AI Context Platforms: 에이전트 정확도를 데이터의 의미로 올리라는 Gartner 2027 트렌드
Gartner는 2027 전략 기술 트렌드에서 AI-ready data에 의미(semantics)를 갖춘 조직이 에이전트 정확도를 최대 80% 높이고 비용을 최대 60% 줄인다고 예측했습니다. 맥락 층, 코딩 에이전트 검증, 에이전트 ID, 자동 취약점 수정으로 에이전트를 다스리는 설계와 6주 파일럿 방법을 정리했습니다.
Gartner의 메시지는 에이전트 성능을 모델이 아니라 그 아래 설계에서 찾으라는 것입니다. 데이터에 의미를 붙여 맥락으로 공급하면 정확도는 최대 80% 오르고 비용은 최대 60% 준다는 예측이 그 중심에 있습니다. 우리 조직에서 쓰려면 핵심 용어와 지표의 정의를 담당자와 함께 정리하고 맥락을 넣기 전과 후의 정답률과 토큰 비용을 같은 질문으로 재 봐야 합니다.
요약
Gartner는 2026년 10월 20일, 미국 올랜도에서 열린 Gartner IT Symposium/Xpo 2026(10월 19~22일)에서 2027년 전략 기술 트렌드 10개를 발표했습니다. 발표자는 Distinguished VP Analyst Gene Alvarez입니다. 10개는 세 묶음으로 나뉩니다. 텍스트 밖으로 넓어지는 AI(Large Quantitative Models, Speech Reasoning Models, World Models), 자율 에이전트를 다스리는 플랫폼(AI Context Platforms, AI Coding Agent Harness, AI Agent Identity, Autonomous Exposure Remediation), 오래 버티는 민첩성을 설계하는 아키텍처(SovereignTech, Disposable Applications, Wetware as a Service)입니다. Alvarez는 발표에서 “CIOs are no longer deciding whether AI works.”라고 말했습니다. AI가 되느냐는 더 이상 질문이 아니고 사람이 검토하는 속도보다 빨리 소프트웨어를 만들어 내는 AI를 설계로 어떻게 다스리느냐가 남은 과제라는 뜻입니다.
가장 강한 숫자는 AI Context Platforms에 붙어 있습니다. Gartner는 2027년까지 AI-ready data(AI가 바로 쓸 수 있게 준비된 데이터)에서 semantics(용어와 지표의 의미)를 우선한 조직이 에이전트 정확도를 최대 80% 높이고 비용을 최대 60% 줄일 것이라고 예측했습니다. 에이전트 ID에는 2028년 기업 보안 침해의 25%가 AI 에이전트 악용에서 비롯된다는 예측이, SovereignTech에는 2030년 미국 밖 조직의 75% 넘게 디지털 주권 전략을 채택한다는 예측이 붙었습니다. 세 숫자가 가리키는 방향은 같습니다. 에이전트가 많아질수록 성과와 위험은 모델 바깥, 곧 맥락과 권한과 출구 설계에서 갈립니다. 아래에서는 에이전트를 다스리는 네 트렌드를 작동 방식으로 풀고 맥락 층의 효과를 우리 데이터로 재는 방법을 붙였습니다.
핵심 메커니즘
AI Context Platforms: 에이전트에게 업무 맥락을 붙여 주는 층
AI Context Platform은 에이전트가 입력을 해석하고 결정하고 행동할 때 필요한 맥락 지식을 공급하는 시스템입니다. Gartner의 설명을 작동 순서로 풀면 이렇습니다. 에이전트가 일을 받으면, 실행 전에 맥락 층이 그 일에 걸린 용어 정의, 정책, 업무 절차, 목표를 모아 함께 넘깁니다. 에이전트는 그 범위 안에서 데이터를 고르고 판단합니다. Forbes 보도는 이를 흩어진 지식 때문에 에이전트의 쓸모가 줄어드는 문제에 대한 답으로 소개했고 National CIO Review는 벤더마다 경쟁 플랫폼을 내놓는 만큼 상호운용성이 중요하다고 전했습니다.
Alvarez는 전용 맥락 층이 없을 때의 위험으로 네 가지를 들었습니다. 필요 이상으로 권한을 가진 에이전트, 규정 위반, 낮은 신뢰, 과도한 토큰 소비입니다. 마지막 항목이 비용 예측과 이어집니다. 맥락이 없는 에이전트는 매번 표와 문서를 뒤져 의미를 추측하느라 토큰을 쓰고 그래도 틀립니다. 맥락 층은 업무가 한 부서 안에서 끝나지 않고 여러 시스템을 오가는 에이전트에 먼저 필요합니다. 가상 예시로, 영업 에이전트가 이번 분기 매출을 물으면 맥락 층은 매출이 출고 기준인지 계약 기준인지, 이 사용자가 볼 수 있는 지역이 어디인지를 먼저 붙여 줍니다.
AI-ready data의 semantics: 80%와 60%가 걸린 조건
Gartner 예측의 조건은 데이터 양이 아니라 semantics를 우선했느냐입니다. 같은 매출이라는 단어를 팀마다 다르게 계산하거나 고객 ID가 시스템마다 따로 놀면, 에이전트는 어느 쪽이 맞는지 알 수 없습니다. semantics를 갖춘다는 것은 용어마다 정의와 계산식, 담당자를 하나로 정하고 시스템 사이의 키를 이어 두는 일입니다. 그러면 에이전트는 표를 뒤지기 전에 정의를 먼저 읽고 답은 그 정의에 묶입니다. 80%와 60%는 Gartner가 제시한 최댓값이고 비교 기준은 공개되지 않았습니다. 목표치로 삼기보다 우리 데이터로 다시 재 볼 가설로 두는 편이 안전합니다.
AI Coding Agent Harness: 코딩 에이전트를 닫힌 고리로 다스리는 장치
AI Coding Agent Harness는 개발 수명 주기 전체에서 코딩 에이전트를 통제하는 닫힌 고리 제어 시스템입니다. 개발 도구를 기업의 맥락, 검증 단계, 피드백과 연결해, 에이전트가 만든 변경이 품질과 보안, 유지보수 기준을 맞는지 고리 안에서 확인합니다. 이 장치가 없으면 개발자가 기계가 만든 결과를 손으로 확인하느라 생산성 이득이 사라진다는 것이 Gartner의 설명입니다. Alvarez는 harness를 조직의 지식을 흡수하며 점점 나아지는 자산으로 봤습니다. 실패할 때마다 규칙이 늘어나는 구조라서 그렇습니다.
AI Agent Identity: 에이전트의 행동을 모델과 권한에 묶는 ID
AI Agent Identity는 모델, 프롬프트, 자격 증명을 에이전트의 행동에 연결하는 동적 ID 통제입니다. 지금 많은 조직은 서비스 계정 하나나 만료 없는 API 키를 여러 자동화가 함께 씁니다. 이러면 사고가 났을 때 어느 에이전트가 어떤 지시로 무엇을 했는지 되짚기 어렵습니다. Gartner는 에이전트마다 고유 ID를 주고 위험한 정적 자격 증명을 정책으로 통제되는 동적 접근으로 바꾸라고 권합니다. 2028년 기업 보안 침해의 25%가 에이전트 악용에서 비롯된다는 예측의 이유로는 관리되지 않는 기계 권한과 낡은 자격 증명 관행을 꼽았습니다.
