OKX Ventures Research Report: AI 에이전트 환경을 이해하는 데 도움이 되는 10개 이상의 프로젝트 분해(1부)

AI 트랙은 추측에서 실제 응용으로 진화하고 있습니다.

초기 AI 밈 토큰은 AI 붐을 이용해 폭발적으로 성장했으며, 이제는 더욱 기능적인 AI 거래 도구, 스마트 투자 연구, 온체인 AI 실행자가 등장하고 있습니다. AI 기반 온체인 스나이핑 전략부터 온체인 작업을 자율적으로 실행하는 AI 에이전트, AI가 생성하는 DeFi 수익 최적화 솔루션까지 AI 트랙의 영향력이 빠르게 확대되고 있습니다.

하지만 대부분 사람들은 AI 토큰의 시장 가치가 기하급수적으로 성장하는 것을 볼 수 있지만, 그 가치 논리를 해석할 좌표 체계를 찾을 수 없습니다. 어떤 AI 트랙이 장기적으로 활력이 있을까요? DeFAI가 AI의 가장 좋은 응용 분야인가? AI 프로젝트 평가의 차원은 무엇입니까? ...... OKX Ventures의 최신 연구 보고서는 AI 트랙의 개발 환경을 심층적으로 분석합니다. 개념 분석, 진화 과정, 응용 트랙 및 프로젝트 사례에서 모든 사람이 AI의 가치를 이해하는 데 영감과 사고를 가져다주기를 바랍니다.

이 보고서는 내용이 매우 풍부합니다. 읽기 쉽도록 두 부분으로 나누었습니다: (1부)와 (2부). 이것은 "1부"입니다.

1. AI Agent 소개

AI 에이전트는 환경을 인식하고 결정을 내리고 해당 작업을 수행할 수 있는 지능형 개체입니다. 기존의 인공지능 시스템과 달리 AI 에이전트는 독립적으로 생각하고 도구를 호출하여 구체적인 목표를 점진적으로 달성할 수 있어 복잡한 작업을 처리하는 데 더 큰 자율성과 유연성을 제공합니다.

간단히 말해서, AI 에이전트는 인공지능 기술로 구동되는 에이전트이며, 그 워크플로는 다음과 같습니다: 인식 모듈(입력 수집), 대규모 언어 모델(이해, 추론 및 계획), 도구 호출(작업 실행), 피드백 및 최적화(검증 및 조정).

OpenAI는 AI 에이전트를 핵심으로 대규모 언어 모델을 갖춘 시스템으로 정의하며, 이 시스템은 자율적으로 이해, 인식, 계획, 기억, 도구 사용 능력을 갖추고 복잡한 작업을 자동으로 수행할 수 있습니다. 기존의 인공지능과는 달리 AI 에이전트는 독립적인 사고와 도구 호출을 통해 설정된 목표를 점진적으로 완료할 수 있습니다.

AI 에이전트의 정의는 다음과 같은 핵심 요소로 요약할 수 있습니다. 인식: AI 에이전트는 센서, 카메라 또는 기타 입력 장치를 통해 주변 환경을 인식하여 필요한 정보를 얻습니다. 추론: 인식된 정보를 분석하고 복잡한 추론을 수행하여 합리적인 결정을 내립니다. 의사 결정: 분석 결과에 따라 AI 에이전트는 실행 계획을 수립하고 최상의 실행 경로를 선택합니다. 마지막으로 실행: AI 에이전트는 수립된 계획을 실행하고 외부 도구나 인터페이스를 호출하여 다른 시스템과 상호 작용하여 미리 정해진 목표를 달성합니다.

AI 에이전트의 작업 원리와 프로세스는 일반적으로 다음 단계를 포함합니다. 첫째, 정보 입력, 사용자 지시, 센서 데이터 등과 같은 환경으로부터 정보 수신; 둘째, 데이터 처리, 내장된 알고리즘과 모델을 사용하여 입력 데이터를 처리하고 메모리 시스템(단기 및 장기 메모리)과 결합하여 현재 상태를 파악; 셋째, 계획 수립, 처리 결과에 따라 AI 에이전트는 대규모 작업을 관리 가능한 소규모 작업으로 분할하고 구체적인 실행 계획을 수립합니다. 실행 단계에서 AI 에이전트는 계획을 구현하고 외부 API나 도구를 호출하여 실행 프로세스를 모니터링하여 작업이 예상대로 완료되는지 확인합니다. 마지막으로 피드백과 학습이 이루어집니다. 작업이 완료된 후 AI 에이전트는 결과를 반성하고 학습하여 향후 의사 결정의 질을 개선합니다.

