AI 에이전트와 챗봇의 차이점은 무엇인가요?

온라인 고객 지원 에이전트와 채팅을 하거나 Siri에게 로드아일랜드의 공식 주조(州鳥)가 무엇인지 물어본 적이 있으시다면 챗봇과 상호 작용한 경험이 있으신 것입니다.

이러한 편리한 디지털 어시스턴트가 간단한 질문에 답변하고 기본적인 업무를 수행하는 데는 능숙하지만 생성형 인공 지능(AI) 시대에서는 한계를 느껴질 수 있습니다. Siri에게 지역별로 가장 중요한 세일즈 잠재 고객의 목록을 요청하면 Google에서 이를 알려줄 수도 있습니다.

하지만 AI 에이전트는 워크플로우에 디지털 AI 어시스턴트가 내장되어 있는 것과 같습니다. 오늘의 최고 세일즈 잠재 고객의 우선순위를 정하는 데 도움이 필요하신가요? 오늘 아침에 놓친 서비스 팀 회의에 대한 간략한 요약을 찾고 계신가요? 크리에이티브의 벽에 부딪혀 고객 인구 통계에 맞는 마케팅 카피가 필요하신가요? 기업의 고유한 데이터를 기반으로 하는 에이전트가 이 모든 것을 도와드릴 수 있습니다.

하지만 두 가지 모두 대화형이라는 특성을 고려할 때 챗봇이 어디서 끝나고 에이전트가 어디서 시작되는지 궁금해지는 것은 당연합니다. 더 자세히 살펴보려면 계속 읽어보세요.

기존 챗봇은 사전 정의된 규칙, 결정 트리, 스크립트화된 응답을 사용하여 사용자와 상호 작용하는 컴퓨터 프로그램입니다. 자연어 처리(NLP)를 지원하는 덜 발전된 형태의 AI를 기반으로 하는 챗봇은 일반적으로 사용자 요청을 정확하게 처리하기 위해 상당한 훈련과 정밀 조정이 필요합니다. 1964년, 조셉 와이젠바움이 ELIZA를 생성한 이래로 사용되어 온 챗봇은 주로 정보 검색, 기본적인 상호 작용 처리, 일반적인 고객 지원 질문에 답변하는 데 사용되고 있습니다. 챗봇은 AI 에이전트와 유사한 대화형 인터페이스를 가지고 있지만 대규모 언어 모델(LLM)과 동일한 방식으로 언어를 이해하지는 못합니다.

일반적인 질문에 빠르고 일관된 응답을 제공할 수 있어 일상적인 고객 서비스 문의를 처리하고, 기본적인 정보를 수집하고, 관련 리소스를 제안하는 데 있어 신뢰할 수 있고 비용 효율적인 솔루션이 됩니다. 하지만 컨텍스트를 이해하고 상호 작용으로부터 학습하는 능력과 사전 정의된 대화형 플로우 이외의 쿼리를 처리하는 기능은 제한적입니다. 따라서 간단하고 반복적인 업무에는 효과적이지만 개방형 대화에는 어려움이 있습니다.

"기존 봇의 대화형 플로우 자체는 매우 선언적이고 사전 정의된 방식으로 구축됩니다. 자연스러운 대화형 경험을 완전히 제공하지는 못합니다"라고 Salesforce AI 팀의 제품 관리 디렉터인 Abhi Rathna는 말합니다.

챗봇을 자판기라고 생각하세요. 챗봇은 고정된 스낵 재고(사전 결정된 응답), 사용자 입력을 위한 작은 키패드(입력할 수 있는 쿼리)를 가지고 있으며, 선택한 항목(스크립트화된 응답)만 정확하게 제공할 수 있습니다. 간단하고 예측 가능하며, 특정 요구 사항을 충족해야 하는 경우에 적합합니다.

챗봇은 모든 응답이 브랜드 메시징 가이드라인을 준수하는 것이 매우 중요한 시나리오에 적합합니다. "핵심 시나리오의 대화형 플로우에 대해서 규범적이기를 원하는 매우 구체적인 브랜드 목소리를 가진 사용자인 경우, 기존 봇이 이러한 대화를 제어할 수 있는 기능을 제공합니다"라고 Rathna는 말합니다.

AI 에이전트는 다양한 업무에서 인간 능력을 보강하도록 설계된 고급 AI 어시스턴트입니다. 더 제한된 챗봇과 달리, AI 에이전트 (자율 에이전트라고도 함)는 자연어를 이해 및 생성하고, 대량의 정보를 처리 및 분석하고, 복잡한 활동(예: 글쓰기, 코딩, 문제 해결, 크리에이티브 업무)을 지원할 수 있습니다.

