원점 회귀 너머로: AI 에이전트와 함께 '모든 지점으로 회귀'하며 DevOps 프로세스 개선하기

저녁 만찬을 위해 음식을 주문했는데 식사를 운반하는 배달 로봇이 동네의 울퉁불퉁한 인도를 이동하지 못하고 발이 묶인다면 어떨까요? 또는 GPS 시스템이 인근 폐쇄 도로 주변에서 우회로를 찾는 장비를 갖추지 못했을 수도 있습니다.   

심지어 로봇이 도착했는데 음식은 없을 수도 있습니다. 사이버 범죄자가 배달 서비스의 인증 프로토콜을 해킹해서 식사(및 개인 정보)를 훔쳐간 것입니다.

오늘날의 소프트웨어 환경과 사이버 보안 위협에 맞는 고급 테스트와 보안 관행이 없다면 DevOps 팀과 해당 제품을 사용하는 최종 사용자는 이런 문제에 더 자주 겪을지 모릅니다. 많은 고객이 실망을 금치 못하면서 다른 배달 업체로 옮기고(난데 없이 굶는 것을 좋아하는 사람은 어디에도 없습니다) 이 실망감은 기업의 수익에 영향을 미칠 것입니다.

에이전틱 AI 도구가 배달 서비스 개발팀이 이러한 문제를 방지하는 데 도움을 줄 수 있습니다. 예를 들어, 에이전트를 사용하여 배달 로봇이 첫 번째 주문을 가져오기 훨씬 전인 코딩 단계에서 결함과 보안 취약성을 식별하는 포괄적인 테스트 제품군을 만들 수 있습니다.

실제로 에이전틱 AI 도구는 다중 에이전트 '팀'을 사용하여 로봇이 실제로 직면할 수 있는 문제를 충실도 높게 시뮬레이션하는 디지털 트윈을 생성할 수 있습니다. 그러면 개발자는 코딩을 시작하기 전에 코드 동작과 종속성 상호 작용을 테스트할 수 있습니다. 이는 소프트웨어 개발 수명 주기 초기에 테스트 및 품질 보증 관행을 이동한다는 의미에서 '원점 회귀'에 해당합니다.

최신 소프트웨어 시스템이 복잡해지고 민첩성과 협업에 대한 요구가 커지면서, 조기 탐지에 초점을 맞추던 것이 '모든 지점 회귀(Shift Everywhere)'라는 좀 더 포괄적인 DevSecOps 관행으로 발전했습니다. 모든 지점 회귀 접근 방식은 '소프트웨어 개발 수명 주기의 모든 단계에서 보안과 보안 관행 통합을 자동화'하는 것이 목표입니다.

이는 실무적으로나 문화적으로나 큰 과제이며, 많은 기업이 DevOps 사례에서 AI의 기능을 활용할 방법을 더 많이 모색하게 된 이유이기도 합니다. 이러한 최신 기술 중 에이전틱 AI의 능력은 다음과 같습니다.

• 다단계 작업 수행. AI 에이전트는 높은 수준의 목표를 하위 작업들로 잘게 나누고 여러 단계를 거쳐 작업을 완료할 수 있습니다.

• 실시간 적응. AI 에이전트는 새로운 정보나 변화하는 상황에 맞춰 자신의 행동과 계획을 조정할 수 있습니다.

• 작업과 워크플로 오케스트레이션 관련 협업. 에이전틱 AI 시스템은 다른 AI 에이전트와의 조정과 통신을 통해 공통의 목표를 달성할 수 있습니다.

• 시간 경과에 따른 자가 개선. AI 에이전트는 강화 학습 같은 기능을 통해 경험에서 배우고, 시간이 지날수록 의사 결정을 개선하며 전략을 조정할 수 있습니다.

에이전틱 AI 도구에는 자율적인 의사 결정 능력도 있으며, 기업들은 이러한 가능성에 기대를 걸고 있습니다.

IBM 비즈니스 가치 연구소에 따르면 '경영진의 86%는 2027년까지 AI 에이전트가 프로세스 자동화와 워크플로 재창조를 더욱 효과적으로 만들 것'이라고 내다봤습니다. 고위 경영진의 80% 가까이가 이미 회사에서 어떤 형태로든 에이전틱 AI를 채택했으며, 기업의 19%는 에이전틱 AI를 대규모로 배포하고 있습니다.

지능형 AI 에이전트는 이제 소프트웨어 개발, 배포, 모니터링 및 업그레이드를 오케스트레이션할 수 있습니다. 이러한 에이전트는 소프트웨어를 배포하기 전에 항상 철저하게 테스트하고 보호할 정도의 대역폭을 가지지 못한 채 과중한 부담을 안은 개발자가 원점 회귀와 모든 지점 회귀 관행을 더 쉽게 관리할 수 있게 합니다.

'원점 회귀'는 테스트, 문제 식별 및 해결, 보안 같은 작업을 소프트웨어 개발 수명 주기의 초기 단계로 옮겨서, (이상적으로) 배포 단계가 아닌 코딩 과정에서 문제를 찾아내는 전략적 관행입니다. 이 용어는 개발 프로세스를 왼쪽에 있는 원점(코딩)에서 오른쪽(배포)으로 시각화하는 데서 유래한 것으로, 중요한 활동을 코딩 단계에 결합한다는 것은 수명 주기에서 왼쪽에 있는 원점으로 이동하는 것과 마찬가지입니다.

그러나 원점 회귀 방식은 일반적으로 전문가와 특정 영역 전문가가 져야 하는 책임을 개발자에게 전가하기 때문에 구현 및 유지 관리가 어려울 수 있습니다.

이러한 회귀 과정에서 개발자와 다른 팀 구성원들은 테스트, 보안, 문제 관리 및 팀 간 협업 작업을 워크로드에 항상 존재하는 일부분으로 받아들여야 합니다. 이렇듯 작업량이 줄어들지 않은 상태에서 책임만 늘어나면 개발자가 완성도 높게 코드를 짜고 프로그래밍 문제를 해결하는 데 쏟을 수 있는 시간이 줄어듭니다.

에이전틱 AI는 여전히 새로운 기술이지만(채택에 관해 자체적으로 문제가 있는) 원점 회귀 구현과 관련된 어려움, 특히 개발자 생산성에 영향을 미치는 문제를 해결하는 데 도움이 될 수 있습니다.

또한 에이전트는 '모든 지점 회귀' 방식으로 전환하는 기업에 특히 도움이 될 수 있습니다. 원점 회귀는 개발 수명 주기 초기에 보안과 테스트를 통합하는 데 중점을 두는 반면, 모든 지점 회귀는 코딩, 빌드, 배포 및 런타임을 포함한 모든 단계에 보안, 모니터링 및 테스트를 통합하는 것을 의미합니다. 이렇게 해서 수명 주기 전반에 걸쳐 모든 앱, 모든 기술과 모든 배포를 보호하는 것이 목표입니다.

IBM 소프트웨어 및 DevOps 개발자인 Billy O'Connell은 이렇게 말합니다. "최신 소프트웨어 시스템의 복잡성, 단계 전반에서 팀들이 책임을 공유해야 할 필요성으로 인해 사방에서 변화가 일어나고 있습니다. 그러나 실제로는 각 방식에서 최고의 요소를 차용하는 하이브리드 모델이 등장하고 있습니다. 적절한 맥락에서 적절한 도구와 사고방식을 취하는 것이 중요합니다."

에이전틱 AI는 '제한된 감독으로 특정 목표를 달성할 수 있는 인공 지능 시스템'입니다. AI 에이전트는 대규모 언어 모델(LLM), 자연어 처리(NLP), 머신 러닝(ML)을 사용해서, 사용자와 그 밖의 시스템을 대신하여 워크플로를 자율적으로 설계하고 작업을 수행하며 프로세스를 실행합니다.

에이전틱 AI 시스템에서는 여러 AI 에이전트가 작업을 조정하여 복잡한 작업을 오케스트레이션하거나 수행하고, 결과적으로 하나의 에이전트가 소화할 있는 것보다 더 큰 목표를 수행합니다.

AI 에이전트는 사전 정의된 스크립트 이상으로 자동화를 확장합니다. 사전 정의된 제약 조건 안에서 작동하고 인간의 개입을 받아야 하는 챗봇 등의 AI 모델과 달리, AI 에이전트와 에이전틱 AI는 자율적이고 맥락이나 목표를 중심에 두며, 변화하는 상황에 적응할 줄 압니다. 이들은 작업을 완료하는 것은 물론 과거로부터 배우고, 현재에 적응하고, 미래를 예측합니다.

에이전틱 AI를 활용하려면 비즈니스 리더, 제품 팀, 엔지니어가 협력하여 높은 수준의 목표를 설정하고 매개변수를 설정해야 하므로 AI 에이전트는 인간의 개입 없이는 작동할 수 없습니다(그리고 작동해서도 안 됩니다). 오히려 AI 에이전트가 DevOps 엔지니어 및 팀과 협력해서 인간이 목표를 빠르게 달성하도록 돕는 휴먼 인 더 루프 개발이 구현됩니다.

본질적으로 인간이 무엇을 정의하고, 에이전트는 제공된 매개변수 안에서 그 목표를 달성하는 데 필요한 작업을 계획하고 실행할 방법을 파악합니다.  

기업은 DevOps 프로세스를 관리, 간소화 및 가속화하고 지속적 통합/지속적 전달 파이프라인(CI/CD)을 개선하기 위해 에이전틱 AI 시스템으로 점점 눈을 돌리고 있습니다.

예를 들어 에이전트는 코드 변경 사항에서 구문 오류를 검토하고, 리팩토링을 제안하고, 변경 사항이 코드베이스에 통합되기 전에 검증할 수 있습니다. 또한 혁신을 가속화할 수 있습니다. '[에이전트]는 제가 오랫동안 구현하고 싶었던 아이디어를 신속하게 프로토타이핑하도록 도와줍니다. 개인 생산성을 위해서나 팀 효율성을 위해서나, 에이전틱 AI는 개념을 바탕으로 사용 가능한 도구를 만들어서 일상 업무의 부담을 줄여줍니다." O'Connell은 말합니다.

에이전틱 AI에 관련한 유용한 사용 사례들 중에서도 네 가지 주요 프로세스를 더 자세히 설명하겠습니다.

에이전틱 AI 도구는 다양한 소스에서 관측 가능성 데이터(지표, 로그, 추적 등)와 기타 데이터 스트림(사용자 피드백 신호 등)을 실시간으로 계속 스캔합니다.

이 프로세스에는 데이터베이스, 프로세스 로그, 기록 데이터, 오픈 소스종속성을 쿼리하고, 데이터 격차를 식별하고 간극을 채우기 위한 애플리케이션 프로그래밍 인터페이스(API) 연결이 포함됩니다. 외부 데이터가 매개변수 안에 있다고 가정할 때, 에이전트는 시장 및 산업 데이터를 통합하여 인식을 강화한 다음에 가설을 세우거나 IT 팀에 알림을 보냅니다.

에이전트는 ML 기능을 사용하여 데이터 패턴 및 링크 구조를 식별하고, 시스템 정상 작동을 구성하는 요소를 학습하고, 시간이 지날수록 자체적인 동적 조정을 하며 설정된 기준으로부터 편차를 추적합니다.

에이전틱 AI 툴은 불규칙적인 개별 데이터 포인트, 비정상적인 데이터 클러스터, 맥락 이상(예: 블랙 프라이데이에 전자상거래 사이트 트래픽이 갑자기 감소) 등 여러 유형의 이상 징후를 감지할 수 있습니다. 조건이 변경되면 기준선을 자율적으로 조정하고 추가 조사가 필요할 수 있는 숨겨진 다차원 관계를 식별할 수도 있습니다.

기존의 정적 AI 모델로 동일한 프로세스를 완료하려면, 기준선이 변경될 때 개발자가 AI 모델을 수동으로 재교육해야 해서 오탐이나 부정 발생 가능성이 높아집니다.

실제로 정적 모델은 함수 전반에 걸쳐 더 많은 사람의 입력과 조정이 필요한 편입니다.

이들은 미리 결정된 규칙과 더 단순한 통계 검사에 의존하는데, 이로 인해 변수 간의 복잡한 관계가 모호해질 수 있습니다. 그러면 개발자는 데이터의 상관 관계를 수동으로 지정하고 관계를 정의해야 합니다. 또한 정적 AI 모델은 에이전틱 AI 모델처럼 맥락을 민감하게 감지하지 못하고 모든 이상 징후를 동일하게 처리하는 경향이 있어 개발자가 문제를 분류해야 합니다.

에이전틱 AI 테스트 도구는 더 스마트하고 맞춤화된 테스트 사례를 생성하여 환경 전반으로 테스트 범위를 확장할 수 있습니다.

에이전틱 AI는 애플리케이션 소스 코드, 사용자 인터페이스(UI) 구조, 소프트웨어 요구 사항, 사용자 흐름, API 응답, 결함 기록 및 기존 테스트 아티팩트를 분석하여 무슨 테스트를 실행할지 파악하고 결정합니다. 개발자는 시나리오(예: '고객이 장바구니에 식사 메뉴를 담아서 결제')를 만들고 AI 에이전트가 이를 실행 가능한 테스트 스크립트로 변환하여 특정 작업을 실행하는 과정에서 발생할 수 있는 문제를 식별하도록 할 수 있습니다.

에이전틱 AI 도구는 소프트웨어 테스트를 실시간으로 계속 조정하여 과거 테스트를 학습하고, 과거의 결과와 임무 중요도를 기반으로 테스트 프로토콜을 구현합니다. 이러한 기능은 목표로 하는 범위를 공략해서(그러나 종합적으로) 적시에 테스트가 이루어지게 하는 데 도움이 됩니다.

예를 들어 개발자가 코드 로직을 변경하거나 사용자 인터페이스를 업데이트하면, 에이전트가 테스트 실행 중에 이를 감지해서 관련 테스트를 자동으로 업데이트합니다. 코드에 보안 취약점이 있거나 비정상적인 코드 패턴 또는 언어 구성을 사용하는 경우, 에이전틱 AI 도구가 해당 코드에 대해 로컬 또는 단위 테스트를 하도록 권장합니다. 이렇게 코드를 격리하고 추가 테스트를 실시해서 문제를 정확히 찾아냅니다. 

AI 에이전트가 애플리케이션이 수행해야 하는 작업을 이해하면 개발자가 코드를 작성하기 전에 테스트 스크립트와 사례를 생성할 수 있으므로, 개발 팀은 코드 완성도를 높이는 데 집중할 수 있습니다.

에이전틱 AI 지원 상관 관계 기능은 사용자, 환경 및 API 엔드포인트 전반에 걸쳐 관련 경고를 연결합니다. 그리고 불필요한 신호로부터 의미 있는 경고를 구문 분석하여 개발 팀과 운영 팀이 받는 경고의 양과 그로 인한 피로를 줄입니다.

경고 상관관계에서 원점 회귀에 필요한 핵심 요소는 소스에 인텔리전스를 임베딩하는 것입니다. 즉, 데이터가 도착할 때 에이전트를 사용하여 원시 데이터 스트림을 분석합니다. 이 방식을 사용하면 실시간으로 상관 관계를 파악하고, 사후 대응을 하는 대신 선제적 상관 관계 및 문제 해결 전략을 취할 수 있습니다.

에이전틱 AI 시스템은 정교한 ML 알고리즘을 사용하여 과거 및 실시간 경고 데이터를 분석하고 타이밍, 소스, 이벤트 유형, 영향을 받는 시스템 및 행동 패턴 등을 기반으로 데이터 포인트의 상관 관계를 파악합니다.

에이전트는 경고 각각에 대해 IP 주소, 사용자 ID 및 장치 상태를 포함한 맥락을 동적으로 수집합니다. 강화된 데이터를 통해 에이전트는 인시던트를 매핑하고 공통점을 식별할 수 있습니다. 예를 들어, 에이전트는 비정상적인 시간의 로그인 시도 실패와 동일한 계정에서의 불규칙한 파일 액세스가 발견되면 데이터 포인트의 상관 관계를 파악하고 침해 시도 가능성을 제기할 수 있습니다.

에이전트는 경고들을 그룹화해서 하나의 단위로 표시합니다. 하나의 이벤트에서 로그인 시도에 대한 경고와 파일 액세스에 대한 경고가 하나씩 따로 생성되는 경우, 개발자에게는 (위반에 대한) 경고 하나만 전송합니다. 또한 IT 팀은 개별 이벤트에서 알림들을 빠짐없이 처리하고 분류하는 대신, 전체 신호 그룹에 대해 작업과 수정 워크플로를 트리거할 수 있습니다.

또한 AI 에이전트는 전체 사고 스토리를 구성할 수 있습니다. 충돌하는 기능이 있을 때 에이전트는 시간을 두고 근본 원인과 기능 작동을 추적해서, IT 직원이 문제 해결에 사용할 종합 보고서를 생성할 수 있습니다. 에이전트는 충돌 세부 정보를 '기억'할 수 있으므로, 개발자가 향후 테스트 라운드에서 조건을 시뮬레이션하고 새로운 반복이나 애플리케이션에서 코드 결함을 찾을 수도 있습니다.

에이전틱 AI 시스템은 코딩 과정에서 취약성 탐지, 악용 가능성 테스트, 근본 원인 분석 및 위협 해결을 자동화하는 데 도움이 되므로 개발자는 수동 코드를 검토할 걱정을 덜 수 있습니다.

AI 에이전트는 보안 경고를 기다리지 않습니다. 오히려 보안 로그, 네트워크 트래픽, 소스 코드, 위협 인텔리전스 피드를 실시간으로 분석하여 의심스러운 행동을 지속적으로 추적합니다. 그런 다음 위협 가능성에 대한 가설을 생성하고, 로그에 대해 가설을 테스트하고, 신뢰할 수 있는 위협만 에스컬레이션하여 점점 이해도를 높여갑니다.

사전 설정된 규칙에 따라서만 문제를 표시하는 정적 AI 모델과 달리, AI 에이전트는 자산 가치, 네트워크 노출, 알려진 공격 패턴, 가능한 공격 벡터 등의 지표를 살피면서 보안 취약성의 심각도와 악용 가능성을 평가합니다.

취약점이 발견되면 에이전트는 런타임, 비즈니스 영향 및 규정 준수 맥락에 따라 자동으로 우선순위를 정하고 자율적으로 플레이북을 시작하여 문제를 해결할 수 있습니다.

에이전틱 AI 툴은 예측 분석과 지도 학습을 사용하여 샌드박스 환경에서 공격을 시뮬레이션하고, 취약점이 악용될 수 있는지 여부를 테스트하기도 합니다.

다중 에이전트 시스템은 취약점 설명과 해당 소스 코드를 분석하여 실제 악용 위험을 입증하는 개념 증명 공격을 생성할 수 있습니다. 문제가 있는 코드를 찾은 다음에는 취약점을 트리거하는 공격을 생성하여 개발자가 문제가 발생한 위치와 이유, 성능에 미치는 영향을 정확히 확인하게 합니다.

음식 배달 로봇을 예로 들어보겠습니다. 에이전틱 AI 기반 접근 방식을 통해 개발자는 코딩 중 또는 코딩 전에도 사이버 공격을 시뮬레이션하고, 특정 코드가 중간자 인증 공격에 취약하다는 것을 발견하고, 로봇을 실제 환경에 내놓기 전에 코드를 수정할 수 있습니다. 

에이전틱 AI는 많은 기업과 DevOps 팀을 위한 혁신적인 도구가 되고 있지만, 여전히 새롭고 점점 어려워지는 과제를 던져주는 새로운 기술입니다. 많은 비즈니스 리더가 낙관적인 태도를 유지하고 있지만, Gartner는 비용 상승, 불충분한 위험 관리 및 불분명한 ROI로 인해 2027년까지 에이전틱 AI 프로젝트 전체 중 40% 이상을 취소할 것이라 내다보았습니다.

대부분의 우려는 보안 문제와 에이전트 신뢰에서 비롯됩니다. 에이전틱 AI가 소프트웨어 및 네트워크 보안을 간소화하고 개선할 수 있는 것은 사실이지만 심각한 보안 위험도 내포하고 있기 때문입니다.

에이전틱 AI를 통해 개발자는 시스템과 프로세스 전반에서 독립적으로 작동하는 자율적인 사용자 지정 에이전트를 구축 및 배포할 수 있습니다. 이러한 에이전트 중 상당수는 공식적인 IT, 보안 또는 거버넌스 가시성 없이 생성되고 실행됩니다. 이렇게 확인되지 않은 분산형 에이전트가 확산되면 조직과 DevSecOps 파이프라인에 '섀도 AI'가 생길 수 있습니다.

에이전트가 자율적으로 작동하기 때문에 기업은 휴먼 인 더 루프 제어를 유지하는 데 어려움을 겪을 수도 있습니다. AI 에이전트가 명확한 책임 없이 운영되도록 허용되면, 의도를 평가하거나 행동을 검증하거나 보안 정책을 효과적으로 적용하기가 매우 어려워질 수 있습니다. 자율 도구가 실수를 하거나 매개변수를 위반했을 때 결국 책임을 지는 주인공은 누구일까요?

제작자와 그들에게 권한을 부여하는 조직이 교육 데이터를 제대로 갖추지 않고, 테스트나 보호 장치를 충분히 마련하지 않은 것이 잘못이라고 주장하는 이들도 있지만 현실은 훨씬 더 암울할 수 있습니다.

에이전틱 AI 도구는 데이터에 액세스하고 워크플로를 배포하며 외부 서비스와 연결하는 데 있어 API에 크게 의존하며, 모든 API 통합은 공격자에게 잠재적 진입점입니다. 에이전트가 항상 예측 가능한 API 사용 패턴을 따르는 것은 아니기 때문에(자율적이니까) 적법한 작업(예: 로그 파일에 개인 정보 저장)을 통해 민감한 데이터나 독점 데이터를 실수로 노출하고 공격 표면을 크게 넓힐 수도 있습니다.

하나의 API 엔드포인트가 손상되거나 잘못 구성되면 여러 백엔드 시스템과 민감한 데이터 세트에 대한 액세스를 허용해서, 사이버 범죄자가 아키텍처 안에서 수평 이동하며 권한을 에스컬레이션할 수 있게 합니다. 

게다가 대부분의 AI 에이전트는 LLM에서 실행되다 보니 기본 모델의 취약점을 상속받을 수 있습니다. 공격자가 프롬프트나 신뢰할 수 있는 데이터 소스(구성 파일, 문서 또는 지원 티켓 등)에 악성 지침을 심어두면 해당 에이전트가 프롬프트를 처리할 때 유해한 작업을 실행할 수 있습니다.

에이전틱 AI에는 보안 이외의 문제도 있을 수 있습니다. 예를 들어 자율 에이전트는 빌드 단계나 구성 세부 정보에 대해 할루시네이션을 일으켜 우발적이거나 악의적인 작업을 유발하는 매개변수를 만들어낼 수 있습니다.

할루시네이션은 언어 모델(주로 생성형 AI 챗봇이나 컴퓨터 비전 도구)이 그럴듯해 보이지만 부정확하거나 완전히 조작된 정보를 생성할 때 발생합니다. Google이 Bard 챗봇을 공개하는 자리에서 Bard는 제임스 웹 우주 망원경이 외계 행성 사진을 최초로 찍었다고 주장했습니다. 이것은 사실이 아니며, 최초의 외계 행성 사진은 몇 년 전 다른 망원경으로 촬영되었습니다. 이 정도 예는 약과입니다.

에이전트가 DevOps 워크플로에서 할루시네이션이 담긴 세부 정보를 사용하면 코드베이스와 자동화 파이프라인을 통해 오류가 조용히 전파되어 연쇄적인 장애를 일으킬 수 있습니다.

에이전틱 AI 도구는 코드 개발 측면에서도 성능이 떨어집니다. 한 연구에 따르면 개발자는 AI를 사용해서 코드 문제를 해결하는 데 시간이 20%가량 더 걸리는 것으로 나타났습니다. 그리고 2025년 State of Software Delivery 보고서에 따르면 개발자는 AI 도구에서 생성된 코드를 디버깅하는 데 67% 더 많은 시간을 소비하는 것으로 나타났습니다. 많은 개발 팀은 AI 에이전트가 생성한 코드 결함의 규모를 따라잡지 못하며, 이는 AI 에이전트가 없애주는 기술 부채보다 직접 만들어내는 기술 부채가 더 많다는 것을 의미합니다.

에이전틱 AI 도구 사용에 관련해서는 상당한 문제가 있지만 AI 게이트웨이는 일부 위험을 완화하는 데 도움이 될 수 있습니다.

AI 게이트웨이는 에이전틱 AI 애플리케이션과 애플리케이션에서 사용하는 모델, API 및 툴 사이에서 통합된 경량 계층 역할을 합니다. 게이트웨이는 에코시스템의 모든 AI 에이전트와 DevOps 도구에 걸쳐 거버넌스 및 규정 준수 정책을 일관되게 적용하여, 파편화되고 일관성 없는 매개변수가 적용되지 않게 합니다.

중앙 집중화는 복잡하고 분산된 배포에서 보안 프로토콜, 데이터 개인정보 보호 제한 및 규정 준수를 구현하는 프로세스를 간소화합니다. 또한 에이전트가 API 액세스, 인증 및 권한 부여 프로세스를 더 효과적으로 제어하도록 돕습니다.

게이트웨이는 에이전트 활동에 대한 가시성을 높여, 에이전트가 위협과 코드 문제를 조기에 발견하도록 도와주기도 합니다. 통합 모니터링, 감사, 이상 탐지 및 추적 장치를 제공하여 수명 주기 전반에 걸쳐 에이전트 행동을 추적할 수 있습니다. AI 게이트웨이는 에이전틱 AI의 관찰 가능성을 높여줌으로써, 에이전틱 AI 배포로 인해 발생할 수 있는 섀도 AI 문제와 폭주하는 비용을 억누르는 데도 도움이 됩니다.

에이전틱 AI 사용의 이점이 위험보다 크냐는 질문에 O'Connell은 이렇게 답했습니다. "100%죠. 기업이 에이전틱 AI를 통합하기 시작하면 기술 측면뿐만 아니라 문화적, 윤리적 측면에서도 가드레일은 필수적인 요소가 될 것입니다. 아직 우리는 가능성의 문턱에 서 있을 뿐입니다."

거버넌스, 신뢰, 통합과 관련된 과제는 여전히 남아 있지만 그 궤도는 분명합니다. AI 에이전트는 DevOps 및 CI/CD 파이프라인의 추가 기능일 뿐만 아니라 미래를 형성하고 있습니다. 그 결과 더 현명한 의사 결정이 이루어질 뿐만 아니라, 보다 효율적이고 적응력이 뛰어난 소프트웨어 제공을 향한 문화적 변화가 이루어졌습니다.