에이전틱 AI (Agentic AI)가 애플리케이션 현대화 프로그램을 어떻게 변화시키고 있는가

현대화 (Modernization)는 수년 동안 이사회(boardroom)의 우선순위였지만, 여전히 많은 기업이 수십 년 전에 구축된 애플리케이션으로 중요한 운영을 수행하고 있습니다.

레거시 시스템 (Legacy systems)은 계속해서 트랜잭션을 처리하고, 고객 데이터를 관리하며, 핵심 비즈니스 기능을 지원합니다.

문제는 비즈니스 변화의 속도는 가속화된 반면, 현대화 접근 방식은 그렇지 못했다는 점입니다.

대부분의 현대화 프로그램은 여전히 느리고, 비용이 많이 들며, 리소스 집약적입니다. 팀들은 의미 있는 전환이 시작되기도 전에 애플리케이션을 평가하고, 의존성 (dependencies)을 문서화하고, 코드를 검토하며, 마이그레이션 경로를 계획하는 데 수개월을 소비합니다.

한편, 조직들은 더 빠르게 혁신하고, 비용을 절감하며, 더 큰 민첩성 (agility)으로 시장 변화에 대응해야 한다는 점점 더 커지는 압박에 직면해 있습니다.

이 지점에서 에이전틱 AI (Agentic AI)가 중대한 변화를 일으키고 있습니다.

전통적인 자동화나 심지어 생성형 AI (Generative AI)와 달리, 에이전틱 AI (Agentic AI)는 복잡한 현대화 활동을 독립적으로 분석, 계획, 추론 및 실행할 수 있습니다. 이는 현대화 이니셔티브를 위한 완전히 새로운 실행 모델을 도입합니다.

조직들은 수십 년 동안 한 번에 하나의 프로젝트씩 애플리케이션을 현대화해 왔습니다. 에이전틱 AI (Agentic AI)는 현대화 자체를 실행하는 방식을 근본적으로 바꿀 수 있는 첫 번째 기술이 될 수 있습니다.

전통적인 애플리케이션 현대화 프로그램이 어려움을 겪는 이유

애플리케이션 현대화는 결코 기술적인 문제만이 아니었습니다. 이는 종종 가시성, 복잡성, 그리고 실행의 문제입니다.

커지는 레거시 애플리케이션 문제

많은 기업이 인수 합병, 사업 확장, 기술적 결정 등을 통해 수년에 걸쳐 축적된 수백 또는 수천 개의 애플리케이션을 운영하고 있습니다.

이러한 환경은 일반적으로 다음과 같은 요소를 포함합니다:

상당한 기술 부채 (technical debt)
노후화된 아키텍처 (architectures)
거대한 모놀리식 시스템 (monolithic systems)
지원되지 않는 프레임워크 (frameworks)
구식 프로그래밍 언어
복잡한 인프라 의존성 (infrastructure dependencies)

시간이 흐름에 따라 이러한 애플리케이션들은 이해하고, 유지 관리하며, 발전시키기가 어려워집니다. 많은 조직에서 시스템을 처음 구축했던 개발자들은 이미 오래전에 떠난 상태입니다.

그 결과, 팀이 해결할 수 있는 속도보다 더 빠르게 확장되는 현대화 백로그 (modernization backlog)가 쌓여가고 있습니다.

일반적인 현대화 과제 (Common Modernization Challenges)

현대화 프로그램은 산업 분야와 관계없이 반복되는 장애물에 직면합니다.

가장 큰 과제 중 하나는 문서화 (documentation)의 부재입니다. 중요한 비즈니스 프로세스가 종종 애플리케이션 코드 내에만 존재하기 때문입니다.

또한 조직들은 다음과 같은 문제로 어려움을 겪습니다:

숨겨진 애플리케이션 의존성 (application dependencies)
복잡한 통합 (integrations)
제한된 현대화 전문 지식
리소스 제약 (resource constraints)
프로젝트 비용의 급증
비즈니스 중단 리스크

심지어 비교적 단순한 마이그레이션 (migration) 프로젝트라 할지라도, 실행 과정에서 알려지지 않은 의존성이 나타나면 훨씬 더 복잡해질 수 있습니다.

