닫기
과정 구분
과정 카테고리
태그
검색어
[크리스의 SW아키텍트④] AI 코딩 시대...아키텍트 역할 더 중요해져

[크리스의 SW아키텍트④] AI 코딩 시대...아키텍트 역할 더 중요해져

한 두개 AI 모델만으론 완벽한 경쟁력 유지할 수 없어..."책임은 분산되지 않고 오히려 집중" - 나희동 크리스컴퍼니 대표(기술사/CPSA) 지난 글들에서 정보기술(IT) 시스템 장애와 보안 문제의 근본 원인을 아키텍처에서 찾았다. 이제 IT 시스템은 중대한 시험대에 올랐다."다음 금융 위기는 잘못된 거래가 아니라, 인공지능(AI) 기반 시장을 감당 못하는 낡은 아키텍처에서 올 것"이라는 경고는 현실이 되고 있다. 실제로 AI를 도입한 기업 중 63%가 아키텍처 미정렬(architectural misalignment)로 보안 위험 증가와 프로젝트 지연을 겪는다는 조사 결과도 있다.이런 상황에서 SW개발 방식도 근본적으로 바뀔 것이라는 예상이 지배적이다. 심지어 개발자 없이도 인공지능(AI)을 이용한 '그루브 코딩(Groove Coding)'으로 대형 시스템을 만들 수 있다는 막연한 기대마저 존재한다. 하지만 아직까지는 일부 이미 확정된 아키텍처 위에서 간단한 기능 구현 정도가 가능하다. 이런 상황에서 기업이나 조직의 AI 네이티브(AI Native) 전략은 스타트업(StartUp)이든 기존 기업이든 결코 쉬운 일이 아니다.AI 네이티브 기업을 달성하려면 다양한 모델과 아키텍처가 고도화하고 튜닝 되어야 한다. 한두 개의 AI 모델만으로는 완벽한 경쟁력을 유지할 수 없다는 뜻이다. AI 기술이 통합되면서 발생하는 복잡성은 기존 아키텍처에 막대한 부하를 주며, 새로운 유형의 기술 부채(Technical Dept)를 유발하고 있다.현재 각 클라우드 기업 간 AI프론티어 모델 개발경쟁은 매우 치열하며 주도권 전쟁이 한창이다. 다양한 업무 에이전트들이 개발되고 있다. 하지만 이런 영역별 AI 에이전트(AI Agent)는 여전히 어떤 파운데이션 모델(Foundation Model)이 최적인지 많은 연구가 필요하다. 어떤 비즈니스 모델도 한두 개의 AI 모델로 완벽한 비즈니스 경쟁력을 유지하지 못하고, 여러 모델을 혼용해서 최적의 자신만의 AI모델을 만들어 내야 한다.최상의 성능을 내던 AI 프론티어모델(챗GPT, 제미나이, 클로드같은 범용 LLM들)도 새로운 데이터나 다른 기술이 등장하면 성능이 무너지곤 한다. 최고의 AI 프론티어 기업들조차 한두 달을 못 버티고 기능이 뒤처지거나 모델 붕괴 현상을 겪는다. 각국은 자국의 AI 소버린(Sovereign) 전략을 세워 자국의 AI 경쟁력을 유지하려고 사활을 걸고 있다. AI 기술은 단순히 기술이 아니라 정치이고 국제 외교다.이미 미국 빅테크 기업 두세 곳이 아프리카 전체 GDP보다 더 많은 예산을 프론티어 AI모델 개발에 투자하고 있다. 우리나라도 1년 SW 분야 전체 시장에 맞먹는 연간 20조원을 향후 5년간 100조원의 투자를 한다고 한다. 그만큼 다양한 시도와 변화가 일어나고 있다는 방증이다.이러한 상황에서 필자는 SW 아키텍트로서 작년 하반기부터 매일 출시되는 AI 모델들을 연구하며 글로벌 전문가들과 'AI 발전 시 SW 개발자는 어떻게 될까?'에 대해 토론해 왔다. 인상적인 결론은 "책임은 분산되지 않고 오히려 집중된다"는 것이었다. 아무리 AI가 발전해서 AI가 전체 시스템을 다 코딩할 수 있게 되더라도 결국에 책임은 누군가 전문가 몇 명이 져야 한다는 뜻이다. 이제는 한 명의 SW아키텍트가 전체를 장악하고 이해하며 변화에 대응해야 한다는 것이다.에전 SW 아키텍트는 전체 아키텍처를 인간 개발자들을 가르쳐서 통일된 아키텍처를 구현해야 했다면, 이제는 AI와 AI 에이전트들을 통해 명확한 SW 아키텍처를 구현하고 유지해야 한다는 것이다. 바로 이 대목이 SW 아키텍트가 새롭게 부각되는 이유다.SW 아키텍트는 비즈니스 전략을 이해하고, 비즈니스 요구사항을 꿰뚫어 거기에 맞는 AI 기술 구조를 정렬시킬 수 있어야 한다. 이 기술 전략을 모든 사람에게 이해시키고, 큰 그림(Big Picture)으로 그려 조직에 제시할 수 있어야 한다. 때문에 실제로 지난 2년전부터 유럽, 북미를 중심으로 전세계에 SW아키텍트 전문가 인증 자격자의 숫자가 늘어나고 있다. 새로운 AI 기술들조차 기존 아키텍처 안에서 기술 부채를 최소화하며 고품질 SW를 만들려 노력한다.SW 아키텍트는 AI라는 강력한 조력자를 통해 과거에는 상상하기 어려웠던 복잡하고 도전적인 문제들을 해결하며, 더욱 혁신적이고 가치 있는 시스템을 창조해 나갈 것이다. 다음 편에서는 AI를 활용해 SW 아키텍트가 어떻게 미래에 일할지 말할 예정이다.

  • 작성자최고관리자
  • 작성일2025.11.04
  • 조회수38
[크리스의 SW아키텍트⑤] 생성AI, SW 아키텍트 조력자인가 경쟁자인가?

[크리스의 SW아키텍트⑤] 생성AI, SW 아키텍트 조력자인가 경쟁자인가?

