우리 업무엔 어떤 유형이 맞을까요?
웹형, 코딩형, 자율형 중 어디서 시작할지는 업무 흐름과 보안 조건에 따라 달라집니다.
지금 맡기고 싶은 업무를 알려 주시면, 맞는 에이전트 구성을 함께 살펴봅니다.
Contents
AI 에이전트 종류 완벽정리 — 5가지 유형부터 실무형 분류까지💡 3줄 요약1. AI 에이전트란? 30초 정의2. 챗봇 vs AI 에이전트 — 무엇이 다른가3. AI 에이전트는 어떻게 작동하나 — 4단계 루프4. AI 에이전트 종류 ① 전통 5가지 분류① 단순 반사형 (Simple Reflex)② 모델 기반 반사형 (Model-based Reflex)③ 목표 기반 (Goal-based)④ 유용성 기반 (Utility-based)⑤ 학습형 (Learning)5. AI 에이전트 종류 ② 실무형 분류 (웹·코딩·자율)6. AI 에이전트 활용 사례 — 어디에 쓰나7. 기업 문서·업무 자동화엔 어떤 에이전트가 맞을까?8. 우리 업무엔 어떤 유형? 선택 체크리스트9. 자주 묻는 질문 (FAQ)Q. AI 에이전트와 ChatGPT는 다른가요?Q. AI 에이전트 종류는 결국 몇 가지인가요?Q. 코딩을 못해도 AI 에이전트를 쓸 수 있나요?Q. 기업이 가장 먼저 도입하기 좋은 유형은?Q. 에이전트를 도입한 뒤 업무 기준이 바뀌면 어떻게 하나요?결론AI 에이전트 종류 완벽정리 — 5가지 유형부터 실무형 분류까지
'AI 에이전트 종류'를 검색하면 성격이 다른 두 종류의 글이 나옵니다.
하나는 단순반사·학습형 같은 교과서식 분류,
다른 하나는 실제 제품을 늘어놓는 실무형 소개예요.
둘 다 틀린 말은 아닌데,
막상 "그래서 우리 회사 업무엔 뭘 쓰지?"라는 질문엔 답이 잘 안 나오죠.
이 글은 그 간극을 메웁니다.
에이전트 종류를 교과서 5분류와 현장 실무형 분류, 두 축으로 정리하고,
마지막엔 기업에서 가장 자주 부딪히는 문서 업무를 실제로 맡길 에이전트는 무엇이 다른지까지 짚어 드릴게요.
💡 3줄 요약
AI 에이전트 종류는
① 학술 5분류(단순반사·모델기반·목표기반·유용성·학습형)와
② 실무형 분류(웹·코딩·자율형)로 나눠 보면 깔끔합니다.챗봇은 답을 말해주는 AI, 에이전트는 '목표→계획→실행→평가 루프로 직접 해내는' AI예요.
기업 업무, 특히 문서 업무에는 문서를 읽고 판단해 실행까지 하는 업무 실행형 에이전트가 필요합니다.
1. AI 에이전트란? 30초 정의
AI 에이전트(AI Agent)는 목표 하나를 주면, 스스로 계획을 세우고 도구를 골라 써가며 끝날 때까지 일을 해내는 AI 입니다. 한 번 답하고 끝나는 게 아니라, 다음에 뭘 할지 스스로 정하면서 계속 돌죠.
핵심은 인식 → 계획 → 실행 → 평가의 반복 루프와 도구 사용입니다.
LLM이 직접 웹을 검색하고, 파일을 열고, 코드를 돌리고, API를 호출합니다.
2. 챗봇 vs AI 에이전트 — 무엇이 다른가
가장 헷갈리는 지점이죠. 차이는 실행에 있습니다. 챗봇은 '무엇을 하라'는 방법을 알려주는 데서 멈추고, 에이전트는 그걸 직접 실행해 결과물까지 만들어 옵니다.
