AI 에이전트 경쟁의 병목은 더 이상 모델의 답변 점수만이 아니다. 기업의 문서·데이터베이스·업무도구를 어떤 맥락으로 연결하고, 누구의 권한으로 읽게 하며, 잘못된 연결을 어떻게 추적·철회할지가 실제 도입 성패를 가른다. 2026년 주요 클라우드 사업자의 발표를 함께 보면 공통 방향은 분명하다. 모델 바깥에 ‘컨텍스트 계층’을 만들고, 그 계층에 신원·권한·메타데이터·감사 기능을 결합하는 것이다. 다만 편리한 연결이 곧 정확성과 안전을 보장하지는 않는다.
클라우드 경쟁의 새 중심은 컨텍스트 계층이다
AWS는 6월 17일 발표한 AWS Context를 조직 데이터의 관계, 업무 규칙, 도메인 지식을 지식 그래프로 묶는 공유 계층으로 설명했다. 핵심 메타데이터를 Apache Iceberg 형식으로 내보내고, 호출 사용자의 IAM과 Lake Formation 권한을 상속하도록 설계했다는 점이 중요하다. 단순 검색 정확도보다 ‘어떤 관계를 누가 승인했고 어떤 권한으로 조회했는가’를 운영 대상으로 끌어올린 것이다.
Google Cloud도 7월 29일 Gemini Enterprise Agent Platform의 Agent Runtime과 Agent Identity 제공 범위를 확대했다. 장시간 실행되는 에이전트가 여러 시스템을 오갈수록 모델 이름보다 독립된 신원, 등록부, 게이트웨이, 실행 이력이 중요해진다는 판단이다. Microsoft Discovery 역시 6월 2일 정식 출시 발표에서 전문 데이터, 연구 방법, 전문가 검토와 함께 증거 보존과 도구 조정을 강조했다. 세 회사의 제품 범위는 다르지만 공통점은 에이전트의 지능을 데이터 접근 구조와 분리해 평가할 수 없다는 데 있다.
권한 상속은 출발점이지 안전 보증서가 아니다
에이전트가 사용자의 기존 권한을 상속하면 최소한 무권한 데이터 노출을 줄일 수 있다. 그러나 사람에게 허용된 열람 범위를 에이전트가 훨씬 빠르게 횡단·결합하면 새로운 위험이 생긴다. 개별 문서에서는 민감하지 않았던 정보가 여러 시스템을 조합한 결과에서는 개인·거래처·가격정책을 드러낼 수 있다. ‘읽을 수 있음’과 ‘목적에 맞게 결합할 수 있음’은 다른 권한이다.
따라서 기업은 사용자 권한 외에 에이전트별 임무 범위, 호출 가능한 도구, 데이터 결합 규칙, 결과의 외부 전송 범위를 따로 정해야 한다. 특히 장시간 실행 에이전트는 시작 시점의 권한이 작업 종료 때까지 유효한지 재검증해야 한다. 퇴사·부서 이동·계약 종료처럼 중간에 권한이 바뀌는 경우, 캐시와 장기 기억에 남은 정보까지 철회되는지도 시험해야 한다.
정확도의 핵심은 더 많은 데이터가 아니라 출처의 계보
컨텍스트를 많이 넣으면 환각이 자동으로 사라진다는 기대도 경계해야 한다. 오래된 정책 문서와 최신 규정, 초안과 승인본, 지역별 가격표가 동시에 검색되면 모델은 그럴듯한 혼합 답변을 만들 수 있다. AWS가 데이터 카탈로그에 업무 용어와 사용 규칙, 필수 필터, 조인 키 같은 정보를 붙이려는 이유가 여기에 있다. 메타데이터는 검색 장식이 아니라 답변의 적용 범위를 제한하는 통제 장치다.
운영 지표도 바뀌어야 한다. 정답률 하나 대신 최신 원본 사용률, 승인되지 않은 결합 시도, 권한 거부 후 우회 호출, 출처 없는 주장 비율, 사람이 번복한 실행 건수를 함께 기록해야 한다. 답변에 출처 링크를 보여주는 것만으로는 부족하다. 실제 실행 당시의 문서 버전, 권한 주체, 사용한 도구와 중간 결과가 재현돼야 감사가 가능하다.
한국 기업의 조달 질문은 모델표보다 실행표여야 한다
국내 기업이 멀티클라우드나 복수 모델 전략을 택할 때 가장 먼저 비교할 것은 벤치마크 점수보다 컨텍스트와 감사 기록의 이동성이다. 지식 그래프, 의미 정의, 권한 매핑, 에이전트 실행 로그가 특정 사업자 전용 형식에 묶이면 모델을 바꾸어도 운영 종속은 남는다. AWS가 Iceberg 같은 개방 형식을 내세우는 대목은 유용하지만, 실제로 내보낼 수 있는 범위와 재구축 비용은 계약 단계에서 검증해야 한다.
조달 문서에는 최소한 네 가지 시험이 필요하다. 첫째, 동일 사용자가 사람으로 검색할 때와 에이전트가 여러 도구를 연쇄 호출할 때 권한 결과가 같은가. 둘째, 원본 문서가 수정·삭제되면 색인·캐시·기억에서 얼마 만에 반영되는가. 셋째, 잘못된 실행을 특정 데이터와 정책 버전까지 역추적할 수 있는가. 넷째, 서비스 이전 시 메타데이터와 감사 이력을 표준 형식으로 반출할 수 있는가. 이 질문에 답하지 못하면 ‘기업용’이라는 이름만으로 통제 가능성을 인정하기 어렵다.
전망: 에이전트 품질은 데이터 운영의 품질로 수렴한다
앞으로 모델 성능 차이는 좁아져도 기업별 에이전트 품질 차이는 오히려 커질 수 있다. 이유는 사내 용어, 승인 절차, 최신성 관리, 예외 규칙이 조직마다 다르기 때문이다. 컨텍스트 계층을 잘 구축한 기업은 모델을 교체해도 업무 지식을 재사용할 수 있지만, 연결만 서두른 기업은 오류 원인을 모델 탓으로 돌리며 같은 문제를 반복할 가능성이 높다.
가장 현실적인 접근은 고위험 업무 전체를 한 번에 자동화하는 것이 아니다. 읽기 전용 업무에서 출처 계보와 권한 재검증을 먼저 검증하고, 이후 제한된 쓰기 작업, 마지막으로 금전·인사·고객 통지처럼 되돌리기 어려운 실행으로 범위를 넓혀야 한다. AI 에이전트의 경쟁력은 얼마나 많은 시스템에 연결됐는지가 아니라, 그 연결을 얼마나 세밀하게 설명하고 중단할 수 있는지에서 결정될 것이다.
출처와 확인 시각
- Amazon Web Services, “Context intelligence for your data and AI agents at scale”, 2026년 6월 17일, 확인: 2026년 8월 15일 10:28(Asia/Seoul).
- Google Cloud, “What’s new in Gemini Enterprise Agent Platform”, 2026년 7월 29일, 확인: 2026년 8월 15일 10:28(Asia/Seoul).
- Microsoft Azure, “Announcing Microsoft Discovery general availability and Microsoft Discovery app preview”, 2026년 6월 2일, 확인: 2026년 8월 15일 10:28(Asia/Seoul).
이미지 출처: 본 기사 전용 생성형 AI 원본 그래픽. 2026년 8월 15일 제작, 재사용하지 않음.
의견을 남겨주세요