레이드가 필요합니다.
-
시간 제약: 신뢰할 수 있는 에이전트를 구축하려면 디버깅, 평가, 파인튜닝 등 많은 시간과 노력이 요구됩니다.
성공 사례: 가장 주목받는 에이전트
-
Cursor: Cursor는 가장 주목받는 AI 에이전트로, 스마트 자동 완성과 맥락 지원을 통해 코드를 작성, 디버그, 분석할 수 있는 AI 기반 코드 편집기입니다.
-
Replit: Replit은 빠른 환경 설정과 앱 배포를 지원하며, 소프트웨어 개발 수명을 획기적으로 단축합니다.
-
Perplexity: Perplexity는 웹 검색과 출처 링크를 활용해 복잡한 질문에 대한 명확한 답변을 제공하는 AI 기반 엔진입니다.
이와 같은 성공 사례는 에이전트가 이론적인 기술을 넘어 실질적인 문제를 해결하며 생산 환경에서 실질적인 가치를 창출하고 있음을 보여줍니다.
새로운 트렌드와 기대
에이전트의 새로운 기능 (Admiration for capabilities of AI agents)
-
다단계 작업 관리: 깊은 이유와 맥락을 관리하며 복잡한 작업 처리 가능.
-
반복 작업 자동화: 행정 작업의 효율성을 높여 사용자가 창의적인 문제 해결에 집중할 수 있도록 지원.
-
작업 라우팅 및 협업: 멀티 에이전트 시스템에서 각 에이전트가 적절한 문제를 처리하도록 설계.
-
인간과 같은 추론: 과거 결정을 검토하고 새로운 정보에 따라 수정하는 역량.
개발 과제: 에이전트의 행동 이해 (Barriers to understanding agent behavior)
-
에이전트 행동 이해의 어려움: 에이전트의 작동 원리와 결정을 이해시키기 어려워, 개발 팀에 추가적인 설명 책임이 발생.
-
블랙박스 문제: LLM이 여전히 예측 불가능하거나 설명 불가능한 경우가 많아 시각적 설명 도구가 요구됨.
발전이 기대되는 분야 (Notable buzz and energy around the areas...)
-
오픈 소스 에이전트: 집단 지성을 활용하여 혁신을 가속화하려는 관심 증가.
-
더 강력한 모델의 등장: 에이전트가 더 복잡한 작업을 효율적으로 처리하고, 자율성이 향상되기를 기대.
결론
AI 에이전트는 점점 더 실용적인 기술로 자리 잡고 있으며, 여러 성공 사례와 함께 새로운 가능성을 열고 있습니다. 그러나 성능 품질, 안전성, 시간과 기술 부족 등의 과제는 여전히 해결해야 할 중요한 문제입니다. 오픈 소스 및 강력한 모델 개발과 같은 트렌드가 이러한 장애물을 극복하고 에이전트 기술의 미래를 열어갈 것으로 기대됩니다.
LangChain의 State of AI Agents 2024 블로그
이 글은 GPT 모델로 정리한 글을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다.
파이토치 한국 사용자 모임이 정리한 이 글이 유용하셨나요? 회원으로 가입하시면 주요 글들을 이메일로 보내드립니다! (기본은 Weekly지만 Daily로 변경도 가능합니다.)
아래쪽에 좋아요를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~