구분 | 챗봇 | AI 에이전트 |
|---|---|---|
동작 | 질문 → 답변 | 목표 → 계획 → 실행 → 평가(루프) |
자율성 | 낮음(매번 지시) | 높음(스스로 판단·실행) |
도구 사용 | 제한적 | 웹·파일·코드·API 직접 호출 |
기억 | 대화 내 단기 | 장기 기억 + 컨텍스트 유지 |
예를 들어 이 계약서 오류 찾아줘라고 하면, 챗봇은 방법을 알려주고 — 에이전트는 직접 문서를 열고, 항목을 비교하고, 결과를 정리해 보고합니다.
3. AI 에이전트는 어떻게 작동하나 — 4단계 루프
에이전트의 작동은 네 단계가 돌고 도는 구조예요.
인식(Perceive) — 요청과 환경(파일 구조, 로그 등)을 파악
계획(Plan) — 어떤 도구를 어떤 순서로 쓸지 결정
실행(Act) — 실제로 도구를 호출(검색·파일수정·API 등)
평가(Evaluate) — 목표 달성 여부 확인, 실패 시 다시 계획으로
이 루프를 반복하며 점점 나은 결과를 만드는 게 에이전트의 원리입니다.
4. AI 에이전트 종류 ① 전통 5가지 분류
가장 널리 쓰이는 학술적 분류입니다. 자율성·지능 수준 에 따라 5가지로 나뉩니다.
① 단순 반사형 (Simple Reflex)
조건-행동 규칙에 따라 즉각 반응. 과거·미래를 고려하지 않음.
예: 온도 임계값에서 히터를 켜는 온도조절기.
예측 가능한 환경엔 효과적이지만 새로운 상황엔 취약.
② 모델 기반 반사형 (Model-based Reflex)
내부에 환경 '모델'을 두고 과거 상태를 추적.
예: 이전 이동·장애물 위치를 기억하는 로봇.
부분적으로만 관찰되는 환경에 강함.
③ 목표 기반 (Goal-based)
목표를 설정하고, 계획·추론으로 목표에 가까워지는 행동을 선택.
예: 우회로를 계산해 목적지로 가는 내비게이션형 로봇.
대부분의 LLM 기반 에이전트가 여기 가까움.
④ 유용성 기반 (Utility-based)
목표 달성을 넘어 '효용(utility)'을 최대화.
여러 결과에 점수를 매겨 최적을 선택.
예: 속도·연비·안전을 저울질하는 자율주행, 동적 가격 책정.
⑤ 학습형 (Learning)
경험·피드백으로 성능을 계속 개선(성능요소·학습요소·비판자·문제생성기).
예: 쓸수록 정확해지는 추천 시스템, 강화학습.
+ 멀티에이전트 시스템: 여러 에이전트가 역할을 나눠 협업(리서처·작가·편집자처럼). 상위 에이전트가 목표를, 하위 에이전트가 세부 작업을 맡는 오케스트레이션 구조.
5가지 한눈에 비교
유형 | 핵심 | 예시 | 한계 |
|---|---|---|---|
단순반사 | 규칙 즉시 반응 | 온도조절기 | 기억·학습 없음 |
모델기반 | 상태 추적 | 탐색 로봇 | 고급 추론 약함 |
목표기반 | 계획·추론 | 경로 탐색 | 전략 사전정의 의존 |
유용성 | 효용 최적화 | 자율주행 | 효용함수 설계 난이도 |
학습형 | 경험으로 개선 | 추천·강화학습 | 데이터·학습비용 |
5. AI 에이전트 종류 ② 실무형 분류 (웹·코딩·자율)
교과서 분류만으론 "그래서 뭘 깔지?"가 안 풀리죠.
현장에선 어디까지 알아서 하게 두느냐(권한·자율성)로 가르는 게 더 실용적입니다.
① 웹형 에이전트
서비스가 정해 둔 도구 안에서, 던진 일 하나를 처리합니다.
가장 가볍고 손이 덜 갑니다.
