.svg)
알라미 다운받기
만들고, 연결하고, 통제하는 엔터프라이즈 AI의 다음 단계,
MAIP aOS(agent Operating System)
얼마 전까지만 해도 기업의 AI 도입에서 가장 많이 나왔던 질문은 단순했습니다.
“우리도 AI Agent를 만들 수 있을까?”
이제 분위기는 조금 달라졌습니다. 계약서를 검토하는 Agent, 고객 문의에 답하는 Agent, 회의 내용을 정리하는 Agent, 사내 데이터를 찾아주는 Agent까지. 기업 안에서 AI Agent가 실제 업무에 들어오기 시작하면서 이제는 새로운 질문이 생기고 있습니다.
그런데 이 Agent들, 누가 만들고 누가 관리하죠?
누구에게 어떤 데이터를 보여줄지, 어떤 모델을 사용할지, 잘못된 답변은 어떻게 걸러낼지, 비용은 어떻게 관리할지도 생각해야 합니다.
Agent 하나를 만드는 것보다 여러 Agent를 기업안에서 제대로 운영하는 일이 더 어려워지기 시작한 겁니다.
스켈터랩스가 새롭게 선보이는 MAIP aOS (agent Operating System)는 바로 이 지점에서 출발합니다.
기존 MAIPaOS가 쌓아온 RAG 기반의 기업 지식 활용 역량에 Agent Builder, 멀티 Agent 오케스트레이션, Knowledge Management, 거버넌스, 멀티 LLM 활용 환경을 하나로 연결했습니다. 쉽게 말하면 AI Agent를 하나 만드는 도구가 아니라, 기업이 AI Agent를 만들고 사용하고 관리하기 위한 하나의 환경입니다.
ㅣAgent를 만드는 사람과 쓰는 사람은 다릅니다
“앞으로는 누구나 AI Agent를 만들 수 있습니다.” 요즘 자주 듣는 이야기입니다.
그런데 실제 회사 안을 생각해 보면 조금 다릅니다. 모든 직원이 직접 워크플로우를 설계하고 API를 연결하고 Agent의 동작 방식을 설정할 수는 없습니다.
그렇다고 매번 개발팀에게 “이것도 하나 만들어주세요”라고 요청하는 방식으로는 AI 활용이 빠르게 확산되기도 어렵습니다.
MAIP aOS는 기업의 사용자를 크게 세 가지 관점으로 바라봅니다.
예를 들어 영업 담당자가 “내일 고객 미팅 전에 이전 계약 내용과 최근 상담 이력을 정리해줘.”라고 요청한다고 해보겠습니다. 사용자가 직접 데이터베이스를 연결하고 복잡한 노드를 그릴 필요는 없습니다.
자연어를 기반으로 필요한 Agent를 구성하거나 이미 만들어진 Agent를 업무에 활용할 수있고, 보다 복잡한 시스템 연결이나 세밀한 워크플로우가 필요한 경우에는 IT·개발 담당자가 전문적인 수준으로 확장할 수 있습니다.
누구나 쉽게 시작할 수 있지만, 필요하면 깊게 만들 수도 있는 구조
기업에서 말하는 ‘노코드 Agent’가 실제로 작동하려면 이런 구분이 필요합니다.
ㅣ가장 좋은 LLM 하나를 찾는 게 답일까요?
AI를 도입할 때 또 하나 자주 나오는 질문이 있습니다.
그런데 기업의 모든 업무에 가장 비싸고 성능 좋은 모델이 필요한 것은 아닙니다.
단순한 사내 규정 조회와 복잡한 재무자료 분석에 같은 모델을 사용하는 것은 오히려 비효율적일 수 있습니다.
그래서 MAIP aOS는 특정 하나의 LLM에 종속되지 않는 멀티 LLM 환경을 지향합니다.
단순 조회처럼 빠른 응답이 중요한 업무에는 상대적으로 가벼운 모델을 활용하고, 복잡한 분석과 추론이 필요한 업무에는 고성능 모델을 활용할 수 있습니다.
기업 입장에서는 선택지가 넓어집니다. 새로운 모델이 등장할 때마다 전체 Agent를 다시 만들 필요 없이 업무 특성에 따라 적합한 모델을 선택하고, 성능과 비용 사이의 균형을 지속적으로 조정할 수 있기 때문입니다.
결국 중요한 것은 “가장 좋은 모델이 무엇인가”가 아니라 “이 업무에는 어떤 모델이 가장 적합한가”에 더 가깝습니다.
ㅣ만들기 쉬운 Agent만으로는 부족합니다
기업용 AI에서 편리함만큼 중요한 것이 있습니다.
바로 통제입니다.
예를 들어 인사평가 데이터를 조회하는 Agent가 있다고 해보겠습니다.
모든 직원이 같은 정보를 볼 수 있어서는 안됩니다. 실무자는 일부 정보만 조회할 수 있고, 팀장은 담당 조직의 데이터까지, 특정 승인 권한은 임원에게만 제공해야할 수도 있습니다.
MAIP aOS는 RBAC(Role-Based AccessControl)를 통해 사용자 역할과 권한에 따라 Agent와 데이터 접근 범위를 세분화할수 있도록 설계됐습니다.
누가, 언제, 어떤 데이터에 접근했는지에 대한 기록도 중요합니다. 기업에서 AI의 활용 범위가 넓어질수록 “AI가 무엇을 했는가”를 나중에 확인할 수 있는 구조가 필요하기 때문입니다.
특히 2026년 AI 기본법이 시행되면서 기업의 AI 활용에서도 투명성과 신뢰, 관리체계에 대한 중요성이 더욱 커지고 있습니다.
MAIP aOS는 Agent의 사용 이력을 관리하고 데이터 접근 권한을 통제하는 거버넌스 기능과 함께 개인정보 탐지·마스킹, 온프레미스 구축 등을 통해 기업의 보안 및 거버넌스 환경에 대응할 수 있도록 설계됐습니다.
스켈터랩스가 생각하는 엔터프라이즈 AI의 경쟁력은 단순히 “얼마나 쉽게 Agent를 만드는가”에서 끝나지 않습니다.
쉽게 만들되, 안전하게 운영할 수 있어야 합니다.
ㅣAI의 답변, 어디까지믿어도 될까요?
기업에서RAG를 활용할 때 계속 따라오는 질문이 있습니다.
“답변이 정말 우리 문서를 보고 만든 게 맞나요?”
특히 금융, 공공과 같이 잘못된 정보 하나가 큰 문제로 이어질 수 있는 환경에서는 단순히 ‘그럴 듯한 답변’을 만드는 것만으로는 충분하지 않습니다.
스켈터랩스는 RAG라는 용어가 널리 알려지기 전부터 검색 정확도와 문맥 선별 기술을 지속적으로 개발해 왔습니다.
MAIP aOS에는 이러한 경험을 기반으로 한 Context Selection 기술이 적용됩니다.
사용자의 질문과 연관된 문서를 무조건 많이 LLM에 전달하는 것이 아니라, 실제 답변 생성에 필요한 핵심 문맥을 선별해 전달하는 방식입니다.
정보를 많이 주는 것보다 필요한 정보를 제대로 주는 것에 집중하는 겁니다.
여기에 답변의 근거가 되는 문서를 함께 제시하고, 답변과 근거 간의 신뢰도를 평가해 일정 기준에 미치지 못하는 경우 답변을 제한하는 방식으로 정확도를 관리합니다.
AI가 답변을 잘하는 것만큼, 왜 그렇게 답했는지 확인할 수 있는 것. 기업용 AI에서는 이 차이가 꽤 중요합니다.
ㅣ실제 기업 환경은 생각보다 복잡합니다
그렇다고 좋은 플랫폼 하나를 설치하면 바로 모든 문제가 해결될까요? 현실은 그렇게 간단하지 않습니다.
기업마다 사용하는 ERP와 그룹웨어가 다르고, 데이터가 저장된 위치도 다릅니다.
내부망과 외부망이 분리되어 있기도 하고, 부서마다 접근할 수 있는 데이터도 다릅니다.
특히 금융·공공과 같은 산업에서는 외부 SaaS를 바로 사용하는 것조차 어려운 경우가 있습니다. 그래서 MAIP aOS는 SaaS뿐만 아니라 온프레미스 구축 환경을 지원합니다.
MCP를 비롯한 다양한 방식으로 기존 기업 시스템과 연결할 수 있으며, 표준 기능만으로 해결하기 어려운 복잡한 업무 프로세스에서는 스켈터랩스의 FDE(Forward Deployed Engineer)가 고객 현장에서 실제 업무와 시스템을 함께 살펴보며 필요한 Agent 구축을 지원합니다.
단순히 제품을 제공하고 끝나는 것이 아니라, “이 기업에서 AI가 실제로 일하려면 무엇과 연결되어야 하는가?”까지 함께 보는 방식입니다.
스켈터랩스가 금융을 비롯해 데이터 민감도가 높은 산업에서 AI 서비스를 구축하며 쌓아온 경험이 중요한 이유도 여기에 있습니다.
ㅣAgent의 시대, 경쟁력은 ‘몇 개 만들었느냐’에서 나오지 않습니다
지난 글에서 이야기했듯 Agent를 도입할 때 중요한 것은 Agent의 개수가 아닙니다.
어떤 일을 맡길지, 어떤 데이터를 사용할지, 어떤 기준으로 성과를 평가할지를 먼저 정해야 합니다.
그리고 Agent가 실제 기업 안으로 들어오기 시작한 지금은 한 단계 더 나아가야 합니다.
AI Agent가 많아질수록 이런 질문은 더욱 중요해집니다.
MAIP aOS는 하나의 Agent를 만드는 것에서 출발하지 않습니다.
기업 안에 흩어진 데이터와 시스템, 사람 그리고 다양한 AI 모델을 연결하고, 여러 Agent가 실제 업무 환경에서 지속적으로 활용될 수 있는구조를 만드는 데 초점을 맞춥니다.
AI를 ‘한번 써보는 기술’에서 기업이 지속적으로 활용할 수 있는 업무 환경으로.. 스켈터랩스가 MAIP aOS로 만들고자 하는 다음 단계입니다.