"지금은 AI가 직접 코드를 생성하는 SW 3.0시대"...'증강 아키텍트'로 진화 - 나희동 크리스컴퍼니 대표(기술사·CPSA)지난 칼럼에서 AI때문에 오히려 시스템 보안이 취약해질 수 있고, 그 이유가 복잡해진 SW아키텍처 때문이고, 그래서 AI가 코딩을 돕는 시대에 SW 아키텍트 역할이 오히려 더 중요질 것이라고 했다. 이는 AI가 자동으로 시스템을 설계하고 코드를 생성하더라도, 그 결과에 대한 책임은 누군가 져야하기 때문이다.책임은 분산되지 않는다. 오히려 집중된다. 이 사실은 생성형 AI가 SW 개발 생태계를 혁신하는 지금, 우리가 가장 주목해야 할 핵심이다. 명시적인 코드로 개발하던 시대를 Software 1.0, 신경망을 데이터로 훈련시키던 머신러닝 시대를 Software 2.0, 현재의 AI가 직접 코드를 생성하는 시대를 ‘Software 3.0’ 이라 부른다. 이렇게 소프트웨어가 시스템의 가치와 복잡성을 지배하는 ‘소프트웨어 중심 시스템(Software-Intensive system)’으로 전환이 가속화할수록, 그 중심을 잡는 SW 아키텍트 역할은 더 중요해질 수밖에 없다.최근 SW 개발 현장은 AI가 주도하는 새로운 패러다임으로 빠르게 전환하고 있다. 개발자와 AI가 마치 재즈 연주처럼 호흡을 맞추며 코드를 짜는 ‘그루브 코딩(Groove Coding)’은 더 이상 미래의 이야기가 아니다. 또한, 수십 년 묵은 레거시 시스템을 현대화하는 일에도 AI가 투입되고 있다. 그래프신경망(GNN) 같은 기술은 복잡한 코드 구조를 분석해, 사람의 눈으로는 찾기 힘든 병목 지점과 최적의 개선 경로를 제안하는 수준에 이르렀다.이런 흐름 속에서 SW 아키텍트 역할 역시 AI로 능력이 강화된 ‘증강 아키텍처(Augmented Architecture)’라는 개념으로 진화하고 있다. 이는 아키텍트가 AI를 단순 도구가 아닌, 지능적인 파트너로 삼아 설계 과정을 협력적으로 수행하는 것을 의미한다. 아키텍트가 목표를 제시하면, AI는 가능한 아키텍처 패턴들의 장단점, 예상 비용을 순식간에 함께 제시한다. 아키텍트는 이 대안들을 비교, 검토하며 자신의 통찰력을 더해 최적의 설계를 완성한다. 과거 몇 주가 걸렸을 분석과 설계 과정이 AI덕분에 단 며칠로 단축된다. 놀라운 생산성 향상이다.하지만 화려한 기술 이면에는 반드시 경계해야 할 함정이 존재한다. AI가 제안하는 설계안은 과거 데이터 기반이므로, 우리 회사의 특수한 맥락이나 미래의 시장 변화까지는 예측하지 못한다. 특히 AI가 무심코 생성한 코드에 숨겨진 보안 취약점이나 비효율적인 구조는 ‘AI가 생성한 기술 부채’ 라는 새로운 재앙을 낳을 수 있다. 개발팀이 AI가 제안한 설계의 원리를 깊이 이해하지 못하고 ‘블랙박스’처럼 받아들이기 시작하면, 장기적인 시스템 유지보수와 확장은 미궁에 빠질 수 있다.국제 SW아키텍트 협회(iSAQB)는 아키텍트 역할을 요구사항 명확화, 구조 설계, 아키텍처 평가 및 소통, 구현 모니터링 등으로 정의한다. AI는 이 중 구조 설계 초안 작성이나 기술적 평가 같은 작업을 훌륭하게 보조한다. 하지만 AI가 더 많은 기술적 작업을 수행할수록, 역설적으로 인간 아키텍트의 본질적인 역할은 더욱 선명하게 부각된다.결국 SW 아키텍트 핵심 역할은 기술과 비즈니스, 그리고 사람을 연결하는 것이다. 비즈니스 전략을 깊이 이해하고, 이를 실현 가능한 기술적 청사진으로 그려내는 것이 첫 번째 임무다. 그리고 이 청사진이 왜 최선인지를 경영진부터 개발자까지 모든 이해관계자에게 그들의 언어로 설명하고 설득해 조직 전체의 공감대를 이끌어내야 한다.마지막으로, 예상치 못한 변화가 닥쳤을 때, 전체 조직이 흔들림 없이 기민하게 대응하도록 이끄는 오케스트라의 지휘자가 돼야 한다. 이것은 AI가 결코 대체할 수 없는, 인간 아키텍트 고유의 통찰과 리더십 영역이다.결론적으로 AI는 수많은 길을 제안할 뿐, 어떤 길로 가야 할지 최종적으로 판단하고 책임지는 것은 여전히 인간의 몫이다. 생성형 AI 시대에 SW 아키텍트는 단순히 설계를 그리는 사람이 아니라, AI의 잠재력과 한계를 명확히 이해하고, 비즈니스 성공과 시스템 안정성을 책임지는 '‘전략적 의사결정자’로 거듭나야 한다.AI는 경쟁자가 아니다. 오히려 AI의 능력이 고도화할수록, 그 최종 결과에 책임을 져야 하는 ‘증강된 아키텍트’의 어깨는 더욱 무거워질 것이다. 기술이 아무리 발전해도 책임은 결코 AI에게 위임될 수 없기 때문이다.다음 편에서는 AI가 만들어내는 새로운 '기술 부채' 실체와, 낡은 아키텍처 위에서 AI를 도입하는 것이 왜 모래성을 쌓는 것과 같은지 깊이 있게 파헤쳐 보려한다. 

  • 작성자최고관리자
  • 작성일2025.11.04
  • 조회수35
[크리스의 SW아키텍트⑥] AI도 넘지 못한 '기술 부채' 늪

[크리스의 SW아키텍트⑥] AI도 넘지 못한 '기술 부채' 늪

기존 SW와 특성 달라... 시스템 기억과 상태 관리 방식부터 근본적으로 뒤흔들어  - 나희동 크리스컴퍼니 대표(기술사·CPSA) 지난 5편에 걸쳐 IT 서비스 장애 근본 원인부터 다양한 아키텍처 스타일, 그리고 생성형 AI가 SW 아키텍트에게 어떻게 도움을 주고 있는지 이야기했다. 디지털 전환의 마지막 고지를 향해 기업들은 이제 AI 에이전트라는 새로운 무기를 주목하고 있다. 복잡한 인간의 업무를 대신해 판단하고 실행하는 이 기술은 분명 매력적이다. 많은 기업들이 “우리는 이미 안정적인 레거시 시스템과 API 서버를 갖추고 있다. 에이전트는 그 위에 얹기만 하면 된다”고 자신한다. 하지만 바로 이 지점에서 AI 도입 실패는 예고된다.다년간 검증된 시스템이라는 신뢰의 상징이, 사실은 AI 에이전트가 필요로 하는 구조와는 완전히 다른, 낡은 패러다임의 산물이라는 점을 간과하기 때문이다. 이 충돌의 핵심은 아키텍처 패러다임의 근본적인 전환에 있다. 기존 소프트웨어는 정해진 논리대로 움직이는 ‘명령형’ 구조에 기반한다. 반면 AI 에이전트는 최종 ‘목표’를 달성하기 위해 스스로 움직이는 ‘목표지향형’ 설계를 필요로 한다.이러한 패러다임 전환은 시스템의 기억(Memory)과 상태(State) 관리 방식부터 근본적으로 뒤흔든다. 기존 시스템은 안정성을 위해 상태 정보를 최소화하는 ‘무상태(Stateless)’ 구조를 지향해왔다. 하지만 AI 에이전트는 사용자와의 과거 대화, 이전의 성공과 실패 경험을 모두 기억해야만 더 나은 판단을 내릴 수 있다. 이는 시스템이 에이전트의 단기 및 장기 기억을 지속적으로 관리할 수 있는 ‘지속적인 컨텍스트 계층(Persistent Context Layer)’ 이라는 새로운 구조를 필요로 함을 의미한다.벡터 데이터베이스(Vector DB)나 임베딩 스토어(Embedding Store)와 같은 새로운 저장 기술을 통합하고, 단순한 사용자 로그를 AI가 학습할 수 있는 의미 있는 상호작용 이력으로 재설계해야 하는 과제가 뒤따른다.제어 흐름(Control Flow) 역시 마찬가지다. 전통적인 업무 프로세스 관리(BPM) 시스템은 미리 정해진 규칙에 따라 순차적으로 작업을 처리했다. 그러나 스스로 ‘계획-실행-피드백(Plan-execute-Reflect)’ 의 순환 고리를 수행하는 AI 에이전트에게 고정된 흐름은 족쇄일 뿐이다. 따라서 기존의 경직된 업무 흐름은 에이전트 판단에 따라 동적으로 재구성될 수 있는 ‘적응형 흐름(Adaptive Flow)’ 으로 진화해야 한다.이는 기업의 핵심 비즈니스 로직마저도 AI 에이전트와의 협업을 위해 더 유연하고 동적인 구조로 바뀌어야 함을 시사한다. 이처럼 AI 에이전트 환경을 구축하기 위해 새로운 구조를 도입하는 과정 자체가 만만치 않은 도전이며, 자칫 잘못하면 새로운 형태의 ‘기술 부채(Technical Debt)’를 만들어낼 수 있다.기술부채 설명 이미지.더 큰 문제는 이 과정에서 우리가 오랫동안 외면해왔던 기존 레거시 시스템의 기술 부채라는 잠복 리스크가 전면으로 드러난다는 점이다. 오랜 기간 안정적으로 운영돼 온 시스템일수록 그 안에는 수많은 임시방편 로직, 문서화되지 않은 인터페이스, 여러 곳에 분산된 데이터 구조가 숨겨져 있다. 과거에는 사람이 운영하며 이런 문제들을 암묵적으로 해결했지만, 에이전트는 이런 맥락을 해석할 수 없다. 에이전트는 오직 기록된 것만 이해하고, 구조화된 것만 사용할 수 있으며, 예측 가능한 것만 신뢰할 수 있기 때문이다.이러한 우려는 단순한 추측이 아니다. 페가시스템(Pegasystems) 조사에 따르면 전 세계 IT 의사결정자의 68%는 기존 레거시 시스템이 AI 도입의 가장 큰 장애물이라고 응답했고, 액센추어(Accenture) 역시 75% 이상의 기술 리더들이 AI 도입이 오히려 기술 부채를 심화시킬 수 있다고 경고했다.즉, 기존 시스템이 겉으로 잘 돌아가는 것처럼 보여도, 에이전트가 등장하는 순간 숨겨진 부채는 수면 위로 드러나며 새로운 병목과 장애로 작용한다. 많은 CIO들이 “우리는 잘 설계된 API 서버를 갖고 있으니, AI 에이전트도 쉽게 붙을 것이다”라고 하지만, 에이전트가 움직이기 위해서는 단순한 호출 API가 아니라 의미 기반(Semantic)으로 설계된 도구 인터페이스, 계획과 피드백을 수용할 수 있는 실행 환경과 상태 저장 구조가 필요하다.구체적으로 비표준 API는 에이전트의 계획 수립을 방해하고, 상태를 저장하지 않는(Stateless) 아키텍처는 실행 도중 중요한 맥락을 잃게 만든다. 테스트가 부족한 시스템에서는 에이전트의 행동이 예상치 못한 오류를 일으키고, 권한과 감사 체계가 미비하면 에이전트 실행의 책임을 추적할 수 없게 된다.이러한 부채들은 AI 도입과 함께 증폭되며 시스템 전체의 신뢰성을 뒤흔든다. ‘에이전트 하나 붙이겠다’는 작은 시도가 구조 전체의 안정성을 위협할 수 있는 것이다. 그렇다면 CIO는 무엇을 해야 하는가? 기술 부채를 드러내고 정면으로 마주하는 것이 AI 에이전트 시대를 준비하는 가장 현실적인 전략이다. API 명세와 인터페이스, 데이터 저장 구조를 표준화하고, 에이전트의 계획, 기억, 도구 사용을 지원하는 구조로 시스템을 재설계해야 한다. 또한, 기술 부채를 문서화율이나 변경 영향도 같은 구체적인 지표로 정량화, 이를 해결하는 것이 곧 비즈니스의 투자 대비 수익(ROI)으로 이어진다는 점을 가시화해야 한다.결론은 명확하다. AI 에이전트는 단순한 자동화 도구가 아니다. 기존 소프트웨어 아키텍처에 의존하는 구조로는 결코 자율성과 맥락 이해, 목표 기반 실행이라는 핵심 가치를 구현할 수 없다. 중요한 것은 에이전트를 붙이는 행위가 아니라, 에이전트가 ‘에이전트 친화적 구조(Agent-Aware Structure)’ 를 먼저 만드는 것이다.구조를 바꾸지 않고 결과만 바꾸려는 시도는 반드시 실패한다. 기술 부채라는 늪을 넘어설 수 있는 구조, AI 에이전트가 진짜 살아 움직일 수 있는 구조를 설계하는 것, 그것이 바로 지금 우리가 마주하고 있는 새로운 AI환경에서 직면한 SW 아키텍트의 미션이다. 다음 편에서는 기술 부채로 가득 찬 레거시 시스템을 어떻게 하면 멈추지 않고 안전하게 현대화할 수 있는지, 그 구체적인 방법을 이야기하려 한다.

