(삼정 KPMG future academy 6기 수업) AI agent 관련 미니 과제

삼정KPMG-AI에이전트-20250908 (1).pdf

19.50MB

[과제 1] AI 에이전트 유형별 비교 및 실생활 예시 제시
- 목표: AI 에이전트 8가지 유형(반사작용형~다중에이전트)을 실제 사례로 매칭
- 아래 항목을 정리:
	- 작동 원리 한 줄 요약
	- 실제 사용 예시 (기업/앱/서비스 등)
	- 장점·단점
	- 다른 유형과의 차이점

[과제 2] AI Agent vs RPA 실무 비교 분석
- 목표: 기업 자동화 전략에서 RPA와 AI Agent의 차이를 실무적으로 이해
- 제공된 자료를 바탕으로 'AI 에이전트'와 'RPA(로봇 프로세스 자동화)'를 비교 분석하고, 
   기업이 AI 에이전트를 성공적으로 도입하기 위해 해결해야 할 과제 3가지를 설정하고 그 이유를 설명


[과제 3] 나만의 AI 에이전트 서비스 기획
- 목표: AI Agent의 구조를 실제 서비스로 구상
- 내용 : 일상생활 중 겪는 불편한 점을 한 가지 선정하고, 이를 해결하기 위한 'AI 에이전트' 서비스를 기획
- 포함 항목:
	- 서비스 이름
	- 목표(Goal)
	- 에이전트의 인식-추론-행동 흐름
	- 사용 데이터 or 기술 (예: LangGraph, MCP 등)
	- 기대 효과

 

[과제 1]   AI 에이전트 유형별 비교

 

유형	작동 원리	주요 특징	사례	장점	단점	차이점
① 반사 작용형 (Reflex Agent)	사전에 정의된 조건-행동 규칙(Condition–Action Rule)에 따라 즉각 반응	• 과거 데이터 미사용 • 현재 입력 정보만 인식 • 단순 규칙 기반 응답	콜센터 챗봇, AICC (KT·삼성SDS·LG CNS)	빠른 반응, 구현 용이	환경 변화 적응 불가, 학습·추론 불가	단순·반복 업무에 최적, 지능 수준 낮음
② 모델 기반 반사 작용형 (Model-based Reflex Agent)	현재 상태 + 내부 모델(과거 경험)을 결합해 반응	• 과거 환경정보 기억 • 내부 모델로 상황 예 • 보다 복잡한 판단 가능	스마트홈 냉난방 제어, IoT 가전 (삼성 SmartThings, LG ThinQ)	과거 데이터 활용으로 정밀한 대응	모델 설계 복잡, 계산량 많음	반사형보다 고도화, 예측형 대응 가능
③ 목표 기반형 (Goal-based Agent)	명확한 목표를 설정하고, 이를 달성하기 위한 계획·추론 수행	• 목표 중심적 사고 • 계획 수립·추론 기능 • 자율적 문제 해결	내비게이션 앱, 여행경로 최적화 AI (Google Maps, Kakao Navi)	복잡한 목표 해결 가능	목표 외의 유연성 부족	단일 목표 중심으로 작동, 효용 고려 없음
④ 유틸리티 기반형 (Utility-based Agent)	여러 목표 중 효용(Utility)이 가장 높은 선택을 추구	• 효용값(Utility Function) 계산 • 다중 목표 간 우선순위 판단 • 최적 의사결정	자율주행차(테슬라), OTT 추천 시스템	다양한 상황에서 최적 판단 가능	유틸리티 함수 설계 난이도 높음	목표 기반보다 복잡, 선택의 질을 평가함
⑤ 학습형 (Learning Agent)	경험과 피드백을 바탕으로 지속적으로 성능 향상	• 강화학습·머신러닝 기반 • Critic(비평) 기능 존재 • 반복 경험을 통한 성능 개선	유튜브·넷플릭스 추천, 광고 최적화(AI 개인화)	지속적 학습으로 정확도 향상	학습데이터 오류 시 오작동	피드백 루프를 통해 자기 개선
⑥ 자율형 (Autonomous Agent)	외부 개입 없이 목표 설정·계획·행동까지 스스로 수행	• 높은 독립성 • 스스로 목표 설정 가능 • 환경 인식·계획·실행 내장	로봇청소기, 드론 자동비행, 자율배송 로봇(쿠팡·Amazon Scout)	완전 자율적 판단·행동	오류 시 통제 어려움, 비용↑	인간 개입 없이 전 과정 독립 실행
⑦ 계층형 (Hierarchical Agent)	상위–하위 계층 구조로 목표·계획·실행을 분리 수행	• 내부 다층 구조(반응층·계획층·학습층 등) • 상위가 하위를 제어·조정 • 복잡한 업무 분업	자율주행 시스템(상위: 경로계획 / 하위: 센서제어), 산업로봇	복잡한 문제를 분할 처리	구조 복잡·통신 지연 가능	내부 수직적 제어 구조 (단일 에이전트 내 협력)
⑧ 다중 에이전트 시스템 (Multi-Agent System)	여러 에이전트가 수평적으로 협력·경쟁하며 공동 목표 달성	• 다수의 독립 에이전트 존재 • 메시지 기반 상호작용 • 협력·경쟁 동시 수행	물류 로봇 협력(Amazon Robotics), ChatGPT 팀형 Agent, 협업 AI	병렬 처리·분산형 문제 해결	조정 어려움·충돌 가능성	여러 자율 에이전트 간 외부 통신 기반 협력 구조

