2025년이 ‘생성형 AI(Generative AI)’가 무엇인지 보여준 해였다면, 2026년은 ‘에이전틱 AI(Agentic AI)’가 실무에 적용되는 해가 될 것입니다.
시장은 빠르게 변하고 있습니다. 단순히 말을 잘하는 AI를 넘어, 사용자의 명령을 듣고 직접 업무를 수행하고 도구를 사용하는 AI 에이전트가 트렌드가 되었습니다.
이에 따라 AI 학습 데이터 시장의 요구사항도 급격히 변하고 있습니다. 오늘은 에이전틱 AI 시대를 맞아 기업들이 준비해야 할 데이터 전략의 변화에 대해 이야기해 보려 합니다.
1. ‘말하는 AI’에서 ‘일하는 AI’로
기존의 챗봇 데이터가 “질문-답변”의 1차원적인 쌍(Pair)이었다면, 에이전틱 AI를 위한 데이터는 차원이 다릅니다.
예를 들어, “내일 제주도 가는 비행기 티켓 예매해 줘”라는 명령을 생각해 보겠습니다.
-
기존 AI: “제주도 항공권 예매 사이트를 알려드릴게요.” (정보 제공)
-
에이전틱 AI: 날씨 확인 → 스케줄 앱 확인 → 항공권 가격 비교 → 결제 페이지 접속 → 예매 완료 (업무 수행)
이처럼 하나의 목표를 달성하기 위해 여러 단계의 의사결정을 거치는 과정을 ‘다단계 워크플로우(Multi-step Workflow)’라고 합니다. 이제는 정답 하나를 찾는 게 아니라, ‘과정을 설계하는 데이터’가 필요해진 것입니다.
2. 핵심은 ‘도구 활용 로그’와 ‘의사결정 시퀀스’
에이전틱 AI가 똑똑하게 일하려면, 사람이 일을 처리하는 ‘논리적 흐름’을 학습해야 합니다. 따라서 데이터 가공의 난이도는 훨씬 높아졌습니다.
단순한 텍스트가 아니라 다음과 같은 메타 정보가 포함되어야 합니다.
-
Thought (생각): AI가 왜 그런 행동을 했는지에 대한 추론 과정
-
Action (행동): 검색, 계산기, API 호출 등 실제로 사용한 도구(Tool)의 로그
-
Observation (관찰): 행동의 결과값을 보고 다음 행동을 수정하는 피드백 루프
이러한 복잡한 시나리오를 담은 데이터 가공 역량이 AI 모델의 성능을 좌우하게 됩니다.
3. 고숙련 라벨러가 곧 기업의 경쟁력
이 지점에서 ‘사람’의 중요성이 다시금 강조됩니다.
복잡한 시나리오를 이해하고, AI가 올바른 순서로 도구를 사용했는지 검증하려면 단순 반복 작업자가 아닌 ‘도메인 지식을 갖춘 숙련된 라벨러’가 필수적입니다.
예를 들어 법률 에이전트를 만든다면, 법률 용어와 판례 검색 절차를 이해하는 작업자가 데이터 라벨링을 수행해야 ‘쓸모 있는 데이터’가 나옵니다.
단순히 박스를 치고 타이핑을 하는 시대는 지났습니다. 이제는 복잡한 시나리오를 설계하고, AI의 논리적 오류를 잡아낼 수 있는 고숙련 인력(Expert-in-the-loop)을 보유했느냐가 데이터 파트너 선정의 핵심 기준이 될 것입니다.
마치며
에이전틱 AI 시대, 데이터의 양보다 중요한 것은 ‘시나리오의 밀도’입니다.
우리 모델이 복잡한 업무를 처리하지 못해 고민이시라면, 학습 데이터의 설계부터 다시 점검해 보셔야 합니다.