에이전트 스택: 2026년 필리핀 기업들이 챗봇 구축을 멈추고 워크플로(Workflows)를 연결하기 시작할 이유

2027년까지 기업용 소프트웨어 애플리케이션의 40%가 에이전트형 AI (agentic AI) 기능을 포함하게 될 것이며, 이는 2024년의 5% 미만에서 크게 증가한 수치입니다 (출처: Gartner, 2024). 2023년의 챗봇(chatbots)은 이미 화석이 되었습니다. 이를 대체하는 것은 더 조용하고, 덜 눈에 띄며, 훨씬 더 중대한 것입니다. 바로 실제 비즈니스 워크플로 (workflows) 내부에서 읽고, 결정하고, 쓰고, 파일을 정리하고, 문제를 에스컬레이션 (escalate)하는 작고 역할에 특화된 AI 에이전트 (AI agents)들의 스택 (stack)입니다.

필리핀 기업들에게 이러한 변화는 다소 난처한 시점에 찾아왔습니다. 규제 기관들은 AI 거버넌스 (AI governance)에 대한 규제를 강화하고 있으며 (BSP는 2026년 상반기에 금융 기관을 위한 윤리적 AI 규칙을 확정했습니다), 이사회는 AI 지출에 대한 측정 가능한 ROI (투자 대비 수익)를 요구하고 있고, 현장 팀들은 파일럿 어시스턴트 (pilot assistants)가 전혀 확장되지 못했기 때문에 조용히 스프레드시트로 돌아가고 있습니다. "우리는 AI 전략이 있다"와 "AI가 실제로 업무를 수행한다" 사이의 간극은 그 어느 때보다 넓습니다.

프롬프트 (Prompts)에서 프로세스 (Processes)로

필리핀의 대부분의 기업용 AI 배포는 여전히 2023년의 플레이북을 따르고 있습니다. 즉, 채팅창, 검색 파이프라인 (retrieval pipeline), 그리고 웹 앱 뒤에 숨겨진 모델 래퍼 (model wrapper) 형태입니다. 그러한 아키텍처 (architecture)는 FAQ에는 적합합니다. 하지만 대출 승인, 규제 보고서 제출, 벤더 온보딩 (vendor onboarding), 급여 배치 조정과 같이 결과가 따르는 작업을 요청하면 무너집니다.

새로운 패턴은 챗봇 (chatbot)이 아니라 에이전트 스택 (agent stack)입니다. 각 에이전트는 좁은 범위의 업무를 소유하고, 적절한 도구를 보유하며, 정의된 워크플로 (workflow) 내에서 다음 에이전트에게 깔끔하게 업무를 인계합니다. Bangko Sentral ng Pilipinas는 AI 거버넌스 (AI governance)가 "명확한 책임 라인, 감사 추적 (audit trails), 그리고 인간의 감독 지점 (human oversight points)"을 필요로 한다고 설명하며 정확히 이러한 방향을 시사했습니다 (출처: BSP, 2025). 이것은 챗봇 (chatbot)에 대한 이야기가 아니라 아키텍처 (architecture)에 대한 이야기입니다.

에이전트 스택의 5가지 계층

작동하는 에이전트 스택 (agent stack)은 5가지 계층을 가지고 있으며, 이 중 어느 하나라도 건너뛰는 것이 대부분의 필리핀 파일럿 프로젝트가 실패하는 원인입니다.

1. 의도 및 라우팅 (Intent and Routing). 사용자(또는 상위 시스템)가 실제로 무엇을 원하는지 분류하고 이를 적절한 에이전트(Agent)로 전달하는 얇은 계층입니다. 이것은 모델 자체가 아닙니다. 이는 정책 객체(Policy object)입니다. 즉, 어떤 에이전트가 어떤 요청을 처리할 수 있는지, 그리고 어떤 에스컬레이션(Escalation) 규칙을 따르는지를 정의합니다.

2. 도구 제한 에이전트 (Tool-Bound Agents). 각 에이전트에게는 인터넷 전체가 아닌, 엄격하게 제한된 도구 세트가 부여됩니다. 대출 심사 에이전트에게는 신용 정보국 API, 정책 문서 검색기(Policy-document retriever), 그리고 구조화된 출력 스키마(Structured output schema)가 주어집니다. 그 외에는 아무것도 없습니다. 이 계층은 규제 기관이 가장 중요하게 여기는 부분인데, 도구가 제한되어 있어야 행동의 설명 가능성(Explainability)이 확보되기 때문입니다 (출처: McKinsey, 2025).