 

 

[과제 2] AI agent VS RPA

항목	AI Agent	RPA (Robotic Process Automation)
작동 방식	목표 인식 → 환경 인식 → 추론 → 자율 행동	사전 정의된 절차·규칙(Rule)에 따라 반복 수행
지능 수준	자율적 판단, 예외 상황 대응 가능	규칙 기반, 예외 발생 시 즉시 중단
학습 능력	머신러닝·딥러닝으로 지속 개선	없음 (고정된 시나리오 수행)
적용 분야	고객응대, 의사결정지원, 예측분석, 자동 보고서 생성	단순 입력, 송장처리, 이메일 분류, 회계전표
핵심 가치	판단·예측·행동 통합 (지능형 자동화)	정형 데이터 기반 단순 자동화
예시	Microsoft Copilot, Salesforce Agentforce, KT AICC	UiPath, Automation Anywhere, Blue Prism
진화 방향	‘RPA+AI’ 융합형 → 지능형 자율 에이전트로 확장	단순 규칙 기반 자동화에서 점진적 축소

• 기업이 AI 에이전트를 성공적으로 도입하기 위한 3대 과제
  
  1. 데이터 품질·보안 관리
  • AI 에이전트는 대규모 데이터를 학습 기반으로 작동함
  • 데이터의 정확성과 신뢰성이 곧 성능으로 직결됨
  • 정제·검증 체계 구축 및 개인정보 보호 강화 필요
  • (이유) 부정확한 데이터는 의사결정 오류와 보안 리스크 초래
  2. 시스템 통합 및 레거시 연동
  • ERP, CRM, 클라우드 등 기존 업무 시스템과의 통합 설계 필수
  • 데이터 파이프라인 및 API 연동 표준화 필요
  • (이유) AI Agent는 단일 솔루션이 아닌 복합 생태계 기반으로 작동,
    통합 실패 시 운영 효율 저하 및 유지보수 비용 증가
  3. 인간-에이전트 협업 구조(거버넌스) 확립
  • 인간의 검증 및 모니터링 체계 구축 필요
  • 의사결정 책임 범위 명확화 및 AI 윤리 기준 수립 필수
  • (이유) 완전 자율 시스템 도입 시 책임 불명확·윤리 리스크 발생 가능
     -> 사람과 AI 간 역할 분담을 기반으로 한 협업 프로세스 설계 요구됨

 

[과제 3] 나만의 AI agent 서비스 기획

 

(아이디어 1) 

1. 서비스 이름 : MindMate - 감정 관리 AI 에이전트

2. 서비스 설명 :
MindMate는 이용자의 감정과 생체 신호를 동시에 인식·추론·행동하는 AI 정서관리 파트너로, 일상 속 감정 건강을 예측하고 스스로 회복할 수 있게 돕는 개인화된 AI 에이전트 서비스

3. 서비스 목표 : 
일상 속 스트레스나 감정 기복으로 인한 정서 불안, 집중력 저하, 수면 문제를 AI가 음성·표정·언어 패턴을 인식하여 감정 상태를 진단하고, 실시간으로 마음 안정·휴식·대화 코칭을 제공하는 정서 관리 서비스.

