왜 지금 AI 용어를 정리하는가
BI 컨설팅을 하다 보면 "이거 RAG로 만든 거예요?", "MCP 연동되나요?" 같은 질문을 클라이언트에게 받는 일이 부쩍 늘었다. 태블로 대시보드를 설계하던 시절에는 필요 없던 용어들이 이제는 실무 대화의 기본 어휘가 됐다. 이번 포스트는 AI 관련 기사나 도서를 읽을 때 자주 마주치는 용어 8개를 하나의 계보와 관계도로 정리해, 앞으로 어떤 기사를 봐도 "이게 어디에 속하는 개념인지" 바로 판단할 수 있도록 하는 것이 목표다.
먼저 전체 그림부터 보자.
[자연어처리(NLP)] ─ 연구 분야
│
▼
[트랜스포머(2017)] ─ 핵심 아키텍처
│
▼
[LLM] ─ 모델 유형(초거대 언어모델)
│
▼
[GPT 계열] ─ OpenAI의 LLM 제품군
│
▼
[ChatGPT] ─ GPT를 얹은 챗봇 애플리케이션
※ 별도 축: [컴퓨터 비전] + [NLP] → [멀티모달]
※ LLM을 실무에 쓰기 위한 보강 기술: [RAG] · [에이전트] · [MCP] · [랭체인]1. NLP → LLM → GPT → ChatGPT: 언어 AI의 계보
1-1. NLP (자연어처리, Natural Language Processing)
컴퓨터가 사람의 언어를 이해하고 생성하도록 만드는 AI의 한 연구 분야 자체를 가리킨다. 번역, 요약, 감성분석, 챗봇 등이 모두 NLP의 하위 과제다. LLM은 "NLP를 아주 잘하는 하나의 모델 유형"이라고 보면 된다.
1-2. 트랜스포머(Transformer) — 모든 것의 시작점
2017년 구글 브레인 연구진 8명이 발표한 논문 「Attention Is All You Need」에서 처음 제안된 신경망 구조다. 기존 RNN·LSTM 계열 모델은 문장을 앞에서부터 순서대로 처리해야 했던 반면,
트랜스포머는 어텐션 메커니즘만으로 문장 내 단어 간 관계를 한 번에 병렬로 처리해 RNN·CNN 기반 모델의 순차 처리 한계를 극복했다.이 논문이 제안한 모델은 WMT 2014 영어-독일어 번역 과제에서 28.4 BLEU 점수를 기록하며 기존 최고 성능을 앙상블 모델 기준으로도 2점 이상 앞질렀다.
2025년 기준 17만 3천 회 이상 인용되며 21세기 가장 많이 인용된 논문 중 하나로 꼽힌다(개자봉의 공책, 2025). 이후 GPT, BERT는 물론 이미지용 Vision Transformer, 음성인식, 로보틱스까지 거의 모든 현대 AI 모델의 기반 구조가 됐다.
1-3. LLM (거대 언어모델, Large Language Model)
방대한 텍스트로 사전 학습된, 트랜스포머 기반의 초대형 딥러닝 모델을 통칭하는 용어다.
LLM 자체는 챗봇 같은 독립형 애플리케이션이 아니라, 목적을 달성하려면 다른 애플리케이션이나 데이터 소스와 결합해서 써야 하는 사전 학습된 통계 모델이라는 점
이 핵심이다. GPT, Claude, Gemini, LLaMA 같은 이름들이 모두 개별 LLM이다.
1-4. GPT (Generative Pre-trained Transformer)
OpenAI가 만든 LLM 제품군 이름이다.
2018년부터 OpenAI의 GPT 시리즈(디코더 전용 트랜스포머)가 자연어 생성 분야에서 최고 성능을 갱신하기 시작했다.
GPT-1(2018)부터 GPT-3, GPT-4를 거치며 파라미터 규모와 성능이 커졌고, "GPT = 트랜스포머 아키텍처를 생성(Generative)·사전학습(Pre-trained) 방식으로 활용한 모델 계열"이라는 이름 자체가 그대로 정의가 된다.
1-5. ChatGPT
GPT 모델을 대화형 챗봇 형태로 감싼 애플리케이션이다.
2022년 11월 30일 OpenAI가 출시했으며
,
GPT-3.5를 파인튜닝한 버전을 기반으로 예상외의 인기를 얻으며 LLM 붐을 촉발했다.
