멀티 에이전트의 상호작용 구성과 체계

AI 에이전트 시스템은 단순히 하나의 모델이 일하는 것이 아니라, 각기 다른 전문성을 가진 에이전트들이 유기적으로 연결된 **'멀티 에이전트 시스템(Multi-Agent System)'**으로 동작합니다.

5가지 핵심 에이전트의 역할과 기능을 정리하고, 이들이 어떻게 상호작용하는지 구조도와 함께 설명해 드리겠습니다.

 

1. 에이전트별 역할 및 기능 정의

에이전트 유형	핵심 역할 (Role)	주요 기능 (Function)
인식 (Perception)	외부 데이터의 수용 및 해석	이미지/문서 스캔(OCR), 음성 인식(STT), 비정형 데이터의 구조화
분류 (Classification)	의도 파악 및 작업 라우팅	사용자 질문의 카테고리 분류, 감정 분석, 긴급도 판별
워크플로우 (Workflow)	전체 공정 설계 및 관리	전체 작업 단계(Task) 분할, 에이전트 간 순서 조율, 진행 상태 모니터링
도구 활용 (Tool-use)	외부 리소스 연결 및 계산	실시간 웹 검색, API 호출, 데이터베이스(DB) 쿼리 실행, 코드 연산
액션 (Action)	최종 실행 및 결과 도출	이메일 발송, 파일 저장, 결제 승인, 시스템 상태 업데이트

 2. 에이전트 간 상호작용 구조

에이전트 시스템은 보통 **'인식 -> 판단(분류/기획) -> 실행'**의 흐름을 가집니다. 아래는 이들의 협력 관계를 보여주는 개념적 구조입니다.

상호작용 흐름 (The Interaction Flow):

1. 인식 에이전트 (Gatekeeper): 사용자가 보낸 이미지, 텍스트, 음성 등 다양한 형태의 입력을 받아 이를 텍스트 기반의 데이터로 정제합니다.
2. 분류 에이전트 (Router): 정제된 데이터를 분석하여 "이것이 무엇을 원하는 작업인가?"를 결정합니다. 분석 결과를 워크플로우 에이전트에게 전달합니다.
3. 워크플로우 에이전트 (Orchestrator): 분류된 의도에 맞춰 해결 계획을 세웁니다.
4. 도구 활용 에이전트 (Specialist): 워크플로우의 지시에 따라 실제 외부 데이터가 필요할 때 작동합니다. 검색 엔진이나 계산기 등을 사용하여 필요한 재료를 수집합니다.
5. 액션 에이전트 (Executor): 모든 정보가 수집되고 판단이 끝나면, 현실 세계에 영향을 주는 최종 동작(메시지 전송, 예약 등)을 수행하고 사용자에게 결과를 보고합니다.

 3. 실무 적용 시나리오: "법인카드 영수증 처리"

이 에이전트들이 실제 업무에서 어떻게 한 팀으로 움직이는지 예시를 들어보겠습니다.

• 인식 에이전트: 사용자가 업로드한 영수증 사진에서 상호명, 날짜, 금액(15,000원)을 읽어냅니다.
• 분류 에이전트: 이 지출이 '식비'인지 '교통비'인지 분류하고, 회사 규정 준수 여부를 확인합니다.
• 워크플로우 에이전트: 지출 승인 절차(담당자 확인 -> 회계 시스템 등록 -> 알림 발송)를 가동합니다.
• 도구 활용 에이전트: 사내 ERP 시스템 API에 접속하여 해당 금액을 장부에 기록합니다.
• 액션 에이전트: "지출 결의가 완료되었습니다"라는 메시지를 사용자의 슬랙(Slack)으로 발송합니다.

 

4. 행정업무 지원 AI 에이전트 역할 테스트 프롬프트

4.1 사용자 입력:

"우리 회사에 신규 입사자가 발생했습니다. 입사자는 onboarding@ourcompany.com 주소로 입사 서류를 이메일로 제출했습니다. 제출된 이메일을 처리하고 신입 사원 온보딩 프로세스를 시작하는 일련의 행정 업무를 처리해 주세요." 

 

4.2 기대되는 에이전트별 상호작용 역할 (테스트 목표):

①   인식 에이전트 (Perception Agent):

·         역할: 이메일 도착 사실을 감지하고, 이메일 본문, 첨부 파일 유무, 보낸 사람 주소 등 초기 데이터를 인식합니다.

·         기대 반응: "onboarding@ourcompany.com으로 '[신입사원] 김철수 입사 서류 제출합니다'라는 제목의 이메일이 도착했음을 감지했습니다. 발신자는 kim.chulsoo@email.com이며, 2개의 첨부 파일이 포함되어 있습니다."

 

②   분류 에이전트 (Classification Agent):

·         역할: 인식된 데이터를 기반으로 업무의 유형과 우선순위를 결정합니다.

·         기대 반응: "이 이메일은 '신입 사원 온보딩' 관련 업무로 분류됩니다. 첨부 파일은 '입사 지원서.pdf', '근로계약서_사본.jpg'입니다. 중요도는 '높음'으로 지정하며, 인사(HR) 부서 담당자에게 배정합니다."