4. 핵심 기능 : 

구분	핵심 기능	설명
1. 감정 인식 (Emotion Recognition)	사용자의 음성, 표정, 언어를 통해 감정 상태를 실시간 감지	- 카메라·마이크 입력 - 텍스트 감정 분석(LLM) - 간단한 감정 분류 모델(긍정/부정/불안 등)
2. 맞춤 코칭 (Personalized Coaching)	감정 결과에 따라 즉시 피드백 또는 행동 제안 (예: 휴식·명상·대화)	- LangGraph/Agent Builder로 의도 추론 - n8n 자동화로 알림·콘텐츠 연동
3. 감정 리포트 (Emotion Report)	하루 감정 변화·상태 기록을 리포트 형태로 시각화	- Supabase 데이터 저장 - n8n 주간 리포트 생성 - 간단한 Chart.js 시각화

4-2. 핵심기능별 KPI

구분	주요 KPI	측정 방법	목표 기준
1. 감정 인식	- 감정 인식 정확도 (Accuracy) - 감정 분류 응답 속도 (Latency) - 사용자 피드백 일치율   (정확히 인식했다고 느낀 비율)	테스트셋 정확도 측정, 로그 분석, 피드백 버튼(“내 기분 맞아요?”)	- 정확도 80% 이상 -응답시간 3초 이하 - 피드백 일치율 70% 이상
2. 맞춤 코칭	- 코칭 실행률 (제안 후 실제 행동 수행률) - 코칭 만족도 (NPS 기반) - 감정 개선율 (코칭 전후 감정 점수 차)	로그 분석 (‘코칭 제안 → 실행’ 이벤트), NPS 설문, 감정 변화 데이터	- 코칭 실행률 40% 이상 - 만족도 4.0/5 이상 - 감정 개선율 +15% 이상
3. 감정 리포트	- 리포트 열람률   (Daily/Weekly Report View Rate) - 리포트 재방문율 (다시 보기 비율) - 감정 기록 지속률 (연속 기록 일수)	리포트 페이지 조회 로그, n8n 주간 전송 로그, Supabase DB	- 열람률 70% 이상 - 재방문율 50% 이상 - 7일 연속 기록 사용자 비율 30% 이상

 

[ KPI 요약 구조 ]

관점	핵심 질문	측정 지표
AI 성능 관점	AI가 감정을 얼마나 잘 인식하고 반응하는가?	감정 인식 정확도, 응답 지연 시간
사용자 경험 관점	사용자가 제안된 코칭을 실제로 활용하는가?	코칭 실행률, 만족도, 감정 개선율
지속 사용 관점	사용자가 서비스를 꾸준히 이용하는가?	리포트 열람률, 감정 기록 지속률

 

5. 에이전트의 작동 구조 (인식 → 추론 → 행동)

단계	설명	실제 작동 예시
① 인식 (Perception)	- 스마트폰 카메라와 마이크를 통해 표정·음성·말투·대화 텍스트를 수집 - Wearable(스마트워치)의 심박수, 수면, 활동량 데이터 연동	“오늘 하루 어땠어?” 질문 후 음성 떨림, 얼굴 긴장감, 심박수 상승 인식
② 추론 (Reasoning)	- LLM 기반 감정분석 + LangGraph를 이용한 멀티모달 추론 - 지난 감정 패턴·스트레스 이력과 비교하여 현재 상태 평가 - 필요 시 긴급 케어 모드(‘불안’, ‘우울’ 등) 판단	“지난주보다 스트레스 지수 30% 상승, 불안 감정 지속” 판단
③ 행동 (Action)	- 개인 맞춤형 조치 수행 (음성 코칭, 휴식 콘텐츠 추천, 음악 재생 등) - 심리 상태 기록 및 장기적 패턴 분석 후 주간 리포트 발송	“지금은 휴식이 필요해요. 심호흡 훈련을 같이 해볼까요?” 제안

 

6. 사용 데이터 및 기술

구분	활용 내용
데이터	음성 톤, 표정 이미지, 심박수·수면 데이터, 감정 일기 텍스트
기술 스택	- LangGraph: 감정 인식·상황별 액션 플로우 제어 - MCP(Model Context Protocol): 스마트폰·웨어러블·앱 간 실시간 데이터 통합 - LLM (GPT-5 or Claude): 언어·감정 추론 및 코칭 대화 생성 - Emotion Recognition API: 얼굴·음성 기반 감정 분류 모델 - Federated Learning: 개인 데이터 보호형 모델 업데이트

