Perplexity가 여러 AI Agent가 복잡하고 지속적인 업무를 함께 처리하는 도구인 Teammates를 출시했다. 이 기능의 변화점은 분명하다. AI에 맡기는 대상이 이제 단일 질문을 넘어, 추적하고 검증해야 하는 업무로 확장될 수 있다는 점이다.
Perplexity Teammates 분석: AI Agent의 장기 업무 대응能力
Perplexity는 Teammates의 목표를 다음과 같이 명시했다.
“Teammates are agents for complex, ongoing work.”
Teammates는 한 번의 질문에 답하는 데 그치지 않는다. 사용자가 목표를 제시하면 여러 Agent가 역할을 나누어 업무를 진행하고, 작업 상태를 지속적으로 관리한다.
기존 Perplexity의 사용 방식과는 차이가 크다. 사용자가 질문하고 검색한 뒤 인용이 포함된 답변을 받는 것이 일반적인 흐름이었다. Teammates는 목표를 여러 독립 Agent에 맡기고, 이들이 협업해 하나의 업무 흐름을 완성하도록 만든다.
주목할 점은 채팅창이 하나 추가됐다는 사실이 아니다. AI Agent의 제품 경계이 장기 업무 쪽으로 이동하기 시작했다는 데 있다.
Teammates는 또 하나의 채팅창이 아니다
단일 질문을 답하는 업무의 끝은 답변 생성이다. 장기 업무의 끝은 결과물 인도다. 두 과정 사이에는 몇 시간이 걸릴 수도 있고, 십여 단계에 이르는 작업이 포함될 수도 있다.
예를 들어 ‘미국 에너지 저장 시장을 조사해 투자위원회 논의용 브리핑으로 정리해 달라’는 요청은 하나의 Prompt에 담기 적합하지 않다. 일반적으로 다음과 같은 과정이 필요하다.
- 기업 공시, 산업 보고서, 규제 문서 수집
- 서로 다른 기준의 데이터를 교차 검증
- 이미 찾은 출처를 보관해 중복 검색 방지
- 정보 공백이 생기면 처음부터 다시 시작하지 않고 업무 조정
- 마지막에 인용이 포함된 문서로 통합
Teammates는 여러 독립 Agent가 하나의 목표를 중심으로 협업하도록 설계됐다. 각 Agent는 서로 다른 하위 업무를 맡고, 공통 목표를 공유하면서도 각자의 작업上下文를 유지한다.
따라서 인터페이스의 기본 단위는 더 이상 일问一答이 아니라 업무에 가깝다. 사용자가 답해야 할 질문도 달라진다.
- 목표는 무엇인가?
- 업무를 어느 수준까지 진행해야 하는가?
- 어떤 자료를 사용할 수 있는가?
- 어떤 작업에 사용자 승인이 필요한가?
- 어떤 상태를才算 완료로 볼 수 있는가?
이것이 Teammates와 일반 채팅창의 가장 실용적인 차이다. 채팅창은 메시지를 중심으로 움직이지만, Teammates는 업무를 중심으로 움직인다.
답변 검색에서 업무 분배로
그동안 Perplexity는 AI 검색 엔진에 집중해 왔다. 사용자가 검색어를 입력하면 시스템이 웹을 검색하고, 결과를 정리해 인용과 함께 제공한다.
Teammates는 이 흐름을 한 단계 더 확장했다. 검색은 최종 결과물이 아니라 Agent가 업무를 수행하는 과정에서 사용하는 도구가 됐다.
상호작용 방식도 함께 바뀌었다.
일반적인 검색에서는 사용자가 질문을 분해할 책임을 진다. Teammates에서는 사용자가 프로젝트 책임자에 더 가깝다. 목표를 제시한 뒤 여러 Agent가 업무를 나누고, 협업하며, 실행 과정을 추적하도록 한다.
개방형 검색은 보통 사람이 다음에 무엇을 찾아볼지 실시간으로 판단해야 한다. 지속적인 업무에서는 시스템이 직접 계획을 유지해야 한다.
Perplexity는 AI 검색 엔진에서 지속적으로 업무를 수행하는 Agent 플랫폼으로 확장되고 있다. 중요한 것은 ‘검색 회사가 Agent를 만들었다’는 사실보다, 이미 검색과 출처 제시라는 두 가지 기반 능력을 갖췄다는 점이다.
- 공개 웹에서 자료를 찾는 능력
- 결론에 출처를 연결하는 능력
대부분의 범용 Agent 플랫폼도 검색 도구를 제공하지만, ‘검색-인용-검증’을 기본 업무 흐름으로 내세우는 제품은 많지 않다. Perplexity의 강점은 바로 이 연결에 있다.
