TagsArticle Source
에이전트 AI
전략적 계획 가정:
2028년까지 기업 소프트웨어 애플리케이션의 33%에 에이전트 AI가 포함될 것으로 예상되는데, 이는 2024년 1% 미만에서 증가한 수치입니다. 2028년까지 AI 에이전트 머신 고객이 인간이 읽을 수 있는 디지털 매장에서 이루어지는 상호작용의 20%를 대체할 것입니다. 2028년까지 일상 업무 결정의 15% 이상이 에이전트 AI를 통해 자율적으로 내려질 것으로 예상되는데, 이는 2024년에 0%에 비해 증가한 수치입니다. 에이전트 AI 시스템은 사용자가 정의한 목표를 달성하기 위해 자율적으로 계획하고 조치를 취합니다. 현재의 AI 어시스턴트와 대규모 언어 모델(LLM)은 텍스트 생성, 콘텐츠 요약 또는 도구의 기본 사용을 포함한 작업을 수행하지만, 스스로 “이니셔티브”에 따라 조치를 취할 수 없었습니다. 대신 사용자의 프롬프트에 따라 조치를 취하거나 조정된 프로세스를 따랐지만, 에이전트 AI는 이를 바꾸고 있습니다. 인간의 작업이나 기존 애플리케이션을 지원하고, 오프로드하고, 증강할 수 있는 에이전트의 가상 인력을 약속합니다. 에이전트 AI의 목표 중심 계획 기능은 소프트웨어에 설계된 작업뿐만 아니라 도메인 내의 다양한 “정의되지 않은” 작업을 완료할 수 있는 더욱 적응력 있는 소프트웨어 시스템을 제공할 것을 약속합니다. AI 에이전시는 스펙트럼입니다. 좁게 정의된 조건에서 특정 작업을 수행하는 제한된 에이전시를 갖춘 기존 시스템에서부터 환경에서 학습하고, 접근 방식을 계획하고, 결정을 내리고, 독립적으로 작업을 수행하는 완전한 에이전시를 갖춘 미래의 에이전트 AI 시스템까지 이어집니다. 에이전트 및 멀티에이전트 프레임워크, AI 가드레일 및 함수 호출과 같은 새로운 AI 기능과 기존 AI 기능은 LLM을 사용하는 시스템이 에이전시를 가질 수 있도록 합니다. 이러한 기능을 사용하는 에이전트 시스템은 복잡한 환경에서 목표를 달성하기 위해 맥락에 따라 계획, 행동 및 적응하여 AI의 잠재력을 극적으로 높일 수 있습니다. 예를 들어, 에이전트 AI는 데이터를 검사하고, 연구를 수행하고, 완료할 작업 목록을 컴파일한 다음 API 또는 로봇 시스템을 통해 디지털 세계 또는 물리적 세계에서 해당 작업을 수행할 수 있습니다.
자율적 또는 반자율적으로 조치를 취할 수 있는 에이전트 AI는 조직 전체에서 생산성을 높이려는 CIO의 욕구를 실현할 수 있는 잠재력을 가지고 있습니다.1이러한 동기는 기업과 공급업체 모두가 견고하고 안전하며 신뢰할 수 있는 방식으로 이러한 기관을 제공하는 데 필요한 기술과 관행을 탐구하고 혁신하고 구축하도록 이끌고 있습니다. 초기 AI 에이전트를 구축하는 조직이 직면한 주요 과제는 높은 수준의 신뢰와 확신을 확립해야 하는 필요성에 있습니다. 도구를 자율적으로 선택하고 사용할 수 있는 에이전트(기능 API 및 함수 호출을 통해)는 해당 작업이 제공자의 의도에 맞춰지고 사용자 의도를 적절히 반영하도록 보장하는 강력한 가드레일로 제한되어야 합니다. AI 가드레일을 시행하기 위한 프레임워크는 성숙도가 높아지고 있지만 일반적으로 처리의 일부로 LLM에 의존하여 오류의 여지를 남겨둡니다. 또한, 각 요청, 목표 또는 시나리오에 대해 고유한 계획을 수립할 수 있는 AI 에이전트의 행동은 기존 소프트웨어와 보다 대중적인 생성 AI(GenAI) 애플리케이션보다 그 행동을 테스트하고 검증하는 것을 훨씬 더 어렵게 만듭니다. 마지막으로, 배포 시 AI 에이전트의 동작을 모니터링하고 관리하려면 새로운 기술과 도구가 필요합니다. 시간이 지남에 따라 공유 및 사용자별 컨텍스트를 모두 기억하면서 동작이 변경되고 적응하기 때문입니다. 시간이 지남에 따라 적응하는 AI 에이전트의 배포에는 AI 에이전트를 모니터링하고 미래 지향적인 보호책이 있는 보안 계획이 함께 제공되어야 합니다. Agentic AI는 AI 시장에서 많은 주요 공급업체의 현재 R&D 노력의 최전선에 있습니다. 이 기술은 실험실에서 초기, 저위험, 혁신에 내성이 있는 사용 사례(예: 기존 AI 코드 어시스턴트의 기능을 넘어 소프트웨어 엔지니어링을 가속화하는 것)로 이동할 수 있는 단계에 있습니다. 그러나 운영 효율성과 규모에 따른 개선을 가능하게 하는 더욱 비즈니스에 중요한 애플리케이션과 프로세스를 위한 실험실에서 생산으로의 도약은 사소한 일이 아닙니다. 이는 시간이 지남에 따라 계획, 행동 및 적응할 수 있는 가상 인력을 제공하고, 지원하고, 관리하기 위한 신뢰할 수 있고 예측 가능한 패턴, 관행 및 기술의 출현에 전적으로 달려 있습니다.
행위:
규모와 효율성에 대한 상당한 수요가 있고 적응성이 필요한 워크플로에 에이전트 AI를 추가할 기회를 파악합니다. 자동화 전용 관점에서 사일로 전체 워크플로를 재고하고 전략적 지점에서 새로운 워크플로에 인간을 다시 추가합니다. 고품질 데이터에 액세스할 수 있고 동작을 검증할 수 있는 사용 사례에서 작게 시작합니다. AI 에이전트를 업무를 위임하는 1등급 디지털 동료처럼 대하십시오. 협업 모델, 워크플로 및 팀 전략을 재고하여 인간 팀원이 알아차리지 못할 수 있는 파생 이벤트를 발견하고 조치를 취할 수 있는 AI 에이전트의 이점을 극대화하십시오. 에이전트 AI가 정의된 역할과 역량 세트로 제한되도록 가드레일을 설치하세요. 그렇게 하면 손상을 일으키는 잘못된 행동을 하지 않도록 할 수 있습니다.