📈 economics

Advances in Agentic AI: Back to the Future

이 논문은 에이전트 AI 와 알고리즘화 분야의 개념적 명확성을 회복하고, 기존 연구의 진화를 재조명하며, LLM 기반 에이전트 AI 를 가능하게 하는 'M1'과 전략 기반 에이전트 AI 를 위한 아키텍처인 'M2'를 구분하여 제시함으로써 향후 20 년간의 연구 및 변혁 의제를 제시합니다.

원저자: Sergio Alvarez-Telena, Marta Diez-Fernandez

게시일 2026-03-26

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sergio Alvarez-Telena, Marta Diez-Fernandez

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

1. 핵심 비유: "요리사 (학습)"와 "레스토랑 (기계)"의 차이

이 논문의 가장 중요한 주장은 **ML(머신러닝)**을 두 부분으로 나누어야 한다는 것입니다.

L (Learning, 학습): 요리사가 새로운 레시피를 연구하고 맛을 내는 부분입니다. (예: LLM 이 텍스트를 예측하는 능력)
M (Machine, 기계): 그 요리사가 일하는 레스토랑 전체 시스템입니다. (예: 재료를 사오기, 주문을 받고, 요리를 만들고, 손님을 응대하고, 위생 규정을 지키는 전체 프로세스)

현재의 문제점:
지금 전 세계는 **요리사 (L)**만 너무 잘 키우고 있습니다. "이 요리사는 천재야!"라고 칭찬하지만, 정작 그 요리사가 일할 **레스토랑 (M)**은 엉망입니다. 재료가 없거나, 주문이 꼬이거나, 위생 규정을 지키지 못해 식당이 망하는 것입니다.

저자들은 말합니다. "요리사 (모델) 는 누구나 구할 수 있는 평범한 인재가 될 뿐, 진짜 승자는 그 요리를 어떻게 식당 전체에 적용하느냐 (M2) 인 것이다."

2. 두 가지 기계: M1 과 M2

저자는 이 '기계'를 다시 두 단계로 나눕니다.

M1: "모델을 만드는 공장" (현재의 AI 열풍)

비유: 거대한 식자재 창고입니다. 여기서 엄청난 양의 데이터를 쌓아두고, 복잡한 수학적 공식을 이용해 '요리 레시피 (모델)'를 만듭니다.
현실: 현재 우리가 LLM(챗봇) 이라고 부르는 것은 이 M1 단계에 불과합니다.
한계: 이 레시피는 "평균적인" 지식을 바탕으로 합니다. 그래서 가끔 엉뚱한 말을 하거나 (할루시네이션), 실제 비즈니스 현장의 복잡한 규칙 (법률, 보안, 회사 내부 정치) 을 무시합니다. 마치 "요리사"는 천재인데 "식당"은 엉망이라서, 손님이 주문하면 요리사가 "아, 제가 그 재료가 없네요"라고 하거나, 엉뚱한 요리를 내는 것과 같습니다.

M2: "전체 시스템을 운영하는 지능형 로봇" (이 논문이 제안하는 미래)

비유: 완벽하게 자동화된 스마트 레스토랑입니다.
- 요리사 (AI) 만 있는 게 아니라, 재료를 주문하는 로봇, 손님의 취향을 분석하는 시스템, 위생 규정을 자동으로 체크하는 감시관, 그리고 서로 다른 부서 (주방, 서비스, 회계) 가 서로 대화하며 일하는 연결된 네트워크가 모두 포함되어 있습니다.
특징:
- 전략 기반 (Strategies-based): 단순히 "데이터를 맞추는" 게 아니라, "회사가 돈을 벌고, 법을 지키고, 위기를 극복하는" 전략을 실행합니다.
- 분산형 (Federated): 한 대의 거대한 컴퓨터에 모든 것을 맡기지 않고, 각 부서마다 작은 지능형 에이전트가 있어 서로 협력합니다.
- 실전 적합: "할루시네이션 (망상)"이 나오면 시스템이 스스로 멈추거나 수정할 수 있습니다.

