[심층분석] AI가 '에이전트'를 발명했다고? 우리는 이미 수천 년 전부터 에이전트와 살아왔다

에이전트라는 단어의 두 번째 인생

2024년부터 테크 업계에서 가장 많이 회자되는 단어를 꼽으라면 단연 '에이전트(Agent)'일 것입니다. OpenAI, Google, Anthropic, Microsoft 할 것 없이 모든 빅테크가 'AI 에이전트'를 차세대 컴퓨팅 패러다임으로 내세우고 있습니다. 자율적으로 판단하고, 도구를 사용하며, 목표를 달성하기 위해 여러 단계를 수행하는 소프트웨어 — 이것이 2025년 현재 '에이전트'라는 단어가 의미하는 바입니다.

그런데 최근 레딧에서 화제가 된 한 게시물은 이 열풍에 유쾌한 한 방을 날립니다. "Agents before AI was a thing" — AI가 등장하기 전에도 에이전트는 이미 존재했다는 것입니다. 여행사 에이전트, 부동산 에이전트, 보험 에이전트, 비밀 에이전트, 고객 서비스 에이전트... 사실 '에이전트'라는 개념은 인류 문명과 함께 수천 년을 이어온 것이며, 지금 AI 업계가 열광하는 '에이전트'의 핵심 원리 역시 이 오래된 개념과 놀라울 정도로 닮아 있습니다.

이 글에서는 단순한 밈 하나를 출발점으로, 에이전트라는 개념이 어디서 왔는지, AI 에이전트가 전통적 에이전트와 구조적으로 어떤 공통점을 갖는지, 그리고 이 비교가 현재 AI 에이전트 설계에 어떤 실질적 교훈을 주는지를 깊이 있게 살펴보겠습니다.

에이전트의 원래 의미: 대리와 위임의 구조

에이전트(Agent)라는 단어는 라틴어 'agere'(행동하다)에서 파생되었습니다. 법률, 경제, 사회 전반에서 에이전트는 한 가지 핵심 원리로 정의됩니다: 본인(Principal)을 대신하여 특정 목표를 달성하기 위해 자율적으로 행동하는 대리인입니다.

이 구조를 분해하면 네 가지 핵심 요소가 드러납니다:

1. 위임(Delegation): 본인이 에이전트에게 특정 범위의 권한을 부여합니다
2. 자율성(Autonomy): 에이전트는 매 순간 본인의 지시를 받지 않고 스스로 판단합니다
3. 전문성(Expertise): 에이전트는 본인이 갖지 못한 전문 지식이나 접근 권한을 보유합니다
4. 신뢰(Trust): 본인은 에이전트가 자신의 이익을 위해 행동할 것이라 믿습니다

여행사 에이전트를 예로 들어보겠습니다. 1990년대에 해외여행을 계획한다면, 여행사에 가서 목적지와 예산, 선호 사항을 알려줍니다. 여행사 에이전트는 항공권 예약 시스템(당시에는 SABRE, Amadeus 같은 GDS)에 접근하고, 호텔과 항공사의 최신 요금과 가용 좌석을 파악하며, 여러 옵션 중 최적의 조합을 찾아 제안합니다. 고객은 항공사 예약 시스템에 직접 접속할 수도 없고, 수백 개의 노선과 요금 체계를 비교할 전문 지식도 없습니다. 에이전트가 이 복잡성을 흡수하고 대신 처리하는 것입니다.

부동산 에이전트도 마찬가지입니다. 매물 정보, 지역 시세, 법적 절차, 계약서 작성 — 이 모든 것을 개인이 직접 처리하려면 엄청난 시간과 전문 지식이 필요합니다. 에이전트는 이 인지적 부담(cognitive load)을 대신 져주는 존재입니다.

비밀 에이전트(스파이)는 조금 다른 차원이지만 구조는 동일합니다. 정보기관(본인)이 현장 요원(에이전트)에게 임무를 부여하면, 요원은 현장 상황에 맞게 자율적으로 판단하고 행동합니다. 본부가 매 순간 지시할 수 없기 때문에, 에이전트의 상황 판단 능력과 자율성이 핵심이 됩니다.

AI 에이전트: 오래된 구조의 디지털 재현

이제 2025년의 AI 에이전트를 살펴보겠습니다. OpenAI의 정의에 따르면 AI 에이전트란 "LLM을 핵심 추론 엔진으로 사용하여, 외부 도구를 호출하고, 여러 단계에 걸쳐 자율적으로 작업을 수행하는 시스템"입니다.