2. 진화

AI 토큰의 진화 경로는 초기의 "MEME" 현상에서 심층적인 기술 통합으로의 전환을 보여줍니다. 처음에는 많은 토큰이 인터넷 밈과 마찬가지로 사용자의 관심을 끌기 위해 단명한 컨셉 과대선전과 소셜 미디어 열풍에 의존했습니다. 그러나 시장이 성숙해짐에 따라 AI 토큰은 점차 더 실용적이고 진보된 기능으로 발전하고 있으며, 점차 순수한 과대광고 모델에서 벗어나 실제 블록체인 금융 도구 및 데이터 분석 플랫폼으로 변모하고 있습니다. 우리는 이러한 토큰이 개념적 존재에서 실제적 적용 가치를 지닌 기술적 제품으로 어떻게 진화하는지 심도 있게 살펴보겠습니다.

1단계: AI 밈(혼란스러운 기간)

초기 AI 토큰의 대부분은 "MEME"의 형태로 존재했습니다. $GOAT, $ACT, $FARTCOIN과 같은 토큰은 실용적인 응용 프로그램이나 기능이 없었으며, 그 가치는 주로 개념의 과장과 시장 감정에 의존했습니다. 이 단계에서는 토큰의 목적이 명확하지 않고, 시장과 사용자는 토큰의 잠재력에 대해 별로 알지 못하며, 토큰의 인기는 소셜 미디어 보급과 단기적인 과대 광고에 더 많이 의존하여 신비롭고 포착하기 어려운 성격을 보입니다.

2단계: 사회화(탐색)

시장에서 점차 AI 토큰에 주목하게 되면서, 이러한 토큰은 사회 분야에 영향력을 행사하기 시작했습니다. 예를 들어, $LUNA 및 $BULLY와 같은 토큰은 향상된 소셜 기능을 통해 사용자 참여를 유도합니다. 이 단계에서는 토큰이 더 이상 과대광고 도구로 존재하지 않지만, 시장 성장을 촉진하기 위해 커뮤니티 중심의 소셜 상호 작용을 통합하기 시작합니다. 토큰은 단순한 '채팅' 기능에서 점차 확장되어 사용자의 사회적 요구와 긴밀하게 통합된 기능을 탐구하며 더욱 다양한 사회적 속성을 형성하고 있습니다.

3단계: 수직 필드(기능 심화 단계)

AI 토큰은 단순한 소셜 및 과대광고 모델에서 벗어나 수직 분야에서 응용 프로그램 시나리오를 모색하고 있습니다. $AIXBT 및 $ZEREBRO와 같은 토큰은 블록체인, DeFi 또는 창의적인 도구와의 통합을 통해 점차적으로 토큰을 강화하고 있으며, 더 이상 단순한 투기적 도구가 아니라 명확한 기능과 목적을 가진 디지털 자산이 되고 있습니다. 이 단계는 AI 토큰이 보다 효율적이고 전문적인 방향으로 개발되는 것을 의미하며, 점차 독특한 시장 지위를 형성합니다.

3.5단계: 인프라(기술 개선 단계)

토큰의 적용이 점점 더 심층적으로 진행됨에 따라 AI 토큰은 보다 견고한 기술 인프라를 구축하는 데 중점을 두기 시작했습니다. $AI16Z, $EMP 등의 토큰을 추가함으로써 토큰의 기능적 최적화가 더욱 촉진되었습니다. 토큰은 경제적 인센티브와 실용적 기능에만 초점을 맞추는 것이 아니라 크로스체인 기술, 분산형 애플리케이션, 하드웨어 통합과 같은 인프라 구축에도 주의를 기울여 점차 미래의 지속 가능한 발전을 위한 기술적 기반을 마련하고 있습니다.