 

③   워크플로우 에이전트 (Workflow Agent):

·         역할: 분류된 업무에 따라 사전 정의된 표준 운영 절차(SOP)를 실행하고 다음 단계로 안내합니다.

·         기대 반응: "'신입 사원 온보딩' 표준 워크플로우를 시작합니다.

·         1단계: 첨부 파일 유효성 검사 (→ 도구 활용 에이전트로 위임)

·         2단계: 인사 시스템에 신규 사원 정보 입력 (→ 액션 에이전트로 위임)

·         3단계: HR 담당자에게 알림 발송."

 

④   액션 에이전트 (Action Agent):

·         역할: 실제 시스템 상의 구체적인 작업을 수행합니다 (예: 데이터베이스 입력, 이메일 전송, 상태 변경).

·         기대 반응: "워크플로우 에이전트의 지시에 따라 신규 사원 '김철수'의 기본 정보를 내부 인사 관리 시스템에 성공적으로 입력했습니다. 상태가 '서류 접수 완료'로 변경되었습니다."

 

⑤   도구 활용 에이전트 (Tool Use Agent):

·         역할: 외부 도구나 특정 기능을 사용하여 데이터 처리, 검증, 변환 등의 작업을 수행합니다.

·         기대 반응: "첨부 파일 '근로계약서_사본.jpg'를 OCR 도구를 사용해 텍스트 데이터로 변환했습니다. 변환된 텍스트와 '입사 지원서.pdf'의 데이터를 상호 검증한 결과, 필수 정보(이름, 생년월일, 연락처)가 일치함을 확인했습니다." 

 

4.3 테스트 방법:

이 프롬프트를 AI 시스템에 입력하고, 각 에이전트가 위와 같은 '기대 반응'을 얼마나 정확하고 논리적으로 수행하는지 확인합니다. 이는 각 에이전트의 역할 분담과 협업 능력을 종합적으로 평가하는 데 유용합니다.

 

5. 제안: 행정 에이전트 통합 그룹 체계 (7-Agent System)

행정업무는 단순한 데이터 처리를 넘어 **'보안', '규정 준수', '최종 의사결정'**이라는 특수성이 있습니다. 5가지 에이전트 체계는 매우 탄탄한 기초가 되지만, 기업이나 공공기관의 실제 행정 프로세스에 적용하기에는 **'검증'**과 **'기억'**의 요소가 보완될 필요가 있습니다.

행정 업무의 완결성을 높이기 위해 추가해야 할 2가지 핵심 에이전트와 이를 포함한 **전체 행정 에이전트 그룹 체계(Administrative Agent Framework)**를 제안합니다.

 

5.1 제안: 행정 에이전트 통합 그룹 체계 (7-Agent System)

일반화된 행정 업무 처리를 위해 아래와 같은 구조로 체계를 확장하는 것을 추천합니다.

분류	에이전트 명칭	역할 요약
수용층	인식 에이전트	문서, 음성, 이미지를 디지털 데이터로 변환
판단층	분류 에이전트	업무의 성격(민원, 보고, 신청) 구분 및 우선순위 설정
조율층	워크플로우 에이전트	단계별 업무 프로세스 설계 및 담당 에이전트 배정
실행층	도구 활용 에이전트	ERP, 캘린더, 웹 검색 등 외부 시스템과의 연동
보안층	가드레일 에이전트	(추가) 개인정보 유출 방지 및 사내 규정 준수 여부 필터링
지식층	메모리 에이전트	(추가) 과거 이력 및 전례 데이터를 호출하여 일관성 유지
완결층	액션 에이전트	최종 문서 발행, 메일 발송, 결재 상신 등 업무 종결

 

5.2. 추가가 필요한 에이전트 유형

① 가드레일 에이전트 (Guardrail / Compliance Agent)

• 필요성: 행정 업무는 개인정보보호법, 사내 보안 규정, 예산 운영 지침 등 엄격한 규칙을 따라야 합니다. 다른 에이전트들이 생성한 결과물이 규정에 어긋나지 않는지 감시하는 '준법 감시인'이 필요합니다.
• 핵심 기능: 개인정보 마스킹(비식별화), 권한 확인, 규정 위반 탐지.

② 메모리 에이전트 (Memory / Knowledge Base Agent)

• 필요성: 행정은 '전례'가 중요합니다. 이전 회의록, 과거의 승인 문서, 반복되는 사용자의 선호도를 기억하고 있어야 일관성 있는 행정 서비스가 가능합니다.
• 핵심 기능: 장기 기억 저장(Vector DB 관리), 과거 사례 검색, 사용자 맥락 유지.

 

5.3 확장된 에이전트 간 상호작용 개념도

행정 업무는 '선형적' 흐름보다 **'검증 루프'**가 포함된 구조가 안전합니다.

