Skip to main content
2024년 하반기부터 2025년 상반기까지, AI 업계의 중심 화두는 “Agent” 로 수렴했다. 단순 챗봇을 넘어 도구를 사용하고, 계획을 세우고, 자율적으로 실행하는 AI Agent가 모든 주요 벤더의 제품 로드맵 최상단에 올랐다. 이 섹션에서는 OpenAI, Anthropic, Google, AWS, Microsoft, Meta 등 주요 기업의 Agent 전략을 비교 분석하고, Databricks 환경에서의 전략적 포지셔닝을 이해한다.

​
학습 목표

이 섹션을 완료하면 다음을 수행할 수 있다:
  • 주요 AI 기업의 Agent 전략과 제품 포트폴리오 를 이해한다
  • 각 벤더의 Agent 아키텍처 접근 방식 차이 를 비교할 수 있다
  • 멀티에이전트 오케스트레이션 트렌드와 표준화 동향(MCP, A2A)을 파악한다
  • Databricks 환경에서의 전략적 포지셔닝 을 이해한다

​
왜 Agent 업계 동향을 알아야 하는가?

참고 SA/CE 필수 역량: 고객이 “OpenAI도 Agent 플랫폼 있고, Google ADK도 있고, AWS Bedrock Agents도 있는데… Databricks Agent Framework를 왜 써야 하나요?” 라고 물을 때, 명확한 근거와 차별점을 제시할 수 있어야 한다.

​
실무적 필요성

  1. 고객 대응력: 각 벤더의 강점과 약점을 이해해야 올바른 아키텍처를 제안할 수 있다. “우리 고객은 이미 Azure를 쓰고 있으니 Copilot Studio가 맞지 않을까?”라는 질문에 데이터 플랫폼 관점의 차별화된 답변이 필요하다.
  2. 기술 의사결정 지원: Agent 표준(MCP, A2A)의 수렴 방향을 파악하면, 고객의 장기 아키텍처 설계를 도울 수 있다. 6개월 후 어떤 표준이 살아남을지 예측하는 것이 아니라, 어떤 표준에 베팅하더라도 리스크가 최소화되는 아키텍처 를 설계하는 것이 핵심이다.
  3. 경쟁 인텔리전스: 고객 미팅에서 경쟁사 제품이 언급될 때, 표면적 기능 비교가 아닌 아키텍처 철학 수준의 차이 를 설명할 수 있어야 신뢰를 얻는다.
주의 주의: 이 문서의 정보는 2025년 상반기 기준이다. AI Agent 시장은 분기 단위로 급변하므로, 특정 제품의 GA 여부나 가격 정책은 반드시 최신 공식 문서를 확인해야 한다.

​
전체 시장 스냅샷 (2025)

지표수치
2025년 Agentic AI 시장 규모~$7.6B
2030년 예상 시장 규모$52~100B(CAGR 46%)
Enterprise AI Agent 도입율40%(2026년 예상, Gartner)
2028년 자율 의사결정 비율15%(Gartner)
참고 시장 해석: 2025년 7.6B에서2030년최대7.6B에서 2030년 최대 100B까지 성장한다는 것은, 현재 시장이 아직 극초기 단계 라는 의미다. 즉, 지금 Agent 아키텍처를 올바르게 설계하면 고객에게 5년간 유효한 플랫폼 전략을 제공할 수 있다. 반대로 특정 벤더에 lock-in되면 전환 비용이 매우 크다.

​
벤더별 Agent 전략 한눈에 비교

벤더Agent 플랫폼핵심 모델멀티에이전트핵심 차별점오픈소스
OpenAIAgents SDK + Responses APIGPT-4.1, o3, GPT-5.2Handoff 패턴Consumer + Developer 이중 전략, CodexSDK만
AnthropicAgent SDK + MCPClaude 4 Opus/SonnetOrchestrator-WorkersMCP 표준화(AAIF), Computer Use, 7시간 자율 운영MCP, SDK
GoogleADK + Vertex AI Agent BuilderGemini 2.5 ProA2A + ADK 패턴Full-stack (모델 → 프레임워크 → 배포 → 프로토콜), JulesADK
AWSBedrock Agents + AgentCoreNova 2, 타사 모델Supervisor/Routing프로덕션 인프라, 프레임워크 무관, GuardrailsStrands SDK
MicrosoftAzure AI Foundry + Copilot StudioGPT-4o, 타사 모델A2A + MCPM365 통합, 오픈 프로토콜 우선AutoGen + SK
MetaLlama StackLlama 4커뮤니티오픈웨이트, 10M 컨텍스트Llama, Stack
DatabricksAgent Bricks + Mosaic AI다중 모델Supervisor Agent데이터 네이티브 자동 최적화, Unity Catalog 거버넌스MLflow

​
핵심 인사이트

참고 패턴 분석: 벤더별 전략을 관통하는 3가지 축이 있다.
  1. 수직 통합 vs 수평 개방: OpenAI/Google은 모델부터 배포까지 수직 통합, AWS/Databricks는 모델 중립적 수평 플랫폼
  2. Consumer vs Enterprise: OpenAI는 ChatGPT로 Consumer 시장을 장악한 뒤 Enterprise로 확장, Databricks/AWS는 Enterprise-first
  3. 프로토콜 주도 vs 플랫폼 주도: Anthropic은 MCP로 생태계를 만들고, Google은 A2A로, Microsoft는 둘 다 수용하는 전략

​
Agent 기술 표준화 동향

2025년 상반기 기준, Agent 생태계의 상호운용성(interoperability) 을 위한 두 가지 핵심 프로토콜이 빠르게 수렴하고 있다.

