AI 에이전트란? — 챗봇은 '대답'하고, 에이전트는 '대신 해준다'

AI에게 여행 후보를 찾아 표로 정리해 달라고 했는데, 답만 쓰는 대신 웹페이지를 열고 파일까지 만든다면 어떨까요.

AI 에이전트는 목표를 받아 계획을 세우고, 필요한 도구를 골라 여러 단계를 실행하는 시스템입니다. 챗봇이 답안을 만들어 멈춘다면, 에이전트는 행동까지 이어갑니다.

그래서 중요한 것은 화려한 이름보다 무슨 도구에 연결됐는지, 어디서 승인을 받는지, 실패하면 어떻게 복구하는지입니다.

다만 ‘대신 해준다’가 ‘완벽하게 알아서 한다’는 뜻은 아닙니다. 현재 에이전트는 긴 작업에서 실수할 수 있고, 결제·전송·삭제처럼 되돌리기 어려운 단계에는 사람 확인이 필요합니다.

AI 에이전트가 정확히 뭔가요?

AI 에이전트는 목표를 받아 스스로 계획을 세우고 도구를 사용해 작업을 끝까지 수행하는 AI 시스템입니다.

IBM은 이를 “사용자를 대신해 자율적으로 일을 처리하는 시스템”이라고 정의하고, 구글 클라우드도 “AI를 활용해 목표를 좇고 사용자를 대신해 과제를 완수하는 소프트웨어”라고 설명합니다 — IBM·Google Cloud.

표현은 조금씩 달라도 핵심은 같습니다. ‘답’이 아니라 ‘결과’를 만든다는 것입니다.

비유를 하나 들어볼까요. 검색창과 비서의 차이를 떠올리면 쉽습니다. 검색창은 “제주도 맛집”을 치면 목록을 보여줄 뿐, 예약은 내가 직접 해야 합니다.

반면 비서에게 “이번 주말 제주도 맛집 한 곳 예약해줘”라고 말하면, 비서는 알아서 찾아보고, 비교하고, 전화를 걸어 자리를 잡고, “토요일 7시로 잡았어요”라고 보고합니다. 챗봇이 검색창에 가깝다면, 에이전트는 이 비서에 가깝습니다.

조금 더 정확히 구분하면 이렇습니다. 우리가 흔히 쓰는 챗봇(생성형 AI)은 ‘내용을 만들어내는’ 일을 합니다.

글을 쓰고, 질문에 답하고, 요약을 해줍니다. 에이전트는 그 위에 ‘실행’을 얹습니다. 목표를 잘게 나누고, 어떤 도구를 쓸지 고르고, 직접 그 도구를 다뤄 일을 끝냅니다 — Anthropic. 답하는 AI 위에 손과 발이 달렸다고 생각하면 됩니다.

헷갈리는 말부터 정리할게요 — 에이전트·코파일럿·AI 비서

본격적으로 들어가기 전에, 뉴스에서 뒤섞여 나오는 말들을 한 번에 정리하겠습니다. 이것만 알아도 절반은 이해한 셈입니다.

• 생성형 AI · 챗봇 — 질문에 답하고 글·이미지를 만들어주는 AI입니다. 챗GPT의 기본 대화 기능이 여기 해당합니다.
• AI 에이전트 — 목표를 받아 스스로 계획하고 도구를 써서 ‘실행’까지 하는 AI입니다. 이 글의 주인공입니다.
• 에이전틱 AI(Agentic AI) — 에이전트 방식으로 작동하는 AI를 두루 가리키는 분야 이름입니다. ‘에이전트’가 개별 일꾼이라면, ‘에이전틱’은 그 일하는 방식을 가리킵니다.
• 코파일럿(Copilot) — 마이크로소프트가 자사 AI 비서에 붙인 브랜드 이름입니다. 일반 용어가 아니라 상품명에 가깝습니다.
• AI 비서 · AI 어시스턴트 — 사용자를 돕는 AI를 두루 부르는 말입니다. 챗봇 수준일 수도, 에이전트 수준일 수도 있어 맥락에 따라 다릅니다.