Autonomous Exposure Remediation: 찾기부터 고치기까지 잇는 자동화
Autonomous Exposure Remediation(AER)은 AI와 자동화를 묶어 기업 전체의 보안 취약점을 찾고 우선순위를 매기고 고치는 일입니다. 패치나 virtual patch(코드 수정 없이 앞단에서 공격을 막는 임시 차단)를 자동으로 시험해 운영에 배포하는 데까지 갑니다. 에이전트가 늘면 공격 표면도 빠르게 늘어나므로 수정 속도를 사람 손에만 맡길 수 없다는 판단입니다. Forbes 보도에 따르면 조건이 하나 붙습니다. 수정은 빨라져야 하지만 실패한 변경을 찾아내 되돌릴 안전장치는 남겨야 합니다.
통념과 다른 주장
흔히 이렇게 봅니다에이전트가 자주 틀리면 더 좋은 모델로 바꾸거나 프롬프트와 검색 문서를 늘려야 한다.
Gartner는 이렇게 봅니다정확도와 비용은 데이터의 의미를 정리하고 맥락을 전용 층으로 공급하는 데서 함께 좋아집니다.
근거Gartner는 AI-ready data에서 semantics를 우선한 조직의 정확도 최대 80% 향상, 비용 최대 60% 절감을 예측했고 Alvarez는 맥락 층이 없을 때의 위험에 과도한 토큰 소비를 넣었습니다.
흔히 이렇게 봅니다코딩 에이전트가 코드를 빨리 쓰면 개발 생산성이 그만큼 오른다.
Gartner는 이렇게 봅니다검증과 피드백을 묶은 harness가 없으면, 사람이 결과를 확인하는 데 시간을 쓰면서 이득이 사라집니다.
근거Alvarez는 AI가 사람의 검토 속도보다 빨리 소프트웨어를 만들면서 관리되지 않는 자격 증명 경로와 단일 벤더 의존이 생기는 상황을 architectural vacuum(설계 공백)이라고 불렀습니다.
흔히 이렇게 봅니다최신 기술이 가장 유연하고 데이터를 국내에 두면 주권 문제는 풀린다.
Alvarez는 이렇게 봅니다SovereignTech는 데이터 위치를 넘어 스택 전체의 의존성을 다루며 현실적인 벤더 출구가 핵심입니다. 오래되고 이식성이 높은 기술이 더 유연할 때도 있습니다.
근거Gartner는 2030년 미국 밖 조직의 75% 넘게 디지털 주권 전략을 채택해 핵심 업무를 옮길 것으로 예측했습니다.
저자가 든 사례
architectural vacuum: 만드는 속도가 검토 속도를 앞지를 때
| 구분 | 내용 |
|---|---|
| 상황 | AI가 사람이 검토하는 속도보다 빨리 소프트웨어를 만든다 |
| 한 일 | Alvarez가 이를 키노트에서 설계 공백으로 규정 |
| 결과 | 관리되지 않는 자격 증명 경로, 단일 벤더 의존이 생긴다(원문에서 기업명·수치는 밝히지 않음) |
| 연결 | AI Coding Agent Harness, AI Agent Identity, SovereignTech가 각각 이 공백의 한 면을 메운다 |
합병 전용 애플리케이션: 버릴 시점을 처음부터 설계에 넣기
| 구분 | 내용 |
|---|---|
| 상황 | 기업 합병 뒤 통합 기간에만 필요한 업무가 생긴다 |
| 한 일 | 그 기간 전용 앱을 만들되 은퇴 시점을 설계에 넣는다 |
| 결과 | 통합이 끝나면 앱을 내려 장기 레거시로 남기지 않는다(효과 수치는 원문에서 밝히지 않음) |
| 연결 | Disposable Applications. 앱 포트폴리오를 오래 끌고 가는 투자가 아니라 움직이는 시스템으로 본다 |
기술 디테일: 맥락 층을 우리 데이터로 시험하려면
아래는 Gartner 트렌드를 우리 시스템에 옮길 때 필요한 설계로, AX Review가 새로 작성했습니다. 숫자와 필드 이름은 가상 예시입니다.
