AI-Native 시리즈 · 08

83% 에이전트와 24% 에이전트는 같은 모델이다

1분 요약 — 무엇을 얻어갈 수 있는가

Snowflake Summit 2026의 헤드라인 수치: 같은 모델이 혼자서는 24%, 검증된 맥락을 갖추면 83%를 기록했다. 당신의 AI 에이전트는 멍청한 게 아니다 — 맥락에 굶주렸을 뿐이다. 온보딩 멘탈 모델을 항목별로 짚어본다.

당신의 AI 에이전트는 멍청한 게 아니다 — 맥락에 굶주렸을 뿐이다. 에이전트형 기업을 위한 온보딩 멘탈 모델을, 실제로 출시된 것에 항목별로 대응시켜본다. ~8분 소요.

같은 두뇌, 두 개의 숫자. 차이를 만드는 건 그 주위를 감싸고 있는 모든 것이다. (애니메이션 — 잠시 기다려보시길.)

숫자 하나가 2만 명 규모의 콘퍼런스에서 걸어 나왔다

지난 6월 Snowflake의 Summit은 26개 이상의 신규 기능을 출시하며, 에이전트형 기업은 단순한 연산력이 아니라 검증된 맥락(governed context) 위에서 돌아간다는 단일 테제를 내세웠다. 대부분의 발표는 여느 콘퍼런스 발표들처럼 서로 뒤섞여 흐려질 것이다. 그러나 숫자 하나만큼은 그래서는 안 된다.

쿼리 히스토리, 메타데이터, 대시보드로부터 자동으로 구축되는 엔터프라이즈 메모리 레이어가 있을 때, 에이전트는 업무 질문에 대해 보고된 바로는 83%의 정확도를 기록했다. 그것이 없을 때는 24%였다. 같은 모델, 같은 데이터 웨어하우스. 유일한 변수는 에이전트가 바로 이 회사가 자신의 세계를 어떻게 정의하는지 들었는가 여부였다.

잠시 이 숫자로 우선순위를 재배열해보자. 에이전트가 기대에 못 미칠 때 업계의 기본 반사 반응은 모델을 교체하는 것이다 — 다음 릴리스를 기다리거나, 더 비싼 티어에 돈을 낸다. 이 숫자는 그 반사 반응이 거꾸로 되었다고 말한다: 모델은 애초에 병목이 아니었다. 병목은 온보딩이었다.

멘탈 모델: 역사상 가장 똑똑한 신입사원, 그 첫날

여기 아이디어 전체가 있다, 약어 하나 없이도 충분히 돌아갈 만큼 단순하다:

당신 회사에 합류하는 프론티어 모델은 역사상 가장 똑똑한 신입사원이다 — 첫날 출근했는데, 회사는 그에게 배지도, 핸드북도, 감독자도 주지 않았다.

그 신입사원에게 3분기 매출을 물어보면 자신 있게 네 개의 숫자를 내놓을 것이다. 전부 진짜다. 전부 다르다. 멍청해서가 아니다 — "매출"이 당신 회사의 시스템마다 네 가지 다른 것을 의미하는데, 아무도 그에게 어느 것이 그 답인지 알려주지 않았기 때문이다. 좋은 데이터가 있는 방에 배지를 찍고 들어갈 수 없으니, 주변에 널려 있는 것으로 즉흥적으로 처리한다. 그리고 아무도 그 작업을 검토하지 않으니, 그 즉흥적 처리를 발견하는 건 프로덕션에 가서다.

Day-one genius versus the same hire onboarded — 아무도 첫날의 천재를 멍청하다고 결론짓지 않는다. 다들 온보딩이 아직 이루어지지 않았다고 결론짓는다.

인간 천재가 입사 첫 주에 성과를 못 내면, 어떤 관리자도 "더 똑똑한 천재가 필요하다"고 말하지 않는다. 대신 이렇게 말한다: 배지를 주고, 핸드북을 건네고, 누가 뭘 담당하는지 보여주고, 신뢰를 얻을 때까지 그의 작업을 검토하라. 신비로울 것 하나 없는 바로 그것이, 에이전트형 엔터프라이즈 스택의 정체다.

항목별로: 온보딩 키트는 이제 실제 제품이다

실제 제품 사양서와 부딪혀 살아남지 못하는 멘탈 모델은 장식일 뿐이다. 그래서 아래에 그 대응표를 정리했다 — 오른쪽 열의 모든 항목은 올해 플랫폼 기본 요소로 출시되었다:

Onboarding terms mapped to platform primitives — 왼쪽 열에서는 직관을 얻고, 오른쪽 열에서는 아키텍처를 검토하면 된다.

배지 = 에이전트 신원(identity). 가장 결정적인 발표는 모델이 아니었다: AI Agent Identity가 정식 출시(GA)되었다 — 모든 에이전트가 암호화된 신원, 에이전트별 RBAC, 그리고 완전한 감사 추적을 갖게 되었다. 이제 에이전트는 주체(principal)다, 어느 팀의 빌려온 서비스 계정 아래서 돌아가는 스크립트가 아니다 (보안 관점에서 보면 인턴에게 마스터키와 당신의 이름을 빌려주는 것과 같다).

핸드북 = 컨텍스트 레이어. 엔터프라이즈 메모리(Cortex Sense)는 조직이 실제로 무엇을 하는지 — 쿼리, 대시보드, 메타데이터 — 로부터 그 조직이 자신의 비즈니스를 어떻게 정의하는지 학습한다. 24라는 숫자를 83으로 끌어올린 힘이 바로 여기에 있다. 시맨틱 모델도 text-to-SQL에서 같은 역할을 한다: 정확도 문제는 애초에 "모델이 SQL을 짤 수 있는가"가 아니라 "당신 회사의 네 가지 매출 정의 중 무엇이 진짜인지 모델이 아는가"였다.

조직도 = 계보(lineage). 거버넌스가 적용된 카탈로그는 이제 웨어하우스 바깥의 메타데이터까지 — Postgres, Tableau, dbt — 컬럼 단위 계보와 함께 끌어온다. 이것이 강제하는 규칙은 모든 데이터 과학자가 이미 믿고 있는 바로 그것이다: 계보 없는 답은 소문에 불과하다.

수습 기간 = 평가(evals)와 감사(audit), 그리고 휴먼 게이트. 모든 행동이 기록되고, 품질은 기준선에 맞춰 측정되며, 자율성은 증거가 뒷받침될 때만 확장된다. 신뢰는 검토받은 작업으로 얻어진다 — 사람에게도 그랬듯, 이제는 구조적으로 에이전트에게도.

망원경 세 대, 뜨거운 숫자 하나만으로는 아키텍처가 되지 않으니까

"컨텍스트가 지렛대다"라는 말에 로드맵을 걸기 전에, 세 가지 배율로 확대해서 확인해보자.

Three telescopes: 30 days, 30 years, 500 years — 따끈한 신호, 생존 신호, 오래된 법칙 — 모두 같은 방향을 가리킨다.

30일 (뜨거운가?). 하나의 서밋, 26개 이상의 신기능, 하나의 논지; 그리고 프론티어 모델을 데이터 바깥으로 내보내는 대신 데이터 경계 안쪽에서 돌리기 위한 약 2억 달러 규모의 파트너십. 그리고 83 대 24라는 헤드라인. 이 글의 브랜드는 정직이니, 정직하게 밝혀두자면: 그 수치는 벤더 컨퍼런스에서 벤더가 자체 발표한 것 — 증거 등급으로는 주장된 것일 뿐, 독립적으로 재현되지는 않았다. 나는 이것을 하나의 상수가 아니라 하나의 방향으로 받아들인다. 그리고 그 방향성만큼은 눈여겨볼 만하다.

30년 (살아남았는가?). 데이터 분야에서 오래 살아남은 승자는 하나같이 같은 수를 뒀다: 작업을 거버넌스가 적용된 데이터 쪽으로 더 가까이 가져오는 것. 웨어하우스는 연산을 데이터 쪽으로 옮겼다. 지식 그래프(2012년의 "문자열이 아니라 사물")는 의미를 더 가까이 옮겨왔고 유행 주기를 넘어 살아남았다. 피처 스토어는 머신러닝의 정의를 더 가까이 옮겼다 — 하나의 정의, 두 명의 소비자, 그리고 학습/서빙 편차는 영웅적 노력이 아니라 계약으로 해결되어 사라�었다. 그 역사 내내 모델은 해마다 바뀌었지만, 그것을 둘러싼 구조는 계속 쌓여갔다.

500년 (오래된 법칙인가?). 1494년, Luca Pacioli는 복식부기라는 체계를 세상에 내놓았다. 이것이 베네치아 상인들을 더 똑똑하게 만든 것은 아니다. 다만 모든 거래에 두 번째 증인을 붙여주었을 뿐이다. 그 토대 위에서, 은행들은 이후 수 세기 동안 오늘날 우리가 에이전트라 부를 만한 것들을 운영해왔다 — 서명 한도가 있는 사무원, 장부, 그리고 감사관들. 거버넌스가 적용된 컨텍스트 아래에서의 자율적 노동은 2026년의 발명품이 아니다. 신뢰는 애초에 사람의 속성이었던 적이 없다. 그것은 늘 장부의 속성이었다.

논지 자체를, 그 논지가 발표된 방식 그대로 검증해보다

도그푸딩 점검: 이 글을 쓰면서 나는 서밋 발표 자료 자체를 내 오픈소스 파이프라인에 통과시켜봤다. 산문 형태의 노트를 넣으면 결정론적인 지식 뼈대가 나오는 파이프라인이다. 개념 열여섯 개, 인용 출처 열일곱 개, 모든 개념은 헤딩까지, 모든 출처는 실제 URL까지 추적 가능하다. 여기에 추출된 여덟 개의 "스킬"이 더해지는데, 각각 솔직한 notGoodAt 엣지와 함께 제공된다(제로카피 클론은 컴퓨트 경합을 격리해주지 않는다; 피처 스토어는 재사용 규율이 없는 팀을 고쳐주지 못한다). 리트리벌도 없고 노드도 없이 — 카탈로그가 강제하는 것과 똑같은 '루머 금지' 원칙을 그대로 지킨 결과다.

The portable three-piece onboarding kit — 온보딩 키트는 이식 가능하다: 신원 및 증명(attestation) · 출처가 명시된 컨텍스트 스파인 · '아니오'라고 말할 수 있는 평가(evals) 게이트.

이 지점은 그대로 가져다 쓸 만하다. 이 패턴에는 특정 벤더가 필요 없다. 어디서든 만들 수 있는 세 조각이 전부 내 레포에 공개되어 있는데, identity/attestation layer 는 에이전트를 범위가 한정되고 감사 가능한 주체(principal)로 만들고 (brace); a context spine 는 출처가 필수로 명시된 노드들을 갖추며 (FDE-os: knowledgefy + jd-compiler 파이프라인), 그리고 eval gate that can say no 는 CI 안에 놓인다 (cli-judge, rag-eval-harness). 플랫폼들이 지금 이 세 조각을 관리형 제품으로 그대로 내놓고 있다는 사실을, 나는 우연이 아니라 수렴하는 증거로 받아들인다.

온보딩은 루프다 — 그리고 그 루프가 곧 해자다

The onboarding loop — 배지 → 핸드북 → 수습 기간 → 신뢰 → 반복. 검토를 거친 과업 하나하나가 다음 에이전트가 물려받을 메모리를 두텁게 쌓아간다.

이 순서대로 루프를 돌려야 한다 — 사람을 온보딩할 때와 똑같은 순서이며, 순서 자체가 중요하다:

첫 쿼리보다 신원이 먼저다. 에이전트가 주체(principal)가 아니라면, 그 이후의 모든 통제는 연극에 불과하다.
역량보다 맥락이 먼저다. 도구를 추가하기 전에 시맨틱 레이어와 계보(lineage)부터 연결해야 한다 — 핸드북 없이 무장만 잘 시킨 에이전트는 자신만만한 실수를 더 빨리 저지를 뿐이다.
자율성보다 평가(evals)가 먼저다. 게이트는 반드시 '거절'할 수 있어야 하고, 실제로 막아 세울 수 있어야 한다. 릴리스를 실패시킬 수 없는 게이트는 그냥 분위기일 뿐이다.
증거가 있을 때만 확장되는 자율성. 감사 기록이 이를 뒷받침할 때 비로소 권한 범위를 넓힌다 — 서명 한도가 늘어나는 것과 같은 방식이다.

그리고 이것이 모델 추격 전략을 이기는 이유는 다음과 같다: 모델 업그레이드는 모든 회사에 똑같이 도움이 된다. 컨텍스트 레이어는 오직 당신 회사에만 도움이 된다. 다음 프런티어 모델이 출시되면 그날로 경쟁사도 당신과 똑같이 혜택을 본다. 하지만 검토되고, 감사되고, 계보가 추적된 만 건의 작업에 대한 기억은 오직 당신만을 끌어올린다. 한 번 온보딩을 마치면, 어느 랩에서 나왔든 앞으로의 모든 에이전트는 24가 아니라 83에서 출발한다.

기억해야 할 한 문장

역사상 가장 똑똑한 신입사원이 당신 회사 로비에 서 있다. 문제는 그 로비다.

모델 업그레이드를 멈춰라. 대신 온보딩을 시작하라: 배지, 핸드북, 수습 기간 — 즉 정체성, 맥락, 평가(evals)다.

AI-Native 시리즈 더 보기

이 모든 글은 Writing 섹션에서 홈페이지에 모여 있다.

AI-Native 시리즈의 일부다. 이 글의 바탕이 된 지식 그래프, 스킬, 파이프라인은 github.com/wjlgatech/FDE-os에 공개되어 있다. 출처: Atlan's Summit 2026 recap · Futurum · Constellation Research · OpenAI × Snowflake.