Chapter 1 에서 AI 에게 글을 쓰게 했고, Chapter 2 에서 이미지를, Chapter 3 에서 영상을, Chapter 4 에서 발표자료를 만들게 했습니다. 이번 장에서는 한 차원 높은 단계로 올라갑니다. AI 에게 "직접 자료를 찾아서, 분석하고, 보고서까지 써줘"라고 시키는 것입니다.
앞선 네 장에서 AI 는 "여러분이 지시한 대로" 결과물을 만들었습니다. 글을 쓰라면 글을 쓰고, 이미지를 그리라면 이미지를 그렸습니다. 하지만 이번 장에서 소개하는 "AI 에이전트"는 다릅니다. 에이전트는 스스로 웹을 검색하고, 데이터를 수집하고, 분석한 뒤, 출처가 포함된 보고서를 만들어 줍니다. 여러분이 할 일은 "무엇을 분석해줘"라고 지시하는 것뿐입니다.
"에이전트(Agent)"라는 말이 낯설게 느껴질 수 있습니다. 쉽게 말하면, "특정 분야의 전문 비서"입니다. 일반 AI 가 만능 비서라면, 에이전트는 부동산 전문 비서, 법률 전문 비서, 리서치 전문 비서처럼 특정 분야에 특화된 비서입니다. 지금부터 세 가지 전문 에이전트를 하나씩 살펴보겠습니다.
Chapter 1 에서 사용한 ChatGPT, Claude 같은 AI 서비스는 "여러분이 질문하면, 이미 알고 있는 지식으로 답변"합니다. 반면, AI 에이전트는 "여러분이 지시하면, 스스로 자료를 찾아 나서서 분석까지 완료"합니다. 이 차이가 핵심입니다.
| 구분 | Chapter 1~4 의 일반 AI | Chapter 5 의 AI 에이전트 |
|---|---|---|
| 작동 방식 | 질문을 받으면 기존 학습 데이터로 답변 |
지시를 받으면 웹을 검색·수집·분석하여 답변 |
| 자료 수집 | 사용자가 직접 자료를 AI 에게 전달해야 함 |
에이전트가 스스로 웹에서 자료를 찾아옴 |
| 출처 표시 | 대부분 출처 없음 (Perplexity 제외) |
출처 URL 을 자동으로 포함 |
| 분석 깊이 | 한 번의 질문에 한 번의 답변 |
수십~수백 개 자료를 교차 검증하여 심층 분석 |
| 결과물 | 텍스트 답변 | 출처 포함 보고서·표·차트 |
| 소요 시간 | 수 초 | 수 분 (자료 수집 때문) |
현재 사용할 수 있는 대표적인 전문 에이전트는 세 가지입니다. 앞선 장들과 마찬가지로, 각 에이전트의 전문 분야가 뚜렷하게 다르므로 목적에 따라 골라 쓰는 것이 핵심입니다.
Deep Research 는 가장 범용적인 심층 조사 에이전트입니다. 주제를 입력하면 웹 전체를 탐색하여 수십~수백 개의 출처를 수집하고, 이를 교차 검증하여 구조화된 보고서를 생성합니다. 분야를 가리지 않으므로, 어떤 주제든 깊이 있는 조사가 필요할 때 가장 먼저 떠올리면 됩니다.
| 항목 | 내용 |
|---|---|
| 핵심 강점 | 웹 전체를 탐색하여 수십~수백 개 출처를 교차 검증, 범용 심층 조사 |
| 데이터 소스 | 전체 웹 — 뉴스·논문·보고서·통계·블로그 등 모든 온라인 자료 |
| 출력 형태 | 출처 URL 이 포함된 구조화된 심층 보고서 |
| 분석 깊이 | ★★★ — 복잡한 주제도 체계적으로 구조화 |
| 소요 시간 | 수 분 — 수집·분석·보고서 작성 과정 포함 |
| 난이도 | ● 쉬움 — 주제만 입력하면 나머지는 자동 |
| 상황 | 프롬프트 예시 |
|---|---|
| 대학 경쟁력 분석 | "경희대의 국내 종합 사립대 순위와 장단점을 중앙일보 대학평가 기준으로 분석하라" |
| 산업 동향 조사 | "2026 년 국내 AI 산업 시장 규모와 주요 기업 동향을 조사하라" |
| 정책 비교 분석 | "국내 주요 대학의 생성형 AI 교육 정책을 비교 분석하라" |
| 경쟁 기관 벤치마킹 | "국내 주요 사립대의 DX 추진 현황을 조사하고 비교 분석하라" |
Korea in Data 는 한국의 공공데이터·통계에 특화된 에이전트입니다. KOSIS(국가통계포털), 공공데이터포털 등에서 부동산·경제·인구·교육 관련 국내 데이터를 자동으로 수집·분석합니다. 차트와 표를 함께 제공하므로, 숫자를 기반으로 한 분석에 최적입니다.