전통적인 접근 방식이 확장 불가능한 이유

대부분의 현대화 활동은 여전히 수동 작업 (manual effort)에 크게 의존하고 있습니다.

팀은 워크숍, 인터뷰, 스프레드시트, 코드 리뷰를 통해 애플리케이션 탐색 (application discovery)을 수행합니다. 아키텍트 (architects)들은 포트폴리오를 분석하고 마이그레이션 옵션을 평가하는 데 수개월을 소비합니다.

일반적인 병목 현상 (bottlenecks)은 다음과 같습니다:

수동 애플리케이션 평가
인력 집약적인 코드 분석
장기화되는 아키텍처 리뷰
느린 테스트 주기
연장된 마이그레이션 계획
리소스 집약적인 검증 프로세스

애플리케이션 포트폴리오가 성장함에 따라, 이러한 접근 방식은 규모를 확장하기가 점점 더 어려워집니다. 현대화는 종종 불확실한 결과를 초래하는 다년도 이니셔티브 (multi-year initiative)가 됩니다.

에이전틱 AI (Agentic AI)란 무엇인가?

에이전틱 AI가 현대화에 미치는 영향을 탐구하기 전에, 에이전틱 AI가 이전 세대의 인공지능과 무엇이 다른지 이해하는 것이 중요합니다.

에이전틱 AI의 정의

에이전틱 AI (Agentic AI)는 최소한의 인간 개입으로 정의된 비즈니스 목표를 달성하기 위해 자율적으로 계획을 세우고, 추론하며, 의사 결정을 내리고, 다단계 행동을 실행할 수 있는 AI 시스템을 의미합니다.

프롬프트(prompt)에 주로 반응하는 기존 AI 시스템과 달리, 에이전틱 AI (Agentic AI)는 목표를 향해 능동적으로 움직입니다.

이러한 시스템은 다음과 같은 작업을 수행할 수 있습니다:

복잡한 목표를 작업(task) 단위로 분해
실행 계획 (execution plans) 수립
정보 수집
도구 및 외부 시스템 사용
피드백을 기반으로 적응
결과물을 지속적으로 개선

이제 초점은 결과물(outputs)을 생성하는 것에서 목표(objectives)를 달성하는 것으로 이동합니다.

에이전틱 AI (Agentic AI) vs 생성형 AI (Generative AI)

생성형 AI (Generative AI)와 에이전틱 AI (Agentic AI)는 서로 연관되어 있지만 근본적으로 다릅니다.

생성형 AI (Generative AI)는 텍스트, 코드, 이미지 또는 요약과 같은 콘텐츠를 생성합니다. 이는 사용자의 지침에 반응합니다.

에이전틱 AI (Agentic AI)는 훨씬 더 나아갑니다.

이 시스템은 다음과 같은 일을 할 수 있습니다:

환경 분석
의사 결정
워크플로 (workflows) 실행
다중 활동 조정
자율적으로 목표 추구

생성형 AI (Generative AI)를 매우 유능한 조수라고 생각한다면, 에이전틱 AI (Agentic AI)는 제한된 감독 하에서도 복잡한 작업을 완료할 수 있는 실행 파트너라고 생각할 수 있습니다.

에이전틱 시스템의 핵심 구성 요소

에이전틱 AI (Agentic AI)가 효과적으로 작동할 수 있게 하는 몇 가지 역량이 있습니다.

여기에는 다음이 포함됩니다:

계획 에이전트 (Planning agents)
추론 엔진 (Reasoning engines)
장기 메모리 레이어 (Long-term memory layers)
도구 통합 (Tool integrations)
피드백 메커니즘 (Feedback mechanisms)
자율적 워크플로 오케스트레이션 (Autonomous workflow orchestration)

이러한 구성 요소들이 결합되어 에이전트가 콘텐츠 생성을 넘어 실제 운영 프로세스에 참여할 수 있도록 합니다.