3. 왜 지금의 AI 프로젝트 95% 가 실패할까?

논문에 따르면, 기업들이 AI 를 도입할 때 실패하는 이유는 AI 기술 자체가 나빠서가 아니라, 조직이 준비되지 않았기 때문입니다.

잘못된 역할 분담: 회사의 '감사팀 (Auditor)'에게 '혁신을 주도하는 역할 (Catalyzer)'을 맡기는 것과 같습니다. 감시하는 사람은 새로운 것을 만들지 못합니다.
과도한 기대: "AI 가 다 알아서 해줄 거야"라고 생각하지만, 실제로는 회사의 복잡한 규칙 (규제, 보안, 기존 시스템) 을 AI 가 이해하지 못해 충돌이 일어납니다.
마케팅의 함정: "LLM 이 모든 것을 해결해 줄 것이다"라는 마케팅에 현혹되어, 실제로는 쓸모없는 '요리 레시피'만 사들인 채 '레스토랑'을 짓지 않는 것입니다.

4. 저자들의 여정: "트레이딩"에서 시작해 "국가"까지

이 논문은 단순한 이론이 아니라, 10 년 동안 실제로 해본 경험에서 나온 것입니다.

시작 (M1): 그들은 처음에 **알고리즘 트레이딩 (주식 자동 매매)**이라는 가장 까다로운 분야에서 시작했습니다. 여기서 "요리사 (모델)"만으로는 안 되고, "시스템 (M1)"이 얼마나 정교해야 하는지 배웠습니다.
확장 (M2): 그 경험을 바탕으로, 주식 거래뿐만 아니라 회사의 인사, 보안, 회계, 마케팅 등 모든 부서가 서로 연결되어 일하는 **전체 시스템 (M2)**을 만들었습니다.
결과: 이 시스템은 단순히 "자동화"를 넘어, 회사가 스스로 학습하고 적응하며 전략을 실행할 수 있게 했습니다. 심지어 스페인 중앙은행이나 국방부 같은 곳에서도 이 방식의 가능성을 인정받았습니다.

5. 결론: "요리사"가 아니라 "레스토랑 경영자"가 되어야 한다

이 논문의 마지막 메시지는 매우 명확합니다.

"미래의 승자는 가장 똑똑한 AI 모델 (L) 을 가진 회사가 아니라, 그 모델을 어떻게 회사의 전체 시스템 (M2) 에 통합하여 전략적으로 활용하는지를 아는 회사입니다."

LLM 기반 AI: "요리사"에게 "요리해줘"라고 말하며 기대하는 것. (B2C, 챗봇 등)
전략 기반 AI (이 논문이 말하는 것): "요리사"를 포함한 전체 레스토랑 시스템을 설계하여, 손님이 오면 자동으로 재료를 주문하고, 요리하고, 결제하고, 위생을 관리하게 하는 것. (B2B, 기업 혁신)

한 줄 요약:
"지금 우리는 AI 가 '마법'이 될 것이라고 기대하며 요술 지팡이 (LLM) 만 쫓고 있지만, 진짜 마법은 그 지팡이를 어떻게 **현실 세계의 복잡한 문제 (기업, 국가) 를 해결하는 거대한 기계 (M2)**로 조립하느냐에 있습니다. 우리는 '요리사'를 찾는 게 아니라, '완벽한 레스토랑'을 설계하는 '경영자'가 되어야 합니다."

논문 요약: Agentic AI 의 진전: 미래로 회귀 (Advances in Agentic AI: Back to the Future)

1. 문제 제기 (Problem)

현재 전 세계적으로 '에이전트 AI(Agentic AI)'가 급부상하고 있으나, 이 개념에 대한 이해는 크게 왜곡되어 있습니다.