맞는 일: 리서치, 자료 조사, 간단한 문서 작성
② 코딩(컴퓨터 유즈)형 에이전트
컨텍스트와 도구를 내가 붙여 내 일에 맞춥니다.
파일·문서·앱까지 다루되, 행동 전마다 승인을 구합니다.
맞는 일: 통제를 유지하면서 맡기고 싶은 작업
③ 자율형 에이전트
"여기까진 알아서 해"라고 위임하면 묻지 않고 스스로 굴러갑니다.
가장 강력하지만, 그만큼 통제·검증 설계가 중요합니다.
맞는 일: 정해 둔 범위 안의 반복 업무. 업무 기준이 바뀔 때 함께 관리할 방법이 필요합니다.
전통 5분류 ↔ 실무 분류 매핑
실무형 | 자율성 | 가까운 전통 유형 | 트리거 |
|---|---|---|---|
웹형 | 낮음 | 목표기반 | 사람이 1건 요청 |
코딩/컴퓨터유즈형 | 중간 | 목표기반+학습형 | 사람 호출(승인형) |
자율형 | 높음 | 학습형+멀티에이전트 | 조건 충족 시 자동 |
기업 도입에서 더 깊은 멀티에이전트·통제 설계가 궁금하다면:
멀티 에이전트 시대, 기업 문서 업무 자동화도 '관리 가능한 AI'가 필요하다
💬
6. AI 에이전트 활용 사례 — 어디에 쓰나
에이전트가 실제로 쓰이는 곳은 크게 네 영역입니다.
문서·심사 업무: 계약서·청구서·신청서를 읽고 규정과 대조해 검토하고 입력합니다. 기업에서 체감 효과가 가장 빠른 영역이에요.
고객 지원: 단순 응답을 넘어 환불·주문 변경 같은 처리까지 맡습니다.
데이터·리포팅: 데이터 수집부터 차트, 인사이트 도출까지 이어서 합니다.
소프트웨어 개발: 코드 작성, 버그 수정, 테스트를 돕습니다.
이 중에서도 문서 기반 업무가 대부분 기업의 진짜 병목입니다. 다음 장에서 따로 봅니다.
7. 기업 문서·업무 자동화엔 어떤 에이전트가 맞을까?
기업 업무의 상당수는 결국 '문서를 읽고 처리하는 일'로 수렴합니다.
그런데 그 문서들이 표·서식·손글씨가 뒤섞인 비정형(PDF·HWP·스캔본)이라,
앞서 본 범용 에이전트들은 여기서 자주 막혀요.
이건 문서를 읽고 판단해 실행까지 하는 업무 실행형 에이전트가 맡는 일입니다.
흐름은 이렇습니다.
문서 수집 → OCR(텍스트·항목 추출) → Parser(표·구조 복원) → 검증(사람 승인) → 사내 시스템 연계
한국딥러닝은 문서 AI에서 출발해,
이제 기업 업무를 끝까지 처리하는 AI 에이전트를 만듭니다.
DEEP Agent는 문서를 읽는 데서 멈추지 않습니다.
판단이 필요한 항목은 사람에게 넘기고,
확인된 값은 사내 시스템까지 보내 업무를 마무리하는 일하는 AI입니다.
DEEP Agent | 수집→분류→추출→검증→연계를 외부 반출 없이(온프레미스·폐쇄망) 한 흐름으로 자동화 |
DEEP OCR | 비정형·다국어·손글씨 문서에서 항목을 Key-Value로 추 |
DEEP Parser | 표·제목·병합셀 등 23종 레이아웃을 구조 단위로 해석(PDF·HWP → JSON·Markdown) |
이 에이전트의 출발점인 문서 이해력에도 근거가 있습니다.
한국딥러닝의 VLM 「KDL 프론티어」는
OCRBench v2 영어 부문에서 68.1점으로 1위를 기록했습니다(2026년 3월 평가).
읽기가 정확해야 판단과 실행도 흔들리지 않습니다.
