> ## Documentation Index
> Fetch the complete documentation index at: https://docs.sifi.life/llms.txt
> Use this file to discover all available pages before exploring further.

# AI Agent 업계 동향 (2024~2025)

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)

| 지표                      | 수치                         |
| ----------------------- | -------------------------- |
| 2025년 Agentic AI 시장 규모  | **\~\$7.6B**               |
| 2030년 예상 시장 규모          | **\$52\~100B**(CAGR 46%)   |
| Enterprise AI Agent 도입율 | **40%**(2026년 예상, Gartner) |
| 2028년 자율 의사결정 비율        | **15%**(Gartner)           |

> **참고**
> **시장 해석**: 2025년 $7.6B에서 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

| 벤더             | Agent 플랫폼                         | 핵심 모델                | 멀티에이전트               | 핵심 차별점                                     | 오픈소스         |
| -------------- | --------------------------------- | -------------------- | -------------------- | ------------------------------------------ | ------------ |
| **OpenAI**     | Agents SDK + Responses API        | GPT-4.1, o3, GPT-5.2 | Handoff 패턴           | Consumer + Developer 이중 전략, Codex          | SDK만         |
| **Anthropic**  | Agent SDK + MCP                   | Claude 4 Opus/Sonnet | Orchestrator-Workers | MCP 표준화(AAIF), Computer Use, 7시간 자율 운영     | MCP, SDK     |
| **Google**     | ADK + Vertex AI Agent Builder     | Gemini 2.5 Pro       | A2A + ADK 패턴         | Full-stack (모델 → 프레임워크 → 배포 → 프로토콜), Jules | ADK          |
| **AWS**        | Bedrock Agents + AgentCore        | Nova 2, 타사 모델        | Supervisor/Routing   | 프로덕션 인프라, 프레임워크 무관, Guardrails             | Strands SDK  |
| **Microsoft**  | Azure AI Foundry + Copilot Studio | GPT-4o, 타사 모델        | A2A + MCP            | M365 통합, 오픈 프로토콜 우선                        | AutoGen + SK |
| **Meta**       | Llama Stack                       | Llama 4              | 커뮤니티                 | 오픈웨이트, 10M 컨텍스트                            | Llama, Stack |
| **Databricks** | Agent Bricks + Mosaic AI          | 다중 모델                | Supervisor Agent     | 데이터 네이티브 자동 최적화, Unity Catalog 거버넌스        | MLflow       |

### 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

| 프로토콜                             | 방향 | 연결 대상                     | 역할              |
| -------------------------------- | -- | ------------------------- | --------------- |
| **A2A** (Agent-to-Agent)         | 수평 | Agent A ↔ Agent B         | Agent끼리 협업      |
| **MCP** (Model Context Protocol) | 수직 | Agent → Tool/DB, API/SaaS | Agent가 Tool을 사용 |

> 두 프로토콜은 경쟁이 아닌 **상호보완** 관계입니다. A2A는 Agent 간 수평 통신, MCP는 Agent와 Tool 간 수직 연결을 담당합니다.

> **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.

| 구분                | AI Agent                         | Agentic AI                                    |
| ----------------- | -------------------------------- | --------------------------------------------- |
| **정의**            | 특정 작업을 수행하는 **개별 구성 요소**         | 여러 Agent를 계획/조율/실행하는 **상위 시스템**               |
| **비유**            | 직원 (Specialist)                  | 팀/조직 (Organization)                           |
| **예시**            | "이메일 초안을 작성하는 Agent"             | "고객 문의를 분류하고, 적절한 Agent에 라우팅하고, 결과를 검증하는 시스템" |
| **핵심 속성**         | Tool 사용, 반복 실행, 자율성              | 계획(Planning), 오케스트레이션, 메모리, 안전성               |
| **Databricks 대응** | Knowledge Assistant, Genie Agent | Supervisor 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:

| 가이드                                        | 내용                                                                   |
| ------------------------------------------ | -------------------------------------------------------------------- |
| [OpenAI](openai)                           | Agents SDK, Responses API, GPT-4.1, Codex, Operator, Deep Research   |
| [Anthropic](anthropic)                     | Claude Code, MCP/AAIF, Agent SDK, Computer Use, 멀티에이전트 패턴            |
| [Google](google)                           | ADK, Vertex AI Agent Builder, Gemini 2.5, A2A, Jules, Mariner, Astra |
| [AWS, Microsoft & Meta](aws-others-basics) | Bedrock Agents, AgentCore, Copilot Studio, Llama 4                   |
| [Databricks](databricks)                   | Agent Bricks, TAO/ALHF, Supervisor Agent, Gateway, MLflow 3.0        |
| [멀티에이전트 트렌드](multi-agent-trends-basics)    | 오케스트레이션 패턴, Observability, 메모리, 안전성, Vibe Coding                     |

***

## 다음 단계

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

* [AI Agent 아키텍처](../agent-architecture/README) — ReAct, Planning, Tool Use 등 Agent의 내부 동작 원리
* [Agent 프레임워크 생태계](../agent-frameworks-detail/README) — LangGraph, CrewAI, AutoGen 등 실제 구현 프레임워크 비교
* [A2A (Agent-to-Agent)](../a2a-protocol/README) — A2A 프로토콜의 기술 상세와 구현 가이드