지난 시간까지 우리는 AI 에이전트에게 생각하는 뇌(‘리플렉션’)와 행동하는 손발(‘도구 사용’)을 달아주었습니다. 이제 여러분의 에이전트는 꽤나 유능한 일꾼이 되었죠. 하지만 진정한 ‘프로’가 되기 위한 마지막 관문이 남았습니다. 바로 ‘큰 그림’을 그리는 능력입니다. 오늘 우리의 교재는 ‘Chapter 6: Planning’ 입니다. 단순한 반응을 넘어, 복잡한 목표를 달성하기 위해 스스로 ‘전략’을 수립하는 AI의 정수! 플래닝(Planning), 우리말로는 ‘계획 수립’에 대해 완벽하게 정복해 보겠습니다. AI 에이전트의 지능을 완성하는 마지막 퍼즐 조각이니, 마지막까지 집중력 놓치지 마세요!

[일타 강사 저스틴] AI를 전략가로 만드는 비법, ‘플래닝’ 완전 정복!

왜 AI에게 ‘계획’이 필요한가?

자, 여러분. 똑똑한 비서에게 “팀 워크숍 좀 준비해줘”라고 말했다고 칩시다. 이게 한 번의 행동으로 끝나는 일인가요? 절대 아니죠. 예산을 확인하고, 참석 인원을 파악하고, 여러 장소를 물색하고, 후보지를 비교하고, 최종 예약하고… 수많은 단계가 얽혀있습니다.

이 글의 저자는 바로 이 지점을 파고듭니다. 지능적인 행동은 단순히 눈앞의 입력에 반응하는 것 이상을 요구합니다. 목표를 달성하기 위해 복잡한 과업을 작고 관리 가능한 단계로 나누고, 전략을 세우는 ‘선견지명’이 필요하다는 거죠. 바로 이것이 플래닝(Planning) 패턴의 핵심입니다.

플래닝이란, 에이전트가 시작 상태에서 목표 상태에 도달하기 위한 ‘행동 순서’, 즉 로드맵을 스스로 만들어내는 능력을 말합니다. 우리가 ‘무엇(What)’을 할지 목표만 던져주면, AI가 ‘어떻게(How)’ 할지 그 방법을 자율적으로 찾아내는 것입니다. 정해진 길을 가는 ‘체이닝’과는 차원이 다릅니다. 플래닝은 아예 어떤 길로 가야 할지 ‘지도’부터 그리는 작업입니다.

플래닝의 모든 것

1. 계획의 핵심은 ‘적응성’이다!

계획의 가장 중요한 특징으로 ‘적응성(Adaptability)’을 꼽습니다. 처음 세운 계획은 절대적인 성경이 아니라, 그저 출발점일 뿐이라는 거죠.

예를 들어, 워크숍 장소로 점찍어둔 펜션이 갑자기 예약 마감되었다고 해봅시다. 멍청한 에이전트는 “실패했습니다” 하고 두 손 두 발 다 들겠죠. 하지만 제대로 된 플래닝 에이전트는 다릅니다. “A 펜션 예약 불가”라는 새로운 정보를 입력받는 즉시, “알겠습니다. 그럼 차선책으로 B 리조트와 C 호텔을 제안합니다. 날짜를 하루 늦추는 옵션도 있습니다.”라며 계획을 수정하고 대안을 제시합니다. 장애물을 만나면 돌아갈 길을 스스로 찾아내는 것, 이것이 진정한 플래닝의 힘입니다.

하지만 유연성과 예측 가능성 사이의 트레이드오프도 명심해야합니다. 만약 문제 해결 방법이 이미 명확하고 반복적이라면(예: 매일 아침 9시에 똑같은 보고서 양식 보내기), AI에게 자율성을 주기보다 정해진 워크플로우에 가두는 것이 훨씬 안정적이고 효과적입니다. 자, 이 부분은 별표 세 개! 플래닝 에이전트를 쓸지, 단순 실행 에이전트를 쓸지는 이 질문 하나로 결정됩니다: “‘어떻게’를 발견해야 하는가, 아니면 이미 알고 있는가?”

2. 플래닝은 어디에 쓰일까?

복잡한 목표를 가진 거의 모든 지능형 시스템의 심장에는 바로 이 플래닝이 있습니다.

업무 자동화: 신입사원 온보딩 프로세스를 생각해 보세요. ‘계정 생성 -> 교육 모듈 할당 -> 부서별 미팅 조율’ 등 수많은 단계를 논리적인 순서에 따라 계획하고 실행합니다.
로봇 공학 및 자율 주행: 로봇 청소기가 집안 구조를 파악하고 장애물을 피해 가장 효율적인 청소 경로를 ‘계획’하는 것, 바로 플래닝입니다.
정보 종합 및 보고서 작성: “경쟁사 분석 보고서 써줘”라는 요청에, 에이전트는 ‘정보 수집 -> 데이터 요약 -> 콘텐츠 구조화 -> 초안 작성 -> 검토 및 수정’이라는 체계적인 계획을 세워 움직입니다.
다단계 고객 지원: 복잡한 기술 문제를 해결할 때, ‘문제 진단 -> 해결책 1 시도 -> 실패 시 해결책 2 시도 -> 최종적으로 인간 상담사에게 연결’과 같은 문제 해결 계획을 수립하고 따릅니다.

결론적으로 플래닝은 AI가 단순 반응을 넘어 목표 지향적인 행동을 하게 만드는 논리적 뼈대입니다.

3. 실전 사례 엿보기: 계획하는 AI는 어떻게 움직이는가?

자, 이제 실제 사례를 통해 계획하는 AI가 어떻게 작동하는지 봅시다.

CrewAI 코드 예제: 이 코드는 아주 직관적으로 플래닝을 구현합니다. ‘기사 기획자 겸 작성자’라는 역할을 가진 에이전트에게 임무를 줄 때, 아예 이렇게 지시하죠. “1. 먼저 글의 개요를 짜. 2. 그 다음에 네가 짠 개요에 맞춰서 글을 써.” 이렇게 AI에게 ‘계획 먼저, 실행은 나중에’라는 습관을 명시적으로 들이게 하는 겁니다. 아주 간단하면서도 효과적인 방법이죠.
Google DeepResearch & OpenAI Deep Research API: 이 둘은 플래닝 패턴의 ‘끝판왕’이라고 할 수 있습니다. 이들을 단순한 검색 도구가 아니라, 자율적으로 정보를 탐색하고 종합하는 에이전트 기반 시스템으로 소개합니다.
1. 계획 수립: 사용자가 “세마글루타이드가 세계 보건 시스템에 미치는 경제적 영향에 대해 조사해줘” 같은 복잡한 질문을 던지면, 이 에이전트들은 먼저 “1. 세마글루타이드의 정의와 역사 조사. 2. 주요 국가별 의료비 지출 데이터 수집. 3. 비만 관련 질병 감소 효과 분석…” 과 같이 구체적인 연구 계획을 수립합니다. (구글의 경우 이 계획을 사용자에게 보여주고 수정할 기회까지 줍니다!)
2. 적응적 실행: 계획에 따라 웹 검색을 실행하고, 정보를 수집하다가 “어, 이 부분은 정보가 부족한데?” 싶으면 스스로 새로운 검색어를 만들어 추가 검색을 진행합니다. 계획을 동적으로 수정하며 지식의 공백을 메워나가는 거죠.
3. 최종 종합: 수많은 정보들을 모아, 주요 주제를 식별하고 논리적인 순서에 따라 목차를 구성하여 출처가 명확히 표기된 하나의 완성된 보고서를 만들어냅니다.
이런 에이전트들은 사람이 하려면 며칠 밤을 새워야 할 리서치 작업을 자동화하여, 인간이 데이터 수집이 아닌 더 높은 수준의 ‘전략적 해석’에 집중할 수 있게 해줍니다.

강의 마무리: 핵심 요약 및 저자의 메시지

자, 오늘 AI를 한 단계 더 높은 차원으로 끌어올리는 ‘플래닝’에 대해 배웠습니다. 머릿속에 완벽하게 새겨 넣읍시다.

What (무엇): 복잡한 문제는 한 번의 행동으로 해결할 수 없습니다. 목표를 달성하기 위해선 미리 내다보는 ‘선견지명’이 필요합니다.
Why (왜): 플래닝 패턴은 거대한 목표를 작고 실행 가능한 단계들로 분해하여, AI가 체계적으로 문제를 해결하게 해줍니다. 이를 통해 AI는 단순 반응자를 넘어 전략적인 실행자로 거듭납니다.
Rule of Thumb (언제 쓸까): 이건 무조건 시험에 나옵니다! 사용자의 요청이 단 하나의 행동이나 도구 사용으로 처리하기에 너무 복잡할 때 플래닝 패턴을 사용하세요. 상세한 연구 보고서 생성, 신입사원 온보딩 같은 다단계 프로세스 자동화, 경쟁사 분석 등, 여러 의존적인 작업들을 순서대로 처리해야 최종 결과가 나오는 모든 작업에 필수적입니다.

핵심 정리 (Key Takeaways):

플래닝은 복잡한 목표를 실행 가능한 단계로 나누는 능력입니다.
다단계 작업, 워크플로우 자동화, 복잡한 환경 탐색에 필수적입니다.
LLM은 주어진 과업 설명을 바탕으로 단계별 접근법을 생성함으로써 플래닝을 수행할 수 있습니다.
Google DeepResearch 같은 고급 에이전트는 정보를 수집하면서 동적으로 계획을 수정하고 실행하는 놀라운 능력을 보여줍니다.

이 글의 저자는 결론적으로 이렇게 말합니다. “플래닝은 단순한 반응형 응답자와 전략적이고 목표 지향적인 실행자를 구분 짓는 기초적인 구성 요소이다.” 즉, 플래닝은 인간의 ‘의도’와 AI의 ‘자동화된 실행’ 사이를 잇는 가장 중요한 다리입니다. 이 다리를 잘 놓을 수 있어야 비로소 복잡한 세상의 문제들을 해결하는 진정한 AI 에이전트를 만들 수 있는 것입니다.