이 글 소개

🤖 말만 하는 로봇 vs. 심부름하는 AI

챗GPT에게 "오늘 서울 날씨가 어때?"라고 물어보면 대답은 해줘요. 그런데 그게 전부예요. 직접 인터넷을 뒤져서 찾아보거나, 우산 챙기라고 알람을 설정해주거나, 날씨에 맞는 옷을 추천해서 쇼핑 사이트를 열어주지는 않아요.

에이전틱 AI는 달라요. 이런 일들을 직접 척척 해주는 AI예요. 마치 심부름을 잘하는 친구처럼요. "내일 발표 준비 좀 도와줘"라고 하면, 관련 자료를 인터넷에서 찾아오고, 정리해서, 파일까지 만들어줄 수 있어요.

🦊 pb 이야기

페블러스에는 pb라는 AI 친구가 있어요. pb는 WhatsApp으로 메시지를 보내면 대답해줘요. 그런데 그냥 대답만 하는 게 아니에요.

"이번 주 회의 일정 정리해줘"라고 하면 pb가 직접 구글 캘린더를 열어보고, 일정을 찾아서, 정리된 표로 보내줘요. 사람이 하나하나 알려주지 않아도 스스로 해결해요. 이게 에이전틱 AI예요.

🧩 에이전트 = 대리인

'에이전트(Agent)'는 영어로 '대리인'이라는 뜻이에요. 부동산 에이전트가 집을 대신 구해주고, 여행 에이전트가 여행을 대신 계획해주는 것처럼 — AI 에이전트는 우리가 맡긴 일을 AI가 대신 해줘요.

비밀이 하나 있어요. pb가 심부름할 때 사용하는 도구들이 수십 가지나 돼요. 달력 보기, 이메일 보내기, 인터넷 검색, 파일 만들기… pb는 그 도구들 중 어떤 걸 써야 할지 스스로 판단해서 사용해요!

💬 챗봇 vs. 에이전트: 결정적 차이

챗봇은 입력 → 출력의 단순 구조예요. "파리 날씨 어때?"라고 물으면 답변 텍스트를 돌려줄 뿐이에요. 실제로 날씨 API를 호출하거나 결과를 저장하거나 다음 행동을 결정하지 않아요.

에이전트는 다릅니다. 생각 → 행동 → 관찰 → 다시 생각의 루프로 작동해요. 목표를 받으면 어떤 도구를 써야 할지 계획하고, 도구를 실제로 사용하고, 결과를 보고 다음 단계를 결정해요.

🔧 도구(Tool)란 무엇인가

AI 에이전트가 사용할 수 있는 도구는 다양해요. 검색 엔진, 달력, 이메일, 파일 시스템, 코드 실행기, 외부 API… 사람으로 치면 스마트폰에 설치된 앱들과 같아요. LLM이라는 두뇌가 어떤 앱을 켜서 무엇을 할지 판단하는 거죠.

페블러스의 NanoClaw(pb)는 구글 캘린더, Gmail, 구글 드라이브, Ollama(로컬 AI 모델) 같은 도구들을 갖고 있어요. 그래서 "이번 주 보고서 초안 잡아줘"라고 하면 캘린더로 일정을 파악하고, 드라이브에서 관련 파일을 찾아서, 문서를 직접 만들어줄 수 있어요.

📜 AI가 어떻게 여기까지 왔나

🔄 ReAct 패턴 — 생각과 행동의 교차

2022년 Google의 논문 "ReAct: Synergizing Reasoning and Acting in Language Models"에서 제안된 ReAct는 에이전트 설계의 기본 패러다임이 됐다. LLM이 단순히 최종 답변을 내놓는 게 아니라, Thought → Action → Observation의 트레이스를 명시적으로 생성한다.

Thought: 사용자가 이번 주 미팅 요약을 원한다. 먼저 캘린더를 확인해야 한다.
Action: list_calendar_events(timeMin="2026-03-23", timeMax="2026-03-27")
Observation: [{"title": "팀 스탠드업", "time": "Mon 10:00"}, {"title": "투자자 미팅", "time": "Wed 14:00"}]
Thought: 2개의 미팅이 있다. 이제 각 미팅의 상세 정보를 가져와야 한다.
Action: get_event_details(eventId="abc123")
Observation: {"description": "Q1 진척 공유", "attendees": [...]}
Thought: 충분한 정보를 얻었다. 요약을 작성한다.
Final Answer: 이번 주 미팅 2건 — ...

이 방식의 장점은 추론 과정이 가시화된다는 것이다. 에이전트가 무엇을 생각하고 왜 그 도구를 선택했는지 디버깅할 수 있다.

🛠️ Function Calling과 Tool Use

현대 LLM API는 도구 목록을 JSON Schema로 정의해 모델에게 전달한다. 모델은 특정 상황에서 텍스트 대신 구조화된 함수 호출을 출력하고, 실행 환경이 이를 실제 API 호출로 변환해 결과를 다시 모델에 피드백한다.

🔌 MCP — Model Context Protocol

2024년 11월 Anthropic이 오픈소스로 공개한 MCP(Model Context Protocol)는 "AI 모델과 외부 도구를 연결하는 USB-C 표준"으로 비유된다. 기존에는 각 에이전트 프레임워크마다 도구 통합 방식이 달랐지만, MCP는 이를 표준화했다.

MCP 서버는 리소스(읽기), 도구(실행), 프롬프트(재사용 템플릿)의 세 가지 기본 기능을 표준 JSON-RPC 인터페이스로 노출한다. 클라이언트(에이전트)는 서버와 표준 프로토콜로 통신하기 때문에 어떤 MCP 서버든 교체 가능하다.

페블러스의 NanoClaw는 Google Calendar, Gmail, Google Drive, Ollama MCP 서버들을 조합해 운영된다. OpenClaw(Claude Code 기반)는 파일시스템, bash, 브라우저 MCP 서버를 사용해 코드 작업을 수행한다.

🤝 멀티에이전트 — 에이전트들의 협업

복잡한 작업은 하나의 에이전트가 처리하기보다 여러 에이전트가 분업하는 멀티에이전트 아키텍처가 효과적이다. 오케스트레이터(조율자) 에이전트가 전체 작업을 분해하고, 서브 에이전트들에게 위임한다.

두 에이전트는 팀 기반 협업도 가능하다. OpenClaw가 블로그 포스트를 작성하면 NanoClaw가 Slack/WhatsApp으로 팀에게 알림을 보내고, OpenClaw가 PR을 생성하는 식이다.

📜 에이전트 AI의 역사 — 1950년대부터

🚀 왜 지금인가 — 다섯 가지 수렴

2023년을 기점으로 에이전틱 AI가 실용화된 데는 다섯 가지 기술적·경제적 조건의 수렴이 있다.

🧠 Agency 위임: 자동화와의 결정적 차이

경제학의 주인-대리인 문제(Principal-Agent Problem)는 위임 관계에서 발생하는 정보 비대칭과 인센티브 불일치를 다룬다. AI 에이전트를 "대리인"으로 볼 때 이 문제는 새로운 차원을 갖는다.

자동화는 예외 상황에 취약하다. 스크립트가 예상치 못한 입력을 받으면 실패하거나 잘못된 동작을 한다. 에이전트는 다르다 — 예상치 못한 상황에서도 목표를 유지하며 대안적 접근을 시도한다. 이것이 바로 Agency(자율적 행위 능력)의 핵심이다.

그러나 Agency 위임은 새로운 위험도 내포한다. 에이전트가 목표를 달성하는 과정에서 의도하지 않은 부작용을 일으킬 수 있다(instrumental goal alignment 문제). Anthropic의 Constitutional AI와 같은 접근은 에이전트의 행동 범위를 정의된 원칙 내에 제한하는 시도다.

🦾 OpenClaw와 NanoClaw — 페블러스의 에이전트들

두 에이전트는 단일 팀(Team)으로 협업할 수 있다. OpenClaw가 오케스트레이터로 서브에이전트들을 생성·조율하거나, NanoClaw가 OpenClaw에게 특정 코드 작업을 위임하는 구조다. 이것이 멀티에이전트 아키텍처가 실제 운영 환경에서 구현된 모습이다.