| 항목 | 내용 |
|---|---|
| 핵심 강점 | KOSIS·공공데이터포털 등 국내 통계를 자동 수집·분석, 시각화 포함 |
| 데이터 소스 | 국가통계포털(KOSIS), 공공데이터포털, 부동산·경제·인구 통계 DB |
| 출력 형태 | 차트·표 + 분석 보고서 (시각화 자동 포함) |
| 분석 깊이 | ★★★ — 기간별·지역별·항목별 상세 분석 |
| 소요 시간 | 수 분 — 데이터 수집·분석·시각화 과정 포함 |
| 난이도 | ● 쉬움 — 기간·지역·기준만 명시하면 자동 분석 |
| 상황 | 프롬프트 예시 |
|---|---|
| 부동산 시장 분석 | "2026 년 1~3 월 서울에서 가장 많이 오른 아파트를 분석하라" |
| 주식 시장 분석 | "2026 년 1~3 월 국내에서 가장 많이 오른 주식을 분석하라" |
| 지역 인구 분석 | "최근 5 년간 경기도 인구 유입·유출 추이를 시군별로 분석하라" |
| 교육 통계 분석 | "국내 4 년제 대학 등록금 추이를 최근 10 년간 분석하라" |
Law in Data 는 법령·시행령·판례·행정규칙에 특화된 에이전트입니다. 법률 조문을 근거로 정확한 해석 답변을 제공하며, 관련 판례를 함께 제시하여 실무 활용도를 높여줍니다. 대학 행정에서 빈번하게 발생하는 규정 해석·절차 확인·법률 검토 업무에 매우 유용합니다.
| 항목 | 내용 |
|---|---|
| 핵심 강점 | 법령·판례·행정규칙 자동 검색, 법률 조문 기반 정확한 해석 답변 |
| 데이터 소스 | 법령정보시스템, 판례 DB, 행정규칙·시행령 등 법률 데이터베이스 |
| 출력 형태 | 조문 인용 + 해석 보고서 (관련 판례 함께 제시) |
| 분석 깊이 | ★★★ — 조문 단위의 정밀 해석, 규정 간 비교 가능 |
| 소요 시간 | 수 분 — 법령 검색·판례 매칭·해석 보고서 작성 포함 |
| 난이도 | ● 보통 — 법률 용어를 모르더라도 일상 언어로 질문 가능 |
| 상황 | 프롬프트 예시 |
|---|---|
| 대학 규정 해석 | "사립학교법에서 교원 임용 절차와 관련된 조문을 정리하라" |
| 조달 절차 확인 | "국가계약법상 수의계약이 가능한 조건과 금액 기준을 분석하라" |
| 개인정보 규정 검토 | "개인정보보호법에서 대학이 학생 정보를 제 3 자에게 제공할 수 있는 조건을 분석하라" |
| 노동 관계 확인 | "근로기준법상 대학 행정직원의 초과근무 수당 산정 기준을 정리하라" |
어떤 에이전트를 선택할지 고민될 때, 아래 표를 기준으로 판단하세요.