자세한 기능은 아래 페이지에 정리했습니다.
다만 문서 양식이나 심사 기준이 바뀌면, 에이전트도 어제의 기준으로 일하게 됩니다.
2026년 9월 출시한 DEEP Ops는 현업이 이 기준을 재학습 없이 직접 바꾸고 검증한 뒤 적용하게 해 줍니다. 자세한 방식은 아래 글에 정리했습니다.
왜 범용 생성형 AI로는 문서 업무가 흔들리는지 더 보고 싶다면:
Parser 설계가 RAG 정확도를 결정하는 이유
8. 우리 업무엔 어떤 유형? 선택 체크리스트
우리 상황 | 추천 유형 |
|---|---|
리서치·자료조사·간단 문서 한 건 | 웹형 |
코드·파일·앱 작업을 통제하며 맡기고 싶다 | 코딩/컴퓨터유즈형 |
정해둔 범위 안에서 24시간 자동으로 돌리고 싶다 | 자율형(검증 설계 필수) |
계약서·신청서·HWP 등 문서 업무 자동화 | 문서 업무 실행형(DEEP Agent) |
보안상 데이터를 외부로 못 보낸다 | 온프레미스·폐쇄망 지원 유형 |
💬
체크한 업무, 에이전트에 바로 맡길 수 있을까요?
「문서 업무 자동화」나 「외부 반출 불가」에 해당했다면, 실제 업무 흐름을 기준으로 DEEP Agent 적용 범위를 함께 확인해 보세요.
9. 자주 묻는 질문 (FAQ)
Q. AI 에이전트와 ChatGPT는 다른가요?
A. ChatGPT는 기본적으로 대화형(챗봇)이고, AI 에이전트는 스스로 도구를 써 작업을 '실행'합니다. 다만 ChatGPT도 도구·플러그인을 붙이면 에이전트처럼 동작할 수 있어요.
Q. AI 에이전트 종류는 결국 몇 가지인가요?
A. 학술적으론 5가지(단순반사·모델기반·목표기반·유용성·학습형)+멀티에이전트, 실무적으론 권한 기준 3가지(웹·코딩·자율형)로 보면 깔끔합니다.
Q. 코딩을 못해도 AI 에이전트를 쓸 수 있나요?
A. 네. 노코드 도구나 GUI형 에이전트로도 가능하고, 특히 문서 업무는 업무 실행형 에이전트로 코드 없이 자동화할 수 있습니다.
Q. 기업이 가장 먼저 도입하기 좋은 유형은?
A. 효과가 즉시 보이는 문서·반복 업무 자동화 부터 권합니다. 검증(사람 승인) 단계를 둔 문서 업무 실행형이 리스크가 낮고 효과를 빨리 확인할 수 있습니다.
Q. 에이전트를 도입한 뒤 업무 기준이 바뀌면 어떻게 하나요?
A. 문서 양식이나 심사 기준이 바뀌면 에이전트가 따르는 기준도 바꿔야 합니다. 재학습을 기다리기보다, 현업이 기준을 직접 고치고 지난 자료로 결과를 비교한 뒤 적용하는 방식이 안전합니다. 한국딥러닝은 이 운영을 DEEP Ops로 지원합니다.
결론
AI 에이전트 종류, 두 갈래로 기억하면 됩니다.
학술 5분류:
단순반사 → 모델기반 → 목표기반 → 유용성 → 학습형 (+멀티에이전트)실무형:
웹 → 코딩(컴퓨터유즈) → 자율
그리고 기업의 진짜 일감인 문서 업무엔 문서를 읽고 판단해 실행까지 하는 업무 실행형 에이전트(DEEP Agent)가 필요합니다. 핵심은 외워서 아는 게 아니라 우리 업무에 한 번 붙여보는 거예요.
AI 에이전트의 정의와 챗봇·어시스턴트와의 차이를 더 깊게 보고 싶다면:
AI 에이전트란? 챗봇과의 차이와 도입 가이드
Share article