AI Context Platform의 첫 버전을 만들려면 맥락을 세 종류로 나눠 저장합니다. 용어·지표 정의, 정책, 사용자 권한입니다. 처음부터 플랫폼 제품을 사기보다, 에이전트가 가장 자주 받는 질문 30개에 걸린 용어만 골라 정의 파일로 시작합니다. 정의는 에이전트가 호출하는 도구(MCP 서버나 사내 API)로 내보내고 에이전트는 데이터를 조회하기 전에 이 도구를 먼저 부르게 시스템 프롬프트와 도구 순서로 강제합니다. 정의 한 건은 아래 정도의 필드를 둡니다.
{
"term": "net_revenue",
"label_ko": "순매출",
"definition": "출고 기준 매출에서 반품·할인을 뺀 금액",
"formula": "SUM(shipment_amount) - SUM(return_amount) - SUM(discount_amount)",
"source_tables": ["erp.shipment", "erp.returns"],
"grain": "월 · 법인 · 제품군",
"owner": "재무팀 결산 담당",
"policy": { "visible_roles": ["finance", "sales_lead"], "region_filter": "user.region" },
"version": "2026-10-27",
"not_to_confuse": ["gross_revenue", "booking_amount"]
}not_to_confuse처럼 헷갈리는 이웃 용어를 함께 적어 두면, 에이전트가 비슷한 칼럼을 잘못 고르는 실수가 줄어듭니다. version과 owner는 정의가 바뀌었을 때 누구에게 물을지와 어느 시점의 답인지를 남기기 위한 칸입니다.
80%·60%를 우리 데이터로 다시 재려면 같은 질문 세트로 A/B 평가를 돌립니다. 업무 담당자가 정답을 단 질문 50~100개를 만들고 기준선은 모델과 원본 테이블만, 비교 구성은 여기에 정의 도구를 더합니다. 모델과 버전은 고정하고 temperature는 0으로 두되, 같은 질문을 3회씩 돌려 답이 흔들리는 비율도 함께 셉니다. 채점은 숫자 답이면 허용 오차 안의 일치, 서술 답이면 사람 채점 0·1·2점으로 합니다. 비용은 질문 한 건당 입력·출력 토큰과 도구 호출 횟수를 로그로 남겨 건당 비용으로 바꿉니다. Gartner 수치는 최댓값이므로, 우리 기준선 대비 몇 %p가 나오는지가 판단 근거입니다.
AI Agent Identity를 붙이려면 에이전트 하나마다 등록 기록을 만듭니다. 필드는 agent_id, owner(책임자 사람), model과 prompt_version, allowed_tools, data_scopes, token_ttl입니다. 자격 증명은 작업 단위로 짧게(예: 15분) 발급하고 모든 도구 호출 로그에 agent_id와 prompt_version을 함께 남깁니다. 이렇게 하면 사고가 났을 때 어느 버전의 지시가 어떤 권한으로 무엇을 했는지 한 줄로 찾을 수 있습니다. 공유 서비스 계정과 만료 없는 키는 목록을 뽑아 교체 일정을 잡습니다.
AI Coding Agent Harness를 돌리려면 에이전트가 만든 변경이 병합 전에 거쳐야 할 검사를 파이프라인에 순서대로 둡니다. 단위 테스트, 정적 분석, 의존성·비밀값 검사, 조직 코딩 표준 검사입니다. 실패하면 실패 로그를 그대로 에이전트에게 돌려줘 다시 고치게 하고 재시도 횟수는 3회 정도로 제한해 무한 반복을 막습니다. 같은 이유로 반복 실패하는 규칙은 harness의 규칙집에 추가합니다. Alvarez가 harness를 조직 지식을 흡수하는 자산으로 본 것이 이 부분입니다.
AER을 시작하려면 처음에는 자동 수정 범위를 좁힙니다. 영향이 작은 시스템의 알려진 취약점만 자동 패치하고 배포는 일부 서버에 먼저 적용하는 canary 방식으로 합니다. 오류율이나 응답 시간이 미리 정한 기준을 넘으면 자동으로 되돌리게 합니다. 되돌림을 한 번 시험해 본 뒤에 범위를 넓힙니다.
