호기심을 가지지 않을 수 없는 한 기업의 AI 도입 사례가 있었습니다.
바로 블루 오리진(Blue Origin)이라는 민간 우주 기업이 AI 에이전트 2,700개를 개발해 일하고 있다는 것이었습니다.
오늘 레터에서는 이 혁신적인 기업의 사례에 등장한 (1)'에이전트'가 기존의 AI 챗봇과 어떻게 다른지를 시대적 맥락과 함께 살펴봅니다. 그리고 2,700개의 AI 에이전트를 조직의 유기체로 만든 블루오리진의 (2)AX 방정식을 분석해 봅니다. 마지막으로 이 사례에서 우리가 얻을 수 있는 (3)인사이트와 배움은 무엇일지 통찰하며 마무리하겠습니다.
AI 시대의 새로운 물결, 에이전트(Agent) 시대의 개막
인류의 기술사는 도구의 진화와 그 궤도를 같이 해왔습니다. 돌도끼에서 증기기관으로, 그리고 컴퓨터에서 인터넷으로 이어지는 흐름 속에서 인간은 언제나 '더 강력한 도구'를 손에 쥐는 방식으로 생산성의 한계를 돌파해 왔습니다.
2022년 말, ChatGPT의 등장은 인공지능(AI)이라는 도구가 인간의 언어를 이해하고 생성할 수 있음을 증명하며 '생성형 AI 1.0' 시대를 열었습니다. 그러나 우리는 지금, 그보다 더 거대하고 본질적인 파도인 AI 에이전트(AI Agent)의 시대 앞에 서있습니다.
최근 라스베이거스에서 열린 'AWS re:Invent 2025'는 이 새로운 시대의 도래를 알리는 신호탄과도 같았습니다. 아마존의 제프 베조스가 설립한 민간 우주 기업 블루오리진(Blue Origin)이 공개한 사례는 단순한 기술 도입 성공담을 넘어, 미래 기업이 일하는 방식에 대한 근본적인 질문을 던졌습니다.
블루오리진은 사내에 2,700개가 넘는 AI 에이전트를 도입하여, 인간 엔지니어와 AI가 마치 하나의 유기체처럼 협업하는 시스템을 구축했습니다. 윌리엄 브레넌 블루오리진 부사장은 "달의 극한 환경을 견디는 배터리 기술 개발에 AI 에이전트가 투입돼 개발 속도를 75% 높였고 무게는 40% 줄였다"고 밝혔습니다.
이 현상이 시사하는 바는 명확합니다. AI는 이제 질문에 답만 해주는 수동적인 '챗봇(Chatbot)'을 넘어, 스스로 계획하고 도구를 사용하여 목표를 완수하는 능동적인 '동료(Colleague)'로 진화했다는 것입니다. 이러한 기술적 진보는 필연적으로 인간 역할의 재정의를 요구합니다.
챗봇(Chatbot)을 넘어 에이전트(Agent)로
지금까지 우리가 경험한 대다수의 생성형 AI는 '챗봇(Chatbot)'이었습니다. 챗봇은 거대 언어 모델(LLM)을 기반으로 방대한 데이터를 학습하여 인간의 언어로 유창하게 대화할 수 있는 능력을 갖췄습니다.
그러나 챗봇은 본질적으로 '고립된 뇌'와 같습니다. 사용자가 "웹사이트 서버가 다운된 원인이 뭐야?"라고 물으면, 챗봇은 일반적인 원인(트래픽 초과, 디도스 공격 등)을 나열하거나 "로그를 확인해 보세요"라고 조언할 뿐입니다. 챗봇은 실제 서버에 접속할 손발이 없으며, 스스로 문제를 해결할 권한도 능력도 없습니다.
반면, AI 에이전트(AI Agent)는 '손발이 달린 뇌'입니다. 에이전트는 LLM의 추론 능력(Brain)에 외부 도구(Tools)를 사용할 수 있는 능력과 자율성(Autonomy)을 결합한 시스템입니다. 같은 질문을 에이전트에게 던지면, 에이전트는 다음과 같이 행동합니다.