이 정의를 앞서 살펴본 전통적 에이전트의 네 가지 요소와 대조해보면 놀라운 대응 관계가 드러납니다:

| 전통적 에이전트 | AI 에이전트 |
|---|---|
| 본인이 목표와 범위를 설정 | 사용자가 프롬프트로 목표와 제약 조건을 설정 |
| 전문 시스템에 접근 (GDS, MLS 등) | API, 데이터베이스, 웹 검색 등 외부 도구 호출 |
| 매 순간 지시 없이 자율 판단 | ReAct, Chain-of-Thought 등으로 자율적 추론 |
| 결과를 본인에게 보고 | 실행 결과를 사용자에게 반환 |

구조적으로 거의 동일합니다. AI 에이전트는 전통적 에이전트의 디지털 재현이라고 해도 과언이 아닙니다.

AI 에이전트의 기술 스택

현재 AI 에이전트의 전형적인 아키텍처를 좀 더 구체적으로 살펴보겠습니다:

1단계 — 입력 해석: 사용자의 자연어 요청을 받아 의도(intent)와 필요한 작업을 파악합니다. 이것은 여행사 에이전트가 고객의 "발리에 가고 싶은데, 예산은 200만원 정도"라는 말에서 목적지, 예산, 암묵적 선호(리조트? 배낭여행?)를 파악하는 것과 같습니다.

2단계 — 계획 수립(Planning): 목표를 달성하기 위한 단계를 분해합니다. 예를 들어 "이번 분기 매출 보고서를 만들어줘"라는 요청을 받으면, (1) 데이터베이스에서 매출 데이터 조회 → (2) 전분기 대비 분석 → (3) 차트 생성 → (4) 보고서 문서 작성 순으로 작업을 분해합니다.

3단계 — 도구 사용(Tool Use): 각 단계에서 필요한 외부 도구를 호출합니다. SQL 쿼리를 실행하고, Python으로 데이터를 분석하고, 차트를 생성합니다. 여행사 에이전트가 GDS 시스템을 조작하고 호텔 예약 시스템에 접속하는 것과 정확히 같은 패턴입니다.

4단계 — 반성과 수정(Reflection): 중간 결과를 평가하고 필요하면 계획을 수정합니다. 데이터가 예상과 다르거나 도구 호출이 실패하면 대안을 찾습니다. 숙련된 여행사 에이전트가 "원하시는 날짜에 직항이 없네요, 경유편은 어떠세요? 아니면 하루 앞당기면 직항이 있습니다"라고 대안을 제시하는 것과 같은 원리입니다.

역사가 알려주는 교훈: 에이전트 실패의 패턴

전통적 에이전트의 역사는 AI 에이전트 설계자들에게 귀중한 교훈을 제공합니다. 에이전트 시스템이 실패하는 패턴은 놀라울 정도로 일관적이기 때문입니다.

대리인 문제(Principal-Agent Problem)

경제학에서 오랫동안 연구된 대리인 문제는 에이전트가 본인의 이익이 아닌 자신의 이익을 위해 행동할 때 발생합니다. 부동산 에이전트가 더 높은 수수료를 위해 비싼 매물을 추천하거나, 보험 에이전트가 고객에게 불필요한 특약을 권하는 경우가 대표적입니다.

AI 에이전트에서도 이 문제는 이미 현실화되고 있습니다. AI 에이전트가 특정 서비스나 제품을 추천할 때, 그 추천이 사용자의 최선의 이익을 위한 것인지, 아니면 에이전트를 만든 회사의 비즈니스 이익을 위한 것인지 구분하기 어려운 경우가 생깁니다. 예를 들어 AI 쇼핑 에이전트가 제휴 마진이 높은 상품을 우선 추천한다면, 이것은 전통적 에이전트의 대리인 문제가 디지털로 재현된 것입니다.

과도한 자율성의 위험

역사적으로 에이전트에게 과도한 자율성을 부여했을 때 큰 사고가 발생했습니다. 2012년 JP모건의 '런던 고래(London Whale)' 사건에서 트레이더(에이전트)에게 과도한 자율 거래 권한을 부여한 결과 62억 달러의 손실이 발생했습니다. 1995년 베어링스 은행의 닉 리슨 사건도 같은 구조입니다.

AI 에이전트에서도 자율성의 범위 설정은 가장 중요한 설계 과제입니다. "이메일을 대신 써줘"와 "이메일을 대신 보내줘"는 자율성의 수준이 완전히 다릅니다. 전자는 초안을 작성하고 사용자가 확인 후 발송하는 것이고, 후자는 에이전트가 판단하여 직접 발송하는 것입니다. 현재 대부분의 AI 에이전트 프레임워크가 human-in-the-loop(사람의 확인 단계)를 강조하는 이유가 바로 이것입니다. 전통적 에이전트 시스템에서 수백 년에 걸쳐 학습한 교훈을 AI 에이전트가 처음부터 다시 배울 필요는 없습니다.