  • 작성자최고관리자
  • 작성일2025.11.04
  • 조회수35
[크리스의 SW아키텍트⑦] 아키텍처 현대화 없이 AI 네이티브 없다

[크리스의 SW아키텍트⑦] 아키텍처 현대화 없이 AI 네이티브 없다

"레거시 혁신없이 불가능...20여 년 전 코볼 시스템을 자바로 전환하던 것과 달라" - 나희동 크리스컴퍼니 대표(기술사·CPSA·수석감리원)지난 편까지 AI 발전을 포함해 기술 변화가 SW 아키텍처의 구조적 강건성과 아키텍트의 전략적 결정을 얼마나 필요로 하는지 살펴봤다. 지금부터는 최근 AI로 촉발된 세계적인 변화가 지향하고 있는 'AI 네이티브 기업(AI Native Enterprise)'으로 가기 위한, 즉 기존 시스템의 현대화(Modernization)에 대해 생각해 보려고 한다.AI 네이티브 기업이란 단순히 AI 기술을 몇몇 부서에서 사용하는 수준을 넘어, 기업의 모든 비즈니스 프로세스와 의사결정, 그리고 고객 경험의 핵심에 AI가 내재된 조직을 의미한다. 이는 기업의 운용체계(OS)를 완전히 바꾸는 것과 같은 거대한 변화이며, 그 중심에는 반드시 아키텍처의 근본적인 혁신이 자리 잡고 있다.소프트웨어 구루 마틴 파울러(Martin Fowler)는 생성형 AI가 단순히 새로운 코드를 생성하는 것보다, 기존의 복잡하고 얽힌 레거시 코드를 ‘이해’하는 데 훨씬 더 큰 가치가 있다고 강조한다. 이는 시스템 현대화의 핵심을 꿰뚫는 통찰이다. 수십 년간 여러 개발자의 손을 거치며 누더기처럼 변한 코드의 진짜 의도를 파악하는 것은, 그동안 소수의 베테랑 개발자 경험에만 의존해 온 고고학과도 같은 작업이었다. 하지만 이제는 그래프 신경망(GNN)과 같은 AI 기술이 코드의 구조를 마치 거대한 도시의 지하철 노선도처럼 분석한다. 어떤 함수가 환승역처럼 중요한 허브 역할을 하는지, 어떤 데이터가 여러 노선을 거치며 이동하는지, 그리고 어떤 구간이 낡고 비효율적이어서 병목 현상을 일으키는지를 시각적인 지도로 그려낸다.인간이라면 몇 주, 몇 달이 걸려도 찾기 힘든 숨겨진 의존성과 잠재적 리스크를 정확히 찾아내는 것이다. 이는 단순히 낡은 코드를 새로운 언어로 바꾸는 수준을 넘어, 시스템의 본질을 이해하고 재창조하는 새로운 차원의 현대화가 가능해졌음을 의미한다.결국 진정한 AI 네이티브 시스템으로 전환하려면, 기존 아키텍처에 AI 기능을 덧붙이는 것이 아니라 시스템의 구조 자체를 근본적으로 바꿔야 한다. AI 네이티브 아키텍처는 크게 세 가지 핵심 요소로 구성된다. 첫째, 사용자의 모호한 목표를 이해하고 스스로 구체적인 계획을 수립하는 ‘에이전트 코어(Agent Core)’ 다. 이는 "고객 만족도를 높여라"와 같은 추상적인 목표를 "이번 달 재구매율이 낮은 고객 그룹에게 맞춤형 할인 쿠폰을 발송하고, 배송 지연을 경험한 고객에게는 자동으로 사과 메시지와 함께 보상 포인트를 지급한다"와 같은 구체적이고 실행 가능한 단계로 쪼개는 지능적인 두뇌 역할을 한다.둘째, 에이전트가 외부 시스템과 명확하게 상호작용할 수 있도록 표준화된 ‘도구 계층(Tool Layer)’ 이다. 이는 마치 잘 정리된 공구함 처럼, 에이전트가 ‘고객 정보 조회’나 ‘결제 처리’, ‘재고 확인’ 같은 도구를 언제 어떻게 사용해야 하는지 명확히 알게 해준다. 단순한 기능 호출을 넘어, 각 도구가 어떤 의미를 가지며 어떤 상황에 사용되어야 하는지를 에이전트가 이해할 수 있도록 설계하는 것이 핵심이다.마지막으로 가장 중요한 것은, 에이전트가 과거의 경험과 대화의 맥락을 기억하게 하는 초개인화 된 ‘지속적인 컨텍스트 계층(Contextual Persistency Layer)’ 이다. 이 계층은 AI 네이티브 아키텍처의 심장과도 같다. 기존 시스템은 안정성을 위해 상태 정보를 최소화하는 ‘무상태(Stateless)’ 구조를 지향했지만, AI 에이전트는 과거의 모든 상호작용을 기억해야만 진정으로 지능적인 판단을 내릴 수 있다.이는 마치 우리가 어제 나눈 대화의 분위기와 핵심 내용을 기억해야 오늘 더 깊이 있는 소통을 할 수 있는 것과 같은 이치다. 이 계층은 벡터 DB나 지식 그래프 같은 새로운 기술을 통해 에이전트가 사용자의 말 속에 숨은 의도와 미묘한 맥락까지 파악하게 하고, 이를 통해 진정한 개인화된 경험을 제공하는 핵심적인 역할을 수행한다. 기존 시스템의 단순한 데이터베이스와는 차원이 다른, 살아있는 기억 저장소가 필요한 것이다.결국 AI 네이티브 기업으로 발전하려면, 새로운 AI 서비스로 무장한 스타트업이든 수십 년간 비즈니스 프로세스 혁신(BPR)을 통해 시스템을 발전시켜 온 대기업이든, 모두가 아키텍처 현대화를 고민해야 한다.지금 우리가 마주한 변화는 20여 년 전, 코볼(Cobol)로 짜인 시스템을 자바(Java)로 전환하던 시기와는 그 본질이 다르다. 당시 많은 현대화 프로젝트가 실패했던 이유는, 이를 단순한 프로그래밍 언어 번역 작업으로 치부하고 그 밑에 깔린 아키텍처와 비즈니스 프로세스의 근본적인 변화를 외면했기 때문이다. 지금의 전환은 단순한 기술 교체를 넘어, 시스템의 상태와 데이터를 저장하는 방식, 그리고 ‘명령형 구조’에서 ‘목표지향형 구조’로 시스템의 철학 자체를 바꾸는 체계적인 혁신이다.AI 네이티브로의 여정은 결코 쉽지 않다. 하지만 낡은 지도를 들고 새로운 대륙을 탐험할 수는 없다. 지금이야말로 우리 시스템의 아키텍처를 과감히 현대화하고, AI가 마음껏 뛰어놀 수 있는 새로운 판을 설계해야 할 때다. SW 아키텍트는 이 거대한 변화의 중심에서, 기술적 깊이와 비즈니스 통찰력을 겸비한 리더로서 조직을 올바른 방향으로 이끌어야 하는 중대한 책임을 안고 있다.다음 편에서는 우리가 단순 기록을 위한 시스템(system Of Record)에서 AI 네이티브로 전환된 실제 결과를 실행하는 시스템(system Of Action)으로 가기 위해서 아키텍처를 어떻게 기존의 기술부채를 갚아가면서 전환할 수 있는지 구체적인 전략을 살펴볼 예정이다.  

