2024년, 에이전트의 실무 활용이 시작되다

2024년은 에이전트(Agent) 기술이 실무(프로덕션)에서 본격적으로 활용되기 시작한 해로 꼽힙니다.

• 과거 AutoGPT처럼 완전히 자율적이고 광범위한 범위를 커버하는 ‘만능 에이전트’보다는,

• 특정 목적과 업무에 최적화된 수직형(vertical), 좁은 범위(narrowly scoped), 관리가 쉬운(controllable) 에이전트들이 많은 주목을 받았습니다.

이러한 ‘맞춤형 에이전트’를 성공적으로 만들기 위해서는 다음과 같은 요소들이 중요합니다.

1. 명확한 목표: 에이전트가 어떤 문제를 해결하고, 어떤 결과를 낼지 정의

2. 설계된 인지 구조(architecture): 에이전트 내부가 숨겨져 있지 않고, 투명하게 설계되고 제어 가능해야 함

3. 기업별 요구사항 반영: 각 회사가 자체 업무에 맞게 워크플로우 등을 커스텀하는 과정 필요

물론 이런 맞춤형 에이전트는 여전히 구현이 쉽지 않으나, 2024년을 거치며 충분히 가능함이 입증되었습니다.

 

LangGraph 채택 요인

 

LangGraph는 2024년 초에 새롭게 선보인 에이전트 프레임워크로, 이미 존재하던 [LangChain]의 경험을 바탕으로 만들어졌습니다.

• 낮은 추상화 레벨과 높은 제어권: 개발자가 에이전트의 내부 로직(인지 구조)을 직접 확인하고 원하는 대로 설계할 수 있게 함

• 숨겨진 프롬프트/비공개 구조가 없음: 불투명한 ‘블랙박스’ 구조를 지양, ‘프로덕션 레벨에서의 신뢰성’ 확보

• 다양한 에이전트 유형 지원: 단일 에이전트, 멀티 에이전트, 인간 피드백이 결합된 에이전트 등

결과:

• 2024년 한 해 동안, 에이전트를 도입하고자 하는 많은 기업들이 LangGraph를 ‘사실상 표준(de-facto standard)’으로 채택

• 실제로 여러 회사가 LangGraph를 사용해 “어떻게 에이전트를 구축했는지” 다양한 사례를 공유해왔습니다.

 

주요 사래

- Replit

• Replit은 코딩에 특화된 클라우드 개발 플랫폼으로 잘 알려져 있음

• 2024년 가을, Replit Agent를 출시해 폭넓은 이용자층에게 관심을 받음

• 주된 특징:

• 사람이 중간중간 확인하고 수정하는 ‘human-in-the-loop’ 접근

• 여러 에이전트를 조합(멀티 에이전트 시스템)하여 코딩 업무를 보조하고 자동화

의의:

• 차세대 코딩 도우미로서 단일 에이전트보다 발전된 구조를 제시

• 대규모 사용자층을 기반으로 빠른 피드백을 받아, 에이전트 기능을 지속적으로 개선

- Uber

• Uber의 Developer Platform AI 팀이 LangGraph를 채택

• 주된 목적: 대규모 코드 마이그레이션 업무를 자동화·지원하는 에이전트 구축

• 의의:

• 범용 코딩 에이전트도 물론 유용하지만, 내부 코딩 툴(예: 사내 전용 라이브러리/워크플로우)을 커스텀하여 더 큰 가치를 얻음

• 대규모 기업이 에이전트를 활용해 방대한 양의 코드를 조직적으로 개선·변환하는 사례

 

- AppFolio

• 부동산 관리(PropTech) 분야에서 **AI 보조도구 ‘Realm-X’**를 출시

• 주된 기능:

• 사용자(주로 부동산 관리자)가 자신의 업무 현황을 한눈에 파악하고, 채팅하듯이 필요한 업무를 한 번에 처리

• 예: 임차인 정보 조회, 벤더와의 메시지 전송, 각종 스케줄 잡기, 공과금 관리 등

성과:

• 주당 10시간 이상의 반복 업무 시간을 절감

• LangGraph를 사용해 ‘사내 프로세스를 엄격히 통제’하면서도 자연어 에이전트를 구현

 

 

- LinkedIn

• 사내 SQL Bot을 개발하여 내부 직원들이 자연어로 데이터 질의 → SQL 쿼리 자동 생성

• 주된 기능:

• 직원(비개발 직군 포함)이 “나 오늘 매출 요약좀 볼 수 있을까?”처럼 자연어로 질문하면, 적절한 SQL 쿼리를 생성

• 테이블/스키마 검색, 에러 수정, 권한 확인 등을 에이전트가 자동 처리

의의:

• 사내 어디서든 데이터를 쉽게 접근할 수 있게 해서 업무 효율 극대화

• LangChain + LangGraph로 다중 에이전트 시스템 구축

 

- Elastic

• 검색·로그 분석 등으로 유명한 Elastic이 2024년 초, AI Assistant를 가장 먼저 도입한 기업 중 하나

• 초기에는 LangChain으로 개발 → 기능 확대 과정에서 LangGraph로 전환

• 의의:

• 검색 엔진 및 로그 분석 같은 대규모 데이터 환경에서 AI 에이전트가 어떻게 보조 역할을 할 수 있는지 보여줌

• 꾸준히 기능을 개선하여 사례 연구와 후속 블로그 발표 진행

 

 

 

요약하면

• 2024년은 여러 기업들이 에이전트를 통해 실질적인 업무 효율을 올린 해였습니다.

• LangGraph는 이 과정에서 **‘높은 제어권’과 ‘투명한 설계 구조’**를 내세워 다양한 산업군에 채택되었습니다.

• 각 기업의 성공 사례는 ‘에이전트 = 너무 넓게 모든 것을 다 하는 것’이 아니라, **“필요한 기능에 집중해 맞춤형으로 구현”**해야 한다는 점을 강조합니다.

• 2025년에는 더 많은 기업과 개발자들이 이 교훈을 바탕으로, 한층 발전된 에이전트를 속속 선보일 것으로 기대됩니다.