외우는 법은 간단합니다. ‘답하면 챗봇, 행동하면 에이전트’. 나머지는 대부분 이 둘 위에 붙은 브랜드 이름이거나 분야 이름입니다.

그러니 새로운 이름이 나와도 “이건 답하는 쪽일까, 행동하는 쪽일까?”만 물으면 길을 잃지 않습니다.

챗봇이랑 뭐가 다른가요? — 같은 부탁, 다른 결과

말로만 설명하면 와닿지 않습니다. 똑같은 부탁을 챗봇과 에이전트에게 각각 했을 때 결과가 어떻게 갈리는지, 직접 보겠습니다. “제주도 2박 3일 여행 계획 좀 짜줘”라고 부탁했다고 해봅시다.

이 한 장면에 챗봇과 에이전트의 차이가 다 담겨 있습니다. 챗봇은 ‘무엇을 하면 되는지’를 알려주고, 에이전트는 ‘그걸 대신 해주려’ 합니다.

비교·검색·정리처럼 여러 단계로 쪼개지는 일일수록 그 차이는 더 벌어집니다.

표로 정리하면 한눈에 들어옵니다.

구분	챗봇	AI 에이전트
하는 일	질문에 답하기	목표를 직접 처리하기
결과물	글·답변	실제 행동(검색·비교·예약 등)
진행 방식	한 번의 대답으로 끝	여러 단계를 스스로 밟음
도구 사용	거의 안 함	웹·앱을 직접 다룸
사람의 역할	묻고 받아 적기	목표 주고 중간에 확인

다만 마지막 줄을 꼭 기억해주세요. 좋은 에이전트는 결제처럼 되돌리기 어려운 순간에 스스로 멈추고 사람에게 묻습니다.

이건 약점이 아니라 안전장치입니다. 왜 그런 멈춤이 꼭 필요한지는 글 뒤에서 다시 짚겠습니다.

3줄 요약

• AI 에이전트는 목표를 받아 스스로 계획을 세우고, 도구(웹·앱 등)를 써서 여러 단계를 직접 실행하는 AI입니다. ‘대답’에서 멈추는 챗봇과 달리 ‘행동’까지 합니다 — IBM·Google·Anthropic의 정의가 사실상 같습니다.
• 관심은 폭발했지만 실전은 아직입니다. 2025년 기업의 88%가 AI를 쓰지만, 에이전트를 실제로 확장 단계까지 끌고 간 곳은 23%뿐입니다 — McKinsey.
• 아직 완벽하지 않습니다. 최고 수준의 에이전트도 ‘컴퓨터 전반’ 작업은 절반 이상 실패합니다 — OpenAI. 그래서 지금은 사람이 중간중간 확인하는 방식이 기본입니다.

에이전트는 실제로 뭘 할 수 있나요?

지금 시점에서 솔직하게 말하면, 에이전트는 ‘좁고 분명한 일’을 사람이 지켜보는 가운데 꽤 잘 해냅니다.

거꾸로 ‘넓고 복잡한 일’을 처음부터 끝까지 혼자 하는 건 아직 서툽니다. 실제 제품들의 현황을 보면 이 온도 차이가 분명하게 드러납니다.

가장 널리 알려진 건 챗GPT의 ‘에이전트’ 기능입니다. 한때 ‘Operator(오퍼레이터)‘라는 별도 이름으로 나왔지만, 2025년 8월 단독 제품이 종료되며 챗GPT 안으로 흡수됐고, 지금은 ‘ChatGPT 에이전트’로 불립니다 — OpenAI.

웹을 돌아다니며 양식을 채우고 여러 단계 작업을 대신 시도하는데, 유료 요금제에서 쓸 수 있습니다.

구글의 사례는 정직함을 위해 꼭 짚어야 합니다. 구글은 ‘Project Mariner(프로젝트 마리너)‘라는 웹 탐색 에이전트를 선보였지만, 2026년 5월 이 단독 제품을 접고 그 기술을 제미나이(Gemini)에 녹였습니다 — Digital Trends.

무겁고 느리고 가끔 엉뚱한 항목을 선택하는 문제가 있었다는 게 이유였습니다. 화려한 시연이 곧바로 안정적인 제품이 되는 건 아니라는 신호입니다.

마이크로소프트는 코파일럿에서 웹·앱 화면을 직접 다루는 에이전트를 정식 출시(GA)했지만, 그걸 긴 업무 흐름에 끼워 넣는 기능은 아직 미리보기(preview) 단계입니다 — Microsoft.

앤트로픽의 클로드가 컴퓨터 화면을 직접 보고 조작하는 기능도 2026년 3월 기준 ‘연구용 미리보기’입니다 — Anthropic.

정리하면, 가장 앞선 회사들조차 ‘컴퓨터를 대신 다루는’ 핵심 기능은 대부분 갓 정식 출시했거나 여전히 시험 단계입니다.

그래서 지금 에이전트가 빛나는 자리는 따로 있습니다. ‘경계가 또렷한 일’입니다. 몇 가지 예를 들면 이렇습니다.

• 여러 쇼핑몰에서 같은 제품의 가격을 찾아 한 표로 비교해주기
• 받은편지함을 훑어 광고·뉴스레터·업무 메일로 분류하기
• 한 주제로 자료 여러 개를 찾아 요약과 출처를 함께 정리하기
• 매주 반복되는 보고서에 숫자만 바꿔 양식을 채워두기

공통점이 보이시나요? 모두 ‘단계는 여럿이지만 길은 분명한’ 일입니다. 반대로 미묘한 센스나 책임이 따르는 결정은 여전히 사람의 몫입니다.

2025년 맥킨지 조사에서 기업의 39%가 이미 에이전트를 실험하고 있다고 답했는데 — McKinsey, 대부분 이런 좁은 영역에서 사람이 지켜보는 방식으로 쓰고 있습니다.

쇼핑을 대신해주는 흐름이 어디까지 왔는지는 AI 쇼핑 에이전트를 다룬 글에서 더 자세히 보실 수 있습니다.

그게 대체 어떻게 가능한가요? — 4단계로 보기

복잡해 보이지만, 에이전트가 일하는 방식은 4단계로 나누면 단순합니다. 사람이 심부름을 하는 과정과 거의 똑같습니다.

1단계, 목표 이해. 사용자가 “제주도 여행 짜줘”라고 하면, 에이전트는 그게 항공권·숙소·일정을 포함한다는 걸 파악합니다. 막연한 부탁을 구체적인 할 일로 번역하는 단계입니다.

2단계, 계획 세우기. 큰 목표를 작은 단계로 쪼갭니다. “먼저 항공권을 찾고 → 숙소를 비교하고 → 동선을 짜고 → 예약 페이지를 연다”처럼요. 사람이 머릿속으로 순서를 정하는 것과 같습니다.

3단계, 도구 사용. 여기가 챗봇과 갈리는 결정적 지점입니다. 에이전트는 단순히 글을 쓰는 대신, 실제 웹사이트를 열고, 검색하고, 양식을 채우고, 앱을 다룹니다. 손과 발에 해당하는 ‘도구’를 직접 씁니다 — Anthropic.

4단계, 실행·점검. 한 단계를 끝낼 때마다 “이게 맞나?”를 확인합니다. 결과가 부족하면 2단계로 돌아가 계획을 고칩니다.

이 점검과 되돌아감이 있어서, 막히면 멈추지 않고 다른 길을 찾습니다. 그리고 중요한 순간엔 사람에게 묻습니다.

이 4단계가 빙글빙글 돌면서 일이 진행됩니다. 똑똑한 비서가 “이건 이렇게, 저건 저렇게” 하며 일을 처리하는 모습과 본질적으로 같습니다.

그럼 이제 사람은 필요 없나요?