4단계: 데이터 분석(성숙 단계)

AI 토큰은 성숙 단계에 접어들면서 시장에서 점차 안정화되었고, 더욱 복잡한 암호화폐 투자 연구 및 분석 기능을 통합하기 시작하여 토큰 생태계와 거버넌스 구조의 개선을 촉진하고 있습니다. $TRISIG 및 $COOKIE와 같은 토큰은 더 이상 간단한 도구가 아닙니다. 이러한 토큰은 경제 시스템의 일부가 되었으며 데이터 분석, 커뮤니티 거버넌스, 투자 결정 등의 고급 분야에서 널리 사용됩니다. 이 시점에서 AI 토큰의 기능은 점차 개선되어 이제는 시장에 심층적인 분석과 의사 결정 지원을 제공할 수 있어 암호화폐 시장의 중요한 자산이 되고 있습니다.

4.5단계: 재정 적용(생태적 통합 기간)

DeFi 분야가 더욱 발전함에 따라 금융 애플리케이션에 AI 토큰을 통합하는 방식이 점점 더 심층적으로 진행되어 "DeFAI"라는 새로운 개념이 생겨났습니다. 인공지능을 통해 DeFi의 복잡한 운영은 더욱 단순해지고, 일반 사용자는 쉽게 온체인 금융 활동에 참여할 수 있습니다. $GRIFFAIN, $ORBIT, $AIXBT 등의 대표적인 토큰은 기본 기능부터 시장의 복잡한 금융 서비스에 이르기까지 점진적으로 완전한 체인을 형성하고, 온체인 상호작용을 최적화하고, 참여 임계값을 낮추며, 사용자에게 더 많은 기회와 편의성을 제공했습니다.

3. AI 에이전트 프레임워크

1. Web3와 Web2의 데이터 비교

Web2의 AI 에이전트가 추천 알고리즘에 관여하는 반면, Web3의 테스트 기반에서는 더 많은 AI 에이전트 혁신도 육성하고 있습니다. 하지만 데이터에 따르면 Web3 및 Web2 프로젝트는 기여자 분포, 코드 제출, GitHub Stars 측면에서 명확한 차이가 있는 것으로 나타났습니다. Web3와 Web2 프로젝트의 데이터를 비교하면 기술 혁신, 커뮤니티 활동, 시장 수용 측면에서 두 프로젝트의 현재 상태를 더 잘 이해할 수 있습니다. 특히 GitHub 플랫폼에서 이러한 프로젝트의 활동과 인기는 중요한 지표를 제공하며, 이를 통해 미래의 기술 개발 동향과 커뮤니티 생태적 변화에 대한 통찰력을 얻을 수 있습니다.

개발자 참여 측면에서 볼 때 Web2 프로젝트의 기여자 수는 Web3 프로젝트보다 훨씬 높습니다. 구체적으로 Web3 프로젝트에는 575명의 기여자가 있고, Web2 프로젝트에는 무려 9,940명의 기여자가 있습니다. 이는 Web2 생태계와 더 광범위한 개발자 기반의 성숙도를 보여줍니다. 기여자 수 기준으로 상위 3개 프로젝트는 다음과 같습니다: Starkchain은 3,102명의 기여자를 기록했습니다; Informers-agents는 3,009명의 기여자를 기록했습니다; Llamaindex는 1,391명의 기여자를 기록했습니다.

코드 제출 분포 측면에서. Web2 프로젝트에 제출된 작품 수도 Web3 프로젝트에 제출된 작품 수보다 훨씬 많습니다. Web3 프로젝트의 총 제출 건수는 9,238건인 반면, Web2 프로젝트의 총 제출 건수는 40,151건에 달합니다. 이는 Web2 프로젝트가 더 활발하게 개발되고 업데이트 빈도가 더 안정적임을 나타냅니다. 코드 제출 건수 기준 상위 3개 프로젝트는 다음과 같습니다. ElipsOS가 5,905건의 코드를 제출해 1위를 차지했습니다. 그 뒤를 이어 Dust가 총 5,602건의 코드를 제출했으며, LangChain이 5,506건으로 3위를 차지했습니다.

GitHub Stars의 분포. GitHub에서는 Web2 프로젝트가 Web3 프로젝트보다 훨씬 인기가 많습니다. Web2 프로젝트는 526,747개의 별을 받았고, Web3 프로젝트는 15,676개의 별을 받았습니다. 이러한 격차는 개발자 커뮤니티에서 Web2 프로젝트에 대한 폭넓은 인식과 장기적으로 누적된 시장 영향력을 반영합니다. 별점 수에 따른 상위 3개 프로젝트는 다음과 같습니다. JS Agents가 137,534개의 별을 받아 의심할 여지 없이 가장 인기가 많습니다. 그 뒤를 이어 LangChain이 98,184개의 별을 받아 2위를 차지했고, MetaGPT가 46,676개의 별을 받아 3위를 차지했습니다.