장기 업무야말로 핵심 시험이다
Agent 시연에서 가장 쉽게 집중을 끄는 부분은 처음 10초다. 목표를 분해하고 도구를 호출해 그럴듯해 보이는 문서를 만든다. 진짜 부담은 그 뒤에 나타난다. 2시간 동안 실행된 뒤에도 상태가 유지되는가? 도구가 실패한 뒤 복구할 수 있는가? 자료가 오래됐을 때主动적으로 다시 확인하는가?
장기 업무에는 최소한 다섯 가지 능력이 필요하다.
1.上下文 관리
업무가 시작될 때 시스템은 목표를 알고 있다. 몇 시간이 지난 뒤에도 제약 조건, 완료된 항목, 현재의 병목 지점을 기억해야 한다.
이는 단순히上下文 window를 늘리는 문제가 아니다. 창이 커지면 더 많은 텍스트를 담을 수 있을 뿐, Agent가 관련 정보를 정확히 찾아낸다는 보장은 없다.
2. 도구 호출
검색은 도구 중 하나일 뿐이다. 장기 업무에는 문서 읽기, 코드 실행, API 호출, 중간 결과의 업무 공간 저장도 필요할 수 있다.
도구가 빈 결과를 반환하거나 시간이 초과되거나 응답 구조가 바뀌어도 Agent는 ‘그럴듯해 보이는’ 문장을 계속 생성해서는 안 된다. 실패를 인식한 뒤 재시도할지, 다른 경로를 선택할지, 문제를 사용자에게 넘길지 판단해야 한다.
3. 업무 인계
여러 Agent가 협업할 때 가장 문제가 되기 쉬운 부분은 인계다.
한 Agent가 시장 분석을 작성하고 다른 Agent가 재무 수치를 검증한다고 하자.前者가 사용한 데이터 기준, 단위, 시간 범위가 빠짐없이 전달돼야 한다. 그렇지 않으면 여러 Agent는 같은 오류를 병렬로 확대할 뿐이다.
4. 오류 복구
지속적인 업무가 현실에서 한 번에 성공하는 경우는 드물다. 목표를 조정해야 하고, 웹페이지가 사라지고, 출처가 서로 충돌하며, API 요청이 제한될 수 있다.
안정적으로业务流程를 끝까지 실행하는 Agent는 어떤 오류를 재시도할 수 있는지, 어떤 오류에는 계획을 바꿔야 하는지, 어떤 오류에서는 멈춰 사람의 개입을 요청해야 하는지 알아야 한다.
5. 완료 판정
Agent의 가장 위험한 실패 방식은 ‘할 수 없습니다’라고 말하는 것이 아니라, 다 끝냈다고 말하면서 실제로는 겉보기 작업만 수행하는 것이다.
예를 들어 사용자가 인용이 포함된 산업 보고서를 제출해 달라고 했는데, Agent가 문서는 생성했지만 각 인용을 직접 열어 검증하지 않았다. 짧은 답변에서는 이런 문제가 그대로 지나갈 수 있지만, 장기 업무에서는 인도 사고로 이어진다.
따라서 Teammates를 평가할 때 중요한 지표는 3분짜리 시연이 아니라 업무 완료율, 재시도 후 복구율, 사람의 개입 횟수, 인용 정확도여야 한다.
HN 47점 뒤에 드러난 제품 논쟁
관련 뉴스가 Hacker News 메인 페이지에 올라가 47 points와 36개의 댓글을 얻었다.
인기만으로는不足以 대히하지만, 제품 문제에 대한 논의가 개발자의 시야에 들어오기에는 충분했다. HN 페이지:
https://news.ycombinator.com/item?id=50395866
개발자들은 보통 몇 가지 질문을 제기한다.
첫째, LangGraph, CrewAI, AutoGen 같은 프레임워크와 비교할 때 Teammates의 실행 모델은 어떻게 다른가?
둘째, 업무 기록,上下文, 중간 산출물을 내보낼 수 있는가?
셋째, 사용자가 Agent가 사용할 데이터 소스, 도구, 권한을 제어할 수 있는가?
넷째, 업무가 중단된 뒤 계속 실행할 수 있는가, 아니면 처음부터 다시 시작해야 하는가?
현재 Teammates는 개발자가 상태 그래프를 설계하는 프레임워크라기보다 최종 사용자를 위한 업무형 제품에 가깝다. 기존 Agent 프레임워크는 노드, 상태, 조건 분기, 사람의 승인을 중시한다. Teammates는 목표 위임, 여러 Agent의 협업, 과정 추적을 중시한다.