여기서 가장 정직해야 합니다. 결론부터 말하면, 아직 사람은 꼭 필요합니다. 에이전트는 인상적이지만 동시에 자주 틀립니다.

다만 그 이유는 1~2년 전과 달라졌습니다.

2025년 1월 OpenAI가 자사 에이전트를 시험했을 때는 컴퓨터 전반을 다루는 과제(OSWorld) 성공률이 38.1%였습니다 — OpenAI. 이 숫자는 오래 인용됐지만 지금은 맞지 않습니다. 같은 벤치마크에서 2026년 8월 기준 최고 성적은 86.1%입니다.

그럼 이제 다 되는 걸까요. 그렇지 않습니다. 과제가 짧아서 잘 푸는 것에 가깝습니다. 2026년에 나온 OSWorld 2.0은 사람이 하면 중간값 1.6시간이 걸리는 긴 과제 108개로 다시 물었고, 최고 성적은 20.6%였습니다 — OSWorld 2.0 논문.

연구진은 실패 이유로 중간에 조건을 놓치고, 도중에 들어온 정보를 반영하지 못하고, 사람에게 묻는 대신 추측하고, 확인 단계를 건너뛰는 것을 들었습니다. 짧게 시키면 잘하고, 길게 맡기면 흐트러진다는 뜻입니다. 사람이 필요한 자리도 바로 거기입니다.

기업 현장도 비슷합니다. 시장조사기관 가트너는 자율 에이전트 프로젝트의 40% 이상이 2027년 말까지 비용·불분명한 효용·미흡한 위험 관리 때문에 취소될 것으로 내다봤습니다 — Gartner(예측).

게다가 ‘에이전트’를 표방하는 수많은 제품 중 진짜 에이전트라 할 만한 건 약 130개에 불과하고, 나머지는 이름만 바꾼 챗봇이나 자동화 도구라는 지적도 나왔습니다 — Gartner. 이른바 ‘에이전트 워싱(agent washing)‘입니다.

그래서 ‘사람이 중간에 확인하는’ 방식은 임시방편이 아니라 의도된 설계입니다. 잘 만든 에이전트는 결제, 메일 발송, 파일 삭제처럼 되돌리기 어려운 순간에 일부러 멈춰 사람의 승인을 기다립니다 — Anthropic.

운전 보조 기능이 있어도 운전대는 사람이 잡는 것과 같습니다. 에이전트를 ‘완전 자동’으로 기대하면 실망하지만, ‘똑똑한 보조’로 기대하면 지금도 충분히 쓸모가 있습니다. 이 눈높이 조절이 에이전트를 잘 쓰는 첫걸음입니다.

한국에서는 지금 뭘 쓸 수 있나요?

먼 나라 이야기가 아닙니다. 한국의 빅테크는 2026년을 ‘에이전트의 해’로 잡았고, 예고했던 것들이 실제로 나왔습니다.

네이버는 검색·지도·예약을 아우르는 개인형 에이전트 ‘Agent N’ 전략 아래, 2026년 2월 쇼핑 AI 에이전트를 베타로 열어 7월 1일 정식 전환했고 — 뉴스1, 6월 26일에는 검색창에 대화형 ‘AI탭’을 전체 사용자에게 정식 출시했습니다 — 네이버.

AI탭은 베타 약 두 달 만에 누적 사용자 400만 명을 모았습니다 — 네이버. 다만 ‘Agent N’이라는 이름의 통합 에이전트가 하나의 제품으로 나온 건 아직 아니고, 구성 요소들이 하나씩 출시되는 단계입니다.

카카오도 자체 모델 ‘카나나(Kanana)‘를 앞세워, 2026년 3월 19일 카카오톡 안에서 작동하는 AI 비서 ‘카나나 인 카카오톡’을 정식 출시했습니다 — 아주경제·테크M.

대화 맥락을 읽고 일정·정보·추천을 챙겨주고, AI가 먼저 말을 거는 ‘선톡’이 대표 기능입니다.