전반적으로 Web2 프로젝트는 기여자 수, 코드 제출 빈도 측면에서 확연히 앞서 있으며, 이는 성숙하고 안정적인 생태계를 보여줍니다. 거대한 개발자 기반과 지속적인 기술 혁신을 통해 Web2 프로젝트는 시장에서 강력한 경쟁력을 유지할 수 있습니다. 이와 대조적으로 Web3 프로젝트는 참여자가 적지만 일부 프로젝트는 코드 제출 빈도에서 뛰어난 성과를 거두어 핵심 개발팀이 안정적이고 프로젝트 개발을 지속적으로 추진할 수 있음을 보여줍니다. Web3 생태계는 아직 초기 단계이지만 그 잠재력을 과소평가할 수는 없습니다. 점진적으로 형성된 개발자 커뮤니티와 사용자 기반은 미래 성장을 위한 견고한 기반을 마련했습니다.

프로젝트 인기 측면에서 GitHub Stars의 분포는 AI 에이전트 프레임워크 개발에서 JavaScript와 Python이 중요한 위치를 차지하고 있음을 보여줍니다. 가장 인기 있는 프로젝트로는 JS Agents 와 LangChain이 있는데, 이는 AI와 암호화폐를 결합하는 추세가 널리 주목을 받고 있음을 보여줍니다. Web3 프로젝트의 Stars 수는 Web2 프로젝트에 비해 훨씬 적지만 MetaGPT 등 일부 Web3 프로젝트는 여전히 매우 뛰어난 성과를 보이고 있으며 개발자의 인정을 받았습니다. 전반적으로 Web3 프로젝트는 추격 단계에 있지만, 기술이 더욱 성숙해지고 생태계가 확장됨에 따라 미래 시장에서의 입지가 꾸준히 향상될 것으로 예상됩니다.

2. 메인스트림 블록체인 AI 에이전트 프레임워크

 데이터 출처: https://www.aiagenttoolkit.xyz/#frameworks

3. 기존 블록체인 AI 에이전트 프레임워크가 직면한 과제

대형 제조업체 경쟁자들의 '차원 축소 공격'. OpenAI, Google, Microsoft와 같은 기술 거대 기업들은 공식 멀티툴 에이전트를 빠르게 출시하고 있습니다. 강력한 재정적, 기술적 이점을 바탕으로 언제든지 시장을 점유하고 스타트업 프레임워크를 소외시킬 수 있습니다. 대규모 언어 모델(LLM), 클라우드 서비스, 도구 생태계를 긴밀하게 통합함으로써 이러한 대기업은 포괄적이고 효율적인 솔루션을 제공할 수 있으며, 그에 따라 중소 규모의 프레임워크는 더 큰 경쟁 압박에 직면하게 되고 생존 공간이 크게 압축됩니다.

안정성과 유지관리성이 부족합니다. 현재 모든 AI 에이전트는 일반적으로 높은 오류율과 "환각" 문제에 직면해 있으며, 특히 여러 라운드에서 모델을 호출할 때 무한 루프나 호환성 버그가 발생하기 쉽습니다. 에이전트가 여러 개의 하위 작업을 수행하도록 요청받으면 이러한 오류가 계층별로 증폭되어 시스템이 불안정해지는 경향이 있습니다. 높은 신뢰성이 필요한 기업 애플리케이션의 경우, 이러한 프레임워크는 현재 충분한 안정성과 프로덕션 수준의 보장을 제공할 수 없으므로 실제 비즈니스 환경에서 광범위하게 사용되는 데 제약이 있습니다.

성능과 비용이 여전히 높습니다. 에이전트 기반 프로세스는 일반적으로 많은 수의 추론 호출(예: 루프 자체 검사, 도구 기능 등)이 필요합니다. 기본 계층이 GPT-4와 같은 대형 모델에 의존하는 경우 높은 호출 비용에 직면할 뿐만 아니라 신속한 대응의 요구 사항을 충족할 수 없는 경우가 많습니다. 일부 프레임워크는 비용을 줄이기 위해 지역적 추론을 위한 오픈 소스 모델을 결합하려고 시도하지만, 이러한 접근 방식은 여전히 ​​강력한 컴퓨팅 성능에 의존하며 추론 결과의 품질을 안정화하는 것이 어렵기 때문에 시스템 안정성과 성능을 보장하기 위해 전문가 팀이 지속적으로 최적화해야 합니다.