실패하는 경우와 대응. 정의 파일이 실제 시스템과 어긋나면 에이전트는 틀린 정의를 확신 있게 따릅니다. 정의마다 원천 테이블과 계산식을 넣고 주 1회 계산식을 실제 데이터에 돌려 결산 숫자와 맞는지 확인합니다. 맥락을 너무 많이 붙이면 오히려 토큰이 늘어나므로, 질문에 걸린 용어만 가져오게 도구 호출 단위를 용어 하나로 둡니다. 벤더 맥락 플랫폼을 쓸 때는 정의를 표준 형식으로 내보낼 수 있는지 먼저 확인합니다. 상호운용성과 출구 전략은 SovereignTech와 같은 질문입니다.
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 담당 | 6주 동안 하는 일 |
|---|---|---|
| 스폰서 | CIO 또는 CDO | 대상 업무 승인, 정의 담당 부서 지정 |
| 데이터 오너 | 재무·영업 등 업무 부서 담당 각 1명 | 핵심 용어 정의와 계산식 확정, 정답 질문 작성 |
| 데이터 엔지니어 | 1~2명 | 정의 파일과 조회 도구 구축, 로그 수집 |
| AI 엔지니어 | 1명 | 에이전트 연결, A/B 평가 실행 |
| 보안 | CISO 조직 담당 1명 | 에이전트 ID 등록 양식, 권한 범위 검토 |
| 재무 | 1명 | 건당 토큰 비용 비교 |
시작 전 준비물: 에이전트나 사내 챗봇에 들어온 질문 로그 최근 3개월, 업무 부서가 쓰는 지표 정의서(있다면 엑셀이라도), 주요 테이블 목록과 담당자, 현재 AI 호출 비용 로그, 에이전트와 자동화가 쓰는 서비스 계정·API 키 목록입니다.
| 주차 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 대상 업무 1개 선정, 질문 50~100개와 정답 작성, 걸린 용어 추리기 | 질문·정답 세트, 용어 목록 |
| 3~4주 | 용어별 정의·계산식·담당자 확정, 정의 도구 구축, 에이전트 ID 등록 | 정의 파일, 등록된 에이전트 목록 |
| 5~6주 | 기준선과 맥락 추가 구성 A/B 평가, 판정 회의 | 정답률·비용 비교표, 확대 여부 결정 |
데이터 오너 인터뷰 질문: 이 지표를 부서마다 다르게 계산하는 경우가 있습니까? 숫자가 틀렸을 때 누구에게 묻습니까? 이 지표를 보면 안 되는 사람은 누구입니까? 이 용어와 가장 자주 헷갈리는 용어는 무엇입니까? 정의가 바뀐 마지막 시점은 언제입니까?
보안 담당 확인 질문: 지금 자동화가 쓰는 계정 가운데 소유자가 없는 것은 몇 개입니까? 만료 없는 키는 몇 개입니까? 에이전트가 한 행동을 사람 사용자 행동과 구분해 로그에서 찾을 수 있습니까?
진행 판정 기준(예시): 맥락 추가 구성이 기준선보다 정답률을 15%p 이상 올리고 건당 토큰을 20% 이상 줄였으며 정의마다 담당자가 지정됐다면 다음 업무로 넓힙니다. 개선이 10%p에 못 미치면 질문이 정의로 풀리는 유형인지부터 다시 봅니다. 담당자를 정하지 못한 정의가 남으면 확대하지 않습니다.