이미 2025년 10월 카카오톡에 챗GPT를 결합한 데 이어진 행보로, 5천만 명이 매일 쓰는 메신저 안으로 에이전트가 들어왔다는 건 우리 일상에 가장 가까운 형태로 이 기술이 스며들었다는 의미입니다.

정리하면, 한국 사용자는 이제 익숙한 앱 안에서 실제로 에이전트를 만날 수 있습니다. 다만 현재는 쇼핑·검색·추천처럼 좁은 영역이 중심이고, 결제까지 대신하는 단계는 아직입니다.

오늘 한번 써보려면 어떻게 시작하나요?

거창하게 시작할 필요는 없습니다. 이미 챗GPT 유료 요금제나 코파일럿을 쓰고 있다면, ‘에이전트’ 또는 ‘작업’ 기능이 메뉴에 들어와 있을 수 있습니다. 처음에는 작고 안전한 일부터 맡겨보는 게 좋습니다.

예를 들어 “이 주제로 자료 다섯 개를 찾아 표로 정리해줘”처럼, 틀려도 큰일 나지 않는 정보 정리 작업이 입문용으로 적당합니다.

처음에는 일부러 결과를 검증하기 쉬운 일을 고르는 게 요령입니다. 내가 답을 어느 정도 아는 주제를 시켜보면, 에이전트가 어디서 잘하고 어디서 헛다리를 짚는지 감이 잡힙니다. 그 감이 생기면 점점 더 어려운 일을 맡길 수 있습니다.

결과를 받으면 곧이곧대로 믿지 말고, 출처와 숫자를 한 번씩 직접 확인하는 습관을 들이는 게 중요합니다.

에이전트도 사람처럼 실수하니까요. 특히 “그럴듯하지만 틀린” 답이 가장 위험합니다. 자신 있게 제시된 숫자일수록 한 번 더 의심하는 편이 안전합니다.

반대로, 돈이 오가거나 중요한 메일을 보내는 일은 처음부터 끝까지 맡기지 않는 편이 안전합니다.

에이전트가 초안을 만들고 사람이 최종 확인하는 식으로 역할을 나누면, 편리함은 얻으면서 사고는 피할 수 있습니다.

질문을 잘 던질수록 결과가 좋아진다는 점은 챗봇이든 에이전트든 똑같습니다. 더 나은 결과를 끌어내는 질문법은 ChatGPT에게 더 잘 물어보는 법에 따로 정리해두었습니다.

에이전트한테 어떻게 말해야 잘 알아듣나요?

에이전트를 처음 쓰는 분이 가장 많이 막히는 지점이 ‘어떻게 시키느냐’입니다. 비결은 하나입니다.

막연한 바람이 아니라 구체적인 목표를 주는 것입니다. 같은 부탁도 어떻게 말하느냐에 따라 결과가 완전히 달라집니다.

요령을 세 가지로 줄이면 이렇습니다. 첫째, 원하는 결과물의 형태를 말합니다(표·목록·요약 등).

둘째, 범위와 조건을 정합니다(기간·예산·개수). 셋째, ‘하면 안 되는 일’을 분명히 합니다(결제 금지 등).

이 세 가지만 챙겨도 결과가 눈에 띄게 좋아집니다. 처음엔 어색해도, 몇 번 해보면 ‘목표를 또렷하게 말하는 감각’이 금세 붙습니다.

에이전트가 틀리면 누가 책임지나요?

좋은 질문이고, 지금으로선 답이 분명합니다. 책임은 그것을 쓴 사람에게 있습니다. 에이전트가 엉뚱한 항공권을 예약하거나 틀린 숫자가 든 보고서를 만들어도, 그 결과를 최종적으로 쓰는 건 사람입니다.

그래서 중요한 일일수록 ‘에이전트가 초안을 만들고 사람이 확정하는’ 구조가 안전합니다.

이게 바로 잘 만든 에이전트가 결제·발송 같은 단계에서 일부러 멈춰 사람의 승인을 받는 이유입니다 — Anthropic.

