티스토리 뷰
우리가 처음 생성형 AI를 사용하기 시작했을 때 AI와 대화하는 방식은 비교적 단순했습니다.
질문을 입력하면 AI가 답변합니다.
글을 써달라고 하면 글을 작성하고, 코드를 만들어 달라고 하면 코드를 생성합니다.
즉, 대부분의 AI 사용은 “한 번 요청하고 → 결과를 받는 방식”에 가까웠습니다.
그런데 최근 AI Agent가 발전하면서 조금 다른 방향의 AI가 등장하고 있습니다.
이번에는 AI에게 질문 하나를 던지는 것이 아니라 하나의 일을 통째로 맡기는 것입니다.
예를 들어 이런 요청을 생각해 보겠습니다.
“이번 주에 발표된 주요 AI 뉴스를 조사해서 중요한 내용만 정리하고, 서로 비교한 다음 보고서를 만들어 줘.”
사람이 이 일을 직접 한다면 생각보다 많은 과정이 필요합니다.
먼저 어떤 뉴스가 나왔는지 찾아야 합니다.
여러 기사를 읽어야 합니다.
중요한 내용을 골라야 합니다.
같은 내용을 다룬 자료가 있다면 서로 비교해야 합니다.
내용이 사실인지 확인해야 합니다.
마지막으로 읽기 좋은 형태의 보고서로 정리해야 합니다.
즉, 하나의 요청 안에 여러 개의 작은 작업이 들어 있는 것입니다.
기존의 AI라면 사람이 이 과정을 하나씩 나누어 요청하는 경우가 많았습니다.
“먼저 자료를 찾아줘.” 자료를 받은 다음, “이걸 요약해 줘.” 그다음, “중요한 내용을 비교해 줘.” 마지막으로, “이제 보고서로 만들어 줘.”
사람이 계속 중간에 개입하면서 다음 작업을 지시해야 했습니다.
하지만 AI Agent가 발전하면서 목표는 조금씩 달라지고 있습니다.
사람이 모든 과정을 하나씩 알려주는 것이 아니라, “최종적으로 이것을 완성해 줘.”라고 목표를 주면 AI가 필요한 작업을 나누고 여러 단계를 이어서 수행하도록 만드는 것입니다.
여기에서 이해할 수 있는 개념이 바로 Long-Running AI Agent입니다.
Long-Running AI Agent란 무엇일까요?
이름만 보면 조금 어렵게 느껴질 수 있지만 의미는 상당히 직관적입니다.
Long-Running은 말 그대로 '오랫동안 실행되는'이라는 의미입니다.
따라서 Long-Running AI Agent는 쉽게 말하면 몇 초짜리 질문에 답하는 것을 넘어, 비교적 긴 시간 동안 여러 작업을 이어서 수행하는 AI Agent라고 이해할 수 있습니다.
여기서 중요한 것은 단순히 AI가 오래 켜져 있다는 뜻이 아닙니다.
하나의 목표를 달성하기 위해 여러 단계의 작업을 계속 이어간다는 것이 핵심입니다.
예를 들어 AI Agent에게 이렇게 요청했다고 생각해 보겠습니다.
“이번 여름에 갈 만한 국내 여행지를 조사해서 3곳을 추천하고, 각각의 장단점과 예상 비용까지 정리해 줘.”
이 요청을 제대로 처리하려면 해야 할 일이 많습니다.
먼저 여행지 후보를 찾아야 합니다.
각 여행지의 특징을 조사해야 합니다.
숙박비와 교통비 같은 비용도 확인해야 합니다.
여러 장소를 비교해야 합니다.
조건에 맞지 않는 장소가 있다면 다른 후보를 찾아야 할 수도 있습니다.
마지막에는 조사한 내용을 정리해서 사용자에게 보여줘야 합니다.
즉, 목표 이해 → 작업 나누기 → 자료 조사 → 결과 확인 → 추가 조사 → 비교 → 정리 → 최종 결과처럼 하나의 목표 안에서 여러 작업이 이어집니다.
Long-Running AI Agent는 바로 이런 긴 작업의 흐름을 AI가 계속 이어서 수행하는 방향이라고 생각하면 이해하기 쉽습니다.
챗봇과 무엇이 다를까요?
일반적인 챗봇과 비교하면 차이가 더욱 명확합니다.
챗봇은 기본적으로 우리가 질문하면 답합니다.
예를 들어 “제주도 여행지 5곳 알려줘.”라고 질문하면 장소를 추천해 줍니다.
다음으로 “그중에서 비 오는 날에도 갈 수 있는 곳만 골라줘.”라고 하면 다시 답합니다.
그리고 “입장료도 조사해 줘.”라고 요청하면 또다시 작업합니다.
사람이 계속 다음 행동을 지시하고 있는 것입니다.
반면 Agent의 목표는 이러한 중간 단계를 어느 정도 스스로 이어가는 것입니다.
처음부터 “이번 주말 제주도에 비가 온다고 가정하고, 실내에서 즐길 수 있으며 비용이 너무 비싸지 않은 하루 여행 코스를 만들어 줘.”라고 목표를 전달합니다.
그러면 Agent가 해야 할 일을 나눌 수 있습니다.
날씨 조건을 확인합니다.
갈 만한 장소를 찾습니다.
운영시간을 확인합니다.
비용을 조사합니다.
장소 사이의 이동도 고려합니다.
조건에 맞지 않는 장소가 발견되면 다른 장소를 다시 찾아볼 수도 있습니다.
그리고 필요한 작업이 끝나면 하나의 여행 계획으로 정리합니다.
즉, 차이를 아주 쉽게 표현하면 이렇습니다. 기존 챗봇은 사람이 다음 질문을 계속합니다. 반면 Long-Running AI Agent가 지향하는 방식에서는 사람이 목표를 주고, Agent가 그 목표를 향해 여러 작업을 이어갑니다.
왜 굳이 AI에게 긴 작업을 맡기려고 할까요?
사실 우리가 실제로 하는 일은 대부분 질문 하나로 끝나지 않습니다.
학교 과제를 생각해 봐도 그렇습니다.
주제를 정하고, 자료를 찾고, 자료를 읽고, 중요한 부분을 정리하고, 내용을 구성하고, 초안을 작성하고, 틀린 부분을 확인하고, 다시 수정해야 합니다.
개발도 마찬가지입니다.
기능 하나를 만든다고 해도 요구사항을 이해하고, 기존 코드를 확인하고, 구현하고, 테스트하고, 오류가 발생하면 수정하는 과정이 필요합니다.
여행 계획이나 제품 비교, 시장 조사도 비슷합니다.
우리가 현실에서 해결하는 문제는 대부분 여러 단계가 연결된 하나의 과정입니다.
그래서 AI가 실제 업무에서 더 많은 역할을 수행하려면 단순히 각각의 질문에 좋은 답을 만드는 것만으로는 부족합니다.
하나의 목표를 기억하면서 여러 작업을 연결해서 끝까지 수행하는 능력이 중요해지는 것입니다.
Long-Running AI Agent가 주목받는 이유도 여기에 있습니다.
AI의 역할이 “무엇을 물어보면 답해주는 도구”에서 “하나의 일을 맡기면 여러 단계를 거쳐 결과를 만들어 주는 도구”로 조금씩 넓어지고 있기 때문입니다.
중요한 것은 ‘오래 실행되는 것’보다 ‘일을 이어가는 것’입니다
Long-Running AI Agent라는 말을 들으면 AI가 몇 시간 동안 계속 컴퓨터를 사용하는 모습을 먼저 떠올릴 수도 있습니다.
하지만 개념을 이해할 때는 실행 시간 자체보다 작업의 연속성에 집중하는 것이 좋습니다.
작업을 진행하다가 새로운 정보가 발견될 수 있습니다.
처음 세웠던 계획을 수정해야 할 수도 있습니다.
오류가 발생하면 다시 시도해야 할 수도 있습니다.
중간 결과를 확인한 뒤 다음 행동을 결정해야 할 수도 있습니다.
즉, 계획하고 → 실행하고 → 결과를 확인하고 → 문제가 있으면 수정하고 → 다시 실행하는 과정이 여러 번 이어질 수 있습니다.
이전 글에서 살펴봤던 Agentic RAG와도 연결됩니다.
Agentic RAG에서는 AI가 정보를 검색한 뒤 부족하다고 판단하면 다시 검색할 수 있었습니다.
Long-Running Agent에서는 이러한 작은 반복들이 하나의 더 큰 작업 안에서 계속 이어질 수 있습니다.
결국 AI Agent의 발전에서 중요한 질문은 점점 “AI가 얼마나 좋은 답을 만들 수 있을까?”에서 “AI가 하나의 목표를 얼마나 안정적으로 끝까지 수행할 수 있을까?”로 확장되고 있습니다.
그리고 바로 이 변화가 Long-Running AI Agent를 이해할 때 가장 중요한 포인트입니다.
질문에 답하는 AI에서, 일을 끝까지 수행하는 AI로.
Long-Running AI Agent가 무엇인지 알아보았으니, 계속해서 AI가 어떻게 긴 작업을 나누어 수행하는지, 왜 중간에 실패할 수 있는지, 그리고 앞으로 우리의 업무 방식에 어떤 변화를 만들 수 있는지 하나씩 쉽게 알아보겠습니다.
Long-Running AI Agent는 어떻게 긴 일을 수행할까요?
Long-Running AI Agent의 핵심은 AI가 몇 시간 동안 계속 생각하는 것에 있지 않습니다.
더 중요한 것은 큰 목표를 여러 개의 작은 작업으로 나누고, 각각의 작업을 순서대로 처리하면서 최종 목표에 가까워지는 것입니다.
우리도 복잡한 일을 할 때 비슷하게 행동합니다.
예를 들어 친구들과 2박 3일 제주도 여행을 준비한다고 생각해 보겠습니다.
여행 계획을 세우는 것은 하나의 일이지만 실제로 해야 하는 일을 살펴보면 여러 단계로 나누어집니다.
먼저 여행 날짜와 예산을 정합니다.
그다음 항공권을 알아봅니다.
숙소를 찾아봅니다.
가고 싶은 관광지를 정합니다.
각 장소의 위치를 확인하고 이동하기 편한 순서로 일정을 구성합니다.
예산을 계산했는데 너무 비싸다면 숙소나 일정을 다시 수정할 수도 있습니다.
마지막에는 친구들에게 공유할 수 있도록 전체 계획을 정리합니다.
즉, 우리는 처음부터 완성된 여행 계획을 한 번에 만드는 것이 아닙니다.
하나의 큰 목표를 작은 일들로 나누고 하나씩 해결하면서 결과를 만들어 갑니다.
Long-Running AI Agent도 이와 비슷한 방식으로 이해할 수 있습니다.
AI에게 다음과 같은 목표를 주었다고 생각해 보겠습니다.
“친구 3명이서 갈 수 있는 2박 3일 제주도 여행 계획을 만들어 줘. 한 사람당 예산은 50만 원이야.”
AI Agent가 해야 하는 첫 번째 일은 바로 답변을 작성하는 것이 아닐 수 있습니다.
먼저 무엇을 해야 하는지 정리해야 합니다.
예를 들어 다음과 같이 작업을 나눌 수 있습니다.
여행 조건 확인 → 항공편 조사 → 숙소 조사 → 관광지 조사 → 이동 경로 구성 → 전체 비용 계산 → 조건 확인 → 최종 일정 작성
이렇게 큰 목표를 작은 작업으로 나누면 AI는 한 번에 모든 문제를 해결할 필요가 없습니다.
하나의 작업을 처리하고 그 결과를 다음 작업에 사용할 수 있습니다.
중간 결과를 이용해 다음 행동을 결정합니다
여기서 Long-Running AI Agent의 중요한 특징이 하나 더 나타납니다.
처음 만든 계획이 항상 완벽하지는 않다는 것입니다.
예를 들어 AI가 항공편과 숙소, 관광지를 모두 조사해서 첫 번째 여행 계획을 만들었다고 생각해 보겠습니다.
그런데 비용을 계산해 보니 한 사람당 예상 비용이 65만 원이 나왔습니다.
사용자의 조건은 50만 원 이하였습니다.
그렇다면 그대로 결과를 전달하면 좋은 Agent라고 하기 어렵습니다.
AI Agent는 현재 결과를 확인한 뒤 “예산을 15만 원 초과했다.”라는 문제를 발견할 수 있습니다.
그리고 다음 행동을 결정합니다.
숙소가 너무 비싸다면 더 저렴한 숙소를 찾아볼 수 있습니다.
비싼 관광지가 포함되어 있다면 다른 장소로 변경할 수도 있습니다.
이동 비용이 너무 많이 발생한다면 동선을 다시 구성할 수도 있습니다.
수정된 계획의 비용을 다시 계산합니다.
이번에는 53만 원이 나왔습니다.
아직 예산을 초과했습니다.
그러면 다시 계획을 수정합니다.
결국 49만 원의 여행 계획을 만들었다면 사용자가 요청한 조건을 만족하게 됩니다.
이 과정은 다음과 같이 이어집니다.
계획하기 → 실행하기 → 결과 확인하기 → 문제 발견하기 → 수정하기 → 다시 확인하기
Long-Running AI Agent에서 중요한 것은 바로 이러한 반복적인 작업 과정입니다.
일을 하다가 실패하면 다시 시도할 수도 있습니다
긴 작업을 수행하다 보면 항상 계획대로 진행되는 것은 아닙니다.
사람이 일을 할 때도 마찬가지입니다.
웹사이트에 접속했는데 원하는 정보가 없을 수도 있습니다.
필요한 파일을 찾지 못할 수도 있습니다.
작성한 코드에서 오류가 발생할 수도 있습니다.
처음 세웠던 계획이 잘못되었다는 사실을 뒤늦게 발견할 수도 있습니다.
몇 분짜리 간단한 작업에서는 다시 처음부터 시작해도 큰 문제가 아닐 수 있습니다.
하지만 몇 시간 동안 진행한 작업이라면 이야기가 달라집니다.
두 시간 동안 자료를 조사하고 보고서를 작성했는데 마지막 단계에서 오류가 발생했다고 생각해 보겠습니다.
모든 작업을 처음부터 다시 시작한다면 상당히 비효율적입니다.
그래서 긴 작업을 수행하는 Agent에서는 어디까지 작업했는지 기억하고, 문제가 발생한 부분부터 다시 이어갈 수 있는 능력이 중요해집니다.
예를 들어 Agent가 10개의 자료를 조사해야 하는 상황에서 7번째 자료를 처리하다 문제가 발생했다면, 처음부터 다시 1번 자료를 조사하는 것이 아니라 지금까지 완료한 결과를 유지한 채 문제가 발생한 부분부터 다시 시도하는 것이 훨씬 효율적입니다.
우리가 문서를 작성할 때 중간중간 저장하는 것과 비슷합니다.
작업이 길어질수록 ‘기억’도 중요해집니다
여기서 또 하나의 문제가 생깁니다.
작업이 길어질수록 AI가 기억해야 하는 정보도 많아진다는 것입니다.
여행 계획을 만드는 동안에도 수많은 정보가 쌓입니다.
사용자의 예산은 얼마인지, 몇 명이 여행하는지, 어떤 숙소를 찾았는지, 어떤 장소를 제외했는지, 왜 그 장소를 제외했는지, 현재까지 예상 비용은 얼마인지 등을 계속 알고 있어야 합니다.
만약 AI가 중간에 사용자의 조건을 잊어버린다면 어떻게 될까요?
처음에는 “1인당 50만 원 이하”라는 조건으로 계획을 만들다가 나중에는 70만 원짜리 계획을 만들 수도 있습니다.
그래서 Long-Running AI Agent에서는 단순히 다음 작업을 수행하는 것뿐만 아니라 지금까지 무엇을 했는지 관리하는 것도 중요합니다.
쉽게 말하면 AI에게도 일종의 작업 노트가 필요한 셈입니다.
완료한 일은 무엇인지, 현재 하고 있는 일은 무엇인지, 앞으로 해야 할 일은 무엇인지, 중간에 어떤 결정을 내렸는지 등을 관리하면서 작업을 이어가는 것입니다.
결국 긴 작업은 작은 작업의 반복입니다
Long-Running AI Agent라고 하면 굉장히 복잡한 AI가 몇 시간 동안 혼자 생각하는 모습을 떠올리기 쉽습니다.
하지만 조금 다르게 생각하면 훨씬 이해하기 쉽습니다.
긴 작업 하나를 작은 작업 여러 개로 나누어 하나씩 끝내는 것입니다.
그리고 각각의 작업이 끝날 때마다 결과를 확인합니다.
잘되었다면 다음 단계로 이동합니다.
문제가 있다면 다시 시도합니다.
새로운 사실을 발견했다면 계획을 수정합니다.
필요하다면 사용자에게 도움이나 승인을 요청할 수도 있습니다.
이러한 작은 과정들이 계속 연결되면서 결국 하나의 큰 목표를 완성하게 됩니다.
그래서 Long-Running AI Agent에서 중요한 것은 단순히 얼마나 오랫동안 실행될 수 있는가만이 아닙니다.
긴 시간 동안 목표를 잃지 않고, 지금까지의 작업을 이어가며, 문제가 발생해도 다시 복구해서 최종 결과까지 도달할 수 있는가가 더욱 중요합니다.
결국 우리가 일을 끝내는 방식과 크게 다르지 않습니다.
큰 목표를 세우고, 작은 할 일을 만들고, 하나씩 처리하고, 중간 결과를 확인하고, 문제가 생기면 수정하고, 다시 실행합니다.
Long-Running AI Agent는 이러한 ‘일을 끝까지 해내는 과정’ 자체를 AI가 수행하도록 만드는 방향이라고 이해하면 가장 쉽습니다.
AI Agent가 긴 작업 도중 실패하면 어떻게 될까요?
Long-Running AI Agent가 여러 시간 동안 일을 할 수 있다고 하면 굉장히 편리하게 느껴집니다.
아침에 AI에게 일을 맡겨두고 몇 시간 뒤 돌아왔을 때 모든 작업이 완성되어 있다면 정말 편할 것입니다.
하지만 실제로 긴 작업을 수행하다 보면 한 가지 중요한 문제가 생깁니다.
작업이 길어질수록 중간에 문제가 발생할 가능성도 커진다는 것입니다.
사람이 하루 동안 일을 하는 상황을 생각해 보겠습니다.
아침에 해야 할 일을 정합니다.
자료를 조사합니다.
문서를 작성합니다.
필요한 파일을 찾습니다.
중간에 다른 사람에게 자료를 요청할 수도 있습니다.
그리고 최종 결과를 검토합니다.
그런데 하루 종일 모든 일이 계획대로 진행되는 경우는 많지 않습니다.
필요한 자료를 찾지 못할 수도 있고,
인터넷 연결이 끊길 수도 있고,
파일이 열리지 않을 수도 있으며,
처음 세웠던 계획이 잘못되었다는 사실을 중간에 발견할 수도 있습니다.
AI Agent도 마찬가지입니다.
특히 수행해야 하는 단계가 많아질수록 어딘가에서 문제가 발생할 가능성도 함께 커집니다.
처음부터 다시 시작하면 너무 비효율적입니다
예를 들어 AI Agent에게 이런 일을 맡겼다고 생각해 보겠습니다.
“이번 달에 공개된 주요 AI 서비스 10개를 조사하고 특징을 비교해서 보고서를 만들어 줘.”
AI Agent가 작업을 시작합니다.
먼저 서비스들을 찾습니다.
각 서비스의 특징을 조사합니다.
가격을 확인합니다.
자료를 하나씩 정리합니다.
어느새 8개의 서비스까지 조사가 끝났습니다.
그런데 9번째 서비스를 조사하는 과정에서 문제가 발생했습니다.
웹페이지에 접근하지 못했거나 필요한 정보를 찾지 못했다고 생각해 보겠습니다.
이때 가장 비효율적인 방법은 무엇일까요?
바로 모든 작업을 처음부터 다시 시작하는 것입니다.
이미 8개의 서비스를 조사했는데 다시 첫 번째 서비스부터 조사한다면 시간과 비용이 낭비됩니다.
사람도 긴 문서를 작성할 때 처음부터 끝까지 한 번에 작성하지 않습니다.
중간중간 저장합니다.
컴퓨터가 갑자기 꺼져도 마지막으로 저장한 지점에서 다시 시작할 수 있기 때문입니다.
Long-Running AI Agent에서도 이와 비슷한 생각이 중요합니다.
AI가 지금까지 완료한 작업과 현재 상태를 남겨두면 문제가 발생했을 때 처음부터 다시 시작하는 대신 중간 지점부터 이어서 작업할 수 있습니다.
이러한 중간 저장 지점을 흔히 체크포인트(Checkpoint)라고 생각할 수 있습니다.
어렵게 생각할 필요는 없습니다.
게임의 저장 포인트와 비슷합니다.
게임을 3시간 플레이했는데 마지막 보스에게 졌다고 해서 게임을 처음부터 다시 시작하지는 않습니다.
저장했던 지점에서 다시 시작합니다.
Long-Running AI Agent에서도 같은 원리가 중요해질 수 있습니다.
실패했다고 바로 포기할 필요도 없습니다
그렇다고 문제가 생길 때마다 모든 작업을 중단해야 하는 것도 아닙니다.
어떤 문제는 다시 시도하면 해결될 수 있습니다.
예를 들어 AI가 어떤 웹페이지에서 정보를 가져오려고 했는데 일시적인 오류가 발생했다고 생각해 보겠습니다.
한 번 실패했다고 바로
“작업을 수행할 수 없습니다.”
라고 끝낼 필요는 없습니다.
잠시 후 다시 시도할 수도 있습니다.
그래도 실패한다면 다른 자료를 찾아볼 수도 있습니다.
즉, 실패 → 다시 시도 → 다른 방법 시도처럼 대응할 수 있습니다.
우리가 일할 때와 똑같습니다.
검색해서 원하는 자료가 나오지 않으면 검색어를 바꿉니다.
파일이 열리지 않으면 다른 파일을 찾아봅니다.
한 가지 방법으로 문제가 해결되지 않으면 다른 방법을 사용합니다.
AI Agent 역시 하나의 방법이 실패했을 때 다른 방법으로 목표를 계속 수행할 수 있는 능력이 중요합니다.
하지만 AI가 혼자 해결하면 안 되는 문제도 있습니다
여기에서 더 중요한 문제가 하나 있습니다.
AI가 모든 문제를 스스로 해결하려고 하는 것이 항상 좋은 것은 아닙니다.
예를 들어 AI Agent에게 여행 계획을 맡겼다고 생각해 보겠습니다.
AI가 여행지와 숙소를 조사하고 일정을 만드는 것까지는 혼자 할 수 있습니다.
그런데 마지막 단계에서 실제 숙소를 예약해야 한다면 어떨까요?
숙소 예약에는 실제 돈이 사용됩니다.
AI가 “이 숙소가 괜찮아 보이니까 바로 결제해야겠다.”라고 판단하고 사용자의 허락 없이 결제한다면 문제가 될 수 있습니다.
이럴 때는 작업을 잠시 멈추고 사용자에게 물어보는 것이 더 안전합니다.
“이 숙소를 예약하면 18만 원이 결제됩니다. 진행할까요?”
사용자가 승인하면 다음 작업을 진행합니다.
승인하지 않으면 다른 숙소를 찾습니다.
즉, Long-Running AI Agent가 모든 일을 혼자 수행하는 것이 목표는 아닙니다.
AI가 스스로 처리할 수 있는 일과 사람이 결정해야 하는 일을 구분하는 것도 중요합니다.
모르는 것을 억지로 해결하는 것보다 도움을 요청하는 것이 낫습니다
AI가 작업을 진행하다 보면 판단하기 어려운 상황도 생길 수 있습니다.
예를 들어 사용자가 “내 취향에 맞는 여행 계획을 만들어 줘.”라고 요청했다고 생각해 보겠습니다.
그런데 AI가 사용자의 취향을 전혀 모른다면 어떻게 해야 할까요?
AI가 임의로 “아마 활동적인 여행을 좋아할 거야.”라고 추측해서 계획을 만들어 버릴 수도 있습니다.
하지만 더 좋은 방법은 사용자에게 질문하는 것입니다.
“휴양과 관광 중 어느 쪽을 더 좋아하시나요?”
필요한 정보를 받은 뒤 작업을 이어가는 것입니다.
Long-Running AI Agent에서도 이러한 능력이 중요합니다.
AI가 무조건 혼자 해결하는 것보다 자신이 해결할 수 없는 상황에서는 사람에게 질문하거나 승인을 요청할 수 있어야 합니다.
이를 흔히 Human-in-the-Loop라는 개념과 연결해서 생각할 수 있습니다.
사람이 모든 과정에 개입하는 것이 아니라 중요한 순간에만 사람이 참여하는 방식입니다.
긴 작업에서는 ‘잘 실패하는 능력’도 중요합니다
결국 Long-Running AI Agent에서 중요한 것은 절대로 실패하지 않는 AI를 만드는 것만은 아닙니다.
현실적으로 긴 작업에서는 다양한 문제가 발생할 수 있기 때문입니다.