AX 적용 제언. 맥락 층은 여러 부서가 같은 숫자를 다르게 부르는 곳에서 효과가 큽니다. 재무 결산 질의, 영업 실적 대시보드를 대신하는 에이전트, 공급망의 재고·납기 질의가 먼저 시험할 곳입니다. 순서는 맥락 층으로 정확도를 먼저 재고 같은 시점에 에이전트 ID 등록을 시작하고 코딩 에이전트를 늘리기 전에 harness를 세우는 쪽이 안전합니다. 정의 작업은 IT가 아니라 업무 부서의 일이라는 점을 스폰서가 처음부터 못 박아야 합니다. 맥락 플랫폼 벤더를 고를 때는 정의를 표준 형식으로 꺼낼 수 있는지를 계약 조건으로 넣어, SovereignTech가 말하는 출구를 미리 확보합니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 발표 | Gartner, 2027 전략 기술 트렌드 10개(2026.10.20, Gartner IT Symposium/Xpo 2026, 올랜도) |
| 발표자 | Gene Alvarez, Gartner Distinguished VP Analyst |
| 세 묶음 | 텍스트 밖 AI 3개, 자율 에이전트 플랫폼 거버넌스 4개, 지속 가능한 민첩성 아키텍처 3개 |
| AI Context Platforms | 2027년까지 AI-ready data의 semantics를 우선한 조직은 에이전트 정확도 최대 80% 향상, 비용 최대 60% 절감(Gartner 예측, 비교 기준 비공개) |
| 맥락 층이 없을 때 | 과잉 권한 에이전트, 규정 위반, 낮은 신뢰, 과도한 토큰 소비 |
| AI Agent Identity | 2028년 기업 보안 침해의 25%가 에이전트 악용에서 비롯(Gartner 예측) |
| SovereignTech | 2030년 미국 밖 조직의 75% 넘게 디지털 주권 전략 채택(Gartner 예측) |
| 그 밖의 예측 | 2030년 LQM이 전략 예측·운영 모델링 작업의 25%에서 LLM을 대체, 기업 음성 상호작용의 70% 넘게 자율 처리(Gartner 트렌드 페이지) |
| 사례 | 합병 전용 앱(Disposable Applications), architectural vacuum 진단 |
핵심 개념
- AI-ready data
- AI가 추가 가공 없이 쓸 수 있게 정의·품질·접근 권한을 갖춘 데이터.
- semantics
- 데이터 값이 업무에서 무엇을 뜻하는지에 대한 정의. 용어, 계산식, 관계를 포함한다.
- virtual patch
- 코드를 고치지 않고 방화벽 같은 앞단 규칙으로 취약점 공격을 막는 임시 조치.
- Large Quantitative Models
- 숫자 데이터를 다루도록 만든 모듈형·하이브리드 신경망. 대응 중심 판단을 시뮬레이션 중심으로 옮긴다.
- World Models
- 공간, 시간, 인과를 이해하게 하는 물리 기반 모델. 에이전트가 행동 전에 결과를 시뮬레이션한다.
- Wetware as a Service
- 살아 있거나 합성한 생물학적 시스템을 클라우드로 빌려 계산에 쓰는 모델. Gartner는 성숙까지 몇 년이 더 걸린다고 본다.
- canary 배포
- 변경을 일부 서버에만 먼저 적용해 문제를 확인한 뒤 넓히는 배포 방식.
내 메모
TODO: 내 생각 추가
원문: CIO Dive, Gartner 2027 전략 기술 트렌드 관련 기사. 기사 본문은 이번 작업에서 직접 열지 못해, 같은 발표를 다룬 Gartner 보도자료(2026.10.20)와 Gartner 트렌드 페이지, Forbes(Peter High, 2026.10.22)와 National CIO Review 보도에서 확인한 사실만 썼습니다. 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 이 자료의 내용을 AX Review가 다시 정리했습니다. 기술·현업 디테일, JSON 예시, 평가 설계, 일정·판정 기준, 인포그래픽은 새로 작성했으며 숫자는 가상 예시입니다. 원문 전체는 CIO Dive에서 볼 수 있습니다.