개발 생태계와 유연성이 부족합니다. 현재 이러한 AI 에이전트 프레임워크는 개발 언어와 확장성에 대한 통합된 표준이 부족하여 개발자가 선택을 할 때 혼란과 한계에 직면하게 됩니다. 예를 들어, Eliza는 사용하기 쉬운 TypeScript를 사용하지만 매우 복잡한 시나리오에서는 확장성이 낮습니다. Rig는 성능은 뛰어나지만 학습 임계값이 높은 Rust를 사용합니다. ZerePy (ZEREBRO)는 Python을 기반으로 하며 창의적인 세대 애플리케이션에 적합하지만 기능이 비교적 제한적입니다. AIXBT 와 Griffain 과 같은 다른 프레임워크는 특정 블록체인이나 수직적 애플리케이션에 더 중점을 두고 있으며, 시장 검증에는 시간이 걸릴 것입니다. 개발자는 종종 프레임워크 여러 개 중에서 사용 편의성, 성능, 다중 플랫폼 적응성 사이에서 균형을 맞춰야 하는데, 이는 광범위한 애플리케이션에서 유연성과 개발 잠재력에 영향을 미칩니다.

보안 및 규정 준수 위험. 외부 API에 액세스하거나, 중요한 거래를 실행하거나, 자동화된 결정을 내릴 때 다중 에이전트 시스템은 무단 호출, 개인 정보 유출, 취약한 작업과 같은 보안 위험에 노출되기 쉽습니다. 많은 프레임워크는 보안 정책 및 감사 기록 ​​측면에서 완벽하지 않습니다. 특히 기업 또는 금융 애플리케이션 시나리오에서 이러한 문제는 매우 두드러지고 엄격한 규정 준수 요구 사항을 충족하기 어렵습니다. 즉, 이 시스템은 실제로 배포될 때 큰 법적 위험과 데이터 보안 문제에 직면할 수 있다는 의미입니다.

많은 실무자들은 위와 같은 문제들을 고려해 볼 때, 현재의 AI 에이전트 프레임워크가 "다음 기술 혁신"이나 "대형 제조업체의 통합 솔루션"의 압력으로 더욱 압박을 받을 수 있다고 생각합니다. 그러나 스타트업 프레임워크가 온체인 시나리오, 아이디어 생성, 커뮤니티 플러그인 도킹 등 특정 분야에서 여전히 고유한 역할을 할 수 있다는 견해도 있습니다. 이러한 프레임워크가 신뢰성, 비용 관리 및 생태계 구축 측면에서 획기적인 진전을 이룰 수만 있다면 대규모 제조업체의 생태계 밖에서도 실행 가능한 개발 경로를 찾을 수 있습니다. 일반적으로 "높은 비용과 오류 발생 가능성"과 "다중 시나리오 유연성 확보"라는 두 가지 주요 문제를 해결하는 방법은 모든 AI Agent 프레임워크가 직면한 주요 과제가 될 것입니다.

3. AI Agent 개발 방향

멀티모달 AI의 확산

기술의 급속한 발전으로 인해 멀티모달 AI는 점차 다양한 산업의 핵심 원동력이 되고 있습니다. 멀티모달 AI는 텍스트, 이미지, 비디오, 오디오 등 여러 형태의 데이터를 처리할 수 있어 많은 분야에서 큰 잠재력을 가지고 있습니다. 특히 의료 분야에서 멀티모달 AI는 의료 기록, 영상 데이터, 유전체 정보를 통합하여 개인화된 의료를 구현하고 의사가 환자에게 맞는 치료 계획을 보다 정확하게 세우는 데 도움을 줄 수 있습니다. 소매 및 제조 산업에서 AI는 이 기술의 도움을 받아 생산 공정을 최적화하고, 효율성을 개선하며, 고객 경험을 향상시켜 기업의 경쟁력을 강화할 수 있습니다. 데이터와 컴퓨팅 파워의 향상으로 인해 멀티모달 AI는 더 많은 산업에서 혁신적인 역할을 수행하여 기술의 신속한 반복과 응용 프로그램 확장을 촉진할 것으로 예상됩니다.