- 인지(Perception): 사용자의 의도가 '서버 다운 원인 규명 및 해결'임을 파악합니다.
- 계획(Planning): 먼저 AWS 클라우드워치 로그를 검색하고, 에러 패턴을 분석한 뒤, 문제가 된 코드를 찾아 수정안을 깃허브(GitHub)에 올린다는 계획을 스스로 수립합니다.
- 실행(Action): API를 통해 실제 로그 시스템에 접속하고, 코드를 분석하며, 수정 사항을 반영합니다.
- 피드백(Feedback): 수정 후 서버가 정상화되었는지 확인하고, 실패했다면 다른 방법을 시도합니다.
즉, 챗봇이 '지식의 검색과 요약'에 머문다면, 에이전트는 '행동과 문제 해결'로 나아갑니다. 이는 정보 제공(Information Retrieval) 중심의 AI 활용 패턴이 과업 수행(Task Execution) 중심으로 이동하고 있음을 의미합니다.
챗봇과 에이전트의 본질적 차이: '수동성' VS '자율성'
AI 에이전트와 챗봇의 차이를 이해하기 위해서는 그 이면에 있는 기술적 작동 원리와 아키텍처의 차이를 명확히 구분해야 합니다. 이 차이는 기업이 AI를 도입할 때 단순한 업무 보조 도구로 쓸 것인지, 아니면 업무 프로세스 자체를 위임할 대상으로 볼 것인지를 결정짓는 핵심 기준이 됩니다.
| 비교 항목 | 생성형 AI 챗봇 (GenAI Chatbot) | AI 에이전트 (AI Agent) |
| 핵심 가치 | 대화형 인터페이스, 정보 접근성, 콘텐츠 생성 | 자율적 목표 달성, 엔드 투 엔드(End-to-End) 업무 완결 |
| 작동 방식 | Reactive (반응형): 사용자의 프롬프트에 대해 즉각적인 텍스트 응답을 생성함. 대화가 끝나면 세션이 종료됨. | Proactive (능동형): 목표가 주어지면 스스로 하위 작업을 계획하고, 장기적으로 상태를 유지하며 완수할 때까지 반복 실행함. |
| 도구 사용 (Tool Use) | 제한적. 주로 지식 검색(RAG)이나 사전 정의된 플러그인 호출에 그침. | 광범위하고 심층적. API, 데이터베이스, 소프트웨어, 웹 브라우저 등을 직접 제어하고 조작함. |
| 추론 능력 (Reasoning) | 문맥 이해 및 텍스트 생성에 집중. | 복합적 사고. 상황을 판단하고, 계획을 수정하며, 다단계 의사결정을 수행함 (예: Chain-of-Thought, ReAct 프레임워크 활용). |
| 기억 (Memory) | 주로 현재 대화 세션 내의 단기 기억에 의존. | 장기 기억(Long-term Memory) 및 에피소드 기억을 통해 과거의 성공/실패 경험을 학습하고 워크플로우를 개선함. |
이러한 기술적 차이는 '생산성'의 정의를 바꿉니다. 챗봇 시대의 생산성이 "인간이 더 빨리 일하게 돕는 것(Assistance)"이었다면, 에이전트 시대의 생산성은 "인간의 개입 없이 일을 끝내는 것(Resolution)"입니다.
일의 순서를 스스로 생각하고 판단하는 에이전트
AI 에이전트의 등장은 인간의 인지적 부하를 획기적으로 줄여줍니다. 기존 챗봇을 사용할 때는 인간이 AI에게 아주 구체적인 지시(프롬프트)를 내려야 했습니다. "이 데이터를 엑셀로 바꿔줘", "그다음엔 피벗 테이블을 만들어줘", "그다음엔 차트를 그려줘"와 같이 단계별로 명령하는 것은 여전히 인간의 몫이었습니다. 즉, '일의 순서(Workflow)'를 설계하고 관리하는 책임은 여전히 인간에게 있었습니다.