| 구분 | Deep Research | Korea in Data | Law in Data |
|---|---|---|---|
| 한 줄 요약 | 만능 리서치 팀장 | 국내 데이터 분석관 | 법률 자문 변호사 |
| 핵심 강점 | 심층 웹 조사 범용 보고서 생성 |
국내 통계·데이터 분석 차트·표 시각화 |
법령·판례 검색 조문 기반 해석 |
| 데이터 소스 | 전체 웹 탐색 | KOSIS·공공데이터 국내 통계 DB |
법령정보시스템 판례 DB |
| 출력 형태 | 출처 포함 보고서 | 차트·표 + 분석 보고서 | 조문 인용 + 해석 보고서 |
| 분석 깊이 | ★★★ 심층 | ★★★ 심층 | ★★★ 심층 |
| 소요 시간 | 수 분 | 수 분 | 수 분 |
| 추천 용도 | 경쟁 분석·정책 조사 산업 동향·벤치마킹 |
부동산·경제·인구 시장·교육 통계 |
규정 해석·법률 검토 조달·계약·인사 규정 |
Chapter 1 에서 텍스트 4 요소를, Chapter 2 에서 이미지 5 요소를, Chapter 3 에서 영상 5 요소를, Chapter 4 에서 발표자료 5 요소를 배웠습니다. 에이전트에게 심층 분석을 시킬 때도 고유한 "레시피"가 있습니다. 에이전트는 "자료 수집부터 분석까지" 알아서 하므로, 프롬프트에는 "무엇을, 어떤 기준으로, 어디까지, 얼마나 깊이, 어떤 형태로"를 담아야 합니다.
| 요소 | 뜻 | 질문 | 예시 |
|---|---|---|---|
| ① 분석 대상 (What) |
무엇을 분석할 것인가 |
핵심 분석 대상이 무엇인가? |
"경희대의 국내 종합 사립대 순위" "서울 아파트 시세 변동" "사립학교법 교원 임용 절차" |
| ② 분석 기준 (Criteria) |
어떤 잣대로 분석할 것인가 |
무슨 기준으로 평가·비교하는가? |
"중앙일보 대학평가 기준으로" "상승률·거래량 기준으로" "국가계약법 조문 기준으로" |
| ③ 비교 범위 (Scope) |
비교 대상·기간· 지역을 지정 |
어디까지 분석 범위에 넣을 것인가? |
"비교 대상: 한양대, 중앙대, 성균관대" "2026 년 1~3 월, 서울 지역" "최근 5 년간, 경기도 시군별" |
| ④ 분석 깊이 (Depth) |
요약 수준인지 심층 수준인지 지정 |
항목 수·상세도를 얼마나 깊이? |
"장단점을 각 5 가지씩 상세히" "상위 10 개 단지" "조문별 해석과 관련 판례 포함" |
| ⑤ 출력 형식 (Format) |
보고서·표·차트 등 결과물 형태 지정 |
결과를 어떤 형태로 받고 싶은가? |
"항목별 비교 표 + 종합 의견" "표와 차트로 정리" "조문 인용 + 해석 보고서" |
| 구분 | 짧은 프롬프트 (❌) | 구조화된 프롬프트 (✓) |
|---|---|---|
| 입력 예시 | "경희대 분석해줘" | "경희대의 국내 종합 사립대 순위와 장단점을 중앙일보 대학평가 기준으로 분석하라. 비교 대상: 한양대, 중앙대, 성균관대. 장단점을 각 5 가지씩 상세히. 출력 형식: 항목별 비교 표 + 종합 의견." |
| 결과 | 일반적인 경희대 소개 수준. 분석 기준·비교 대상 없이 두루뭉술한 내용. |
5 요소가 모두 지정되어 특정 기준의 비교 분석, 출처 포함 심층 보고서 획득. |
Chapter 2 에서 이미지 스타일 키워드를, Chapter 3 에서 카메라 키워드를, Chapter 4 에서 디자인 키워드를 정리한 것처럼, 심층 분석에서 자주 쓰이는 범위·깊이 키워드를 정리합니다.
| 키워드 계열 | 키워드 예시 | 적합한 분석 유형 |
|---|---|---|
| 범위 지정 | "상위 10 개" "하위 5 개" "2024~2026 년" "최근 3 년간" "서울·경기 지역" "전국 17 개 시도" |
순위 분석, 추이 분석, 지역별 비교 |
| 비교 방식 | "항목별 비교" "연도별 추이" "기관별 비교" "전년 대비 증감" "SWOT 분석" "장단점 분석" |
경쟁 분석, 벤치마킹, 성과 평가 |
| 깊이 조절 | "요약 수준으로" "핵심만 간단히" "상세히 분석" "심층적으로" "각 항목별 3 가지씩" |
보고 목적에 따라 깊이 조절 |
| 출력 지정 | "비교 표로 정리" "차트 포함" "보고서 형태로" "요약 + 상세 분석" "종합 의견 포함" |
최종 결과물 형태 지정 |
| 신뢰도 강화 | "출처 URL 포함" "공식 통계 기준" "교차 검증" "최신 자료 우선" "정부 발표 기준" |
공식 보고서, 근거 기반 분석 |
다섯 장에 걸쳐 배운 프롬프트 요소들이 어떻게 연결되는지 정리합니다.
