Large Action Models(LAMs)는 텍스트 생성보다 행동 실행(action generation)에 초점을 맞춘 모델 계열이다. 일반 LLM을 reasoning loop와 도구 호출로 감싼 에이전틱 LLM과 달리, LAM은 행동 궤적(trajectory) 데이터와 실행 목표에 맞춰 훈련되는 점을 강조한다.
에이전틱 LLM과 LAM 비교
| 항목 | 에이전틱 LLM | Large Action Model |
|---|---|---|
| 기반 | 범용 LLM + 도구 + 오케스트레이션 | 행동 실행에 맞춘 모델 |
| 실행 능력 위치 | 프롬프트, tool schema, loop, harness | 모델의 학습 목표와 데이터 |
| 장점 | 범용성, 빠른 프로토타이핑, 도구 생태계 | 반복 행동의 안정성, 낮은 지연시간 가능성 |
| 약점 | 잘못된 도구 선택, 루프 실패, 파라미터 환각 | 범용 추론 폭이 좁을 수 있음 |
| 시작점 | 대부분의 팀에 적합 | 특정 행동 워크로드가 명확할 때 적합 |
에이전틱 LLM은 같은 모델이 이메일, 코드, API 호출, 검색을 모두 다룰 수 있다는 점이 강점이다. 대신 “하는 능력”은 모델 자체보다 하네스에 있다. LAM은 특정 실행 영역에서 더 안정적인 행동 생성을 목표로 한다.
언제 LAM이 유리한가
- UI 조작, API 액션, 로봇 제어처럼 행동 공간이 명확할 때
- 반복 실행이 많아 지연시간과 비용이 중요할 때
- 일반 추론보다 행동 성공률이 더 중요한 제품일 때
- 도구 호출 실패와 루프 불안정이 운영 문제로 드러났을 때
반대로 초기 제품 개발, 넓은 업무 자동화, 복잡한 추론이 필요한 작업은 에이전틱 LLM이 더 빠르게 시작할 수 있다.
함께 쓰는 구조
LAM과 에이전틱 LLM은 대체 관계만은 아니다. 상위 계획과 예외 처리는 범용 LLM이 맡고, 반복적이고 경계가 명확한 액션은 LAM이나 소형 특화 모델이 맡는 하이브리드 구조가 자연스럽다.
사용자 목표
→ 에이전틱 LLM: 계획, 분해, 예외 판단
→ LAM: 반복 액션 실행
→ 검증기: 결과 확인관련 문서
- agentic-ai-frameworks-tips-2026 — 에이전트 프레임워크 선택 기준
- agent-harness — AI 에이전트 성능을 결정하는 하네스 설계
- agentic-stack — AI 에이전트 기술 스택
- browser-harness — 브라우저 제어 하네스 패턴
참고 자료
- Large Action Models (LAMs) vs Agentic LLMs: What’s the Real Difference? — Analytics Vidhya (2026-07-04)