  • 작성자최고관리자
  • 작성일2025.11.04
  • 조회수35
[크리스의 SW아키텍트⑧] AI 공염불···'기술 부채' 먼저 해결해야

[크리스의 SW아키텍트⑧] AI 공염불···'기술 부채' 먼저 해결해야

'쉐도우AI'도 시한폭탄...월마트 성공사례 벤치마킹 필요 - 나희동 크리스컴퍼니 대표(기술사·CPSA·수석감리원) 지난 시간, 우리는 AI 네이티브 기업으로 가기 위한 여정이 기존 시스템의 아키텍처 현대화에서 시작돼야 함을 살펴봤다. 하지만 많은 기업이 이 여정의 첫걸음조차 떼지 못하고 주저하는 이유는, 눈앞의 화려한 AI기술이 아니라 수십 년간 기업시스템 깊숙이 자리 잡은 보이지 않는 적, 바로 ‘기술 부채(Technical Debt)’ 때문이다.'기술 부채'는 단기적인 편의를 위해 최선의 방법 대신 손쉬운 해결책을 선택함으로써 미래에 치러야 할 유무형의 비용을 의미한다. 이는 마치 높은 이자의 대출과 같아서, 당장은 편할지 몰라도 시간이 지날수록 기업의 혁신 동력을 갉아먹는 족쇄가 된다.진정한 ‘AI 네이티브 기업’이란 단순히 AI 도구를 사용하는 회사가 아니다. 조직의 문화, 운영 방식, 비즈니스 전략의 모든 혈관에 AI가 흐르는, 즉 AI가 핵심 운영체제(OS)가 된 기업을 의미한다. 이러한 기업에서 AI는 실시간으로 데이터를 분석해 시장 변화를 예측하고, 개인화된 고객 경험을 창출하며, 복잡한 내부 프로세스를 자동화한다. 하지만 이러한 역동적인 AI의 활동은, 아이러니하게도 기업이 오랫동안 쌓아온 ‘안정적인’ 레거시 시스템의 기술 부채와 정면으로 충돌한다.레거시 시스템에 잠복한 기술 부채는 다양한 형태로 존재한다. 첫째는 모든 기능이 거대한 단일 덩어리로 묶인 '모놀리식 아키텍처(Monolithic Architecture)'다. 한 부분을 수정하면 시스템 전체가 멈출 위험이 있어, AI처럼 빠르고 민첩한 실험을 적용하기란 거의 불가능하다.둘째는 부서별로 데이터가 고립된 데이터 사일로(Data Silos)다. AI 모델이 전사적인 통찰력을 얻기 위해서는 통합된 데이터가 필수적이지만, 사일로는 AI시야를 칸막이 안에 가둬 버린다. 이 외에도 외부 연결을 위한 표준화된 창구가 없는 API 부재, 그리고 특정 개발자의 머릿속에만 존재하는 문서화되지 않은 로직 등은 모두 AI가 레거시 시스템을 이해하고 활용하는 것을 가로막는 거대한 장벽으로 작용한다.이러한 기술부채는 AI 네이티브로의 전환 과정에서 구체적인 마찰과 위험을 야기한다. 실시간 사기 탐지 시스템을 도입하려는 금융사를 상상해보자. 모놀리식 구조 때문에 새로운 AI 모델을 기존 결제 시스템에 통합하는 데 수개월이 걸리고, 데이터가 여러 부서에 흩어져 있어 실시간으로 고객 행동을 분석할 수 없다. 결국 프로젝트는 지연되고 투자 수익률(ROI)은 급격히 떨어진다. 반복된 실패는 조직 전체에 AI에 대한 불신과 저항감을 확산시킨다. 더 위험한 것은, 답답함을 느낀 현업 부서가 IT 부서를 우회해 검증되지 않은 외부 AI 서비스를 무단으로 사용하는 ‘섀도우 AI(Shadow AI)’ 현상이다. 이는 심각한 데이터 유출과 보안 사고로 이어질 수 있는 시한폭탄과 같다.그렇다면 이 지뢰밭을 어떻게 헤쳐나가야 할까? 기술 부채를 외면하는 것이 아니라, 전략적으로 관리하고 해결해 나가는 것이 유일한 해답이다. 가장 먼저, 거대한 모놀리식 시스템을 한 번에 바꾸려는 시도 대신, 비즈니스적으로 중요한 기능부터 하나씩 분리해 현대화하는 모듈 단위 리팩토링(Modular Refactoring) 전략이 필요하다.둘째, 흩어진 데이터를 표준화하고 통합해 AI가 신뢰하고 사용할 수 있는 '단일 진실 공급원(Single Source of Truth)'을 만들어야 한다. 셋째, AI 모델의 개발, 배포, 운영을 자동화하는 'AI/ML옵스(Ops)' 인프라를 구축해 AI 혁신을 위한 고속도로를 깔아야 한다. 마지막으로, 모든 부채를 한 번에 갚으려 하지 말고, 가장 시급하고 중요한 AI 프로젝트를 가로막는 부채부터 우선순위를 정해 해결해야 한다.실제로 글로벌 유통 기업 월마트(Walmart)는 거대한 모놀리식이었던 기존 시스템의 기술 부채가 실시간 재고 관리 및 개인화 추천 서비스 도입에 큰 걸림돌이 됨을 인지했다. 이들은 수년에 걸쳐 시스템을 마이크로서비스 아키텍처(MSA)로 전환하고 데이터 플랫폼을 현대화하는 대규모 프로젝트를 진행했고, 이를 통해 확보한 유연한 아키텍처 위에서 성공적으로 AI 기반의 혁신을 이뤄낼 수 있었다. 이는 기술 부채 해결이 AI 도입의 선결 과제임을 보여주는 대표적인 사례다.당신의 기업은 AI 네이티브로 전환할 준비가 되었는가? 다음 질문에 답해보라. ▲우리 시스템은 독립적인 모듈로 유연하게 변경될 수 있는 구조인가? ▲AI가 학습할 데이터는 깨끗하고 통합되어 있는가? ▲외부와 데이터를 주고받을 표준 API는 준비돼 있는가?  ▲이 모든 과정을 뒷받침할 기술 거버넌스는 존재하는가?이들 질문에 자신 있게 ‘그렇다’고 답할 수 없다면, AI 도입 선언은 아직 이르다. 기술 부채라는 그림자를 먼저 걷어내지 않는 한, AI 혁신은 구호에 그칠 뿐이다. 다음 편에서는 기술 부채의 가장 큰 원인인 '데이터 사일로'를 근본적으로 해결하고, 진정한 AI 네이티브 기업의 데이터 활용을 가능하게 하는 '데이터 메시(Data Mesh)' 아키텍처에 대해 이야기하려 한다.

  • 작성자최고관리자
  • 작성일2025.11.04
  • 조회수35
[크리스의 SW아키텍트⑨] AI네이티브, '데이터 메시'가 먼저다

[크리스의 SW아키텍트⑨] AI네이티브, '데이터 메시'가 먼저다

데이터 기반 의사결정 문화 조성에 꼭 필요..."시작은 작고 구체적이어야" - 나희동 크리스컴퍼니 대표(기술사·CPSA·수석감리원) 지난 8편에 걸쳐 AI시대의 기술 변화가 결국 아키텍처의 구조적 혁신을 요구하고 있음을 제시했다. 과거의 시스템은 한마디로 기록을 위한 시스템 즉 SoR(system of Record)였다. 최근의 시스템은 거대언어모델(LLM)의 발전을 통해 새로운 인사이트를 찾는 SoI(system of Insight)라고 부른다.결국 AI를 도입했음에도, 기존 비즈니스의 근간을 바꾸는 것이 아닌, 그저 기존 비즈니스에 도움을 주는 일종의 '괜찮은(Nice-to-have) 시스템' 역할만 하고 있다는 것으로 해석할 수 있다. 하지만 이제 우리는 모든 논의의 종착점이자 새로운 시작점인 ‘AI 네이티브 기업(AI Native Enterprise)’ 이라는 단계로 발전해야 한다. 이 단계 시스템을 실행을 위한 시스템, 결과를 만들어 내는 시스템, 즉 실행하는 시스템(SoA: system of Action)라고 부른다.단순히 AI를 부가 기능으로 사용하는 것을 넘어, 기업의 핵심 구조, 의사결정 체계, 운영 프로세스 전반에 AI가 처음부터 내재된 상태를 의미한다. 이제부터는 실행을 위한 AI를 구축하기 위해 필요한 몇 가지 중요한 요소를 살펴보려고 한다. 먼저 데이터를 이야기 해 보겠다.AI 네이티브 시스템, 즉 SoA 에서 데이터는 더 이상 과거를 기록하는 창고가 아니라, 미래를 예측하고 비즈니스를 실시간으로 움직이는 살아있는 혈액과 같다. 어떻게 이 혈액이 기업 전체에 막힘없이 흐르게 할 수 있을까?지난 수십 년간 기업들은 모든 데이터를 중앙 데이터웨어하우스나 데이터 레이크로 모으는 데 집중했다. 이는 데이터 ‘통합’이라는 목표는 달성했지만, 중앙팀에 모든 데이터 처리 병목이 집중되고, 현업 부서의 실제 맥락과 데이터의 의미가 분리되는 거대한 ‘데이터 사일로’라는 또 다른 기술 부채를 낳았다. AI가 아무리 뛰어나도, 정제되지 않고 맥락이 거세된 데이터를 먹고는 제대로 된 통찰력을 내놓을 수 없다. 바로 이 지점에서 AI 네이티브 시대를 위한 새로운 해법, ‘데이터 메시(Data Mesh)’ 아키텍처가 등장한다. '데이터 메시'는 중앙 집중식 데이터 관리의 한계를 극복하기 위한 근본적인 패러다임 전환이다. 이는 데이터를 생성하고 가장 잘 이해하는 각 비즈니스 도메인(예: 마케팅, 재고, 물류팀)이 직접 데이터의 주인이 되어, 자신의 데이터를 하나의 완결된 ‘데이터 상품(Data as a Product)’으로 만들어 제공하는 분산형 구조다.이는 마치 거대한 중앙 도서관 하나에 모든 책을 모으는 대신, 각 분야의 전문 연구실이 자신들의 연구 자료를 직접 최고의 품질로 관리하며, 누구나 쉽게 찾아 쓸 수 있도록 공개하는 것과 같다. 각 ‘데이터 상품’은 단순한 데이터 덩어리가 아니라, 데이터의 의미, 품질 수준, 접근 정책까지 명확하게 정의된 채 제공된다. 이러한 데이터 메시 구조는 7편에서 설명한 AI 에이전트의 ‘지속적인 컨텍스트 계층(Contextual Persistency Layer)’을 구현하는 완벽한 기반이 된다.AI 에이전트가 고객의 숨은 의도를 파악하기 위해 ‘과거 구매 이력’, ‘최근 앱 활동’, ‘고객 서비스 문의 내역’ 데이터가 필요할 때, 데이터 메시 환경에서는 각 도메인이 제공하는 신뢰할 수 있는 데이터 상품을 즉시 조합해 풍부한 컨텍스트를 실시간으로 구성할 수 있다. 데이터가 중앙 파이프라인을 거치며 지연되거나 왜곡될 위험이 없이, 가장 신선하고 정확한 상태로 AI에게 공급되는 것이다.그렇다면 기술 부채로 가득한 기존 시스템을 어떻게 '데이터 메시' 구조로 전환할 수 있을까? 이는 전사적인 혁명이지만, 시작은 작고 구체적이어야 한다.첫째, 가장 시급하고 파급력이 큰 도메인을 선택해 첫 번째 ‘데이터 상품’을 정의해야 한다. 예를 들어, 이커머스 기업이라면 ‘실시간 주문 데이터’를 첫 상품으로 선정할 수 있다. 주문팀이 직접 데이터의 주인이 되어, 이 데이터가 항상 정확하고, 어떤 시스템이든 10분 내에 접근 가능하며, 개인정보는 마스킹 처리된다는 명확한 서비스 수준 협약(SLA)을 걸고 상품으로 출시하는 것이다.둘째, 데이터 상품을 쉽게 만들고 유통할 수 있는 ‘셀프서비스 데이터 플랫폼(Self-Serve Data Platform)’을 구축해야 한다. 이는 각 도메인팀이 데이터 엔지니어에게 의존하지 않고도 스스로 데이터 상품을 등록, 관리, 공유할 수 있도록 돕는 중앙 인프라다. 복잡한 기술은 플랫폼 뒤에 숨기고, 각 팀은 오직 자신의 데이터 가치를 높이는 데만 집중하게 만들어야 한다.셋째, 모든 데이터 상품이 따라야 할 최소한의 ‘전사 거버넌스(Federated Governance)’를 수립해야 한다. 이는 데이터 상품의 주소(Addressability), 상호운용성(Interoperability), 보안 표준 등, 마치 모든 소포가 따라야 하는 우편 시스템의 공통 규격과 같다. 중앙팀은 엄격한 통제자가 아닌, 생태계의 규칙을 만드는 조력자 역할을 해야 한다.'데이터 메시'로의 전환은 단순한 기술 도입이 아니다. 데이터의 소유권을 현업으로 이전하고, 중앙 IT 조직의 역할을 바꾸며, 데이터 기반의 의사결정을 문화로 만드는 조직적, 문화적 혁신이다. 기술 부채라는 늪을 건너 AI 네이티브 기업이라는 새로운 대륙에 도달하기 위한 가장 현실적이고 강력한 나침반, 그것이 바로 데이터 메시 아키텍처의 본질이다.다음 편에서는 AI가 고객의 의도를 파악하고 실행하게 만드는 핵심 기술, 즉 '컨텍스트 아키텍처'를 어떻게 현실의 레거시 시스템 위에 구축할 수 있는지 그 구체적인 전략을 이야기하려 한다.

  • 작성자최고관리자
  • 작성일2025.11.04
  • 조회수37
[크리스의 SW아키텍트⑩] AI 네이티브 기업이 되는 법

[크리스의 SW아키텍트⑩] AI 네이티브 기업이 되는 법

'지속 컨텍스트 계층' 갖춰야..."단순 인사이트 얻는 AI 넘어 실행 AI 돼야" - 나희동 크리스컴퍼니 대표(기술사·CPSA·수석감리원 지난편에서는 데이터 사일로를 허물고 AI가 숨 쉴 수 있는 생태계를 만드는 ‘데이터 메시’의 중요성을 이야기했다. 모든 현업 부서가 각자의 데이터를 최고 품질의 ‘상품’으로 만들어 제공하는 이 혁신적인 구조는, AI 네이티브 기업으로 가는 길을 열어주는 강력한 해법이다.하지만 여기에서 우리는 또 다른 근본적인 질문에 마주한다. 잘 정제된 데이터를 실시간으로 공급받는다고 해서, AI가 과연 고객 한 사람 한 사람을 깊이 이해하고 맥락에 맞는 초개인화된 경험을 제공할 수 있을까? 단순 상담만 똑같은 대답으로 반복하는 AI 챗봇 앞에서 고객은 쉽게 피로감을 느낀다. 사람들은 이제 프로슈머를 넘어 AI를 통해 기업의 전체 IT자산을 실시간으로 사용해서 결과를 만드는 'AI 네이티브 엔터프라이즈(AI Native Enterprise)'로 발전하고 싶어한다.따라서 AI가 진정한 지능을 갖추기 위해서는 단순히 데이터를 소비하는 것을 넘어, 모든 상호작용을 ‘기억’하고, 그 기억을 바탕으로 ‘학습’하며 성장하는 능력이 필수적이다. 이 AI의 기억과 학습을 담당하는 시스템의 뇌와 같은 역할을 하는 것이 바로 '지속적인 컨텍스트 계층(CPL, Contextual Persistency Layer-상황 지속 계층)'이다.이것은 단순히 고객과의 대화를 기록하는 수동적인 레이어가 아니다. 고객의 의도를 파악하고, 기업의 모든 IT 자산을 실시간으로 조율해 최종 목표 달성을 유도하는 ‘실시간 의미 기반 조정 계층’ 이다. 즉, 특정 고객의 ‘목표(Goal)’가 발생한 순간부터 최종적으로 달성될 때까지의 모든 상호작용, 데이터, 의사결정, 프로세스를 하나의 살아있는 ‘디지털 스토리’로 엮어내는 동적인 데이터 구조인 셈이다.이는 과거의 트랜잭션 기록이 아니라, 미래의 행동을 유도하기 위한 실시간 문맥의 집합체이며, 여기에는 ERP의 재고 데이터, SCM의 공급망 정보, MES 생산 현황, 그리고 고객과의 모든 상호작용이 실시간으로 융합된다.말로만 들으면 복잡하지만, B2B 제조업체의 실제 사례를 통해 그 위력을 살펴보자. 한 에너지 기업이 특정 사양의 카메라와 센서를 장착한 정찰용 드론 100대를 긴급 주문하는 상황이다. 과거의 방식대로라면, 영업팀이 고객의 복잡한 요구사항(RFP)을 이메일로 받아 설계, 자재, 구매, 생산팀에 순차적으로 문의하며 정보를 취합하는 데만 일주일 이상이 소요된다. 각 팀은 ERP, SCM, MES 등 자신들의 시스템만 들여다볼 뿐, 전사적인 최적의 답을 실시간으로 찾지 못한다. 영업팀이 마침내 "예상 납기는 8주입니다"라고 회신했을 때, 고객은 이미 다른 업체를 알아보고 있을지도 모른다.하지만 ‘지속적 컨텍스트 계층’ 을 기반으로 한 AI 네이티브 기업은 완전히 다르게 움직인다. 고객이 웹사이트의 AI 에이전트에게 요구사항을 말하는 순간, ‘고객 목표 컨텍스트’라는 살아있는 디지털 객체가 생성된다. AI 에이전트는 고객의 최종 목표를 달성해야 하는 임무를 부여받은 오케스트레이터로서, 데이터 메시를 통해 전사적 데이터를 실시간으로 조회한다. ERP 데이터 상품에서 카메라 재고를, SCM 데이터 상품에서 부족한 부품의 리드타임을, MES 데이터 상품에서 가장 빠른 생산 라인 스케줄을 확인하는 과정이 불과 수 초 내에 일어난다.그리고 AI는 취합된 정보를 바탕으로 ‘실행 가능한 최적의 솔루션’을 즉시 계산해 고객에게 제안한다. "고객님, 요청하신 사양대로 제작 시, 부품 수급 문제로 6주가 소요됩니다. 하지만, 성능이 5% 더 좋고 현재 재고가 충분한 다른 카메라로 변경하시면 3주 만에 납품이 가능하며, 가격은 동일합니다. 두 가지 옵션에 대한 견적서를 지금 바로 보내드릴까요?"고객이 ‘대안 견적’을 수락하는 순간, ‘고객 목표 컨텍스트’의 상태는 ‘생산 대기’로 변경된다. AI 에이전트는 이 상태 변화를 감지해 ERP에 자재 할당을 요청하고, MES에 생산 예약을 확정하며, SCM에 관련 정보를 업데이트한다. 더 이상 인간의 수동적인 개입과 부서 간 커뮤니케이션 지연이 사라지는 것이다.결론적으로, ‘지속적 컨텍스트 계층’ 은 기업이 ‘요청에 응대하는’ 수준을 넘어, ‘고객의 목표 달성을 실시간으로 조율(Orchestration)하는’ 수준으로 도약하게 만드는 핵심 엔진이다. 기업의 모든 레거시 데이터는 더 이상 과거의 기록이 아니라, 고객 한 명 한 명을 위한 ‘맞춤형 가치 사슬(Value Chain)’을 즉시 구성하기 위한 살아있는 재료가 된다. 이것이 바로 기술 부채의 한계를 넘어 결과를 만들어내는 시스템, 진정한 실행 중심 아키텍처(system of Action)의 모습이다.다음 편에서는 이러한 AI네이티브 아키텍처가 실제로 금융권에서 적용하기 위해서 어떤 과제들을 갖고 있는지 살펴보고 미래의 AI네이티브 금융시스템 아키텍처가 어떻게 발전해야 하는지 다뤄보려 한다. 

  • 작성자최고관리자
  • 작성일2025.11.04
  • 조회수37
[크리스의 SW아키텍트⑪] 4300조 금융...AI혁신, 낡은 아키텍처가 발목

[크리스의 SW아키텍트⑪] 4300조 금융...AI혁신, 낡은 아키텍처가 발목

대부분 과거 데이터 분석 ‘사후 통찰' 얻는 수준 머물러 - 나희동 크리스컴퍼니 대표(기술사·CPSA·수석감리원)  지난 10편에 걸쳐 AI 시대를 맞이하는 기업이 기술 부채를 넘어 '데이터 메시'와 '컨텍스트 아키텍처'를 통해 어떻게 ‘실행 중심 시스템 (SoA)’으로 나아갈 수 있는지 살펴봤다. 이러한 아키텍처 혁신 필요성은 특정 산업에 국한되지 않는다. 특히 가장 거대하고 가장 절실히 변화의 압력을 받는 곳이 있다. 바로 3.1조 달러(약 4300조 원) 규모의 AI 혁신이 예고된 금융 산업이다.금융권은 지금 AI라는 거대한 파도 앞에서 지난 수십 년간 쌓아 올린 견고한 성채, 즉 레거시 시스템이 오히려 생존을 위협하는 족쇄가 되는 역설적인 상황에 직면해 있다. 금융만큼 AI의 잠재력이 큰 분야도 드물다. 실시간 사기 탐지(FDS), 초 단위로 움직이는 알고리즘 트레이딩, 고객 개개인의 신용도를 정밀히 평가하는 신용평가 모델, 그리고 자산 관리 서비스까지, AI는 금융의 모든 영역에서 인간의 한계를 뛰어넘는 정확성과 속도를 약속한다.하지만 이러한 눈부신 미래의 이면에는 어두운 현실이 존재한다. 실제로 금융 전문 리서치 기관인 PYMNTS Intelligence가 Galileo와 협업해 발간한 'The New Digital Banking Tracker' 보고서에 따르면, 금융기관의 75%가 낡은 디지털 뱅킹 인프라 문제로 새로운 금융 솔루션 도입에 어려움을 겪고 있으며, 바로 이 레거시 시스템이 AI 도입의 가장 큰 발목을 잡고 있다고 분석한다. 이는 마치 최첨단 자율주행 엔진을 수십 년 된 증기 기관차에 얹으려는 시도와 같다.문제의 핵심은 금융권의 레거시 시스템이 ‘안정성’과 ‘기록’을 최우선 가치로 설계된 ‘기록 중심 시스템(system of Record, SoR)’ 이라는 데 있다. 수십 년 전 메인프레임 환경에서 탄생한 이 시스템들은 트랜잭션의 정확한 기록과 보관에는 뛰어나지만, AI 시대가 요구하는 실시간 데이터 스트리밍, 동적인 워크로드 처리, 그리고 끊임없는 실험과 학습에는 구조적으로 부적합하다.데이터는 상품별, 채널별로 분리된 사일로에 갇혀 있고, 통합된 모놀리식(Monolithic) 구조는 특정 기능을 개선하거나 새로운 AI 서비스를 추가하는 것을 극도로 어렵게 만든다. 물론 금융권도 지난 몇년전부터 AI를 활용해왔다.SoR에 쌓인 방대한 데이터를 분석해 사기 거래 패턴을 찾아내거나 고객을 분류하는 등 ‘통찰 중심 시스템(system of Insight, SoI)’ 을 구축하려 노력했다. 하지만 이는 대부분 과거 데이터를 분석해 ‘사후적’ 통찰을 얻는 수준에 머물렀다. AI가 진정한 가치를 발휘하려면, 통찰을 넘어 고객의 목표 달성을 위해 실시간으로 움직이는 ‘실행 중심 시스템(system of Action, SoA)’ 으로 진화해야 한다. 이렇게 되면 고객이 단순한 소비자에서 프로슈머를 넘어 기업의 시스템과 함께 새로운 가치를 생산하는 공동가치 창출경험을 공유하는 새로운 기업구조가 가능해진다.이러한 상황에서는 톱다운(Top-Down)방식 엔터프라이즈 아키텍처(EA)의 한계가 드러난다. 예측 가능한 시스템을 위해 오랜 시간 공들여 청사진을 그리는 TOGAF나 Zachman 같은 전통적 프레임워크는, 살아있는 데이터를 먹고 끊임없이 변화하며 학습해야 하는 AI의 속성을 담아낼 수 없다.따라서 금융권에는 완전히 새로운 설계 철학인 소위 가트너에서 주창하고 있는 ‘복합 적응형(Composite Adaptive Architecture, CAA)’가 필요하다. 이는 AI가 시스템의 일부가 아니라, 시스템 자체가 AI의 두뇌처럼 작동하도록 설계하는 것을 의미한다.이 새로운 아키텍처의 핵심 원칙을 REVOC 프레임워크로 요약할 수 있다. 이는 실시간(Real-Time), 이벤트 기반(Event-Driven), 다기능성(Versatile), 조율(Orchestrated), 그리고 상황인지(Contextual)의 앞 글자를 딴 것으로, AI 시대 금융 아키텍처가 나아갈 방향을 제시한다.데이터는 더 이상 하루에 한 번 배치로 처리되는 것이 아니라, 밀리초 단위의 실시간으로, 고객의 행동이라는 이벤트에 즉각 반응해야 한다. 아키텍처는 정형, 비정형 등 모든 종류의 데이터를 소화할 수 있도록 다기능성을 갖춰야 하며, 수많은 AI 에이전트와 마이크로서비스들이 고객의 목표를 위해 일사불란하게 조율돼야 한다. 그리고 이 모든 것의 중심에는 고객의 과거와 현재, 의도까지 파악하는 깊은 상황인지 능력이 자리 잡고 있어야 한다.결국 금융권이 진정한 AI 네이티브로 거듭나기 위해서는 기존 시스템에 AI 기능을 덧붙이는 수준을 넘어, 데이터 메시(Data Mesh), 지속적 컨텍스트 계층(Contextual Persis-tency Layer), 그리고 마이크로서비스 아키텍처(MSA) 및 클라우드 네이티브(Cloud Native) 라는 세 기둥을 중심으로 시스템의 체질을 완전히 개선해야 한다.물론 이는 수십 년간 운영해 온 시스템의 심장을 바꾸는 것과 같은 고통스럽고 비용이 많이 드는 과정이다. 하지만 선택의 여지가 없다. AI라는 혁명적인 기술은 금융 산업에 전례 없는 기회를 제공하는 동시에, 과거의 기술 부채를 더 이상 외면할 수 없도록 만드는 강력한 ‘청구서’를 보내고 있다. 이 청구서에 응답해 아키텍처의 근본적인 혁신을 선택하는 금융기관만이 미래의 승자가 될 것이다.다음 편에서는 AI 혁신이 제조업과 같은 전통적인 기업이 AI 네이티브로 전환하기 위해 어떤 아키텍처적 과제에 직면해 있는지 구체적으로 살펴보겠다.

  • 작성자최고관리자
  • 작성일2025.11.04
  • 조회수35
[크리스의 SW아키텍트⑫] 수십조 투자 스마트공장이 모래성인 이유

[크리스의 SW아키텍트⑫] 수십조 투자 스마트공장이 모래성인 이유

아키텍처 재설계 없이 말짱 도루묵...수십년 분리 IT와 OT 하나로 융합해야 - 나희동 크리스컴퍼니 대표(기술사·CPSA·수석감리원) 지난 편에서는 AI라는 거대한 파도가 어떻게 금융 산업의 근본적인 아키텍처 변화를 요구하고 있는지 살펴보았다. 이번에는 AI 혁신의 또 다른 거대한 전쟁터이자, 디지털과 현실 세계가 가장 치열하게 만나는 곳, 바로 제조업으로 시선을 돌려보고자 한다.맥킨지(McKinsey)에 따르면, AI가 제조업에 창출할 수 있는 잠재적 가치는 연간 최대 3.8조 달러(약 5200조 원)에 달한다. 하지만 수많은 기업이 스마트 팩토리와 지능형 공급망에 막대한 투자를 쏟아붓고도 기대했던 성과를 거두지 못하고 있다. 이유가 무엇일까? 그 실패의 근원은 대부분 기술 자체가 아닌, 낡은 아키텍처라는 부실한 토대에 있다.제조업의 아키텍처 문제는 금융권보다 훨씬 더 복잡하고 근본적인 도전에 직면해 있다. 단순히 디지털 데이터를 다루는 것을 넘어, IT(정보기술)와 OT(운영기술)라는 수십 년간 분리돼 발전해 온 두 세계를 하나로 융합해야 하기 때문이다IT 시스템이 사무실의 ERP, SCM, PLM 데이터를 다룬다면, OT 시스템은 공장 현장의 PLC, 센서, 로봇 등 물리적 설비를 제어한다. 이 둘은 데이터의 형식, 통신 프로토콜, 그리고 무엇보다 ‘시간’에 대한 개념부터 다르다.IT가 분기별 실적을 다룰 때, OT는 1000분의1초 단위의 정밀 제어를 요구한다. 이처럼 서로 다른 언어를 쓰는 두 시스템을 제대로 연결하지 않고서는, AI는 공장 전체를 조망하는 지능적인 두뇌가 아니라, 그저 값비싼 계산기에 머물게 된다.이 거대한 기술적 단절은 곧바로 ‘컨텍스트의 파편화’ 라는 재앙으로 이어진다. 현장 작업자는 MES 화면의 경고등을 보고 설비를 멈추지만, 그 부품이 왜 그렇게 설계되었는지(PLM), 이 생산 중단이 전체 주문 납기에 어떤 영향을 미치는지(ERP), 대체 부품의 재고는 어디에 있는지(SCM) 알지 못한다. 모든 정보가 각자의 시스템 사일로에 갇혀 ‘상태 정보가 보존되지 않는’ 환경에서는 인간과 AI의 의미 있는 협업이 불가능하다. AI가 아무리 뛰어난들, 파편화된 정보 조각만으로는 전체 오케스트라를 지휘할 수 없는 것이다. 이 난제를 해결하기 위한 첫 단추가 바로 ‘데이터 메시(Data Mesh)’다. 이는 각 제조 도메인(생산, 품질, 유지보수 등)이 IT와 OT 데이터를 스스로 융합, 명확한 API를 갖춘 ‘데이터 상품’으로 제공하는 아키텍처다. 이는 마치 각 악기 연주자가 자신의 악보를 완벽히 책임지고 연주할 준비를 하는 것과 같다. 하지만 훌륭한 연주자만 모였다고 해서 아름다운 교향곡이 완성되지는 않는다. 이들을 하나의 목표 아래 조율하고 전체 연주의 흐름, 즉 ‘컨텍스트’ 를 이끌어갈 지휘자가 필요하다.그 지휘자의 역할이 바로 ‘상황 지속 계층(CPL, Contextual Persistency Layer)’ 이다. 이 계층은 고객의 주문이라는 첫 악장의 시작부터 제품 인도라는 마지막 악장의 끝까지, 모든 데이터 상품들을 하나의 거대한 악보로 엮어낸다. 예를 들어, 설계자가 생성형 AI의 도움을 받아 부품을 경량화할 때, ‘상황 지속 계층’은 고객의 요구사항, 현재 공급망 상황, 생산 라인의 부하 상태라는 컨텍스트를 실시간으로 AI에게 제공하여, 환상 속의 설계가 아닌 현실에서 생산 가능한 최적의 답을 찾도록 지휘한다.여기에 제조업의 복잡성은 한층 더 깊어진다. 공장의 수많은 AI 모델은 ‘클라우드-엣지 연동’ 이라는 또 다른 과제를 안고 있다. 품질 검사를 위한 비전AI는 카메라 옆 엣지(Edge) 에서 즉각 반응해야 하지만, 이 모델을 더 똑똑하게 만들기 위한 대규모 학습은 클라우드(Cloud)에서 이루어져야 한다. 이 둘 사이의 데이터 동기화, 모델 배포, 버전 관리를 체계적으로 수행하는 성숙한 MLOps 파이프라인이 없다면, 수천 개의 AI 모델은 통제 불가능한 오합지졸이 되어버린다.결국, '데이터 메시'로 연주자를 준비시키고, '상황 지속 계층'으로 지휘자를 세웠다 하더라도, 이들이 연주할 무대(클라우드-엣지 인프라)와 공연 운영(MLOps)이 준비되지 않으면 AI 혁신이라는 공연은 막을 올릴 수조차 없다.결국 제조업의 AI 네이티브 전환은 단순히 소프트웨어를 바꾸는 문제가 아니다. 이는 데이터 메시로 IT와 OT의 경계를 허물고, 상황 지속 계층으로 디지털 스레드를 완성하며, 클라우드-엣지 아키텍처와 MLOps로 지능형 운영의 기틀을 다지는 아키텍처의 전면적인 재설계다. 이러한 근본적인 변화 없이는, AI는 그저 고립된 섬에서 부분적인 최적화만 수행할 뿐, 기업 전체의 경쟁력을 바꾸는 게임 체인저가 될 수 없다.지금까지 총 12편에 걸쳐 AI 네이티브로 가는 길목에서 금융과 제조업이라는 두 거대 산업의 아키텍처 과제를 살펴보았다. 다음 편에서는 우리의 일상과 가장 밀접하게 연결된 디지털화 된 유통 산업이 AI를 통해 어떻게 고객 경험을 재창조 하고 있으며, 이를 뒷받침하기 위해 어떤 아키텍처적 혁신이 필요한지 구체적으로 다뤄 보겠다.