​
MCP (Model Context Protocol)

  • 주도: Anthropic이 창안 → AAIF (Agentic AI Foundation, Linux Foundation 산하) 로 이관
  • 역할: Agent와 Tool/Data Source 간 연결 표준 (수직 통합)
  • 채택 현황: 사실상 업계 표준. OpenAI, Google, Microsoft, AWS, Databricks 모두 지원
  • 핵심 가치: 한 번 MCP 서버를 구현하면 모든 MCP 클라이언트에서 재사용 가능

​
A2A (Agent-to-Agent Protocol)

  • 주도: Google이 창안 → Linux Foundation 기증
  • 역할: Agent와 Agent 간 통신 표준 (수평 통합)
  • 채택 현황: Google Cloud 중심 활용. Microsoft, Salesforce 등 지원 표명
  • 핵심 가치: 서로 다른 벤더/프레임워크로 만든 Agent끼리 협업 가능

​
AAIF (Agentic AI Foundation)

  • 조직: Linux Foundation 산하, Anthropic + OpenAI + Block 공동 설립
  • 목표: MCP를 벤더 중립적 거버넌스 아래 발전시키는 것
  • 의미: Anthropic이 MCP의 “소유권”을 포기함으로써 업계 표준으로서의 신뢰성을 확보

​
상호보완 관계

┌─────────────────────────────────────────────────┐
│              Agentic AI System                   │
│                                                  │
│   ┌──────────┐   A2A Protocol   ┌──────────┐   │
│   │ Agent A  │◄────────────────►│ Agent B  │   │
│   └────┬─────┘   (수평: Agent   └────┬─────┘   │
│        │          ↔ Agent)           │          │
│        │ MCP                         │ MCP      │
│        │ (수직:                      │ (수직:   │
│        │ Agent→Tool)                 │ Agent    │
│        ▼                             ▼ →Tool)   │
│   ┌──────────┐                 ┌──────────┐    │
│   │ Tool/DB  │                 │ API/SaaS │    │
│   └──────────┘                 └──────────┘    │
└─────────────────────────────────────────────────┘

MCP = 수직 연결 (Agent가 Tool을 사용)
A2A = 수평 연결 (Agent끼리 협업)
→ 두 프로토콜은 경쟁이 아닌 상호보완 관계
주의 실무 가이드: 현재 시점에서 MCP는 필수 도입, A2A는 선택적 도입 이 권장된다. MCP는 이미 모든 주요 벤더가 지원하며 생태계가 성숙한 반면, A2A는 아직 초기 단계로 프로덕션 사례가 제한적이다.

​
”Agentic AI” vs “AI Agent” 용어 정리

이 두 용어는 혼용되지만, 정확한 의미 차이가 있다.
구분AI AgentAgentic AI
정의특정 작업을 수행하는 개별 구성 요소여러 Agent를 계획/조율/실행하는 상위 시스템
비유직원 (Specialist)팀/조직 (Organization)
예시”이메일 초안을 작성하는 Agent""고객 문의를 분류하고, 적절한 Agent에 라우팅하고, 결과를 검증하는 시스템”
핵심 속성Tool 사용, 반복 실행, 자율성계획(Planning), 오케스트레이션, 메모리, 안전성
Databricks 대응Knowledge Assistant, Genie AgentSupervisor Agent, Agent Bricks 전체
참고 실전 팁: 고객 미팅에서 “Agent”라는 단어가 나올 때, 고객이 의미하는 것이 단일 챗봇 수준 인지 멀티에이전트 오케스트레이션 인지를 먼저 확인하라. 이 구분에 따라 제안 아키텍처가 완전히 달라진다.

​
서브 페이지 안내

각 벤더/주제별 심층 분석은 다음 서브 페이지에서 다룬다:
가이드내용
OpenAIAgents SDK, Responses API, GPT-4.1, Codex, Operator, Deep Research
AnthropicClaude Code, MCP/AAIF, Agent SDK, Computer Use, 멀티에이전트 패턴
GoogleADK, Vertex AI Agent Builder, Gemini 2.5, A2A, Jules, Mariner, Astra
AWS, Microsoft & MetaBedrock Agents, AgentCore, Copilot Studio, Llama 4
DatabricksAgent Bricks, TAO/ALHF, Supervisor Agent, Gateway, MLflow 3.0
멀티에이전트 트렌드오케스트레이션 패턴, Observability, 메모리, 안전성, Vibe Coding

​
다음 단계

이 섹션의 벤더별 분석을 마친 후, 다음 개념 가이드에서 기술적 깊이를 더할 수 있다: