ChatGPT에 프롬프트를 입력하고 블로그 초안을 받는 것은 생성형 AI(Generative AI)다. 키워드만 주면 경쟁사 분석·콘텐츠 갭 발견·리포트 작성까지 알아서 끝내는 것은 에이전트형 AI(Agentic AI)다. 두 경우 모두 같은 LLM 기술을 쓰지만, 결과를 만드는 구조가 다르다.

핵심 차이

생성형 AI가 더 나은 경우

• 단일 단계 작업: 소셜 미디어 카피 초안, 특정 단락 작성, 아이디어 브레인스토밍
• 출력 즉시 검토 필요: 브랜드 목소리가 중요한 콘텐츠, 법적 검토 필요 문서
• 빠른 반복이 필요한 작업: 여러 버전 비교, A/B 변형 생성
• 비용 민감 작업: 간단한 작업에 복잡한 에이전트 루프를 돌리는 것은 낭비

에이전트형 AI가 더 나은 경우

• 다단계 리서치: 경쟁사 분석, 키워드 발굴, 콘텐츠 갭 식별처럼 여러 도구를 거쳐야 하는 작업
• 반복 실행 워크플로: 매달 동일한 보고서, 정기 콘텐츠 업데이트, 정해진 파이프라인
• 도구 연동 필요 작업: 실시간 데이터 조회, API 호출, 파일 수정
• 자율 코딩: 코드 작성 → 테스트 실행 → 오류 수정까지 사람 개입 없이 반복

에이전트 시스템을 구성하는 4가지 레이어

생성형 AI와 에이전트형 AI는 별개 기술이 아니다. 에이전트형 AI는 생성형 AI(LLM) 위에 4가지 스캐폴딩을 쌓은 것이다.

1. 계획 레이어

LLM은 한 번에 하나의 프롬프트에 응답한다. 에이전트 시스템은 목표를 받아 단계로 쪼갠 뒤 순서대로 실행한다. “경쟁사 콘텐츠 갭을 찾아줘”라는 명령에 즉시 답하는 게 아니라, 키워드 데이터 수집 → 경쟁사 페이지 분석 → 교차 검증 → 보고서 작성 순으로 계획을 먼저 세운다.

2. 도구 접근

챗봇은 학습 데이터와 사용자가 붙여넣은 내용만 다룬다. 에이전트는 웹 검색, API, 데이터베이스, 코드 실행 환경에 접근한다. Anthropic의 MCP(Model Context Protocol)는 이 도구 연결을 표준화한다.

3. 메모리

단순 ChatGPT 대화는 세션마다 초기화된다. 에이전트 시스템은 작업 전체에 걸쳐 맥락을 유지한다 — 3단계에서 실패했으면 4단계에서 전략을 바꾼다.

4. 액션 루프

Observe → Reason → Act → Observe를 반복한다. 실패한 단계를 “새 정보”로 처리해 다음 시도에 반영한다. 동일 오류에서 멈추는 생성형 AI와 달리 에이전트는 자가 수정이 가능하다.

에이전트형 AI의 위험 관리

에이전트는 실제 액션을 실행하므로 실수가 연쇄된다. 실용적인 가이드라인:

• 인간 검토 체크포인트: 이메일 발송, 페이지 게시, API 호출처럼 되돌릴 수 없는 작업 전 승인 단계 추가
• 권한 범위 최소화: 에이전트에게 필요한 도구만 제공
• 샌드박스 실행: 코드 생성 에이전트는 docker-sandbox 같은 격리 환경에서 실행
• 감사 로그: 에이전트가 어떤 도구를 어떤 순서로 호출했는지 기록 유지

실무 활용 예시

도구 선택 참고

• 생성형 AI 도구: ChatGPT, Claude, Gemini (채팅 인터페이스)
• 코딩 에이전트: Claude Code, OpenCode, Codex CLI, Aider → coding-agent-tips-harness-comparison-2026
• 마케팅 에이전트: Ahrefs Agent A 등 도메인 특화 에이전트

참고 자료

• Agentic AI vs. Generative AI: What’s the Difference, and Why Does It Matter? — Ahrefs Blog (2026-05-08)