투명성과 설명 가능성

전통적 에이전트 영역에서 규제가 발전해온 방향을 보면, 핵심은 항상 투명성이었습니다. 부동산 에이전트는 이해충돌을 공개해야 하고, 재무 에이전트는 수수료 구조를 명시해야 하며, 변호사는 의뢰인에게 전략의 근거를 설명해야 합니다.

AI 에이전트에서도 왜 그런 결정을 내렸는지 사용자가 이해할 수 있어야 합니다. 단순히 "이 옵션을 추천합니다"가 아니라, "A 옵션은 가격이 20% 저렴하지만 배송이 3일 늦고, B 옵션은 즉시 배송이 가능합니다. 이전에 급한 배송을 선호하신 패턴을 고려하여 B를 추천드립니다"와 같은 추론 과정의 투명한 공개가 필요합니다. 이것은 Anthropic이 강조하는 AI 안전성의 핵심 원칙이기도 합니다.

기술의 패러다임은 바뀌어도 구조는 반복된다

이 논의가 흥미로운 이유는 기술 역사에서 반복적으로 나타나는 패턴을 드러내기 때문입니다. 기술 업계는 종종 완전히 새로운 것을 발명했다고 주장하지만, 실제로는 오래된 개념을 새로운 매체에서 구현하는 경우가 대부분입니다.

• 클라우드 컴퓨팅은 1960년대 메인프레임 시분할 시스템의 재현입니다. 여러 사용자가 중앙 컴퓨팅 자원을 공유하는 구조는 동일하고, 매체가 전용선에서 인터넷으로 바뀌었을 뿐입니다.
• 마이크로서비스 아키텍처는 1970년대 Unix 철학("한 가지 일을 잘 하는 작은 프로그램들의 조합")의 웹 시대 버전입니다.
• 블록체인의 분산 원장 개념은 복식부기와 공증 시스템의 디지털 구현입니다.
• AI 에이전트는 수천 년 된 대리인 시스템의 소프트웨어 구현입니다.

이 인식이 중요한 이유는, 선행 시스템에서 축적된 지혜를 활용할 수 있기 때문입니다. 에이전트 시스템의 설계 원칙, 실패 패턴, 규제 프레임워크는 이미 법학, 경제학, 조직학에서 수백 년간 연구되어 왔습니다. AI 에이전트를 설계할 때 이 지식 체계를 참조하지 않는 것은 바퀴를 다시 발명하는 것과 같습니다.

---

한국 개발자에게 주는 시사점

에이전트 설계 시 전통적 에이전트 원칙을 참고하라

만약 여러분이 AI 에이전트 시스템을 설계하고 있다면, 해당 도메인의 전통적 에이전트가 어떻게 운영되었는지를 먼저 연구해보는 것을 권합니다.

예를 들어, 고객 서비스 AI 에이전트를 만든다면 콜센터 에이전트의 운영 매뉴얼을 참고하세요. 숙련된 콜센터 에이전트가 어떤 상황에서 상위 관리자에게 에스컬레이션하는지, 어떤 범위까지 자율적으로 환불을 처리하는지, 고객의 감정 상태에 따라 어떻게 대응 전략을 바꾸는지 — 이런 노하우는 수십 년간 축적된 것이며, AI 에이전트의 시스템 프롬프트와 도구 설계에 직접 반영할 수 있습니다.

부동산 AI 에이전트를 만든다면, 공인중개사법의 규정을 에이전트의 행동 제약으로 번역해보세요. 중개사가 공개해야 하는 정보, 추천 시 고려해야 하는 요소, 이해충돌 상황에서의 처리 절차 — 이것이 곧 AI 에이전트의 가드레일이 됩니다.

자율성 수준을 명시적으로 설계하라

현재 AI 에이전트 프레임워크(LangGraph, CrewAI, AutoGen 등)를 사용할 때, 에이전트의 자율성 수준을 명시적으로 설계하는 것이 핵심입니다. 모든 작업에 완전한 자율성을 부여하는 것은 위험하고, 모든 단계에서 사용자 확인을 받는 것은 비효율적입니다.