오히려 중요한 것은 문제가 발생했을 때 어떻게 대응하는가입니다.
AI가 작업을 진행하다 실패했습니다.
그렇다면 먼저 다시 시도할 수 있습니다.
같은 방법으로 해결되지 않는다면 다른 방법을 찾아볼 수 있습니다.
그래도 해결할 수 없다면 사람에게 도움을 요청할 수 있습니다.
그리고 문제가 해결되면 이전에 저장해 둔 작업 상태에서 다시 이어갑니다.
쉽게 표현하면 다음과 같은 흐름입니다.
작업 진행 → 문제 발생 → 다시 시도 → 다른 방법 시도 → 필요하면 사람에게 요청 → 해결 → 작업 계속
이런 구조가 없다면 AI가 아무리 똑똑하더라도 긴 작업을 안정적으로 맡기기 어렵습니다.
10분 동안 수행하는 작업이라면 한 번 실패해도 다시 시작하면 될 수 있습니다.
하지만 몇 시간 동안 수행한 작업이라면 이야기가 달라집니다.
지금까지 무엇을 했는지 기억하고, 완료된 작업을 보존하고, 실패한 부분만 다시 시도하고, 중요한 결정에서는 사람에게 도움을 요청해야 합니다.
그래서 저는 Long-Running AI Agent에서 중요한 능력을 단순히 “오랫동안 일하는 능력”이라고 생각하기보다,
“중간에 문제가 생겨도 다시 이어서 끝까지 갈 수 있는 능력”이라고 생각하는 것이 더 이해하기 쉽다고 봅니다.
AI Agent가 실제로 우리 대신 긴 업무를 맡게 되는 시대에는 얼마나 빨리 일을 시작하는가만큼이나 얼마나 안정적으로 일을 끝낼 수 있는가가 중요해질 것입니다.
Long-Running AI Agent는 어디에 활용할 수 있을까요?
Long-Running AI Agent의 개념을 처음 접하면 이런 생각이 들 수 있습니다.
“그래서 이걸 실제로 어디에 사용할 수 있을까?”
사실 우리가 매일 하는 일을 자세히 살펴보면 한 번의 행동으로 끝나는 일보다 여러 단계를 거쳐야 하는 일이 훨씬 많습니다.
여행 계획을 세울 때도 검색하고, 비교하고, 예산을 계산하고, 일정을 수정합니다.
학교 과제를 할 때도 주제를 정하고, 자료를 조사하고, 내용을 정리하고, 글을 작성하고, 다시 검토합니다.
개발자가 새로운 기능을 만들 때도 요구사항을 확인하고, 기존 코드를 살펴보고, 코드를 작성하고, 테스트하고, 오류를 수정합니다.
이처럼 현실의 업무는 대부분 여러 개의 작은 작업이 연결되어 하나의 결과를 만드는 구조를 가지고 있습니다.
Long-Running AI Agent가 활용될 수 있는 영역도 바로 이런 일들입니다.
자료 조사부터 보고서 작성까지
가장 이해하기 쉬운 예시는 자료 조사입니다.
예를 들어 AI에게 “최근 한 달 동안 사람들이 많이 사용하는 AI 서비스를 조사해서 특징을 비교하고 보고서로 정리해 줘.”라고 요청했다고 생각해 보겠습니다.
단순한 챗봇이라면 사용자가 여러 번 질문해야 할 수 있습니다.
먼저 AI 서비스를 찾아달라고 요청합니다.
그다음 각 서비스의 특징을 조사해 달라고 합니다.
가격을 비교해 달라고 합니다.
내용을 표로 정리해 달라고 합니다.
마지막으로 보고서 형태로 작성해 달라고 요청합니다.
하지만 Long-Running AI Agent가 이러한 작업을 맡는다면 목표는 조금 다릅니다.
사람은 최종적으로 원하는 결과를 알려줍니다.
Agent는 그 결과를 만들기 위해 필요한 작업을 나눕니다.
자료를 찾고, 중요한 내용을 정리하고, 부족한 부분은 추가로 조사하고, 여러 자료를 비교하고, 최종적으로 하나의 보고서를 완성하는 것입니다.
즉, 사람이 AI에게 계속 다음 명령을 내리는 것이 아니라 하나의 일을 통째로 맡기는 방식에 가까워집니다.
개발에서도 활용할 수 있습니다
개발 역시 Long-Running AI Agent와 잘 어울리는 분야입니다.
프로그램에 기능 하나를 추가하는 상황을 생각해 보겠습니다.
예를 들어 “회원가입할 때 이메일 인증 기능을 추가해 줘.”라는 목표가 있다고 해보겠습니다.
실제로 이 기능을 만들려면 코드 몇 줄만 작성하면 끝나는 것이 아닙니다.
현재 프로젝트 구조를 먼저 확인해야 합니다.
회원가입 기능이 어디에 구현되어 있는지 찾아야 합니다.
이메일을 보내는 기능이 필요한지 확인합니다.
인증번호를 저장할 방법도 결정해야 합니다.
코드를 작성합니다.
그리고 실제로 작동하는지 테스트해야 합니다.
오류가 발생한다면 원인을 찾아 다시 수정합니다.
즉, 코드 확인 → 계획 → 구현 → 테스트 → 오류 발견 → 수정 → 다시 테스트라는 과정이 반복됩니다.
Long-Running AI Agent가 개발 업무에서 중요한 이유도 여기에 있습니다.
코드를 한 번 생성하는 것보다 기능이 실제로 동작할 때까지 여러 작업을 이어서 수행하는 것이 실제 개발에 훨씬 가깝기 때문입니다.
콘텐츠 제작 과정도 하나의 긴 작업입니다
콘텐츠를 만드는 과정도 마찬가지입니다.
예를 들어 블로그 글 하나를 작성한다고 생각해 보겠습니다.
단순히 AI에게 “글 써줘.”라고 요청하는 것으로 끝낼 수도 있습니다.
하지만 좋은 콘텐츠를 만들려면 그보다 많은 과정이 필요합니다.
먼저 어떤 주제를 다룰지 결정합니다.
관련 자료를 조사합니다.
사실이 맞는지 확인합니다.
독자가 궁금해할 내용을 정리합니다.
글의 구조를 만듭니다.
본문을 작성합니다.
제목을 고민합니다.
이미지가 필요하다면 이미지도 제작합니다.
마지막으로 글 전체를 검토합니다.
즉, 블로그 글 하나도 사실은 작은 프로젝트와 비슷합니다.