하지만 에이전트는 이 워크플로우 자체를 내재화합니다. 사용자는 "지난달 매출 데이터를 분석해서 시각화 보고서를 만들어줘"라는 상위 수준의 목표만 제시하면 됩니다. 어떤 데이터를 가져올지, 어떤 차트를 쓸지, 어떻게 배치할지는 에이전트가 판단합니다. 이는 인간이 '마이크로 매니저(Micro-manager)'에서 '전략적 리더(Strategic Leader)'로 이동할 수 있는 환경을 조성합니다
블루오리진의 사례는 이러한 이론적 차이가 실제 산업 현장에서 얼마나 파괴적인 혁신을 일으킬 수 있는지를 보여주는 가장 선명한 증거입니다.
Case Study: 블루오리진(Blue Origin), 2,700개의 AI 에이전트와 협업하다.
불가능에 도전하는 미션: TEAREx 프로젝트
제프 베조스가 이끄는 블루오리진은 단순한 로켓 발사 기업이 아닙니다. 그들의 궁극적인 비전은 "수백만 명의 사람들이 우주에서 살고 일하는 미래"를 건설하는 것입니다. 이 거대한 비전을 실현하기 위해 당면한 가장 큰 과제 중 하나는 바로 '달의 밤(Lunar Night)'을 견디는 기술입니다. 달의 밤은 지구 시간으로 약 14일 동안 지속되며, 온도가 영하 170도 이하로 떨어지는 극한의 환경입니다. 이 기간 동안 에너지원 없이 생존하는 것은 불가능에 가깝습니다.
이를 해결하기 위해 블루오리진은 'TEAREx (Thermal Energy Advanced Regolith Exchanger)' 프로젝트를 시작했습니다. 이 프로젝트의 목표는 달 표면의 토양(Regolith)을 활용해 낮 동안 열에너지를 저장했다가 밤에 전력을 생산하는 '열 배터리' 시스템을 만드는 것이었습니다. 기존의 항공우주 엔지니어링 프로세스대로라면, 이러한 혁신적인 하드웨어를 설계하고, 검증하고, 프로토타입을 만드는 데는 수년 의 시간이 필요했습니다. 수많은 물리적 변수, 재료의 특성, 극한 환경 시뮬레이션 등을 인간 엔지니어들이 일일이 계산하고 실험해야 했기 때문입니다.
하지만 블루오리진은 이 과정을 AI 에이전트와 함께 격파하기로 결정했습니다.
멀티 에이전트(Multi-Agent) 협업: 인간 2~3명과 AI 군단
블루오리진은 TEAREx 프로젝트를 위해 단 2~3명의 인간 엔지니어와 수십 개의 특화된 AI 에이전트로 구성된 '하이브리드 팀'을 꾸렸습니다. 여기서 주목해야 할 점은 단 하나의 '슈퍼 AI'를 쓴 것이 아니라, 인간 조직처럼 역할을 세분화한 '멀티 에이전트 시스템(Multi-Agent System)'을 도입했다는 것입니다.
[블루오리진의 AI 에이전트 팀 구성]
- 감독관 에이전트 (Supervisor Agent): 프로젝트 전체의 진행 상황을 조율하고, 하위 에이전트들에게 작업을 할당하며, 인간 엔지니어에게 주요 의사결정을 보고합니다. 프로젝트 매니저(PM)의 역할을 수행합니다.
- 요구사항 에이전트 (Requirements Agent): 달의 환경 조건, 임무 목표, 제한 사항(무게, 부피 등)을 분석하여 기술적 요구사항 명세서(Spec)를 작성합니다. 수천 페이지의 기술 문서를 실시간으로 참조합니다.
- 설계 에이전트 (Design Agent): 요구사항에 맞춰 3D CAD 모델을 생성하고, 부품의 형상을 설계합니다. 위상 최적화(Topology Optimization) 알고리즘을 활용해 인간이 생각지 못한 유기적인 형태의 설계를 제안합니다.
- 분석 에이전트 (Analysis Agent): 설계된 모델에 대해 열전달, 구조 역학 등 복잡한 물리 시뮬레이션을 수행합니다. AWS의 고성능 컴퓨팅(HPC) 자원을 활용해 시뮬레이션을 병렬로 실행하고 결과를 검증합니다.
- 사서 에이전트 (Librarian Agent): 과거의 모든 실험 데이터, 논문, 내부 보고서를 검색하여 현재 문제 해결에 필요한 지식을 적시에 제공합니다.
이 에이전트들은 독립적으로 일하는 것이 아니라, 서로 끊임없이 대화하고 데이터를 주고받으며 '자동화된 반복 설계 루프(Automated Iterative Design Loop)'를 돌렸습니다. 설계 에이전트가 도면을 그리면 분석 에이전트가 이를 검증하고, 문제가 발견되면 즉시 피드백을 주어 다시 설계하는 과정이 밤낮없이 24시간 내내 이루어졌습니다. 인간 엔지니어는 이 과정의 중간중간 개입하여 방향성을 점검하고 최종 승인을 내리는 '지휘자' 역할을 맡았습니다.
2,700개의 에이전트가 만든 양적/질적 성과
이러한 협업의 결과는 항공우주 산업의 상식을 뒤엎는 수준이었습니다. AWS re:Invent 2025에서 윌리엄 브레넌(William Brennan) 부사장이 발표한 성과는 다음과 같습니다.
- 개발 속도의 혁명: 컨셉 단계에서 3D 프린팅 가능한 부품 설계까지 걸리는 시간이 수년에서 단 며칠(Days)로 단축되었습니다. 이는 하드웨어 개발 리드타임을 90% 이상 줄인 것입니다.
- 업무 효율성 증대: 복잡한 분석 워크플로우 속도가 6배 빨라졌습니다. 기존에 4일이 걸리던 시뮬레이션 분석 작업이 이제 4시간이면 완료됩니다.
- 제품 성능 향상: AI의 위상 최적화 설계를 통해 하드웨어의 무게를 40%나 절감했습니다. 우주 산업에서 무게 절감은 곧 천문학적인 발사 비용 절감을 의미합니다.
- 전사적 확산: 블루오리진은 특정 프로젝트뿐만 아니라 전사적으로 2,700개 이상의 AI 에이전트를 배포했습니다. 현재 전체 직원의 70%가 이 에이전트들과 협업하고 있으며, 지난달에만 350만 건 이상의 상호작용이 발생했습니다.
'BlueGPT'와 기술 민주화 (Democratizing AI)
블루오리진 성공의 또 다른 핵심은 'BlueGPT'라는 내부 플랫폼을 통해 AI 에이전트를 누구나 쉽게 만들고 쓸 수 있게 했다는 점입니다. 그들은 소수의 AI 전문가만이 에이전트를 만드는 것이 아니라, 현장의 엔지니어, 제조 담당자, 운영팀이 직접 자신의 업무를 도와줄 에이전트를 생성할 수 있는 환경을 조성했습니다.
- 소프트웨어 엔지니어: 코딩 에이전트를 사용해 코드 작성 및 리뷰 시간을 단축합니다.
- 제조 팀: 제조 공정상의 불일치(Non-conformance) 문제를 해결하기 위해 에이전트를 활용, 문제 해결 속도를 70% 높였습니다.
- 운영 팀: 공급망 파트너들과의 소통 및 설계 변경 사항 전달을 AI 중개자를 통해 자동화했습니다.
이는 기술을 특정 부서의 전유물이 아니라, 조직 전체의 문제 해결 도구로 민주화(Democratization)했다는 점에서 큰 의의를 가집니다.
이는 제가 두 번째 뉴스레터로 기고했던 'GS그룹'의 사례와 겹치는 대목입니다. 블루오리진의 성공 비법은 GS그룹이 현장 직원이 자체 AI 플랫폼 '미소(MISO)'를 활용해 본인의 업무를 직접 자동화하도록 한 것과 일맥상통하는 전략입니다.
결론: 이번 사례에서 우리가 배워야 할 3가지
블루오리진의 2,700개 에이전트가 우리에게 주는 진짜 시사점은 기술의 화려함이 아닙니다. 우리가 현업에서 적용해볼 수 있는 핵심 포인트는 다음과 같습니다.
1. 'AI 협업 생태계'의 판을 짜는 사람
단순히 "이거 해줘"라고 AI에게 명령하는 시대는 지나가고 있습니다. 블루오리진 엔지니어들은 설계 에이전트와 분석 에이전트가 서로 피드백을 주고받으며 스스로 정답을 찾아가는 'AI 협업 생태계'를 만들었습니다.
즉, 이제 우리의 역할은 AI에게 일을 시키는 것을 넘어, AI와 AI가 서로 협력하도록 규칙과 환경을 세팅하는 '시스템 설계자'로 진화해야 합니다. 인간의 지능을 뛰어넘는 에이전트들이 마음껏 역량을 발휘할 수 있는 '판'을 설계하는 것이 앞으로 주목 받을 인간의 차별적 능력이 될 것입니다.
2. 누구나 쉽게 만드는 '나만의 AI 비서' 시대
블루오리진의 'BlueGPT'나 GS그룹의 '미소(MISO)' 사례처럼, AI 혁신은 전문가 집단이 아닌 현장의 직원들이 직접 자신의 에이전트를 만들 때 일어납니다. chatGPT의 GPTs 나 Gemini의 Gems로 나만의 '작은 비서'를 만드는 것부터 시작해 보세요. 기술은 이미 누구에게나 열려 있습니다.
3. '미션'이 기술보다 우선한다
블루오리진의 사례에서 2,700개의 AI 에이전트라는 숫자보다 더 중요한 것은, 그들이 "달에서 인류가 생존하게 하겠다"는 명확하고 원대한 미션을 가지고 있었다는 점입니다. AI는 그 미션을 달성하기 위한 강력하고 효율적인 수단이었을 뿐, 목적 그 자체는 아니었습니다.
우리가 경계해야 할 것은 'AI를 위한 AI'입니다. 남들이 다 하니까, 유행이니까 도입하는 AI는 필패합니다.
"우리는 무엇을 해결하고 싶은가?", "우리는 어떤 가치를 만들고 싶은가?"라는 본질적인 질문이 선행되어야 합니다.
이 질문에 대한 답이 있을 때, 우리는 비로소 기술에 휘둘리지 않고 AI를 바라볼 수 있는 안목을 기를 수 있습니다.
제가 이 뉴스레터를 매주 작성하고 있는 이유도 같습니다. 저는 AI를 통해 개발자 다수 집단에서 기획자로서의 존재감을 획득하고 자신감과 여유라는 삶의 가치를 지켜낼 수 있었습니다. 이제는 1인 기업가로 발돋움하며 제가 겪었던 시행착오를 바탕으로 아직 AI를 어떻게 활용해야 할지 막막함을 겪고 있는 이들을 돕고 응원하는 길을 가고자 합니다.
오늘의 레터가 좋았다면, 이 뉴스레터를 구독해 주세요.
한 번의 실행으로 여러분의 AI 활용을 돕는 AX 이야기를 꾸준히 받아보실 수 있습니다.
[무료자료 공유 이벤트🎇]
[2026] 1시간 회의를 5분 만에 끝내는 AI 기록 도구 비교 분석 가이드를 무료 배포합니다.
회의는 1시간인데, 회의록 작성은 3시간... 저만 이랬나요? 😂
그래서 AI로 가장 먼저 해결하고 싶은 것을 고르라고 한다면, 저는 주저 없이 이 업무를 고를 거 같아요.
저와 비슷한 문제를 겪고 계신 분들을 돕기 위해, 2026년 1월 기준 가장 주목받는 AI 기록 도구 3종을 직접 써보고 13개 카테고리로 비교 분석한 인사이트를 한 권에 담았습니다.
회의, 강연, 수업, 인터뷰 정리로 정작 중요한 '진짜 일'을 놓치고 계신 분들이 있다면 이 자료가 도움이 되길 바랍니다 :)
의견을 남겨주세요