 

5.4 이 체계가 업무에서 가지는 차별점

1. 신뢰성 확보: 가드레일 에이전트가 중간에서 검증하므로 AI의 환각(Hallucination)이나 규정 위반을 실시간으로 차단합니다.
2. 연속성 유지: 메모리 에이전트 덕분에 "지난번 회의 때 결정된 사항을 바탕으로 작성해줘"와 같은 맥락 있는 업무 처리가 가능해집니다.
3. 책임 추적: 워크플로우 에이전트가 각 단계의 로그를 관리하므로, 나중에 행정 감사나 이력 확인 시 투명한 추적이 가능합니다.

결론적으로, 핵심 5가지 에이전트 체계는 '똑똑한 비서' 수준이라면, 제가 제안한 7가지 체계는 실제 조직에서 '독립적인 행정 지원 부서' 역할을 수행할 수 있는 수준입니다.

 

 

6. Advanced Feedback Loop

가드레일 에이전트의 피드백 루프는 현대적인 AI 에이전트 설계(Agentic Workflow)에서 '신뢰성(Trustworthiness)'을 결정짓는 핵심 요소입니다.

이를 더 발전시킨 Advanced 체계와 실제 산업계의 적용 사례를 정리해 드립니다.

 

6.1 고도화된(Advanced) 체계: "Self-Reflective & Multi-Layered"

단순한 검토를 넘어, 에이전트 스스로가 논리적 모순을 찾고 수정하는 '자기 성찰형(Self-Correction)' 구조로 진화할 수 있습니다.

① Self-Reflection (자기 성찰) 레이어

• 개념: 가드레일 에이전트가 "안 돼"라고 차단만 하는 것이 아니라, "이 부분은 규정 제12조에 어긋나니, A 방식으로 수정하세요"라고 구체적인 가이드를 워크플로우 에이전트에게 돌려보냅니다.
• 고도화: LLM이 생성한 답안을 다른 LLM(가드레일)이 비판하고, 다시 수정하게 하는 '비판-수정 루프(Critic-Refine Loop)'를 3회 정도 반복하여 무결점에 가까운 결과물을 만듭니다.

② Human-in-the-Loop (HITL) 에이전트

• 개념: 모든 것을 AI가 결정하는 것이 아니라, 중요도나 리스크가 높은 단계(예: 결제, 대외 공문 발송)에서만 인간의 승인을 기다리는 에이전트입니다.
• 기능: AI가 가드레일을 통과했더라도 최종 '인간 검토자'에게 슬랙(Slack)이나 이메일로 알림을 보내 최종 컨펌을 기록합니다.

 6.2 실제 업무 적용 사례

현재 글로벌 기업들과 국내 선두 기업들은 이미 이러한 멀티 에이전트 체계를 업무에 도입하고 있습니다.

사례 1: 금융권의 '대출 심사 및 상담 자동화' (Morgan Stanley)

• 구조: 모건스탠리는 10만 개 이상의 투자 보고서를 학습시킨 AI 에이전트를 자산 관리자(FA)들에게 제공합니다.
• 가드레일 역할: 금융 규제(Compliance) 위반 여부를 실시간 감시합니다. 예를 들어, 투자 권유 시 법적으로 반드시 포함해야 할 '위험 고지 문구'가 누락되면 액션 에이전트의 메일 발송을 즉시 차단하고 수정을 피드백합니다.

사례 2: 법률/계약서 검토 (Harvey AI 또는 국내 법률 테크)

• 구조: 기업 법무팀에서 계약서를 검토할 때 사용합니다.
• 에이전트 협업: 1. 인식: PDF 계약서 스캔. 2. 도구 활용: 최신 판례 및 법령 DB 조회. 3. 가드레일: 사내 표준 계약 가이드라인과 비교하여 독소 조항(불리한 조건) 발견 시 수정 제안 피드백.
• 효과: 변호사가 수 시간이 걸리던 초안 검토를 몇 분 만에 완료합니다.

사례 3: 고객 서비스 에이전트 (Salesforce Einstein Service Agent)

• 구조: 고객 문의가 들어오면 즉시 해결책을 제시합니다.
• Advanced 가드레일: 고객의 개인정보(전화번호, 주소)가 상담 로그에 그대로 남지 않도록 실시간으로 마스킹 처리(PII Redaction)를 수행하며, 공격적인 언행이 감지되면 즉시 상담을 인간 상담사에게 이관(Hand-over)합니다.

6.3 Advanced 업무 에이전트 전체 체계도

이 구조는 **'규정 준수'**와 **'학습'**이 동시에 일어나는 고도화된 모델입니다.

 

이 체계의 핵심 가치

1. 지속적 개선: 가드레일의 피드백을 통해 생성 에이전트가 점점 더 정확한 결과물을 내놓게 됩니다.
2. 책임성(Accountability): '인간 최종 승인' 단계가 있어 AI 사고를 원천 차단합니다.
3. 자산화: 성공적으로 완료된 업무 결과는 다시 메모리 에이전트에 저장되어 다음 업무의 '전례'가 됩니다.

2026.01.13.

Hawks