Long-Running AI Agent가 발전한다면 사용자는 “이 키워드로 글을 작성해 줘.”라고 하나씩 명령하기보다, “오늘 사람들이 관심을 가질 만한 AI 주제를 조사해서 블로그 글 하나를 완성해 줘.”처럼 더 큰 목표를 전달하는 방식으로 AI를 사용할 수 있습니다.
그러면 Agent가 주제를 조사하고, 후보를 비교하고, 자료를 확인하고, 글을 구성하고, 초안을 작성하고, 내용을 검토하는 과정을 이어서 수행하는 것입니다.
개인의 일상 관리에도 적용할 수 있습니다
Long-Running AI Agent가 꼭 회사 업무에만 사용되는 것은 아닙니다.
우리의 일상에도 여러 단계가 필요한 일이 많습니다.
예를 들어 “이번 달 생활비를 70만 원 안에서 관리할 수 있도록 도와줘.”라는 목표를 생각해 보겠습니다.
한 번의 답변만으로 해결하기 어려운 문제입니다.
현재 지출을 확인해야 합니다.
어디에 돈을 많이 사용하고 있는지 분석해야 합니다.
예산을 나누어야 합니다.
그리고 시간이 지나면서 실제 지출과 계획을 계속 비교해야 합니다.
예상보다 식비를 많이 사용했다면 남은 기간의 계획을 수정해야 할 수도 있습니다.
즉, 한 번 계획을 세우고 끝나는 것이 아니라 시간이 지나면서 계속 상황을 확인하고 계획을 조정해야 하는 일입니다.
장기적으로 작동하는 Agent의 아이디어는 이러한 영역에서도 활용될 가능성이 있습니다.
결국 AI에게 맡기는 일의 크기가 커지고 있습니다
지금까지 우리는 AI를 사용할 때 비교적 작은 작업을 맡겨왔습니다.
“이 문장을 요약해 줘.” “이 코드를 만들어 줘.” “이 내용을 번역해 줘.” “여행지를 추천해 줘.”
하나의 요청과 하나의 결과가 연결되는 방식입니다.
하지만 AI Agent가 발전하면서 우리가 AI에게 맡길 수 있는 작업의 단위 자체가 커지고 있습니다.
단순히 “자료를 찾아줘.”에서 “자료를 조사해서 비교해 줘.”로, 그리고 다시 “자료를 조사하고 비교해서 보고서를 완성해 줘.”로 바뀌는 것입니다.
개발에서도 “코드를 작성해 줘.”에서 “이 기능을 구현해 줘.”로 바뀔 수 있습니다.
여행에서도 “관광지를 추천해 줘.”에서 “내 조건에 맞는 여행 계획을 완성해 줘.”로 바뀔 수 있습니다.
이 차이는 생각보다 큽니다.
AI가 단순히 작업 하나를 도와주는 도구에서 점점 하나의 목표를 맡아 여러 작업을 연결하는 도구로 이동하고 있기 때문입니다.
Long-Running AI Agent가 중요한 이유도 바로 여기에 있습니다.
AI가 얼마나 오래 실행되는지가 핵심이 아니라, 우리가 얼마나 큰 단위의 일을 AI에게 맡길 수 있는가가 달라지고 있는 것입니다.
앞으로 AI Agent의 발전을 볼 때는 단순히 “이 AI는 얼마나 똑똑한가?”뿐만 아니라, "이 AI에게 얼마나 큰 일을 맡겨도 끝까지 해낼 수 있는가?”를 함께 살펴보는 것이 중요해질 것입니다.
Long-Running AI Agent 시대에는 사람의 역할도 달라질까요?
AI가 몇 시간 동안 하나의 일을 이어서 수행할 수 있게 된다면 자연스럽게 이런 생각이 들 수 있습니다.
“그러면 사람은 할 일이 없어지는 것 아닐까?”
하지만 저는 조금 다른 관점으로 볼 필요가 있다고 생각합니다.
AI Agent가 발전할수록 사람이 직접 해야 하는 작은 작업은 줄어들 수 있지만, 그 대신 무엇을 시킬 것인지 결정하는 역할은 더욱 중요해질 수 있습니다.
예를 들어 지금 우리가 AI를 사용하는 모습을 생각해 보겠습니다.
블로그 글 하나를 작성하려고 해도 사람이 계속 명령을 내립니다.
“주제를 추천해 줘.” “이 주제로 자료를 찾아줘.” “도입부를 작성해 줘.” “다음 내용을 작성해 줘.” “제목을 추천해 줘.”
AI는 각각의 작업을 빠르게 처리하지만 전체 과정을 관리하는 것은 여전히 사람입니다.
그런데 Long-Running AI Agent가 발전한다면 이러한 작은 작업들을 하나씩 지시할 필요가 줄어들 수 있습니다.
처음부터 “오늘 AI 분야에서 사람들이 관심을 가질 만한 주제를 조사하고, 신뢰할 수 있는 자료를 확인한 뒤 초안을 작성해 줘.”처럼 하나의 큰 목표를 전달할 수 있습니다.
그러면 Agent가 목표를 여러 작업으로 나누고 필요한 과정을 이어서 수행하는 것입니다.
이때 사람의 역할은 작업자에서 감독자에 가까운 방향으로 이동할 수 있습니다.
‘어떻게 할까?’보다 ‘무엇을 할까?’가 중요해집니다
지금까지 AI를 잘 사용하는 능력이라고 하면 좋은 프롬프트를 작성하는 능력을 떠올리는 경우가 많았습니다.
AI에게 무엇을 어떻게 말해야 원하는 결과가 나오는지가 중요했기 때문입니다.
하지만 AI Agent가 점점 더 많은 과정을 스스로 처리할 수 있게 된다면 사람은 모든 단계를 자세하게 알려줄 필요가 줄어들 수 있습니다.
대신 처음에 좋은 목표를 정하는 능력이 중요해집니다.
예를 들어 “시장조사 해줘.”라고 요청하는 것과 “20대 대학생을 대상으로 하는 일정 관리 앱을 만들려고 하는데, 현재 어떤 문제가 있고 기존 서비스가 해결하지 못하는 부분은 무엇인지 조사해 줘.”라고 요청하는 것은 큰 차이가 있습니다.
두 번째 요청에는 무엇을 알고 싶은지가 훨씬 명확합니다.
AI Agent가 아무리 뛰어나도 잘못된 목표를 주면 잘못된 방향으로 열심히 일할 수 있습니다.
