AGI(범용 인공지능)란 무엇인가: 한 번에 이해하기

TL;DR

• AGI는 "여러 분야를 두루" 잘하는 범용 지능을 뜻하지만, 업계·학계마다 정의가 조금씩 다릅니다.
• "LLM이 똑똑해졌다 = AGI"는 단정하기 어렵고, 범용성(Generalization)·자율성(Autonomy)·신뢰성(Reliability) 같은 축으로 따로 봐야 합니다.
• AGI 논의에서 가장 자주 섞이는 이슈는 (1) 정의, (2) 측정/벤치마크, (3) 안전/거버넌스입니다.
• 실무적으로는 "AGI냐 아니냐"보다, 우리 업무에서 '범용성 + 자율 실행 + 낮은 환각'이 필요한가를 먼저 따지는 게 유용합니다.

---

본문

1) AGI를 한 문장으로 정의하면?

AGI(Artificial General Intelligence)는 흔히 사람처럼 폭넓은 과제를 학습하고, 새로운 상황에도 적응하며, 여러 분야에서 성과를 내는 '범용 지능'을 뜻합니다. 어떤 자료는 이를 "강한 AI(Strong AI)"와 같은 맥락에서 사람 수준의 폭넓은 지능으로 설명합니다.

다만 "AGI"라는 단어는 단 하나의 합의된 정의가 아니라, 기관/연구자에 따라 강조점이 달라집니다. 예를 들어 OpenAI는 AGI를 "대부분의 경제적으로 가치 있는 작업에서 인간을 능가하는 고도로 자율적인 시스템"으로 설명합니다.

정리:

• 어떤 정의는 '사람 수준의 범용성'을 강조하고
• 어떤 정의는 '경제적 가치 + 고자율성'을 강조합니다.

Why it matters: 같은 "AGI"라도 정의가 다르면, "AGI 달성" 주장이나 논쟁이 서로 다른 대상을 두고 말싸움이 되기 쉽습니다.

---

2) ANI vs AGI vs ‘에이전트(Agentic AI)’: 가장 흔한 혼동 3가지

AGI를 이해하기 쉬운 방식으로 다시 나누면, 보통 아래 3개가 자주 섞입니다.

구분	핵심	예시 질문
ANI(협의/특화 AI)	“한두 가지 작업”을 매우 잘함	번역만/추천만/검출만
AGI(범용 AI)	“여러 분야”에 걸쳐 학습·추론·전이(transfer)	새로운 업무도 스스로 학습해 처리?
Agentic AI(에이전트형)	목표를 세우고 도구를 써서 “실행”까지 함(자율성 축)	웹/DB/코드/업무시스템을 연결해 자동 수행?

여기서 중요한 포인트는 AGI(범용성)와 Agentic(자율 실행)는 같은 말이 아니라는 점입니다. "범용성"은 무엇을 이해/추론할 수 있나에 가깝고, "자율성"은 얼마나 스스로 실행하나에 가깝습니다. OECD의 AI 시스템 정의 업데이트 논의에서도, AI가 결과에 영향을 주는 방식과 자율성 정도를 중요한 요소로 다룹니다.

Why it matters: "에이전트가 자동으로 일을 한다"는 인상 때문에 AGI로 오해하기 쉽지만, 실제로는 자율 실행 능력과 범용 추론 능력을 분리해서 봐야 제품/리스크 판단이 정확해집니다.

---

3) DeepMind가 제안한 ‘AGI를 보는 좌표계’

AGI를 말로만 정의하면 끝이 없어서, Google DeepMind는 AGI를 더 실무적으로 논의하기 위해 레벨(수준) 프레임워크를 제안합니다. 핵심은 “AGI”를 0/1로 자르는 대신,

• 성능(Performance)
• 범용성(Generality)
• (그리고 현실 적용에서 빠지기 쉬운) 자율성(Autonomy)
  같은 축을 놓고 단계적으로 보자는 접근입니다.

이 관점은 "요즘 모델이 똑똑해 보이는데 AGI냐?" 같은 질문을 다음처럼 바꿔줍니다.

• "어떤 범위의 작업에서?" (범용성)
• "사람 대비 어느 수준의 성능으로?" (성능)
• "사람 도움 없이 얼마나 독립적으로?" (자율성)

Why it matters: 조직에서 AI 도입을 논의할 때, "AGI냐 아니냐"보다 '우리 업무에 필요한 범용성/자율성/성능이 어느 정도냐'로 질문을 바꾸면 요구사항이 명확해집니다.

---

4) “AGI 주장”을 검증할 때 보는 체크리스트

AGI는 용어가 크고 자극적이라, 주장도 과장되기 쉽습니다. 실무/기술 블로그 관점에서 검증 질문을 체크리스트로 두면 좋습니다.

4-1. 범용성(Generalization) 질문

• 학습하지 않은 새로운 도메인/형식/툴로도 성과가 유지되나?
• 데이터 분포가 바뀌었을 때도(새 규정/새 UI/새 시스템) 적응하나?

이런 논의가 커진 이유 중 하나는, 최근 AI 평가가 다양한 벤치마크/리더보드 중심으로 빠르게 발전했기 때문입니다. Stanford HAI의 AI Index도 매년 새로운 벤치마크와 평가 흐름을 정리합니다.

4-2. 자율성(Autonomy) 질문

• "답변"만 하는가, 아니면 계획-실행-검증 루프가 있는가?
• 외부 시스템(웹/DB/사내 ERP)을 건드릴 때 권한/감사로그/롤백이 가능한가?

