데이터베이스: AI 에이전트의 최후 방어선

케이 말콤은 자신을 은퇴한 힙합 강사이자 오라클의 아웃바운드 데이터베이스 제품 관리팀을 이끌고 있다고 소개했습니다. 그녀는 20년 동안 오라클의 핵심적인 일원이었으며, 농담으로 12살에 경력을 시작했다고 언급했습니다.

오라클에서 직업 생활의 상당 부분을 보낸 말콤은 현재 역할에 광범위한 경험을 가져다주며, 데이터베이스 제품 관리의 전략적 측면에 중점을 둡니다.

케이 말콤은 AI가 개별 팀원의 속도를 크게 높였지만, 역설적으로 전체 팀 생산성을 향상시키지 못했다고 지적했습니다. 이는 직장에서 AI의 역할에 대한 중요한 재평가로 이어졌습니다.

2025년의 '토큰 맥싱' 시대는 단순히 개별 가속화보다는 보다 전체적인 통합의 필요성을 인식하여 책임감 있는 AI 관행을 개발하고 구현하는 데 중점을 두는 중요한 전환점을 나타냈습니다.

케이 말콤은 네덜란드와 미국 팀이 컨텍스트 손실로 인해 코드 통합에 어려움을 겪는 중요한 문제를 강조했습니다. 코드는 체크인되었지만, 개발 환경인 Codeex의 중요한 컨텍스트 정보는 누락되었습니다.

GitHub는 코드 변경 사항을 효과적으로 추적했지만, 이러한 변경 사항 뒤에 숨겨진 '인간의 의도'를 포착하지 못하여 글로벌 팀 협업을 방해하는 단절을 야기했습니다.

말콤은 팀 진행 상황을 효과적으로 관리하고, 결정을 합리화하며, 갈등을 해결하기 위한 협업 계층의 필수적인 필요성을 강조했습니다. 이 계층은 일관성과 방향을 유지하는 데 결정적이었습니다.

AI가 이제 '새로운 팀원'으로 간주됨에 따라, 기존 워크플로우에 AI를 통합하고, 그 기여를 추적하고 팀 내 상호 작용을 관리하는 구조화된 방법이 필요합니다.

말콤은 엔터프라이즈 에이전트가 모델과 워크플로우 이상의 것을 포함하며, 근본적으로 도구, 컨텍스트, 메모리 및 강력한 보안 조치를 필요로 한다고 명확히 했습니다. 도구는 에이전트가 작업을 수행하는 방법을 정의하고, 종종 컨텍스트 창으로 인식되는 컨텍스트는 에이전트의 이해에 중요합니다.

가드 레일은 필수적인 구성 요소이며, 엔터프라이즈 환경 내에서 모델 작동에 필요한 제어 및 안전을 제공하는 '하네스' 역할을 합니다.

말콤은 AI 모델을 '유리병에 떠 있는 작은 두뇌'로 비유하며, 이 두뇌가 '하네스'에 연결되어 있다고 설명했습니다. 이 하네스는 에이전트의 몸을 나타내며, 작동을 제어하는 필수적인 보안 가드레일을 구현합니다.

이 비유에서 메모리는 중추 신경계 역할을 하여 모델(두뇌)과 하네스를 통해 세상과 상호 작용하고 행동할 수 있는 능력 간의 중요한 연결을 제공합니다.

AI 메모리 시스템은 엔터프라이즈 에이전트를 지원하기 위해 여러 유형으로 분류됩니다. 특정 세션 내 데이터를 처리하는 단기 메모리에서 시작하여, 장기 메모리는 여러 세션에 걸쳐 데이터 지속성을 보장하여 에이전트가 장기간 정보를 유지할 수 있도록 합니다.

추가적인 구분으로는 특정 이벤트를 회상하는 에피소드 메모리, 학습된 기술을 위한 절차 메모리, 사실적 지식을 위한 의미 메모리가 있습니다. 이 중 의미 메모리는 복잡한 비즈니스 운영에 필요한 깊은 이해와 컨텍스트 관련성을 가능하게 하므로 엔터프라이즈 수준 에이전트 배포에 특히 중요합니다.

구조화된 데이터, 비정형 데이터, 그래프 데이터를 위한 별도의 시스템을 운영하는 것은 각 시스템이 독립적인 보안, 패치, 관리를 요구하므로 상당한 관리 오버헤드를 발생시킵니다. 말콤은 DBA가 관리하는 데이터베이스 시스템마다 두 번의 회의에 참석해야 했다고 회상하며, 복합적인 관리 부담을 강조했습니다.

각각의 추가 데이터베이스 유형은 데이터베이스 관리자를 위한 회의 및 작업 수를 기하급수적으로 증가시켜 복잡성 증가와 직업적 소진을 초래합니다. 이러한 단편화는 유지보수를 복잡하게 할 뿐만 아니라, 말콤이 복잡성으로 인해 여전히 생리적 반응을 일으킨다고 언급한 사베인스-옥슬리 법과 같은 규정 준수 문제도 야기합니다.

특히 전력망과 같은 중요 인프라의 레거시 시스템은 빈번하게 오탐 또는 오미스를 발생시켜 작업자에게 심각한 위험을 초래했습니다. 이러한 부정확성은 중요한 작업에 대한 결정을 잘못 유도하여 생명을 위태롭게 할 수 있었습니다.

이러한 데이터 복잡성에 대한 초기 해결책은 관계를 분석하고 더 신뢰할 수 있는 통찰력을 얻기 위해 복잡한 중첩 SQL 쿼리를 작성하는 것이었습니다. 그러나 더 효과적인 관계 모델링에 대한 지속적인 필요성은 종종 복잡한 상호 연결을 보다 효율적으로 처리하고 오도하는 신호의 발생을 줄이도록 설계된 Neo4j와 같은 전문 데이터베이스의 채택으로 이어졌습니다.

현대 AI 에이전트는 관계형, 비정형 JSON, 그래프, 벡터 데이터베이스를 포함한 여러 전문 데이터베이스에 데이터가 분산되어 있을 때 상당한 어려움에 직면합니다. 이러한 단편화는 에이전트가 신뢰할 수 있는 '단일 진실 공급원'을 구축하는 능력을 복잡하게 만듭니다.

단편화된 데이터 스토리지는 AI 에이전트가 서로 다른 소스의 데이터를 조각조각 맞춰 정보를 추론하도록 강제하며, 이는 토큰 사용량을 크게 증가시킵니다. 이는 운영 비용을 증가시킬 뿐만 아니라 오류 및 오해의 가능성을 높입니다.

다양한 파일 시스템 및 별개의 데이터베이스에서 상태를 관리하는 것은 엔터프라이즈 에이전트의 전반적인 신뢰성과 성능을 저해합니다. 통합된 데이터 환경의 부족은 에이전트가 일관된 컨텍스트를 유지하고 정확하고 시기적절한 결정을 내릴 수 있는 능력을 방해합니다.

이러한 분산된 데이터 환경은 궁극적으로 에이전트의 출력에 대한 신뢰를 약화시켜 조직이 중요한 비즈니스 기능에 AI를 자신 있게 의존하기 어렵게 만듭니다.