여기서 헷갈리지 말아야 할 것: ChatGPT는 LLM이 아니라 LLM(GPT)을 사용하는 애플리케이션이다. 사용자 입력을 해석하고 답을 만드는 건 GPT 모델이지만, 대화창 UX와 서비스 경험을 제공하는 건 ChatGPT라는 별도의 레이어다.
| 용어 | 층위 | 한 줄 정의 |
|---|---|---|
| NLP | 연구 분야 | 언어를 다루는 AI 전체 분야 |
| 트랜스포머 | 아키텍처 | 어텐션 기반 신경망 구조(2017) |
| LLM | 모델 유형 | 트랜스포머 기반 초대형 언어모델 |
| GPT | 모델 계열 | OpenAI의 LLM 제품군 |
| ChatGPT | 애플리케이션 | GPT를 얹은 대화형 서비스 |
2. 컴퓨터 비전(Computer Vision)
이미지·영상을 입력으로 받아 물체 인식, 분류, 탐지, 분할 등을 수행하는 AI 분야다. NLP가 "언어"를 다룬다면 컴퓨터 비전은 "시각 정보"를 다룬다. 초기에는 CNN(합성곱 신경망)이 주력이었지만,
Attention Is All You Need 논문 이후 Vision Transformer(ViT)처럼 트랜스포머 구조가 이미지 인식 영역까지 확장
되면서 언어 모델과 시각 모델의 아키텍처가 수렴하는 흐름이 만들어졌다. BI 실무에서는 대시보드 스크린샷 자동 분석, 차트 이미지에서 데이터 추출 같은 작업에서 접점이 생긴다.
3. 멀티모달(Multimodal)
텍스트, 이미지, 음성, 영상 등 서로 다른 형태(모달리티)의 데이터를 하나의 모델이 동시에 이해·생성하는 것을 뜻한다.
흥미롭게도 「Attention Is All You Need」논문이 발표된 지 불과 4일 만에 같은 저자들 대부분이 참여한 멀티모달 트랜스포머 논문(MultiModel)이 나왔을 정도로, 트랜스포머는 처음부터 텍스트 이외의 모달리티로 확장될 잠재력을 가진 구조였다.
오늘날 GPT-4나 Claude, Gemini가 이미지를 보고 설명하거나 차트를 해석할 수 있는 것도 이 멀티모달 확장의 결과다. NLP(언어)와 컴퓨터 비전(시각)이 만나는 지점이 바로 멀티모달이라고 이해하면 된다.
4. RAG (검색 증강 생성, Retrieval-Augmented Generation)
2020년 Patrick Lewis 연구팀이 논문에서 처음 제안한 프레임워크로, 사전 학습된 생성 모델과 외부 검색 시스템을 결합해 응답의 정확성과 관련성을 높이는 방법론이다.
LLM은 학습 시점 이후의 정보나 특정 조직의 내부 문서를 알지 못하기 때문에 사실과 다른 답을 그럴듯하게 만들어내는 할루시네이션(hallucination) 문제가 생기는데, RAG는 질의 시점에 관련 문서를 검색해 모델의 컨텍스트에 주입함으로써 이 문제를 완화한다.
모델 내부에 저장된 지식(파라메트릭 메모리)과 위키피디아 같은 외부 데이터(비파라메트릭 메모리) 두 가지를 결합한다는 점
이 핵심 아이디어다.
재미있는 뒷이야기가 있다.
이 용어를 처음 만든 Lewis는 훗날 한 인터뷰에서 이름이 예쁘지 않은 것에 대해 사과하기도 했는데, 논문을 쓸 당시엔 더 나은 이름을 생각해내지 못했다고 밝혔다.
BI 컨설팅 관점에서 보면, "우리 회사 내부 문서 기반으로 답해주는 챗봇"을 원하는 클라이언트의 요구는 거의 대부분 RAG로 해결하는 문제라고 보면 된다.
5. 에이전트(AI Agent)
정해진 순서대로만 실행되는 챗봇과 달리, 스스로 다음에 무엇을 할지 판단하고 도구(tool)를 선택해 실행하는 LLM 기반 실행 주체를 말한다.
체인이 고정된 순서를 따르는 것과 달리, AI 에이전트는 대규모 언어모델을 추론 엔진으로 활용해 어떤 행동을 어떤 순서로 취할지 스스로 결정한다.
대표적인 동작 패턴이 ReAct(Reasoning + Acting)인데,
"생각(Thought) → 행동(Action) → 관찰(Observation) → 최종 답변(Final Answer)"의 루프를 반복
하며 문제를 단계적으로 해결한다. 예를 들어 "이번 분기 매출 데이터를 조회해서 이메일로 보내줘"라는 요청을 받으면, 에이전트는 (1) 데이터베이스 조회 도구를 쓸지 (2) 이메일 발송 도구를 쓸지 스스로 판단하고 순서대로 실행한다.
6. MCP (Model Context Protocol)
2024년 11월 Anthropic이 발표한 개방형 표준으로, LLM 같은 AI 시스템이 외부 도구·데이터 소스와 데이터를 주고받는 방식을 표준화한다.
