AI 에이전트를 둘러싼 기업들의 관심은 그동안 소프트웨어 개발 영역에 집중돼 왔다. 코드 자동완성이나 버그 수정처럼 성과를 측정하기 쉬운 곳부터 도구가 파고들었기 때문이다. 그런 흐름에서 결제 인프라 기업 스트라이프(Stripe)가 공개한 '지식 AI 플랫폼(Knowledge AI Platform)'은 방향이 조금 다르다. 코딩이 아닌 지식 노동, 즉 조사·분석·문서 작업처럼 사내 곳곳에서 벌어지는 일반 업무를 에이전트로 처리하겠다는 사내 플랫폼이다.
스트라이프가 밝힌 이 플랫폼의 성격은 '다목적(versatile)'이라는 한 단어에 집약된다. 짧은 단순 질의부터 여러 날에 걸친 복잡한 프로젝트까지, 성격과 호흡이 크게 다른 업무를 하나의 에이전트 체계로 다루도록 설계했다는 것이다. 흔히 사내 챗봇이라고 하면 FAQ 응답 수준의 단발성 대화를 떠올리기 쉬운데, 여기서는 그보다 훨씬 긴 작업 단위를 상정하고 있다는 점이 눈에 띈다.
1,000개 넘는 사내 도구와의 연결
이 플랫폼의 핵심은 직원들을 1,000개가 넘는 사내 도구와 '스킬(skill)'에 연결한다는 대목이다. 에이전트의 실질적인 유용성은 대화 능력 자체보다 얼마나 많은 내부 시스템에 실제로 손을 뻗을 수 있느냐에 달려 있다. 대부분의 지식 업무는 사내 위키, 데이터베이스, 티켓 시스템, 사내 대시보드 같은 여러 도구를 오가며 이뤄지기 때문이다. 스트라이프가 도구 연결의 '규모'를 전면에 내세운 것은, 에이전트가 조직 안에서 실제로 일을 끝맺으려면 이 연결 폭이 곧 성능이라는 판단으로 읽힌다.
스트라이프는 여기에 '보안이 확보된, 전사(全社) 규모의 생산성'이라는 표현을 덧붙였다. 사내 도구 1,000여 개에 에이전트가 접근한다는 말은, 뒤집으면 민감한 내부 데이터와 권한이 그만큼 에이전트를 거쳐 흐른다는 뜻이기도 하다. 어떤 직원이 어떤 도구에 접근할 수 있는지에 대한 권한 관리가 에이전트 계층에서도 그대로 지켜지지 않으면, 편의성이 곧 정보 유출 통로가 된다. 보안을 생산성과 나란히 언급한 것은 이 지점을 의식한 것으로 보인다.
조직 구조가 말해주는 것
스트라이프가 함께 소개한 팀 구성도 참고할 만하다. 이 작업에는 엔지니어링 조직 전반을 담당하는 테크니컬 라이터 애나 메이슨, '에이전트 파운데이션(Agent Foundation)' 팀의 엔지니어링 매니저 샤라드 크리슈나무르티, 그리고 'AI 플랫폼' 팀의 소프트웨어 엔지니어 아누팜 우파디아이가 이름을 올렸다. '에이전트 파운데이션'과 'AI 플랫폼'이라는 별도 조직이 존재한다는 사실 자체가, 스트라이프가 이를 일회성 실험이 아니라 지속적으로 유지·확장할 내부 기반 인프라로 다루고 있음을 시사한다.
한국의 IT 실무자 입장에서 이 발표에서 건질 만한 시사점은 분명하다. 에이전트 도입의 성패가 모델 자체의 성능보다 '내부 도구와의 통합'과 '권한·보안 체계'에 달려 있다는 점이다. 아무리 뛰어난 언어 모델을 붙여도, 사내 시스템에 안전하게 연결되지 못하면 실제 업무에서는 검색 엔진 이상의 역할을 하기 어렵다. 반대로 도구 연결과 권한 설계가 탄탄하면 상대적으로 평범한 모델로도 상당한 업무 자동화가 가능하다. 자체 사내 에이전트를 검토하는 조직이라면, 초기 투자 우선순위를 통합 계층과 접근 통제에 두는 편이 현실적이다.
남는 물음표
다만 현재 공개된 정보만으로는 판단을 유보해야 할 부분이 많다. 스트라이프는 플랫폼의 지향점과 규모를 제시했을 뿐, 어떤 기술 스택을 썼는지, 여러 날짜리 프로젝트를 에이전트가 어떻게 상태를 유지하며 이어가는지, 오류나 잘못된 실행을 어떻게 걸러내는지 같은 구체적 작동 방식은 이번 소개에서 확인되지 않는다. '1,000개 이상의 도구'와 '전사 규모'라는 표현도 자사 사례에 대한 설명이며, 실제 업무 성과나 도입 효과를 수치로 뒷받침하는 근거는 제시되지 않았다. 결국 이 발표는 결과 보고서라기보다 방향 선언에 가깝다. 코딩을 넘어 일반 지식 노동으로 에이전트의 무대를 넓히려는 시도가 어떤 구체적 성과로 이어질지는, 앞으로 공개될 기술적 세부와 운영 데이터를 통해 검증돼야 한다.