LLM 중심의 오해: 에이전트 AI 가 단순히 대규모 언어 모델 (LLM) 을 기반으로 한 자동화 도구로만 인식되고 있습니다.
구조적 결함: LLM 은 통계적 추정에 기반하여 정보를 생성하므로 '환각 (hallucination)'이 설계상 불가피한 결함이 아닌 구조적 속성입니다. 이를 생산 환경 (Production-grade) 에 직접 적용하면 시스템에 구조적 노이즈가 내재화되어 운영적 취약성과 사이버 보안 위험을 초래합니다.
개념적 혼란: '학습 (Learning, L)'과 '기계 (Machine, M)'를 구분하지 못하여, 모델 (f()) 자체의 발전만 강조하고 이를 실제 비즈니스에 통합하는 아키텍처의 중요성을 간과하고 있습니다.
실패율: MIT 보고서 등에 따르면 AI 프로젝트의 약 95% 가 실패하는데, 이는 기술의 부재가 아니라 조직의 아키텍처, 인재 관리, 그리고 '과학 (Science)'과 '응용 과학 (Applied Science)'의 혼동에서 기인합니다.

2. 방법론 및 이론적 프레임워크 (Methodology & Framework)

저자들은 10 년에 걸친 연구와 산업 실무를 바탕으로 **'알고리즘화 (Algorithmization)'**라는 새로운 학문 분야를 정립하고, 머신러닝을 두 가지 핵심 기계로 재정의했습니다.

ML 의 두 가지 기계 (M1 vs M2):
- M1 (Learning-Adaptive Machine): 데이터 엔지니어링과 하드웨어 관리를 통해 통계적 모델 $f()$ 를 구축, 추정, 노출하는 단계입니다. 이는 LLM 의 학습 및 미세 조정 (Fine-tuning) 인프라를 포함하며, 학계와 오픈 소스 생태계가 주도하는 '상품화 (Commodity)' 영역입니다.
- M2 (Strategies-based Agentic AI): 학습된 모델 (L) 을 소비하여 기업 전체의 알고리즘적 아키텍처로 통합하는 단계입니다. 이는 전문가 휴리스틱 (heuristics) 과 통계 모델을 결합하여 'If-Then' 논리를 실행하는 전략 기반 에이전트를 구축합니다. M2 는 분산형 (Federated), 모듈형, 그리고 상호 운용성을 갖춘 아키텍처를 지향합니다.
핵심 아키텍처 요소:
- MAU (Minimal Architecture Unit): 핵심 계산 논리와 데이터 접근 기능을 가진 기본 단위.
- MAE (Minimal Architecture Extension): MAU 의 기능적 확장.
- MAP (Minimal Architecture Pattern): MAU 와 MAE 를 조율하여 완전한 서비스와 애플리케이션을 생성하는 고차원 오케스트레이션.
- 전략 기반 에이전트 (Strategies-based Agents): 명시적 알고리즘 구조를 가지며 LLM 기반 에이전트와 달리 결정론적이고 검증 가능한 논리를 따릅니다.
개발 접근법:
- 탐색 (Exploration) 우선: BigTech 이 수익 중심의 '활용 (Exploitation)'에 치중하는 반면, 저자들은 99% 기술/1% 비즈니스 비율로 구성된 '센터 오브 엑설런스 (CoE)'를 통해 기술의 한계를 탐색했습니다.
- 알고리즘 트레이딩을 스테스트 (Stress Test): 가장 복잡한 도메인인 알고리즘 트레이딩에서 M1 을 완성한 후, 이를 일반화하여 기업 전체 (ERP, 사이버 보안, HR 등) 에 적용 가능한 M2 아키텍처로 추상화했습니다.