4-3. 신뢰성(Reliability) 질문: 환각(Hallucination)

AGI급 논의에서 더 중요해지는 게 "환각"입니다. OpenAI는 환각을 그럴듯하지만 사실이 아닌 진술로 정의하고, 표준 학습·평가가 불확실성을 인정하는 것보다 추측을 보상하는 구조가 환각을 만든다고 설명합니다.
NIST도 생성형 AI 리스크를 정리한 프로파일(NIST AI 600-1)에서 환각/허위정보 등 위험과 대응을 체계화합니다.

Why it matters: 범용성이 커질수록 적용 범위도 커지는데, 그만큼 "그럴듯한 오답"이 끼치는 피해도 커집니다. AGI 논쟁을 실무로 가져오려면, 결국 신뢰성 측정과 통제가 핵심이 됩니다.

---

5) 실무에서 AGI를 “도입 관점”으로 다시 해석하기

현업에서는 보통 “AGI 달성”보다 아래 질문이 더 중요합니다.

5-1. 우리에게 필요한 건 ‘AGI’가 아니라 ‘범용 업무 자동화’일 수 있다

OpenAI의 정의처럼 "경제적으로 가치 있는 작업" 관점은, 결국 업무 자동화 범위로 연결됩니다.
하지만 "범용 자동화"를 시도할수록 다음이 필수로 따라옵니다.

• 권한/감사/승인(거버넌스)
• 평가(정확도, 재현성, 실패 모드)
• 안전(오남용, 데이터 유출, 환각)

5-2. 추천 아키텍처: “에이전트 + 가드레일 + 근거”

아래는 개념 다이어그램(제품/프레임워크 무관)입니다.

flowchart LR
  U[User / Task] --> P[Planner]
  P --> T[Tools: DB / Web / Code / Apps]
  T --> E[Evidence Store: citations/logs]
  E --> R[Reasoning/Response]
  R --> C{Confidence / Policy}
  C -->|High| O[Output + Citations]
  C -->|Low| A[Abstain / Ask Clarifying / Human Review]

이때 "Low confidence면 모른다고 말하기(Abstain)"가 중요한 이유는, OpenAI가 지적하듯 기존 평가가 "모른다"를 불리하게 만들어 추측을 유도하기 때문입니다.

NIST AI 600-1도 생성형 AI 리스크 관리에서 평가, 모니터링, 인간 개입 같은 통제 지점을 권고합니다.

Why it matters: "더 똑똑한 모델"만으로는 운영 리스크가 줄지 않습니다. 가드레일과 평가 설계가 같이 있어야, 범용성(AGI에 가까운 성질)을 안전하게 '제품 가치'로 바꿀 수 있습니다.

---

6) 자주 묻는 질문(FAQ)

Q1. AGI는 “튜링 테스트 통과”와 같은 말인가?

같은 말로 보기 어렵습니다. 지능을 정의·측정하는 방식 자체가 다양하고, 단일 테스트로 "범용 지능"을 확정하기는 어렵다는 문제의식이 오래전부터 지적돼 왔습니다.

Q2. AGI는 "사람 수준"인가, "사람을 뛰어넘는 수준"인가?

문헌/기관에 따라 다릅니다. 어떤 정의는 "사람 같은 폭넓은 지능"을, 어떤 정의는 "경제적으로 가치 있는 대부분의 작업에서 인간을 능가"를 강조합니다.

Q3. 환각은 RAG로 완전히 해결되나?

"완전히"라는 표현은 조심해야 합니다. OpenAI는 환각이 학습·평가 구조와 연결된 문제라고 분석하며, 단순한 보강만으로 완전 제거를 단정하기 어렵다는 취지의 논지를 전개합니다.
실무에서는 RAG, 검증 루프, 인간 검토, 정책 기반 차단을 함께 설계하는 쪽이 일반적입니다.

Why it matters: FAQ의 핵심은 "정답"보다 "운영 가능한 정의/측정/통제"입니다. AGI는 철학 논쟁으로 끝나기 쉬워서, 결국 측정과 안전장치가 있는지가 더 중요합니다.

---

결론 (요약 정리)

• AGI는 "범용 지능"을 말하지만, 정의가 하나로 합의돼 있지 않아 논쟁이 자주 생깁니다.
• 실무적으로는 범용성(전이/적응) + 자율성(실행) + 신뢰성(환각 통제) 3축으로 보는 게 명확합니다.
• "AGI냐 아니냐"보다 "우리 업무에서 어디까지 자동화하고, 어떤 안전장치를 둘 것인가"가 더 현실적인 질문입니다.

References

• (Artificial Intelligence (AI): At a Glance, 2023-11-01)[https://www.britannica.com/summary/artificial-intelligence-at-a-glance]
• (Levels of AGI: Operationalizing Progress on the Path to AGI, 2024-07-21)[https://deepmind.google/discover/blog/levels-of-agi-operationalizing-progress-on-the-path-to-agi/]
• (Artificial Intelligence Risk Management Framework: Generative AI Profile (NIST AI 600-1), 2024-07)[https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf]
• (How should AI systems behave, and who should decide?, 2023-02-16)[https://openai.com/index/how-should-ai-systems-behave/]
• (Updated OECD definition of an AI system: Explanatory memorandum, 2024-03)[https://one.oecd.org/document/AI/LEGAL/0456/en/pdf]
• (AI Index 2025: State of AI in 10 Charts, 2025-04-07)[https://hai.stanford.edu/news/ai-index-2025-state-of-ai-in-10-charts]
• (Why language models hallucinate, 2025-09-05)[https://openai.com/index/why-language-models-hallucinate/]
• (Universal Intelligence: A Definition of Machine Intelligence, 2007-12-20)[https://arxiv.org/abs/0712.3329]