전통적 에이전트 시스템에서는 이것을 권한 매트릭스로 관리합니다. 은행의 대출 담당자(에이전트)는 일정 금액 이하의 대출은 독자적으로 승인하지만, 그 이상은 상위 결재를 받아야 합니다. AI 에이전트도 이와 같은 구조를 적용할 수 있습니다:

• Level 1 (완전 자율): 정보 조회, 데이터 분석, 초안 작성 — 되돌리기 쉽고 위험이 낮은 작업
• Level 2 (확인 후 실행): 이메일 발송, 일정 등록, 소액 결제 — 되돌리기는 가능하지만 외부 영향이 있는 작업
• Level 3 (승인 필수): 계약 체결, 대량 데이터 수정, 고액 결제 — 되돌리기 어렵고 영향이 큰 작업

멀티 에이전트 시스템은 조직 설계의 문제다

최근 AI 업계에서 주목받는 멀티 에이전트 시스템(여러 AI 에이전트가 협업하여 복잡한 작업을 수행하는 구조)도 사실 조직 설계의 오래된 문제와 동일합니다. 건설 프로젝트에서 건축가, 구조 엔지니어, 시공사, 감리사가 각자의 전문성을 가지고 협업하되 프로젝트 매니저가 전체를 조율하는 것처럼, 멀티 에이전트 시스템에서도 각 에이전트의 역할 정의, 커뮤니케이션 프로토콜, 갈등 해결 메커니즘이 필요합니다.

한국의 개발 조직에서 멀티 에이전트 시스템을 도입할 때는, 먼저 기존 업무 흐름에서 각 역할이 어떻게 상호작용하는지를 매핑하고, 그 구조를 에이전트 간 상호작용으로 번역하는 접근이 효과적입니다. 이것은 새로운 소프트웨어 아키텍처 문제가 아니라, 조직 설계와 업무 프로세스 설계의 문제이며, 이미 경영학과 산업공학에서 깊이 연구된 영역입니다.

앞으로의 전망: 에이전트 경제의 도래

전통적 에이전트 산업의 역사를 보면 한 가지 분명한 패턴이 있습니다: 기술이 발전하면 중간 에이전트의 역할이 재편된다는 것입니다. 인터넷의 등장으로 여행사 에이전트의 역할이 크게 축소되었습니다. 소비자가 직접 항공권을 검색하고 예약할 수 있게 되면서, 단순 예약 대행으로는 가치를 제공할 수 없게 된 것입니다. 살아남은 여행사 에이전트들은 복잡한 다구간 여행, 기업 출장 관리, 맞춤형 럭셔리 여행 등 높은 전문성과 개인화가 필요한 영역으로 이동했습니다.

AI 에이전트의 등장은 이 재편을 한 단계 더 가속할 것입니다. 현재 인간 에이전트가 수행하는 작업 중 상당 부분이 AI 에이전트로 대체될 수 있지만, 동시에 AI 에이전트를 관리하고 조율하는 새로운 역할이 생겨날 것입니다. 이미 "프롬프트 엔지니어"에서 "에이전트 오케스트레이터"로 직함이 진화하고 있는 것이 그 징후입니다.

더 근본적으로, AI 에이전트가 보편화되면 에이전트 간 상호작용의 프로토콜과 표준이 중요해질 것입니다. 나의 AI 에이전트가 항공사의 AI 에이전트와 대화하여 최적의 항공편을 협상하고, 호텔의 AI 에이전트와 패키지 딜을 조율하는 시대가 올 수 있습니다. 이것은 인간 에이전트들 사이의 비즈니스 프로토콜(계약서, 협상 절차, 분쟁 해결 메커니즘)이 디지털로 번역되어야 한다는 뜻입니다. Anthropic의 MCP(Model Context Protocol)나 Google의 A2A(Agent-to-Agent) 프로토콜 같은 시도들이 이미 이 방향으로 나아가고 있습니다.

마무리: 새로운 기술, 오래된 지혜

"Agents before AI was a thing"이라는 밈이 전하는 메시지는 단순한 유머를 넘어섭니다. AI 에이전트를 더 잘 만들고 싶다면, 코드만 볼 것이 아니라 에이전트라는 개념이 인류 역사에서 어떻게 진화해왔는지를 살펴보라는 것입니다.

법학의 대리법, 경제학의 주인-대리인 이론, 경영학의 위임과 권한 체계, 보험 산업의 리스크 관리 — 이 모든 분야에서 축적된 지식은 AI 에이전트 설계에 직접 적용할 수 있는 교훈으로 가득합니다. 기술은 빠르게 변하지만, 에이전트 시스템이 직면하는 근본적인 문제들 — 신뢰, 자율성의 범위, 이해충돌, 투명성 — 은 시대를 초월합니다.

여러분이 지금 만들고 있는 AI 에이전트 시스템에서, 전통적 에이전트의 어떤 원칙을 가장 먼저 적용해보고 싶으신가요? 그리고 여러분의 도메인에서 인간 에이전트가 수행하던 역할 중, AI 에이전트가 대체할 수 있는 부분과 여전히 인간이 필수적인 부분의 경계는 어디라고 생각하시나요?