에이전틱 AI가 애플리케이션 현대화를 변화시키는 방법

에이전틱 AI (Agentic AI)의 진정한 가치는 현대화 라이프사이클 전반에 적용될 때 나타납니다.

자동화된 애플리케이션 발견 (Automated Application Discovery)

애플리케이션 발견은 종종 현대화 과정에서 가장 많은 시간이 소요되는 단계 중 하나입니다.

전통적으로 팀은 이해관계자 인터뷰, 문서 검토, 의존성 매핑(mapping dependencies)에 수개월을 소비합니다.

에이전틱 AI (Agentic AI)는 이 프로세스를 획기적으로 가속화할 수 있습니다.

현대의 에이전트는 다음과 같은 작업을 수행할 수 있습니다:

애플리케이션 포트폴리오 스캔 (Scan application portfolios)
인프라 환경 분석 (Analyze infrastructure environments)
애플리케이션 의존성 매핑 (Map application dependencies)
통합 지점 식별 (Identify integration points)
기술 부채 평가 (Assess technical debt)
아키텍처 다이어그램 자동 생성 (Build architecture diagrams automatically)

수개월의 수동 작업이 필요한 대신, 에이전트는 몇 주 안에 수천 개의 애플리케이션을 분석할 수 있습니다.

이는 현대화 기회에 대한 전례 없는 가시성을 제공합니다.

지능형 레거시 코드 이해 (Intelligent Legacy Code Understanding)

가장 어려운 현대화 과제 중 하나는 레거시 코드 (Legacy code)를 이해하는 것입니다.

기업들은 종종 다음과 같은 시스템을 물려받습니다:

최소한의 문서화 (Minimal documentation)
유실된 조직적 지식 (Lost institutional knowledge)
복잡한 비즈니스 규칙 (Complex business rules)
수백만 줄의 코드 (Millions of lines of code)

에이전틱 AI (Agentic AI)는 이러한 시스템을 대규모로 역공학 (Reverse engineer)할 수 있습니다.

주요 기능은 다음과 같습니다:

코드 요약 (Code summarization)
비즈니스 규칙 추출 (Business rule extraction)
의존성 분석 (Dependency analysis)
아키텍처 재구성 (Architecture reconstruction)
문서 생성 (Documentation generation)

레거시 시스템을 해석하기 위해 전적으로 시니어 개발자에게 의존하는 대신, 기업은 AI 에이전트를 사용하여 코드베이스 (Codebases)에 내장된 숨겨진 지식을 찾아낼 수 있습니다.

현대화 전략 권장 (Modernization Strategy Recommendations)

올바른 현대화 경로를 선택하는 것은 종종 마이그레이션 (Migration) 자체를 수행하는 것보다 더 어렵습니다.

애플리케이션마다 서로 다른 접근 방식이 필요합니다.

에이전틱 AI (Agentic AI)는 애플리케이션의 특성을 평가하고 널리 채택되는 6R 프레임워크 (6R framework)를 사용하여 현대화 전략을 권장할 수 있습니다.

이 프레임워크에는 다음이 포함됩니다:

Rehost (리호스트)
Replatform (리플랫폼)
Refactor (리팩터)
Repurchase (리퍼체스)
Retire (리타이어)
Retain (리테인)

에이전트는 아키텍처 복잡성, 비즈니스 중요도, 운영 의존성 및 기술 부채를 분석함으로써 각 워크로드 (Workload)에 가장 적합한 경로를 권장할 수 있습니다.

이는 현대적인 클라우드 전환 방법론 및 워크로드별 의사결정을 강조하는 AWS Migration and Modernization 프로그램과 밀접하게 맞닿아 있습니다.

AI 지원 코드 변환 (AI-Assisted Code Transformation)

코드 변환 (Code transformation)은 많은 현대화 프로그램에서 대부분의 노력이 소비되는 영역입니다.

역사적으로 애플리케이션을 재작성하는 데에는 대규모 엔지니어링 팀과 광범위한 일정이 필요했습니다.

에이전틱 AI (Agentic AI)는 다음과 같은 방식을 통해 변환을 가속화할 수 있습니다:

레거시 언어 변환 (Legacy language conversion)
프레임워크 업그레이드 (Framework upgrades)
모놀리스 분해 (Monolith decomposition)
API 생성 (API generation)
클라우드 네이티브 리팩터링 (Cloud-native refactoring)

예시로는 다음과 같은 것들이 있습니다:

.NET Framework에서 .NET Core로의 전환
Java 모놀리스에서 마이크로서비스 (microservices)로의 전환
레거시 미들웨어에서 API로의 전환
COBOL 현대화 이니셔티브 (COBOL modernization initiatives)

에이전트는 개발자를 대체하는 대신, 반복적인 엔지니어링 노력을 줄여줌으로써 팀이 아키텍처와 비즈니스 결과에 집중할 수 있도록 합니다.

클라우드 마이그레이션 가속화 (Accelerating Cloud Migration)

클라우드 마이그레이션 (Cloud migration) 및 현대화 이니셔티브는 워크로드를 한 환경에서 다른 환경으로 이동하는 것 그 이상의 과정을 포함합니다.

성공적인 프로그램에는 평가, 계획, 거버넌스 (governance), 보안, 최적화 및 현대화가 필요합니다.

에이전틱 AI는 다음과 같은 방식을 통해 클라우드 마이그레이션을 지원합니다:

인프라 분석 (Infrastructure analysis)
워크로드 매핑 (Workload mapping)
의존성 발견 (Dependency discovery)
마이그레이션 계획 (Migration planning)
구성 생성 (Configuration generation)
리소스 최적화 (Resource optimization)

주요 현대화 영역에는 다음이 포함됩니다:

컨테이너화 (Containerization)
Kubernetes 도입 (Kubernetes adoption)
서버리스 아키텍처 (Serverless architectures)
코드로서의 인프라 (Infrastructure as Code)

이는 조직이 마이그레이션 리스크를 줄이면서 애플리케이션을 현대화하고자 하는 기업의 AWS 마이그레이션 및 현대화 (AWS Migration and Modernization) 이니셔티브를 직접적으로 지원합니다.

자율 테스트 및 품질 엔지니어링 (Autonomous Testing and Quality Engineering)

테스트는 여전히 현대화의 가장 큰 병목 현상 중 하나로 남아 있습니다.

많은 프로그램에서 테스트는 전체 노력의 30%에서 50% 사이를 소비합니다.

에이전틱 AI가 이러한 역학 관계를 바꾸고 있습니다.

현대의 AI 기반 품질 엔지니어링 (quality engineering) 관행은 다음을 지원합니다:

자동 테스트 생성 (Automated test generation)
회귀 자동화 (Regression automation)
셀프 힐링 테스트 스크립트 (Self-healing test scripts)
결함 예측 (Defect prediction)
리스크 기반 테스트 (Risk-based testing)

AI 기반 테스트 에이전트는 애플리케이션 변경 사항을 지속적으로 모니터링하고, 인터페이스나 워크플로가 진화할 때 테스트 스위트 (test suites)를 자동으로 조정할 수 있습니다.

그 결과, 더 빠른 검증 주기와 현저히 향상된 테스트 효율성을 얻을 수 있습니다.

현대화 프로그램에서 에이전틱 AI (Agentic AI)의 비즈니스 영향

기술 리더들은 단순한 기술적 역량보다는 측정 가능한 비즈니스 성과에 점점 더 많은 관심을 기울이고 있습니다.

더 빠른 현대화 타임라인

아마도 가장 눈에 보이는 이점은 속도일 것입니다.

조직은 다음과 같은 방식을 통해 타임라인을 단축할 수 있습니다:

더 빠른 애플리케이션 평가 (application assessments)
가속화된 의존성 발견 (dependency discovery)
자동화된 문서화 (automated documentation)
신속한 코드 변환 (rapid code transformation)
지속적인 테스트 (continuous testing)

한때 몇 달이 소요되었던 활동들이 종종 몇 주 만에 완료될 수 있습니다.