3. 주요 기여 (Key Contributions)

M1 과 M2 의 개념적 분리: AI 의 경쟁 우위가 모델 (L) 에 있는 것이 아니라, 모델을 조직 전체에 통합하고 운영하는 아키텍처 (M2) 에 있음을 명확히 정의했습니다.
전략 기반 에이전트 AI 의 제안: LLM 기반의 '분위기 코딩 (Vibe Coding)'이 아닌, 휴리스틱과 모델을 결합한 엄격한 알고리즘적 접근을 통해 생산 수준의 에이전트 시스템을 구축하는 방법론을 제시했습니다.
알고리즘화 (Algorithmization) 의 정립: 경제학, 기술, 머신러닝을 융합하여 기업이 제품, 부서, 기업, 산업, 국가, 사회 수준으로 확장 가능한 알고리즘적 생태계를 구축하는 새로운 학문적·실무적 프레임워크를 제시했습니다.
실증 사례 및 검증:
- Fractal: 기업 내 모든 부서에 맞춤형 AI 플랫폼을 제공하여 레거시 시스템과 호환되면서도 상호 운용 가능한 아키텍처를 구현.
- AlphaDynamics: 알고리즘 트레이딩 기술을 CFO 및 구매 부서 등 비금융 영역으로 확장.
- 국가 차원의 적용: 스페인 경제부와의 협력을 통해 '초효율 국가 (Extreme-Efficient Nations)' 개념을 도입하고, 국방 및 거시경제 전략에 적용 가능한 프레임워크를 제시.

4. 결과 (Results)

기술적 성취: 4.5 명 규모의 소규모 팀 (공동 저자 2 명 + 순환 협업자) 으로 M2 아키텍처를 개발하고, 스페인 중앙은행의 감사를 통과하는 등 높은 수준의 기술적 견고성을 입증했습니다.
비즈니스 영향: 기존 컨설팅이나 데이터 사이언스 팀이 해결하지 못했던 조직적, 구조적 문제를 해결하여 '플레이할 권리 (Right-to-play)'에서 '이길 권리 (Right-to-win)'로 전환하는 데 성공했습니다.
시장 평가: 2025 년 초, 유니콘 기업 (1 억 달러 이상 가치) 수준의 기업 가치를 평가받았으며, CFA, FERMA 등 주요 전문 협회와 OECD, UNESCO 등 초국적 기구로부터 인정을 받았습니다.
LLM 에 대한 비판적 검증: LLM 이 생성한 비판을 재검토하는 과정에서, LLM 이 '아웃-오브-샘플 (out-of-sample)'인 혁신적 아이디어를 이해하지 못하고 평균적인 패턴에 수렴하는 한계를 스스로 시인하게 함으로써, 인간 판단과 AI 의 협력 (Augmented Machines) 의 필요성을 증명했습니다.

5. 의의 및 시사점 (Significance)

패러다임 전환: AI 의 미래는 더 정교한 통계 모델 (f()) 을 만드는 데서 오는 것이 아니라, 이를 효과적으로 소비하고 조직화하는 M2 아키텍처의 숙달에 달려 있음을 강조합니다.
조직 변혁의 필수성: AI 도입은 조직의 변혁을 전제합니다. 조직이 먼저 '플랫폼 기반 (On-platform)'으로 재설계되지 않으면 AI 는 실패할 수밖에 없습니다.
지속 가능한 경쟁 우위: LLM 기반 솔루션은 쉽게 모방 가능하지만, 전략 기반의 M2 아키텍처는 지적 재산권 보호, 분산형 구조, 그리고 조직 특유의 휴리스틱이 결합되어 강력한 경쟁 우위를 제공합니다.
미래 비전: 2030 년대에는 미시경제학 이론이 추상적 개념을 넘어 실제 기업 운영을 지배하는 '알고리즘화'된 아키텍처로 구현될 것이며, 이는 국가 간 경쟁과 경제 구조를 근본적으로 바꿀 것입니다.

결론적으로, 이 논문은 Agentic AI 가 단순한 LLM 의 확장이 아니라, 인간과 기계의 지능을 통합하여 조직 전체를 알고리즘적으로 재구성하는 **전략적 아키텍처 학문 (Algorithmization)**의 시작점임을 주장하며, 기술적 엄격함과 비즈니스 실용성을 결합한 새로운 로드맵을 제시합니다.