3. 메모리 및 컨텍스트 (Memory and Context). 단기 메모리는 워크플로 스레드(Workflow thread)에 존재합니다. 장기 메모리는 보존 규칙(Retention rules)과 액세스 제어(Access controls)가 적용된 관리형 저장소(Governed store)에 존재합니다. 필리핀의 데이터 프라이버시 규정(NPC가 집행하는 2012년 데이터 프라이버시법)은 이 계층을 선택이 아닌 필수 사항으로 만듭니다. 잘못된 데이터가 들어가면 잘못된 결과가 나올 뿐만 아니라(Garbage in, garbage out), 그 위에 컴플라이언스(Compliance) 위반까지 더해집니다.

4. 가드레일 및 관측 가능성 (Guardrails and Observability). 모든 작업은 로그로 기록됩니다. 모든 모델 호출에는 프롬프트(Prompt)와 응답(Response) 기록이 남습니다. 모든 도구 호출에는 승인 또는 거부 사유가 포함됩니다. 이 계층은 감사관의 질문에 30일이 아닌 30초 만에 답변할 수 있게 해줍니다.

5. 인간 참여형 인터페이스 (Human-in-the-Loop Surfaces). 에이전트가 지루한 95%의 업무를 수행합니다. 인간은 판단, 에스컬레이션 또는 책임이 필요한 나머지 5%를 처리합니다. 이러한 인간을 위한 인터페이스는 의도적으로 지루해야 합니다. 즉, 대화창(Chat box)이 아니라 큐(Queue), 컨텍스트 요약, 명확한 승인 또는 거절 버튼 형태여야 합니다.

필리핀 팀들이 왜 2단계에서 정체되는가

필리핀의 AI 도입에서 가장 흔한 실패 패턴은 채팅 인터페이스에는 과도하게 투자하면서, 도구 제한 에이전트(Tool-bounded agents)에는 과소 투자하는 것입니다. 그 이유는 구조적입니다. 도구 바인딩(Tool binding)은 핵심 시스템(코어 뱅킹, HRIS, ERP, 그리고 SSS, PhilHealth, BIR eFPS와 같은 정부 포털)과의 깊은 통합을 요구하며, 이러한 통합은 벤더들이 데모 슬라이드에 담지 않는 어렵고 화려하지 않은 작업이기 때문입니다.

두 번째 실패 패턴은 메모리(Memory)를 공짜라고 취급하는 것입니다. 팀들은 벡터 데이터베이스 (Vector Database)를 연결하고, 모든 채팅 로그와 이메일을 그 안에 쏟아부은 뒤, 그것을 지식 관리 (Knowledge Management)라고 부릅니다. 6개월 후, 시스템은 존재하지도 않는 고객 잔액을 환각 (Hallucination)하여 내뱉고, 신뢰는 사라집니다.

세 번째는 "나중에 추가하겠다"라는 이유로 관측성 계층 (Observability Layer)을 완전히 건너뛰는 것입니다. 하지만 '나중'은 결코 오지 않습니다. 첫 번째 규제 조사, 첫 번째 내부 부정 사례, 또는 첫 번째 고객 불만이 발생했을 때, 읽을 수 있는 로그가 없어 포렌식 (Forensic) 작업 자체가 불가능해집니다.

2026년의 이상적인 모습

이를 제대로 수행하고 있는 팀들은 세 가지 습관을 공유합니다. 이들은 하나의 모델이 아닌, 하나의 워크플로 (Workflow)에서 시작합니다. 이들은 처리량이 많고, 창의성이 낮으며, 명확한 인간 담당자가 있는 워크플로를 선택한 다음, 그 중 90%를 자동화하고 나머지 10%를 사람에게 전달합니다. 현재 필리핀 전역의 사례로는 지방 은행의 대출 서류 분류 (Triage), 대기업의 벤더 마스터 데이터 (Vendor Master-data) 정리, 디지털 지갑의 1차 부정 결제 경고 등이 있습니다.