  • 작성자최고관리자
  • 작성일2025.11.04
  • 조회수35
[크리스의 SW아키텍트⑬] AI와 유통...아마존과 쿠팡의 새 고민

[크리스의 SW아키텍트⑬] AI와 유통...아마존과 쿠팡의 새 고민

기존 성공 부른 MSA, 데이터와 컨텍스트 극단적 파편화 문제 낳아 - 나희동 크리스컴퍼니 대표(기술사·CPSA·수석감리원) 아마존의 추천 엔진이 초당 170만 건이 넘는 요청을 처리하고, 쿠팡의 물류 시스템이 수백만 개의 상품을 시간 단위로 예측해 배송하는 시대다. 유통, 특히 이커머스 분야는 지난 10년간 마이크로서비스 아키텍처(MSA)를 가장 적극적으로 도입하며 디지털 전환을 선도해 온 분야다. 하지만 아이러니하게도, 바로 그 성공적인 아키텍처가 이제는 진정한 AI 네이티브로의 진화를 가로막는 새로운 기술 부채가 되고 있다.과거 유통 기업들은 거대한 단일 시스템(Monolithic)의 한계를 극복하기 위해 시스템을 ‘검색’, ‘추천’, ‘주문’, ‘결제’ 등 수백, 수천 개의 독립적인 마이크로서비스로 잘게 쪼갰다. 이를 통해 각 팀은 다른 서비스에 영향을 주지 않고 빠르게 기능을 개발하고 배포하며 엄청난 규모의 트래픽을 감당했다.그러나 이 MSA 성공은 ‘데이터와 컨텍스트의 극단적인 파편화’ 라는 새로운 문제를 낳았다. 고객 한 명의 행동 데이터가 수백 개의 서비스에 흩어져 저장되면서, ‘고객’이라는 하나의 전체적인 그림을 실시간으로 파악하는 것이 거의 불가능해진 것이다.이 문제를 해결하기 위해 등장한 것이 ‘데이터 패브릭’과 같은 기술이었지만, 대부분 사후에 데이터를 취합하고 분석하는 데 그쳐 AI가 요구하는 ‘실시간성’을 만족시키지 못했다. AI가 진정으로 고객의 마음을 읽기 위해서는, 과거의 데이터를 분석하는 것을 넘어, 지금 이 순간 고객의 행동과 의도를 이해하고 다음 행동을 예측해야 하기 때문이다. 이 지점에서 ‘데이터 메시(Data Mesh)’ 와 ‘상황 지속 계층(CPL, Contextual Persistency Layer)’은 파편화된 MSA를 넘어설 근본적인 해법을 제시한다. 진정한 AI 네이티브 유통 기업은 단순히 더 나은 추천을 제공하는 데 그치지 않는다. AI를 통해 고객과 함께 새로운 가치를 창출하는 ‘공동 가치 창출(Co-Creation)’ 경험을 설계한다.예를 들어, 한 가구 전문 유통사의 AI 에이전트와 고객의 상호작용을 상상해보자. 고객이 "새로 이사 갈 아파트 거실을 꾸미고 싶어"라고 말하는 순간, 시스템은 단순히 소파나 테이블을 추천하는 대신 ‘거실 꾸미기 프로젝트’라는 살아있는 컨텍스트를 생성한다.AI 에이전트는 고객에게 아파트 도면이나 사진을 요청하고, 선호하는 스타일(모던, 내추럴 등)과 예산을 물어본다. 그리고 생성형 AI를 활용해 고객의 공간에 자사 제품을 배치한 여러 가상 인테리어 시안을 실시간으로 만들어 제안한다. 이 과정에서 AI는 ‘상품 정보 서비스(MSA)’에서 각 가구의 크기와 재질을, ‘재고 서비스(MSA)’에서 실시간 재고를, ‘물류 서비스(MSA)’에서 배송 가능일을 확인한다. 이 모든 정보는 데이터 메시를 통해 각 도메인으로부터 가장 신선한 ‘데이터 상품’ 형태로 공급된다.고객이 가상 시안을 보며 "이 소파를 다른 색으로 바꿔줘"라고 요청하면, AI는 즉시 재고를 확인하고 시안을 변경해 보여준다. 나아가 "이 소파와 어울리는 러그를 추천해줘. 그리고 모두 다음 주 토요일에 배송받을 수 있을까?"라는 복합적인 질문에 대해서도, ‘상황 지속 계층’ 에 저장된 ‘거실 꾸미기 프로젝트’라는 전체 맥락 안에서 각 마이크로서비스를 실시간으로 조율(Orchestration)해 최적의 답을 찾아낸다. 고객은 더 이상 개별 상품을 쇼핑하는 것이 아니라, AI라는 전문 인테리어 디자이너와 함께 자신의 공간이라는 ‘결과물’을 함께 만들어가는 경험을 하게 되는 것이다.결국 AI 시대 유통 혁신의 최전선에 있는 기업들의 진짜 고민은 더 빠른 배송, 더 많은 상품이 아니다. 그것은 수천 개의 마이크로서비스가 뱉어내는 파편화된 데이터를 어떻게 하나의 살아있는 고객 컨텍스트로 엮어내고, 이를 통해 고객과 함께 새로운 가치를 창조하는 경험을 설계할 것인가에 대한 아키텍처 전쟁이다.이 전쟁의 승패는 결국 데이터 메시와 상황 지속 계층을 통해, ‘장바구니’라는 거래의 순간을 넘어 ‘고객의 삶’ 전체를 담아내는 아키텍처를 누가 먼저 완성하느냐에 달려있다.다음 편에서는 지금까지 다룬 민간 산업을 넘어, 국가의 근간을 이루는 공공 및 국방 분야가 AI 네이티브로 전환하기 위해 어떤 독특하고 중대한 아키텍처적 과제에 직면해 있는지 다루려한다.

  • 작성자최고관리자
  • 작성일2025.11.04
  • 조회수33

퀵 메뉴

퀵배너이미지 퀵배너이미지 퀵배너이미지