자동화의 편리함은 누리되, 책임이 따르는 결정의 단추만큼은 사람이 누르는 것. 적어도 지금 단계에서 에이전트를 안전하게 쓰는 가장 중요한 원칙입니다.

첫 에이전트는 ‘되돌릴 수 있는 일’로 시험한다

에이전트가 신기해 보여도 처음부터 메일 발송·결제·파일 삭제를 맡기면 결과보다 불안이 커집니다. 첫 실험은 실패해도 원상복구가 쉬운 일, 예를 들면 공개 자료 정리·회의 안건 초안·테스트 폴더 파일 분류로 잡습니다.

1. 성공 조건을 먼저 적는다

“잘 해줘” 대신 입력과 완료 기준을 고정합니다. 가령 공개된 행사 10개를 조사한다면 행사명·날짜·장소·공식 링크, 중복 0건, 확인 불가 항목 표시를 성공 조건으로 둡니다.

에이전트가 무엇을 했는지보다 사람이 결과를 검수할 수 있는지가 중요합니다.

2. 권한은 한 단계씩 연다

시험 단계	허용할 권한	사람이 확인할 것
1차	공개 웹 검색·읽기	출처와 요약 일치
2차	테스트 문서 작성	파일명·형식·중복
3차	제한된 폴더·캘린더 읽기	불필요한 데이터 접근 여부
마지막	외부 발송·수정·삭제	실행 직전 별도 승인

읽기와 실행을 한꺼번에 열지 않으면, 문제가 생겨도 어느 단계에서 잘못됐는지 찾기 쉽습니다. 회사 계정은 조직의 보안·개인정보 정책이 우선이고, 실제 고객 데이터 대신 익명화한 표본으로 시작합니다.

3. 20건만 기록해도 반복 가능성이 보인다

시험마다 성공, 사람 수정, 중단, 예상 밖 행동, 처리 시간을 남깁니다. 20건 중 몇 건을 그대로 썼는지, 어떤 오류가 반복됐는지, 사람이 검수하는 시간이 직접 처리보다 짧았는지 봅니다.

결과가 좋아 보여도 오류 원인을 설명하거나 재현할 수 없다면 자동 실행 범위를 늘리지 않습니다.

에이전트 도입의 기준은 데모의 화려함이 아니라 반복해도 같은 품질이 나오고, 잘못됐을 때 멈추고 되돌릴 수 있는가입니다. 작은 시험을 통과한 뒤에만 실제 업무의 다음 단계로 넓히면 됩니다.

마무리

핵심을 한 번 더 짚으면 이렇습니다. AI 에이전트는 ‘대답하는 AI’에서 한 발 더 나아가 ‘대신 행동하는 AI’입니다.

목표를 주면 계획을 세우고 도구를 써서 일을 처리하지만, 아직 복잡한 일은 자주 틀리기 때문에 사람의 확인이 꼭 필요합니다.

오늘 할 수 있는 한 가지는 작은 실험입니다. 쓰던 AI에 ‘에이전트’나 ‘작업’ 메뉴가 있다면, 틀려도 괜찮은 정보 정리 작업을 하나 맡겨보세요. 직접 한 번 써보는 것이 백 번 읽는 것보다 빠르게 이해를 줍니다.

그리고 한 발 더. 지금의 에이전트는 ‘미완성된 비서’에 가깝습니다. 서툴지만 빠르게 자라고 있고, 1~2년 뒤에는 지금 우리가 검색창을 쓰듯 자연스럽게 쓰게 될 가능성이 큽니다.

그때 당황하지 않는 가장 좋은 방법은, 완벽해지기를 기다리는 게 아니라 지금부터 조금씩 같이 일해보는 것입니다.

오래 인용된 38.1%가 지금도 맞는지 확인했습니다

METATOUR 검증 기록 · 검증 유형: 벤치마크 최신값 대조 · 검증일: 2026-08-23 · 직접 벤치마크 실행: 하지 않았습니다

다시 확인한 질문

이 글은 “가장 앞선 에이전트도 복잡한 일은 절반 이상 실패한다”는 근거로 OpenAI가 2025년 1월에 낸 수치를 썼습니다. 19개월이 지났는데 그 숫자가 지금도 현재 상태를 설명할까요?