이들은 단순히 사용자가 아닌 규제 기관을 위해 설계합니다. BSP(필리핀 중앙은행)나 NPC(개인정보보호위원회)가 조사를 요청할 때, 그들의 답변은 허둥지둥 슬랙 (Slack)을 검색하는 것이 아니라 구조화된 로그가 담긴 폴더가 됩니다. 이는 경쟁 우위가 되고 있습니다. 깨끗한 감사 추적 (Audit Trail)을 보여줄 수 있는 은행들이 그렇지 못한 은행들보다 기관 파트너십을 더 빠르게 체결하고 있습니다.

이들은 에이전트 스택 (Agent Stack)을 기능이 아닌 인프라 (Infrastructure)로 취급합니다. 여기에는 버전 관리 (Version Control), 변경 관리 (Change Management), 온콜 로테이션 (On-call Rotation), 그리고 워크플로당 비용 (Cost-per-workflow) 수치가 포함됩니다. 경영진이 지난 분기 AI 비용이 얼마였냐고 물었을 때, 답변은 '느낌(Vibes)'이 아닌 페소(Pesos) 단위로 나옵니다.

FAQ

Q: 에이전트 스택은 멀티 에이전트 AI (Multi-agent AI)와 동일한가요?
A: 멀티 에이전트 AI는 에이전트 스택 내부의 하나의 패턴입니다. 스택에는 에이전트 자체를 둘러싸고 있는 라우팅 (Routing), 메모리 (Memory), 가드레일 (Guardrails), 그리고 인간 에스컬레이션 (Human Escalation) 계층이 포함됩니다.

Q: 필리핀의 소규모 기업들도 이 정도 수준의 아키텍처가 필요한가요?
A: 전체 스택이 모두 필요한 것은 아닙니다. 대부분의 중소기업 (SME)은 도구 기반의 에이전트 하나와 인간 검토 대기열 (Human Review Queue)로 시작할 수 있으며, 처리량이 늘어나 투자가 정당화됨에 따라 다른 계층으로 확장해 나갈 수 있습니다.

Q: 건너뛰기에 가장 비용이 적게 드는 계층은 무엇인가요?
A: 어느 것도 없습니다. 라우팅 (Routing)을 건너뛰면 혼란이 발생합니다. 메모리 (Memory)를 건너뛰면 일관성이 결여됩니다. 가드레일 (Guardrails)을 건너뛰면 규제 리스크가 발생합니다. 휴먼 서피스 (Human surface)를 건너뛰면 아무도 신뢰하지 않는 시스템이 됩니다.

Q: 작동 가능한 에이전트 스택 (Agent stack)을 배포하는 데 얼마나 걸리나요?
A: 단일 워크플로 (Single-workflow) 파일럿은 6~10주 안에 라이브로 운영될 수 있습니다. 여러 워크플로를 지원하는 프로덕션 등급 (Production-grade) 스택은 일반적으로 두 분기(Two quarters)의 시간과 한 명의 숙련된 통합 엔지니어 (Integration engineer)가 필요합니다.

핵심 요약 (Key Takeaway)

챗봇 시대는 기업들에게 AI가 가능하다는 것을 가르쳐 주었습니다. 에이전트 스택 시대는 어떤 기업이 AI를 통해 실제로 수익을 창출할 수 있는지를 결정할 것입니다. 2026년에 앞서 나가는 필리핀 조직들은 가장 똑똑한 모델을 가진 곳들이 아닙니다. 그들은 가장 깔끔한 아키텍처 (Architecture), 가장 지루할 정도로 명확한 로그 (Logs), 그리고 에이전트와 인간 사이의 가장 절제된 핸드오프 (Hand-off)를 갖춘 조직들입니다.

이 글을 읽고 있는 모든 CIO와 COO에게 던지는 질문은 동일합니다. 만약 내일 당신의 AI 배포 현황에 대한 감사가 진행된다면, 사용된 프롬프트 (Prompt), 호출된 도구 (Tools), 접촉한 데이터 (Data), 그리고 결과를 승인한 인간 (Human)을 제시할 수 있습니까? 만약 대답이 '아니오'라면, 당신은 AI 전략을 가진 것이 아닙니다. 당신은 데모 (Demo)를 가진 것입니다.

향후 90일 이내에 에이전트가 업무의 90%를 수행하고 인간이 나머지 부분을 검토할 수 있는 귀사 조직 내의 단 하나의 워크플로는 무엇입니까?

출처 (Sources)

• Gartner: Top Strategic Technology Trends for 2025
• BSP Statement on Ethical AI in Financial Services (2025)
• McKinsey: The State of AI in 2025
• National Privacy Commission: Data Privacy Act of 2012