그래서 앞으로는 AI에게 모든 과정을 자세하게 설명하는 능력보다 “내가 해결하려는 문제가 정확히 무엇인가?”를 정의하는 능력이 더욱 중요해질 수 있습니다.
AI가 만든 결과를 판단하는 능력도 중요합니다
Long-Running AI Agent가 여러 시간 동안 조사하고 결과를 만들었다고 해서 그 결과를 무조건 믿어도 되는 것은 아닙니다.
AI가 잘못된 자료를 참고했을 수도 있습니다.
사용자의 의도를 잘못 이해했을 수도 있습니다.
중간에 내린 작은 판단 하나가 잘못되어 최종 결과까지 영향을 미쳤을 수도 있습니다.
예를 들어 AI에게 여행 계획을 맡겼는데 굉장히 멋진 일정이 완성되었습니다.
하지만 자세히 확인해 보니 이동 시간이 현실적으로 불가능할 수도 있습니다.
또는 AI가 조사한 장소 중 하나가 이미 운영을 종료했을 수도 있습니다.
그래서 AI가 더 많은 일을 대신하게 될수록 사람에게는 결과를 평가하는 능력이 필요합니다.
단순히 “AI가 만들었으니까 맞겠지.”라고 받아들이는 것이 아니라,
“이 결과가 내가 원했던 것인가?” “중요한 조건이 빠지지는 않았는가?” “근거가 믿을 만한가?”
를 확인해야 합니다.
중요한 결정은 여전히 사람이 내려야 합니다
AI Agent에게 맡길 수 있는 작업이 커질수록 권한을 어디까지 줄 것인가도 중요해집니다.
자료를 조사하는 것과 실제로 행동하는 것은 다르기 때문입니다.
예를 들어 AI에게 “이번 여행에 적합한 숙소를 찾아줘.”라고 하는 것은 비교적 부담이 적습니다.
하지만 “적당한 숙소를 찾으면 알아서 결제해 줘.”라고 하는 순간 이야기가 달라집니다.
실제 돈이 사용되기 때문입니다.
업무에서도 마찬가지입니다.
AI가 이메일 초안을 작성하는 것과 실제 고객에게 이메일을 발송하는 것은 다릅니다.
코드를 작성하는 것과 실제 서비스에 바로 배포하는 것도 다릅니다.
AI가 자료를 분석하는 것과 중요한 사업 결정을 직접 내리는 것 역시 다릅니다.
따라서 Long-Running AI Agent가 발전할수록 AI가 혼자 해도 되는 일, 사람의 확인이 필요한 일, 사람의 승인이 있어야 실행할 수 있는 일을 구분하는 것이 중요해질 수 있습니다.
사람은 ‘일을 하는 사람’에서 ‘일을 설계하는 사람’으로
Long-Running AI Agent가 가져올 수 있는 가장 흥미로운 변화는 여기에 있다고 생각합니다.
지금까지 우리는 목표를 달성하기 위해 수많은 작은 작업을 직접 수행했습니다.
검색하고, 정리하고, 비교하고, 문서를 작성하고, 다시 수정했습니다.
하지만 이러한 작업의 일부를 AI Agent가 맡게 된다면 사람은 조금 더 큰 단위에서 일을 바라볼 수 있습니다.
어떤 문제를 해결할 것인지 정합니다.
AI에게 어떤 목표를 맡길지 결정합니다.
중요한 조건과 기준을 설정합니다.
중간에 중요한 결정이 필요하면 개입합니다.
마지막 결과가 좋은지 판단합니다.
즉, 직접 모든 작업 수행 → 목표 설정 → AI에게 위임 → 과정 감독 → 결과 판단으로 역할이 조금씩 달라질 수 있습니다.
그래서 Long-Running AI Agent 시대에 중요한 사람은 단순히 AI에게 많은 일을 시키는 사람이 아닐지도 모릅니다.
오히려 좋은 문제를 발견하고, 목표를 명확하게 정의하고, AI에게 적절한 일을 맡기고, 결과의 품질을 판단할 수 있는 사람이 AI를 더욱 효과적으로 활용할 가능성이 높습니다.
결국 AI가 더 많은 일을 할 수 있게 될수록 사람에게 필요한 능력이 사라지는 것이 아니라 사람이 집중해야 하는 능력의 위치가 달라지는 것이라고 볼 수 있습니다.
AI가 “어떻게 할 것인가”를 더 많이 담당한다면, 사람은 점점 더 “무엇을 할 것인가, 왜 해야 하는가, 결과가 정말 좋은가”를 결정하는 역할에 집중하게 될 수 있습니다.
그리고 저는 이것이 Long-Running AI Agent가 가져올 수 있는 가장 큰 변화 중 하나라고 생각합니다.
결국 AI는 ‘답변하는 도구’에서 ‘일을 맡는 도구’로 변하고 있습니다
지금까지 생성형 AI의 발전을 보면 AI가 얼마나 좋은 답변을 만드는지가 중요한 기준이었습니다.
질문을 얼마나 잘 이해하는지, 글을 얼마나 자연스럽게 작성하는지, 코드를 얼마나 정확하게 만드는지, 어려운 문제를 얼마나 잘 해결하는지가 중요했습니다.
하지만 Long-Running AI Agent의 관점에서 보면 조금 다른 질문이 중요해집니다.
“이 AI에게 하나의 일을 맡겨도 될까?”입니다.
예를 들어 AI에게 “이 이메일을 작성해 줘.”라고 요청하는 것과 “이번 행사 참가자들에게 필요한 안내를 준비하고, 발송하기 전에 내가 확인할 수 있도록 정리해 줘.”라고 요청하는 것은 다릅니다.
첫 번째는 하나의 작업입니다.
두 번째는 하나의 목표입니다.
목표를 달성하려면 참가자 정보를 확인하고, 어떤 내용을 안내해야 하는지 파악하고, 필요한 정보를 정리하고, 이메일을 작성하고, 누락된 내용이 없는지 확인하는 등 여러 과정이 필요합니다.
Long-Running AI Agent가 지향하는 방향은 바로 두 번째에 가깝습니다.
지금까지는 사람이 AI의 작업을 연결했습니다
현재 우리가 AI를 사용하는 모습을 생각해 보면 재미있는 점이 있습니다.
AI가 각각의 작업을 굉장히 잘하더라도 그 작업들을 연결하는 역할은 대부분 사람이 하고 있다는 것입니다.
예를 들어 학교 발표를 준비한다고 생각해 보겠습니다.
먼저 AI에게 자료를 조사해 달라고 합니다.
조사 결과를 읽은 뒤 다시 요청합니다.
“이 내용에서 중요한 것만 정리해 줘.”
결과가 나오면 또 요청합니다.
“이걸 발표 순서로 구성해 줘.”
그리고 다시
“발표 대본을 만들어 줘.”
라고 합니다.
AI는 각 단계에서 우리를 도와주고 있습니다.
하지만 자료 조사 → 내용 정리 → 발표 구성 → 대본 작성이라는 전체 흐름을 연결하고 있는 사람은 여전히 사용자입니다.
그래서 지금의 AI 활용은 사람이 일종의 지휘자 역할을 하고 있다고 볼 수도 있습니다.
AI에게 하나의 작업을 시키고, 결과를 확인하고, 다음 작업을 결정하고, 다시 AI에게 요청하는 것입니다.
Long-Running Agent에서는 이 연결 과정의 일부도 AI가 맡습니다
Long-Running AI Agent에서는 이러한 중간 과정의 일부까지 Agent가 수행하도록 만들 수 있습니다.
사용자가 “다음 주 발표를 준비해 줘.”라는 목표를 전달했다고 생각해 보겠습니다.
Agent는 먼저 발표를 준비하려면 무엇이 필요한지 생각합니다.
관련 자료가 필요하다면 조사합니다.
자료가 너무 많다면 중요한 내용을 정리합니다.
발표 시간을 고려해서 내용을 구성합니다.
발표 순서를 만듭니다.
필요하다면 발표 대본까지 작성합니다.
그리고 마지막에 사용자에게 결과를 보여줍니다.
물론 실제로는 사용자가 주제나 발표 시간, 대상 같은 조건을 알려줘야 할 수 있고 중요한 결정에서는 사람의 확인도 필요합니다.
하지만 핵심적인 변화는 분명합니다.
사람이 “다음에는 이것을 해.”라고 모든 단계를 연결하는 것이 아니라,
AI가 최종 목표를 보면서 다음에 해야 할 일을 일부 스스로 결정하게 되는 것입니다.
그래서 AI를 사용하는 방법도 달라질 수 있습니다
이러한 변화가 계속된다면 우리가 AI를 사용하는 방식도 달라질 가능성이 있습니다.
지금까지는 “AI에게 어떤 질문을 해야 좋은 답을 얻을까?”가 중요했다면,
앞으로는 “AI에게 어떤 목표를 맡길 것인가?”가 더욱 중요해질 수 있습니다.
좋은 질문을 만드는 능력에서 한 단계 더 나아가 좋은 일을 정의하는 능력이 중요해지는 것입니다.
예를 들어 “마케팅 문구 10개 만들어 줘.”라고 요청하는 것보다 “이번에 출시하는 제품을 처음 보는 대학생이 관심을 가질 수 있도록 홍보 전략을 만들어 줘.”라는 목표를 줄 수 있습니다.
그러면 AI Agent가 타깃을 분석하고, 필요한 자료를 조사하고, 아이디어를 만들고, 여러 후보를 비교하고, 홍보 문구까지 만드는 식으로 작업을 이어갈 수 있습니다.
사람은 모든 작업 방법을 알려주는 대신 목표와 조건, 판단 기준을 정하는 역할에 더 집중할 수 있습니다.
그렇다고 AI에게 모든 것을 맡길 수 있는 것은 아닙니다
물론 Long-Running AI Agent가 발전한다고 해서 모든 일을 AI에게 맡길 수 있다는 뜻은 아닙니다.
오히려 AI가 더 많은 작업을 수행할수록 새로운 문제가 중요해집니다.
AI가 잘못된 방향으로 몇 시간 동안 작업하면 어떻게 할까요?
중간에 잘못된 정보를 사용했다면 어떻게 해야 할까요?
실제 돈을 사용하거나 중요한 파일을 수정하는 행동까지 AI에게 허용해도 될까요?
어떤 순간에는 사람이 반드시 확인해야 할까요?
이러한 문제 때문에 앞으로의 AI Agent에서는 능력뿐만 아니라 통제와 검증도 중요해질 것입니다.
좋은 Agent는 단순히 많은 일을 혼자 하는 Agent가 아니라, 자신이 할 수 있는 일을 수행하고, 중요한 순간에는 사람에게 확인을 요청하며,
문제가 발생하면 안전하게 멈추고, 지금까지의 작업을 잃지 않은 채 다시 이어갈 수 있어야 합니다.
마무리
Long-Running AI Agent라는 이름 때문에 처음에는 “오랫동안 실행되는 AI” 정도로 생각하기 쉽습니다.
하지만 중요한 것은 단순한 실행 시간이 아닙니다.
핵심은 하나의 목표를 오랫동안 유지하면서 여러 작업을 연결해 최종 결과까지 도달하는 능력입니다.
자료를 찾습니다.
필요한 정보를 정리합니다.
결과를 확인합니다.
문제가 있으면 수정합니다.
실패하면 다시 시도합니다.
중요한 결정이 필요하면 사람에게 확인을 요청합니다.
그리고 지금까지의 작업을 이어가면서 최종 목표에 도달합니다.
결국 생성형 AI의 발전 방향을 아주 단순하게 표현하면 이렇게 볼 수 있습니다.
질문에 답하는 AI
→ 작업 하나를 수행하는 AI
→ 여러 작업을 연결하는 AI
→ 하나의 목표를 끝까지 수행하는 AI
Long-Running AI Agent는 바로 이 마지막 변화와 연결되는 개념입니다.
앞으로 AI를 평가할 때도 단순히 “얼마나 똑똑한 답변을 만드는가?”만 보는 것이 아니라,
“얼마나 긴 작업을 안정적으로 이어갈 수 있는가?”
“실패했을 때 다시 복구할 수 있는가?”
“중요한 순간에 사람에게 판단을 넘길 수 있는가?”
그리고 궁극적으로
“이 AI에게 하나의 일을 믿고 맡길 수 있는가?”가 더욱 중요한 기준이 될 수 있습니다.
AI는 점점 답을 만들어 주는 도구에서, 일을 맡길 수 있는 도구로 변화하고 있습니다. 그리고 Long-Running AI Agent는 그 변화를 보여주는 중요한 흐름 중 하나라고 볼 수 있습니다.