MCP 등장 이전에는 AI 애플리케이션(M개)과 연동 대상 시스템(N개)의 조합마다 커스텀 연동을 만들어야 하는 "M×N 문제"가 있었는데,
MCP는 모든 LLM과 외부 데이터·서비스 사이에 표준화된 양방향 연결 방식을 제공
해 이 문제를 M+N 문제로 줄여준다. 흔히 "AI용 USB-C"라는 비유로 설명되는데,
MCP host(대화형 AI 애플리케이션) 안에 있는 MCP client가 외부 MCP server와 통신하는 구조
다.
MCP 서버가 LLM에 노출하는 핵심 요소는 Tools(모델이 호출하는 실행 가능 함수), Resources(모델이 참조하는 구조화된 데이터), Prompts(상호작용을 안내하는 사전 정의 템플릿) 세 가지 primitive다.
즉 "에이전트가 어떤 도구·데이터에 접근할 수 있는가"를 표준화한 규격이 MCP다. 참고로
RAG가 텍스트 생성을 위해 정보를 찾아 활용하는 데 초점을 둔다면, MCP는 정보 검색뿐 아니라 실제 행동(action)까지 포괄하는 더 넓은 상호작용 체계
라는 차이가 있다. MCP는
2025년 12월 Anthropic, Block, OpenAI 등이 공동 설립한 리눅스 재단 산하 Agentic AI Foundation에 기증되며 특정 회사 소유가 아닌 업계 공통 표준으로 자리를 잡았다.
7. 랭체인(LangChain)
2022년 10월 출시된 오픈소스 프레임워크로, LLM 기반 애플리케이션 개발에서 가장 널리 채택된 프레임워크 중 하나
다.
LangChain은 챗봇, 지능형 검색, 질문 답변, RAG, 에이전트에 이르기까지 LLM 활용 대부분의 사용 사례를 지원하는 오케스트레이션 프레임워크
라고 보면 된다. 핵심 구성 요소는 아래와 같다.
- 체인(Chain): LLM 호출과 다른 작업을 순차적으로 엮은 파이프라인
- 에이전트(Agent): 목표 달성을 위해 어떤 도구를 어떤 순서로 쓸지 스스로 판단하는 결정 루프. LangChain은 ReAct 패턴을 대중화시킨 프레임워크로 꼽힌다.
- 메모리(Memory): 상태를 유지하지 않는 LLM에 대화 맥락을 기억시키는 장치
- 도구 통합(Tool Integration): 외부 API·DB·MCP 서버 등과의 연동 커넥터
복잡한 멀티 에이전트 워크플로를 상태 기반 그래프로 제어하기 위해 별도로 개발된 라이브러리가 LangGraph
이며, MCP가 나온 이후로는
LangGraph 에이전트가 langchain-mcp-adapters 라이브러리를 통해 MCP 서버에 정의된 도구를 그대로 가져다 쓸 수 있게
되었다. 랭체인을 "RAG와 에이전트, MCP까지 조립해서 실제 서비스로 만드는 조립 공구함"이라고 이해하면 크게 틀리지 않는다.
관계로 다시 정리하기
| 용어 | 성격 | 무엇을 해결하는가 |
|---|---|---|
| RAG | 지식 보강 기법 | LLM이 모르는(최신·내부) 정보를 검색해서 답변에 반영 |
| 에이전트 | 실행 주체 개념 | LLM이 스스로 도구를 골라 다단계 작업을 수행 |
| MCP | 연결 표준(프로토콜) | 에이전트가 도구·데이터에 접근하는 방식을 표준화 |
| 랭체인 | 개발 프레임워크 | 체인·에이전트·메모리·MCP 연동을 실제 코드로 조립 |
정리하면, RAG·에이전트는 "무엇을 할 것인가"에 대한 개념이고, MCP는 "어떻게 연결할 것인가"에 대한 표준이며, 랭체인은 이 모든 걸 코드로 구현하는 도구다. 이 네 가지가 요즘 "에이전틱 AI(Agentic AI)"라는 이름으로 묶여 불리는 것들의 핵심 재료다.
참고자료
- Anthropic, "Introducing the Model Context Protocol", 2024
- Wikipedia, "Model Context Protocol"
- Google Cloud, "What is Model Context Protocol (MCP)?"
- LogRocket, "Understanding Anthropic's Model Context Protocol (MCP)"
- Vaswani et al., "Attention Is All You Need", NeurIPS, 2017
- Wikipedia, "Attention Is All You Need"
- Lewis et al., "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks", NeurIPS, 2020
- NVIDIA Blog, "What Is Retrieval-Augmented Generation aka RAG"
- IBM, "LangChain이란 무엇인가요?"
- AWS, "LangChain이란 무엇인가요?"
- GAIA, "LangChain이란? LLM 애플리케이션 프레임워크 설명"