체화된 지능과 자율 지능

구현된 AI는 물리적 세계를 감지하고 상호 작용하여 주변 환경을 이해하고 적응하는 인공 지능 시스템을 말합니다. 이 기술은 로봇의 개발 방향을 크게 바꾸고 자율 주행, 스마트 시티 및 기타 응용 분야에서 로봇이 대중화될 수 있는 기반을 마련할 것입니다. 2025년은 '실체화된 지능의 원년'으로 여겨지고 있으며, 이 기술은 많은 분야에서 널리 사용될 것으로 예상됩니다. 로봇에 인지하고, 이해하고, 자율적인 결정을 내릴 수 있는 능력을 부여함으로써 구현된 지능은 물리적 세계와 디지털 세계의 긴밀한 통합을 촉진하고, 이를 통해 생산성을 향상시키고 모든 산업의 지능적 개발을 촉진할 것입니다. 개인 비서, 자율 주행 자동차, 스마트 공장 등에서 구현된 지능은 사람과 기계의 상호작용 방식을 바꿀 것입니다.

에이전트 AI의 부상

에이전트형 AI는 복잡한 작업을 독립적으로 완료할 수 있는 인공지능 시스템을 말합니다. 이러한 AI 에이전트는 초기의 간단한 질의 응답 도구에서 보다 진보된 자율적 의사 결정 시스템으로 변화하고 있으며 비즈니스 프로세스 최적화, 고객 서비스, 산업 자동화와 같은 분야에서 널리 사용되고 있습니다. 예를 들어, AI 에이전트는 고객 상담 요청을 자율적으로 처리하고, 개인화된 서비스를 제공하며, 심지어 최적화된 결정을 내릴 수도 있습니다. 산업 자동화 분야에서 AI 에이전트는 장비의 작동 상태를 모니터링하고, 고장을 예측하고, 문제가 발생하기 전에 조정이나 수리를 수행할 수 있습니다. AI 에이전트가 점차 성숙해짐에 따라 다양한 산업에서 적용이 더욱 심화되어 효율성을 개선하고 비용을 절감하는 중요한 도구가 될 것입니다.

과학 연구에 AI 적용

AI의 도입으로 과학 연구, 특히 복잡한 데이터 분석 분야의 진전이 가속화되고 있습니다. AI4S(AI for Science)는 새로운 연구 트렌드가 되었습니다. AI는 대규모 모델을 사용하여 데이터에 대한 심층 분석을 수행함으로써 연구자들이 기존 연구의 한계를 극복하도록 돕고 있습니다. AI의 응용은 생물의학, 재료과학, 에너지 연구 등의 분야에서 기초과학에 획기적인 진전을 가져오고 있습니다. 대표적인 사례로 알파폴드(AlphaFold)가 있습니다. 알파폴드는 단백질 구조를 예측하여 과학자들을 오랫동안 괴롭혔던 문제를 해결하고 생물의학 연구의 진전을 크게 촉진했습니다. 미래에는 AI가 과학 연구 진전, 새로운 소재, 약물 발견 등에 점점 더 중요한 역할을 할 것입니다.

AI 안전 및 윤리

AI 기술이 대중화되면서 AI의 안전과 윤리적 문제가 점차 전 세계의 주목을 받고 있습니다. AI 시스템의 의사결정 투명성, 공정성, 잠재적 안전 위험은 많은 논의를 불러일으켰습니다. AI 기술의 지속 가능한 발전을 보장하기 위해 기업과 정부는 기술 혁신을 촉진하는 동시에 관련 위험을 효과적으로 관리할 수 있는 건전한 거버넌스 프레임워크를 구축하기 위한 노력을 강화하고 있습니다. 특히 자동화된 의사결정, 데이터 개인정보 보호, 자율 시스템과 같은 분야에서 기술적 진보와 사회적 책임의 균형을 맞추는 것이 AI 기술의 긍정적 영향을 보장하는 데 핵심이 되었습니다. 이는 기술 발전의 과제일 뿐만 아니라 윤리적, 법적 측면에서도 중요한 문제이며, 미래 사회에서 AI의 역할과 지위에 영향을 미칠 것입니다.

보고서의 다음 부분에서는 AI Agent의 적용 및 프로젝트를 자세히 소개하고 평가 프레임워크를 제공합니다. 계속 지켜봐 주시기 바랍니다.