| 구분 | Ch.1 텍스트 |
Ch.2 이미지 |
Ch.3 영상 |
Ch.4 발표자료 |
Ch.5 심층 분석 |
|---|---|---|---|---|---|
| 요소 수 | 4 요소 | 5 요소 | 5 요소 | 5 요소 | 5 요소 |
| ① 핵심 | 역할 | 주제 | 장면 | 주제 | 분석 대상 |
| ② | 맥락 | 스타일 | 동작 | 청중 | 분석 기준 |
| ③ | 조건 | 구도 | 카메라 | 구성 | 비교 범위 |
| ④ | — | 색감 | 분위기 | 디자인 | 분석 깊이 |
| ⑤ | 형식 | 용도 | 길이·형식 | 포함 요소 | 출력 형식 |
이 절에서는 대학 구성원이 실제 업무·학업에서 에이전트를 어떻게 활용할 수 있는지, 에이전트 추천과 함께 구체적인 프롬프트 예시를 제공합니다. Chapter 1~4 와 동일한 구조입니다.
| 업무 상황 | 추천 에이전트 | 프롬프트 예시 |
|---|---|---|
| 학사 — 타 대학 교육과정 벤치마킹 |
Deep Research |
"경희대 호텔경영학과의 교육과정을 한양대·세종대·경기대 호텔경영학과와 비교 분석하라. 비교 항목: 전공 필수 과목·졸업 학점· 현장실습 비율. 항목별 비교 표 + 경희대의 개선 방안 3 가지." |
| 재정 — 대학 등록금 현황 분석 |
Korea in Data |
"국내 4 년제 사립대학 등록금을 최근 5 년간 분석하라. 계열별(인문·사회·공학·예체능) 평균, 상위 10 개교와 하위 10 개교. 연도별 추이 차트 + 비교 표." |
| 인사 — 교원 임용 규정 검토 |
Law in Data | "사립학교법에서 교원 임용 절차와 관련된 조문을 정리하라. 교원인사위원회 구성, 심사 절차, 재임용 기준 포함. 조문 원문 인용 + 실무 해석." |
| 행정 — 수의계약 가능 조건 확인 |
Law in Data | "국가계약법·지방계약법상 수의계약이 가능한 조건과 금액 기준을 분석하라. 대학(사립학교법인) 적용 사항, 최근 개정 내용 포함." |
| 전공 분야 | 추천 에이전트 | 프롬프트 예시 |
|---|---|---|
| 경영/경제 — 산업 분석 리포트 |
Deep Research |
"2026 년 국내 이커머스 시장 규모와 주요 기업(쿠팡·네이버·SSG) 점유율을 분석하라. 최근 3 년 매출 추이, SWOT 분석, 향후 전망 포함. 비교 표 + 종합 의견." |
| 호텔/관광 — 관광 시장 데이터 |
Korea in Data |
"최근 3 년간 한국 방문 외국인 관광객 수를 국적별·월별로 분석하라. 상위 10 개국, 계절별 패턴, 코로나 이후 회복률. 차트 + 비교 표." |
| 인문/사회 — 선행연구 조사 |
Deep Research |
"한국 대학생의 정신건강 관련 최근 5 년간 학술 연구 동향을 조사하라. 주요 연구 주제·방법론· 핵심 결론을 정리. 연구별 요약 표 + 연구 동향 분석." |
| 미술/디자인 — 전시 트렌드 조사 |
Deep Research |
"2024~2026 년 국내 주요 미술관의 기획전 트렌드를 조사하라. 국립현대미술관·서울시립미술관· 리움 중심. 주제·기법·관람객 반응. 전시 목록 표 + 트렌드 종합 분석." |
| 통계 — 공공데이터 분석 |
Korea in Data |
"최근 5 년간 서울시 1 인 가구 비율 변화를 자치구별로 분석하라. 상위 5 개·하위 5 개 자치구, 연령대별 분포. 추이 차트 + 비교 표." |
Chapter 2~4 에서 배운 수정 전략이 에이전트 분석에도 동일하게 적용됩니다. 다만, 에이전트는 한 번 분석에 수 분이 소요되므로, 처음부터 프롬프트를 잘 쓰는 것이 시간을 절약하는 핵심입니다.
| 문제 상황 | 원인 | 해결 방법 (프롬프트 수정) |
|---|---|---|
| 분석이 너무 피상적이다 (일반 AI 답변 수준) |
분석 깊이(④)를 지정하지 않았음 |
"상세히 분석하라" "각 항목별 5 가지씩" "교차 검증하여" 추가 |
| 원하는 비교 대상이 빠져 있다 |
비교 범위(③)가 모호했음 |
비교 대상을 이름·기간·지역으로 구체적으로 나열 |
| 숫자·데이터가 없고 서술만 있다 |
출력 형식(⑤)에서 표·차트를 지정하지 않았음 |
"표와 차트로 정리하라" "구체적 수치 포함" 추가 |
| 분석 결과가 너무 방대하다 |
비교 범위(③)를 너무 넓게 잡았음 |
"상위 10 개만" "핵심 5 가지만" 범위를 좁혀서 재지시 |
| 출처가 오래되었거나 신뢰하기 어렵다 |
출처 기준을 지정하지 않았음 |
"2024 년 이후 자료만" "공식 통계 기준" "정부·학술 자료 우선" 추가 |
| 에이전트가 엉뚱한 분야를 분석했다 |
분석 대상(①)이 모호했음 |
고유 명사·구체적 범위를 명시 예: "경희대학교 서울캠퍼스 호텔경영학과" |
이제 직접 해볼 차례입니다. Chapter 1 에서 글을, Chapter 2 에서 이미지를, Chapter 3 에서 영상을, Chapter 4 에서 발표자료를 만들었던 것과 같은 방식으로, 이번에는 에이전트에게 심층 분석을 지시합니다. 에이전트 분석에는 수 분이 소요되므로, 프롬프트를 신중하게 작성한 뒤 실행하세요.
| 항목 | 내용 |
|---|---|
| 과제 | 우리 대학의 경쟁력을 경쟁 대학과 비교 분석하는 보고서를 에이전트에게 만들게 해보세요 |
| 추천 에이전트 | Deep Research (종합 웹 조사·비교 분석에 최적) |
| 참고 프롬프트 | "경희대의 국내 종합 사립대 순위와 장단점을 중앙일보 대학평가 기준으로 분석하라. 비교 대상: 한양대, 중앙대, 성균관대. 출력 형식: 항목별 비교 표 + 종합 의견." |
| 소요 시간 | 3~5 분 (에이전트 분석 시간 포함) |
| 항목 | 내용 |
|---|---|
| 과제 | 국내 부동산 또는 경제 데이터를 에이전트에게 분석시켜 보세요 |
| 추천 에이전트 | Korea in Data (국내 공공데이터·통계 분석에 특화) |
| 참고 프롬프트 | "2026 년 1~3 월 서울에서 가장 많이 오른 아파트를 분석하라. 상위 10 개 단지, 상승률·거래량 포함, 자치구별 분포를 표와 차트로 정리." |
| 소요 시간 | 3~5 분 (데이터 수집·시각화 포함) |
| 항목 | 내용 |
|---|---|
| 과제 | 국내 주식 시장 또는 경제 지표를 에이전트에게 분석시켜 보세요 |
| 추천 에이전트 | Korea in Data (국내 시장·경제 데이터 분석에 적합) |
| 참고 프롬프트 | "2026 년 1~3 월 국내에서 가장 많이 오른 주식을 분석하라. 상위 10 개 종목, 상승률·시가총액 포함, 업종별 분포를 표와 차트로 정리." |
| 소요 시간 | 3~5 분 (데이터 수집·시각화 포함) |
AI 에이전트는 강력한 도구이지만, 사람의 판단을 완전히 대체하지는 않습니다. 특히 에이전트가 "출처를 포함한 보고서"를 제공하기 때문에 과신하기 쉬운데, 아래 사항을 반드시 기억하세요.
| 항목 | 설명 |
|---|---|
| 데이터 정확성 교차 확인 |
에이전트가 인용한 숫자·통계가 정확한지 원본 출처를 직접 확인하세요. 특히 구체적 금액, 순위, 날짜 등은 오류 가능성이 있습니다. 공식 보고서에 인용하기 전 반드시 원본 대조가 필요합니다. |
| 출처 URL 유효성 확인 |
에이전트가 제시한 출처 URL 이 실제로 존재하는지, 해당 페이지에 인용된 내용이 실제로 있는지 확인하세요. AI 가 존재하지 않는 URL 을 생성하는 경우("환각")가 간혹 있습니다. |
| 법률 해석은 "참고용" |
Law in Data 의 분석은 법률 전문가의 자문을 대체하지 않습니다. 1 차 방향 확인·조문 검색에 활용하고, 소송·계약 등 중요 결정은 반드시 법률 전문가 검토를 거치세요. |
| 최신성 한계 | 에이전트가 수집하는 웹 자료에는 시점 한계가 있습니다. "어제 발표된 정책"까지 반영되지 않을 수 있으므로, 최신 정보는 별도로 확인하세요. |
| 분석 결과의 편향 가능성 |
에이전트가 수집한 자료의 성격에 따라 분석이 특정 방향으로 편향될 수 있습니다. 상반된 관점의 자료도 함께 검토하는 습관이 필요합니다. |
| "초안 보고서"로 활용 |
에이전트의 가장 큰 가치는 "리서치 시간을 획기적으로 단축"하는 것입니다. 결과물을 최종본이 아닌 "잘 정리된 초안"으로 보고, 사람의 전문 지식으로 보완·검증하는 것이 최선입니다. |
Chapter 1 부터 5 까지 배운 내용을 한눈에 정리합니다. 다섯 장이 어떻게 연결되고, 점점 확장되어 왔는지 확인해 보세요.
| 구분 | Ch.1 텍스트 |
Ch.2 이미지 |
Ch.3 영상 |
Ch.4 발표자료 |
Ch.5 심층 분석 |
|---|---|---|---|---|---|
| AI 에게 시키는 일 |
글을 쓰게 한다 |
이미지를 그리게 한다 |
영상을 만들게 한다 |
슬라이드를 구성하게 한다 |
자료를 찾아 분석하게 한다 |
| 프롬프트 요소 |
역할·맥락 조건·형식 (4 요소) |
주제·스타일 구도·색감 용도 (5 요소) |
장면·동작 카메라·분위기 형식 (5 요소) |
주제·청중 구성·디자인 포함요소(5 요소) |
분석대상·기준 범위·깊이 출력형식(5 요소) |
| 비유 | 식당에서 주문하기 |
인테리어 의뢰서 |
영화 촬영 지시서 |
행사 기획서 |
컨설팅 의뢰서 |
| 대표 도구 | ChatGPT Claude Gemini Perplexity |
Nano Banana GPT Image Seedream |
Veo Kling Seedream |
Canva Manus Gamma |
Deep Research Korea in Data Law in Data |
| 도구 선택 공식 |
용도별 서비스 선택 |
탐색→정밀 →고품질 |
풍경→인물 →고품질 |
디자인→조사 →빠른 변환 |
종합 조사→ 국내 데이터→ 법률 검토 |
| 키워드 사전 |
— | 스타일 키워드 |
카메라 키워드 |
디자인 키워드 |
범위·깊이 키워드 |
| 핵심 원칙 | 구체적으로 쓸수록 결과가 좋다 |
구체적으로 쓸수록 결과가 좋다 |
구체적으로 쓸수록 결과가 좋다 |
구체적으로 쓸수록 결과가 좋다 |
구체적으로 쓸수록 결과가 좋다 |
다섯 장을 관통하는 핵심 원칙은 여전히 하나입니다: "AI 에게 구체적으로 지시할수록, 원하는 결과에 가까워진다." 그리고 Chapter 5 의 에이전트는 앞선 네 장과 결정적으로 다른 점이 하나 있습니다 — AI 가 "자료 수집까지 스스로 해준다"는 것입니다.
Chapter 1~4 에서는 여러분이 프롬프트로 "이렇게 만들어줘"라고 지시하면 AI 가 그대로 실행했습니다. Chapter 5 에서는 "이 주제를 분석해줘"라고 지시하면 AI 가 스스로 자료를 찾고, 정리하고, 분석까지 합니다. 이것이 "생성형 AI"에서 "에이전트 AI"로 한 단계 올라간 것이며, 앞으로 AI 활용의 방향이기도 합니다.