이러한 시스템은 일반적으로 방대한 양의 데이터로 훈련된 대규모 언어 모델(LLM)에서 구축되기 때문에 더 미묘하고 컨텍스트를 인식하는 상호 작용을 보다 잘 수행할 수 있습니다. 또한 기업이 개인화된 출력을 생성하거나 중요한 비즈니스 인사이트를 발견하기 위해 스프레드시트나 데이터베이스와 같은 정형 데이터 및 PDF, 이메일, 채팅 로그와 같은 비정형 데이터를 모두 포함한 고유한 비즈니스 데이터에 에이전트를 기반으로 할 수도 있습니다.

AI 에이전트는 상호 작용에 적응하고 그로부터 학습할 수 있기 때문에 생산성과 의사 결정을 개선하는 데 탁월한 다목적 도구입니다.

"AI 에이전트는 대규모 언어 모델을 사용하여 대화를 조율하므로 자연스러운 플로우를 생성하기가 매우 쉬우며 구성 시간도 단축할 수 있습니다"라고 Rathna는 말합니다. "에이전트가 의도를 이해하고 올바른 답변에 일치시키는 것을 더 잘 수행합니다."

챗봇이 자판기와 비슷하다면 AI 에이전트는 개인 셰프와 같습니다. 즉, 인상적인 레시피 레퍼토리(방대한 지식 베이스), 복잡한 요리 요청을 이해하는 능력(자연어 처리)을 보유하고 있으며, 선호도에 맞게 새로운 음식을 학습(과거 데이터로부터 학습하는 능력)할 수도 있습니다.

챗봇은 기능, 훈련받는 방식, 구현에 걸리는 시간 등 여러 중요한 점에서 AI 에이전트와 다릅니다.

챗봇이 주로 규칙 기반 대화를 따르고 사전 정의된 질문에 답변하는 것으로 제한되는 반면, AI 에이전트는 관련 지식과 콘텐츠에서 답변을 추론하고 근거로 할 수 있습니다. 에이전트와 달리 고객 서비스 챗봇은 자연어 요청을 이해하기 위해 수백 개의 발화에 대한 광범위한 훈련이 필요하여 에이전트가 훨씬 더 빠르고 간편하게 구현하고 실행할 수 있습니다. 또한 에이전트는 작업을 호출하고 대화를 안내하기 위해 규칙 기반 대화 상자 및 구성이 필요하지 않습니다.

그렇다면 이 모든 것이 비즈니스에 가장 적합한 것을 결정하는 데 있어서 어떤 의미가 있나요? 고객 대면 요구 사항과 직원 대면 요구 사항으로 나뉠 수 있다고 Rathna는 말합니다.

"주로 고객 대면 시나리오의 경우, 기존 챗봇과 최신 생성형 AI 에이전트가 혼합되어 사용될 것으로 생각합니다. 직원 대면 시나리오의 경우, 에이전트가 더 유리합니다"라고 그는 말합니다. "Agentforce Assistant은 다른 비즈니스 프로세스와 함께 업무 플로우에 통합됩니다. 그러고 나서 빠른 통합을 통해 결합하면 더 빠르게 채택할 수 있을 것입니다."

단기적으로는 생성형 AI 응답의 신뢰성이 계속 개선됨에 따라 Rathna는 하이브리드 모델이 많은 고객에게 좋은 옵션이 될 것으로 보고 있습니다.

"제가 예상하는 모습은 고객이 더 규범적이고 더 강력한 제어를 갖고자 하는 경우에는 챗봇을 사용하고, 생성형 AI가 대화를 제어하는 것이 편한 다른 사용 사례에서는 에이전트를 사용하는 것입니다. 기술은 계속 진화하고 있으므로 몇 년 후에는 달라질 수 있지만 그때까지라도 에이전트와 챗봇을 훌륭한 동반자라고 생각해야 합니다."

AI 기술이 계속 진화함에 따라 AI 에이전트는 향후 몇 년 동안 비약적인 성장을 이룰 것으로 예상됩니다. 에이전트 상호 작용은 텍스트, 음성, 시각적 매체 전반에서 더 직관적으로 이루어질 것이며, 시간이 지남에 따라 보다 관련성 있는 정보를 제공하도록 하여 컨텍스트 이해를 개선하는 것이 핵심이 될 것입니다.

기존 챗봇의 진화는 AI 에이전트만큼 흥미롭지는 않겠지만 사용자 경험의 실질적인 발전, 다른 비즈니스 시스템과의 통합 개선, 사용자 지정 챗봇 플로우 및 응답의 손쉬운 구현을 기대할 수 있습니다

우리 모두가 빠르게 진화하는 AI 환경을 함께 헤쳐 나가면서 챗봇과 에이전트가 어떻게 현재와 미래에 비즈니스에 고유한 혜택을 제공할 수 있는지 이해하는 것은 그 영향력을 극대화하는 데 중요해질 것입니다. 챗봇을 사용하든, 에이전트를 사용하든, 아니면 두 가지를 함께 사용하는 하이브리드 접근 방식을 취하든, 이러한 도구는 의심할 여지 없이 비즈니스 운영에서 점점 더 의미 있는 역할을 수행하여 기술 및 서로 간의 상호 작용 방식을 재편할 것입니다.