확인한 것

그래서 고친 것

38.1%를 “현재 최고 수준”으로 제시하던 문단과 도표를 바꿨습니다. 그대로 두면 독자가 에이전트가 평범한 컴퓨터 작업의 60%를 실패한다고 이해하는데, 지금은 그렇지 않습니다.

결론은 유지했습니다. 사람의 확인이 필요하다는 판단은 여전히 맞지만, 근거가 “아직 기본기가 약해서”에서 “짧게 시키면 잘하고 길게 맡기면 흐트러져서”로 바뀝니다. 독자가 일을 맡길 때 내려야 할 판단도 달라집니다. 어려운 일을 피하는 게 아니라, 긴 일을 짧게 쪼개고 중간 확인 지점을 두는 쪽입니다.

이 기록으로 확인하지 못한 것

• 벤치마크를 직접 실행하지 않았습니다. 공개된 리더보드와 논문의 보고값을 옮긴 것입니다.
• OSWorld의 사람 기준선은 자료마다 표기가 달라 이 글에 넣지 않았습니다.
• 리더보드는 계속 바뀝니다. 86.1%는 2026-08 시점 값이며 확인일을 함께 적었습니다.
• 벤치마크 성적이 실제 업무 성공률과 같지는 않습니다. 과제 구성과 채점 방식이 정해져 있습니다.

참고 자료

• IBM — What Are AI Agents? (에이전트 정의: 사용자를 대신해 자율적으로 일을 수행). 자료 보기
• Google Cloud — What are AI agents? (목표를 좇아 과제를 완수하는 소프트웨어·동작 루프). 자료 보기
• Anthropic — Building Effective Agents (에이전트=도구를 루프로 자율 사용·사람 확인 지점). 자료 보기
• McKinsey — The State of AI 2025 (기업 88% AI 사용·39% 에이전트 실험·23% 확장, 전 세계 1,993곳, 2025-11). 자료 보기
• OpenAI — Introducing ChatGPT agent (Operator를 흡수한 ChatGPT 에이전트). 자료 보기
• OpenAI — Computer-Using Agent (벤치마크: WebVoyager 87%·WebArena 58.1%·OSWorld 38.1%, 2025-01). 현재 기준으로는 낡은 값이며 아래 두 자료로 갱신했습니다. 자료 보기
• OSWorld 2.0 — Benchmarking Computer Use Agents on Long-Horizon Real-World Tasks (긴 과제 108개, 사람 중간값 1.6시간, 최고 20.6%·부분 점수 54.8%, 2026). 자료 보기
• OSWorld 리더보드 결과 정리 (2026-08 기준 최고 86.1%). 자료 보기
• Digital Trends — Google pulls the plug on Project Mariner (2026-05-04 종료, 제미나이·크롬으로 흡수). 자료 보기
• Microsoft Copilot Blog — Computer-using agents GA in Copilot Studio (정식 출시, 워크플로 결합은 미리보기, 2026-05-26). 자료 보기
• Gartner — Over 40% of agentic AI projects will be canceled by end of 2027 (예측·에이전트 워싱 약 130곳, 2025-06-25). 자료 보기
• Korea Times — Naver, Kakao gear up for agentic AI era in 2026 (네이버 Agent N·카카오 카나나, 2026-01-02). 자료 보기
• 네이버 — 대화형 검색 ‘AI탭’ 정식 출시 (전체 사용자, 베타 2개월 누적 400만 명, 2026-06-26). 자료 보기
• 뉴스1 — 네이버 쇼핑 AI 에이전트 정식 서비스 전환 (2026-07-01). 자료 보기
• 아주경제 — 카카오, ‘카나나 인 카카오톡’ 정식 출시 (온디바이스 AI 비서·선톡, 2026-03-19). 자료 보기