두 방향 모두 성립할 가능성이 있다.
개발자에게 필요한 것은 제어권이다. 업무 사용자에게 필요한 것은 더 적은 설정과 더 명확한 결과다. 양쪽을 동시에 제공하는 서비스가 장기 업무의 기본 진입점이 될 가능성이 높다.
검색 기업의 Agent 전략
Perplexity가 Teammates를 만든에는 자연스러운 제품 경로가 있다.
검색 엔진은 ‘정보를 찾는 문제’를 해결한다. Teammates는 ‘정보를 바탕으로 업무를 끝내는 문제’를 해결하려 한다. 그 사이에 추가된 것은 채팅창이 아니라 실행 계층이다. 업무 계획, Agent 분담, 도구 호출, 상태 저장, 출처 인용, 최종 인도가 여기에 포함된다.
범용 Agent 플랫폼과 비교할 때 Teammates가 우위를 점할 수 있는 영역은 세 가지다.
첫째, 검색과 인용이 기본 기능이다.
사용자가 검색 플러그인을 먼저 설치하고 Agent가 연구 절차를 스스로 구성하도록 기다릴 필요가 없다. 시장 분석, 경쟁사 조사, 정책 검색처럼 공개 정보가 중심인 업무에서는 직접적인 강점이 된다.
둘째, 제품 진입 장벽이 낮다.
범용 프레임워크는 보통 개발자가 먼저 Agent, 상태, 업무 흐름을 설계하도록 요구한다. Teammates 사용자는 목표만 설명하면 된다. 대신 제어의 세분화 수준은 낮다.
셋째, 결과를 쉽게 설명할 수 있다.
Perplexity는 오랫동안 출처를 중시해 왔다. 장기 업무를 수행하는 Agent가 모든 결론을 출처로追溯할 수 있어야 사용자가 그 결과물을 신뢰하고 업무를 맡길 수 있다.
반면 명확한 약점도 있다.
범용 Agent 플랫폼은 기업 내부 데이터, 비공개 API, 사용자 정의 도구를 연결할 수 있다. Teammates가 주로 공개 검색에 의존한다면 내부 시스템 접근이 반드시 필요한 업무는 처리하기 어렵다. 코드 수정, 운영 환경 설정, 여러 SaaS를 거치는 승인은 더 깊은 권한과 실행 능력이 요구된다.
또 하나의 문제는 검색은 현재 접근 가능한 정보를 수집하는 데는 강하지만, 절차가 올바른지 판단하는 데는 본질적으로 강하지 않다는 점이다.
이 부분이야말로 Agent 플랫폼이 최종적으로 보완해야 할 여지다.
편집자의 평가
Teammates의 중요한 점은 제품명이 하나 더 늘었다는 데 있지 않다. Agent의 진입 방식이 바뀌고 있다는 사실이다. 임시 보조 도구에서 지속적인 협업자로 이동하고 있다. 과거에는 대화를 중심으로 업무를 구성했다. 이제는 업무 상태, 실패 복구, 결과물 검증이 같은 인터페이스에 들어간다.
이에 따라 사용자가 AI를 평가하는 방식도 달라진다. 한 번의 답변이 매끄러운지만 보는 대신, 업무가 끝까지 진행됐는지, 인용을 확인할 수 있는지, 실패 후 이어서 실행할 수 있는지가 중요해진다.
제 판단으로는 검색 기반 기업은 연구, 실사, 정보 정리 시장에서 먼저 성과를 얻을 가능성이 높지만, 모든 기업 자동화를 곧바로 장악하지는 않을 것이다. 전자는 공개 자료, 인용, 빠른 업무 위임에 의존하며 Perplexity의 기존 강점과 잘 맞는다. 후자는 내부 권한, 장기 기억, 안정적인 복구, 사람의 승인이 필요하다.
Teammates는 여러 Agent의 협업을 개발자용 프레임워크 기능으로만 제공하지 않고 최종 사용자를 위한 제품으로 직접 내세웠다는 점에서 과거와 다르다. 47 points와 36개의 댓글은 개발자의 시야에 들어왔음을 보여 주지만, 제품이 확정됐다는 뜻은 아니다. 실제 완료율, 권한 모델, 업무 이식성이 어떻게 될지는 아직 알 수 없다. 이러한 지표에 따라 단순히 성공한 시연인지, 일상 업무의 기반 인프라가 될 수 있는지가 결정될 것이다.
출처
- Perplexity 공식 블로그: https://www.perplexity.ai/en-GB/hub/blog/teammates-are-agents-for-complex-ongoing-work
- Hacker News: https://news.ycombinator.com/item?id=50395866