 

7. 기대효과

• 정서적 웰빙 향상: AI가 일상 속 감정 변화를 실시간 감지하여 즉각 대응
• 심리적 피로 예방: 감정 누적을 조기에 인식하고 휴식·명상·상담 연계
• 개인 맞춤형 관리: 이용자별 감정 패턴 학습으로 장기적 개선 방향 제시
• 사회적 가치 확산: 정신건강 문제 조기 발견 및 예방적 케어 지원

 

 

(아이디어 2)
1. 서비스명: Global Expense Review Agent (GERA) - 글로벌 경비검토 에이전트

 

2. 서비스 목표 (Goal) :
해외사무소 경비 검토 업무의 번역·날짜 검증·규정 대조를 자동화하여 본사 담당자의 행정 부담을 70% 이상 줄이고, 재무팀의 검토 정확도를 높이는 AI 기반 행정혁신(AX)·디지털전환(DX) 서비스

 

3. 현재 프로세스

1. 해외사무소 – ERP에 지출내역 입력 + 영수증 증빙 첨부 (1차 입력)
2. 본사 담당자 – ERP 입력 내역과 영수증 비교, 규정 검토 (2차 검토)
3. 재무팀 – ERP 상에서 최종 검토 및 승인 (3차 검토)

 4. 문제점

• 영수증이 현지어로 작성되어 번역 작업이 필요
• 결제일자(카드)와 영수증 날짜가 ERP 입력 날짜와 일치하는지 수동 확인해야 함
• 주재원 관리규정(항목 제한·금액 상한 등)에 맞는지 직접 검토 필요
• 반복적이고 시간이 많이 소요되며 오류 가능성 존재

5. 에이전트의 인식–추론–행동 흐름

단계	역할	주요 기능	설명
① 인식 (Perception)	데이터 수집 및 이해	- ERP 입력 내역, 카드 결제내역, 영수증 이미지 수집 - OCR을 통한 금액·날짜·항목 인식 - 현지어 → 영어/한국어 자동 번역	OCR + Translation 모델을 통해 입력 데이터를 표준화
② 추론 (Reasoning)	데이터 분석 및 검증	- 카드 결제일자 vs 영수증 날짜 vs ERP 입력일 비교 - 주재원 관리규정 DB와 항목·금액 대조 - 불일치 및 초과 지출 자동 탐지	LangGraph 기반 규칙 엔진 + GPT-4o 추론
③ 행동 (Action)	결과 생성 및 전달	- 이상 내역 하이라이트된 자동 검토 리포트 생성 - ERP 상에 검토 결과 표시 및 재무팀 자동 통보 - 피드백 반영하여 예외 규정 자동 학습	Agent Builder + n8n 연동 자동화

6. 사용 데이터 및 기술

구분	세부 내용
데이터	- ERP 지출내역 (결제일자, 금액, 항목, 입력일자) - 카드사 결제내역 (결제일자, 금액) - 영수증 이미지 (OCR 텍스트, 언어정보) - 주재원 관리규정 DB (항목별 한도, 제한조건) - AI 검토 로그 및 피드백 데이터
AI 모델·기술 스택	- LangGraph: 추론 플로우 설계 및 규정 매칭 로직 - MCP (Model Context Protocol): ERP·OCR·번역 API 간 데이터 연동 - OpenAI GPT-4o / Agent Builder: 문맥 추론 및 리포트 생성 - Google OCR / Azure Vision: 영수증 데이터 인식 - n8n: 자동화 파이프라인 (데이터 수집·전송·ERP 알림) - Supabase: 검토 로그 및 규정DB 저장소

7. 기대 효과

구분	개선 내용	기대 효과
시간 효율성	영수증 번역·날짜 대조 자동화	검토시간 80% 단축 (10분 → 2분)
정확성	ERP–영수증–카드 간 불일치 자동 검출	검토 오류율 5% 이하
일관성	규정 DB 기반 검토 로직	담당자별 판단 편차 제거
투명성	검토 이력 자동 저장 및 피드백 반영	감사·감독 대응 효율화
DX 효과	ERP와 실시간 연동된 자동 리포팅 체계