더 낮은 현대화 비용

현대화 예산은 빈번하게 수동 작업 (manual labor)에 의해 대부분을 차지합니다.

에이전틱 AI (Agentic AI)는 다음과 같은 방식으로 비용을 절감합니다:

평가 자동화 (assessment automation)
엔지니어링 노력 감소 (reduced engineering effort)
테스트 오버헤드 (testing overhead) 감소
더 빠른 전달 주기 (faster delivery cycles)
리소스 활용도 개선 (improved resource utilization)

자동화가 증가함에 따라, 조직은 팀 규모를 비례적으로 늘리지 않고도 더 큰 포트폴리오를 현대화할 수 있습니다.

향상된 현대화 품질

일관성 (Consistency) 또한 주요한 장점입니다.

AI 에이전트 (AI agents)는 미리 정의된 규칙과 목표에 따라 작업을 수행합니다.

이점은 다음과 같습니다:

표준화된 문서화 (standardized documentation)
일관된 코드 분석 (consistent code analysis)
더 나은 마이그레이션 권장 사항 (migration recommendations)
개선된 테스트 커버리지 (improved testing coverage)
인적 오류 (human error) 감소

이는 더욱 예측 가능한 현대화 결과로 이어집니다.

감소된 현대화 리스크

리스크 감소는 궁극적으로 가장 가치 있는 결과가 될 수 있습니다.

에이전틱 AI (Agentic AI)는 다음과 같은 사항들을 식별함으로써 가시성을 개선합니다:

숨겨진 의존성 (hidden dependencies)
아키텍처 약점 (architecture weaknesses)
컴플라이언스 (compliance) 우려 사항
보안 취약점 (security vulnerabilities)
마이그레이션 차단 요소 (migration blockers)

조기에 식별한다는 것은 실행 단계에서 예기치 못한 상황이 줄어든다는 것을 의미합니다.

대규모 AWS 마이그레이션 및 현대화 (AWS Migration and Modernization) 이니셔티브를 추진하는 조직의 경우, 이러한 가시성은 계획의 정확도와 마이그레이션 신뢰도를 크게 향상시킬 수 있습니다.

애플리케이션 현대화에서 에이전틱 AI (Agentic AI)의 실제 사용 사례

레거시 ERP 현대화

ERP 시스템은 기업 내에서 가장 복잡한 애플리케이션 중 하나인 경우가 많습니다.

주요 과제는 다음과 같습니다:

광범위한 커스터마이징 (Customization)
비즈니스 핵심 프로세스 (Business critical processes)
대규모 통합 네트워크 (Large integration networks)
제한된 문서화 (Limited documentation)

에이전틱 AI (Agentic AI)는 ERP 환경을 분석하고, 비즈니스 로직 (Business logic)을 추출하며, 의존성 (Dependencies)을 식별하고, 현대화 로드맵 (Modernization roadmaps)을 생성할 수 있습니다.

조직은 주요 투자 결정을 내리기 전에 현대화 옵션에 대해 더 명확한 이해를 얻을 수 있습니다.

클라우드 마이그레이션 프로그램 (Cloud Migration Programs)

클라우드 마이그레이션 (Cloud migration) 이니셔티브에는 수천 개의 기술적 결정이 포함됩니다.

에이전틱 AI (Agentic AI)는 다음을 지원합니다:

준비도 평가 (Readiness assessments)
마이그레이션 계획 (Migration planning)
리소스 매핑 (Resource mapping)
구성 최적화 (Configuration optimization)
비용 관리 (Cost management)

이는 조직이 거버넌스 (Governance)와 통제를 유지하면서 현대화를 가속화할 수 있도록 돕습니다.

메인프레임 현대화 (Mainframe Modernization)

메인프레임 (Mainframe) 환경은 은행, 보험, 정부와 같은 산업 전반에서 여전히 매우 중요합니다.

에이전틱 AI (Agentic AI)는 다음과 같은 방식으로 도움을 줄 수 있습니다: