AI › 생성형 AI › AI 에이전트 › 에이전트 구성

AI 컨텍스트 플랫폼AI Context Platform

흩어진 사내 문서 · 데이터 · 업무 기록을 뜻과 접근 권한이 붙은 기계 판독 맥락으로 바꿔, AI 에이전트가 질의마다 필요한 만큼 받아 쓰게 하는 기반 시스템이다. 모델이나 검색 기법 하나가 아니라 여러 에이전트가 함께 쓰는 맥락 공급 계층이다.

1요약

  1. AI 컨텍스트 플랫폼은 가트너가 2026-10-20 「2027 전략 기술 트렌드」 열 가지 가운데 넷째로 꼽은 기술로, 원천 데이터와 LLM 사이에 놓이는 맥락 공급 계층이며 그 위에서 영업 · 재무 · 상담 에이전트가 같은 지표 정의와 권한 기준으로 답한다(CXOToday 2026-10).
  2. 뜻이 붙지 않은 데이터로는 에이전트가 숫자를 틀린다 — 기업 SQL 데이터베이스 질문에서 LLM 정확도는 표에 바로 물으면 16%, 지식 그래프로 뜻을 붙이면 54% 였다(Sequeda 2023).
  3. 「에이전트 답이 틀렸다」는 틀린 것이 숫자 · 인용 범위 · 시점 가운데 무엇인가로 가른다 — 숫자면 의미 계층, 인용 범위면 정책, 시점이면 수집 · 색인의 문제다.

2등장 배경

사내 에이전트에 「순매출」을 물으면 모델은 영업 메모의 정의와 재무 정의 가운데 어느 것을 쓸지 모른다. 부서 문서를 한 벡터 저장소에 모으면 열람 권한이 없는 직원에게 다른 부서 문서가 인용되기도 한다(OWASP LLM08:2025).

2020년 Lewis 외가 질의 때 외부 문서를 검색해 붙이는 RAG 를 내놓았다(Lewis 2020). 2023년 Liu 외는 긴 입력의 가운데 놓인 정보를 모델이 잘 쓰지 못함을, Sequeda 외는 지식 그래프로 뜻을 붙이면 SQL 질의 정확도가 16% 에서 54% 로 오름을 보였고(Liu 2023 · Sequeda 2023), 2024년 Edge 외의 GraphRAG 는 문서에서 뽑은 지식 그래프로 전체를 묻는 질문에 답했다(Edge 2024).

가트너는 이 흐름을 여러 에이전트가 함께 쓰는 맥락 계층으로 묶어, «2027년까지 AI 준비 데이터의 의미 체계를 우선한 조직은 에이전트 정확도를 최대 80% 높이고 비용을 최대 60% 줄인다»고 본다(가트너 · 2026-10 · 전망 · 보도 인용). 가트너 분석가는 맥락 계층이 없으면 과도한 권한 · 규정 위반 · 낮은 신뢰 · 토큰 과소비가 생긴다고 짚었다(Network World 2026-10).

3쉽게 이해하기 — 보고 폴더를 꾸리는 자료실 담당

영업팀 대리가 팀장 질문을 들고 자료실 담당에게 「지난 분기 수도권 순매출 자료」를 부탁한다. 담당은 네 부서 캐비닛에서 서류 40장을 꺼낸 뒤 회사 용어집을 펴서 「순매출」을 재무부 정의 하나로 맞추고, 보안 도장이 찍혀 영업팀이 볼 수 없는 인사 서류 2장을 뺀다. 대리가 회의 전에 읽을 수 있는 20쪽 안으로 다섯 묶음만 골라 가장 중요한 것을 맨 앞과 맨 뒤에 끼운 폴더를 건네고, 누가 무엇을 가져갔는지 대출 장부에 적는다.

대리 묻고 쓰는 쪽 팀장 질문 사용자 질의 영업 대리 AI 에이전트 자료실 담당 꾸리는 쪽 담당 한 사람 컨텍스트 플랫폼 대출 장부 7 사용 기록 부서 캐비닛 꺼낼 곳 네 부서 서류 원천 데이터 캐비닛 목록표 수집 · 색인 부탁 1 폴더 6 꺼내 달라 서류 40장 2 담당의 책상 꺼낸 서류 고른 다섯 묶음 3 용어집에 맞춤 의미 계층 4 보안 도장 확인 정책 · 권한 5 20쪽 폴더로 조립 · 토큰 예산 용어집 = 사내 지표 정의 · 보안 도장 = 열람 권한 · 20쪽 = 한 번에 건넬 분량 한도 · 장부 = 누가 무엇을 가져갔나

그림 1 · 자료실 담당은 캐비닛에서 꺼낸 서류를 용어집과 보안 도장으로 거른 뒤 20쪽 폴더로 대리에게 건네고, 건넨 것을 장부에 적는다.

부탁하기대리가 자료를 청함
꺼내기네 부서 캐비닛에서 40장
용어집낱말을 회사 뜻 하나로
도장 보기볼 수 없는 서류 빼기
폴더 꾸리기20쪽 안 · 중요한 것은 앞뒤
장부 적기누가 무엇을 가져갔나
비유 — 같은 이름, 다른 뜻 영업부 메모 순매출 = 매출 − 할인 재무부 정의 순매출 = 매출 − 반품 − 할인 인사 서류 보안 도장 — 영업팀 열람 불가 용어집이 고른 뜻 재무부 정의 하나 · 인사 서류는 뺌 체크 = 회사 기준으로 고른 것 · 가위표 = 쓰지 않거나 빼는 것 실제 — 의미 계층의 낱말 풀이 질의: 지난 분기 수도권 순매출 순매출 지표 net_revenue = 매출 − 반품 − 할인 수도권 지역 코드 3개 11 · 28 · 41 지난 분기 기간 2026-07-01 ~ 09-30 SQL 질문 정확도 — 표에 바로 16% · 뜻을 붙이면 54% 정확도 = Sequeda 2023 · 지역 코드 · 기간 = 가정 값

그림 2 · 같은 이름의 정의가 둘이면 용어집이 회사 기준 하나를 고른다 — 실제 의미 계층은 질의 낱말을 지표 정의 · 코드 · 기간으로 바꾼다.

비유 속 역할실제 이름실제로 하는 일
네 부서 캐비닛원천 데이터문서 · 위키 · 데이터베이스 · 업무 시스템 · 대화 기록
캐비닛 목록표수집 · 색인커넥터로 읽어 조각을 나누고 임베딩해 검색 후보를 찾는다
회사 용어집의미 계층낱말을 사내 지표 정의 · 코드 · 온톨로지에 맞춘다
보안 도장정책 · 접근 권한요청자가 볼 수 없는 조각을 검색 결과에서 뺀다
20쪽 폴더조립 · 토큰 예산예산 안에서 고르고 중요한 것을 앞뒤에 둔다
영업 대리AI 에이전트맥락을 받아 도구를 부르고 답에 출처를 붙인다
부탁 · 폴더 건네기MCP 요청 · 응답에이전트와 플랫폼 사이의 연결 규약(JSON-RPC 2.0)
대출 장부사용 기록질의 · 쓴 맥락 · 출처를 남겨 감사와 다음 질의에 쓴다

⚠ 비유가 맞지 않는 곳: 실제 플랫폼은 질의 때마다 서류를 꺼내지 않고 미리 만든 색인에서 후보를 찾으며, 「20쪽」은 쪽 수가 아니라 토큰 수다. 용어집도 한 번 쓰고 끝나는 책이 아니라 지표 정의가 바뀔 때마다 고치는 데이터다.

4구조 · 동작 — 수도권 순매출 질의 한 건

플랫폼은 수집 · 색인, 의미 계층, 정책, 조립 · 전달의 네 단계로 맥락을 만든다. 에이전트와는 MCP 로 이어지며, MCP 는 사용자 데이터를 서버에 넘기기 전 명시적 동의를 요구한다(MCP 개요 2026-07-28 보안 원칙 2). 사용 기록은 다시 플랫폼으로 돌아와 감사와 다음 질의에 쓰인다.

원천 데이터 색인 · 의미 표현 정책 · 조립 규칙 사용자 출력 굵은 화살 = 맥락 전달 · 점선 = 기록 문서 · 위키 데이터베이스 업무 시스템 대화 · 작업 기록 AI 컨텍스트 플랫폼 수집 · 색인커넥터 · 조각 나누기 · 임베딩 의미 계층용어 · 지표 정의 · 온톨로지 정책접근 권한 · 출처 · 신선도 조립 · 전달토큰 예산 안에서 골라 묶음 사용자 질의 AI 에이전트LLM · 도구 호출 답 + 출처 MCP 사용 기록 → 다음 질의 · 감사

그림 3 · 원천 데이터는 의미 계층과 정책을 거친 뒤에야 에이전트의 맥락이 되고, 사용 기록은 다시 플랫폼으로 돌아온다.

사례(설명용 가정 값) — 영업 2팀 직원이 영업 에이전트에 「지난 분기 수도권 순매출」을 묻는다.

  1. 에이전트가 MCP 리소스 요청으로 플랫폼에 맥락을 청한다(요청자 = 영업 2팀 · MCP 개요 2026-07-28).
  2. 의미 계층이 「순매출」을 지표 정의 net_revenue = 매출 − 반품 − 할인 으로, 「수도권」을 지역 코드 3개로, 「지난 분기」를 2026-07-01 ~ 09-30 으로 바꾼다.
  3. 검색이 후보 조각 40개를 찾고, 정책이 영업 2팀에 열람 권한이 없는 인사 문서 2건을 빼 38개를 남긴다(OWASP LLM08:2025 권한 인식 저장소).
  4. 조립 · 전달이 토큰 예산 4,000 안에서 지표 정의 1(300) · 문서 조각 3(각 800) · 표 요약 1(900), 모두 3,600토큰을 고르고 지표 정의와 표 요약을 맨 앞과 맨 뒤에 둔다(Liu 2023).
  5. 에이전트가 SQL 도구를 호출해 값을 구하고 답에 출처 5개를 붙인다.
  6. 질의 · 쓴 맥락 · 출처가 사용 기록으로 남아 감사와 다음 질의에 쓰인다.
후보 줄이기 — 막대 길이 = 조각 수 검색 후보 40개 정책 적용 38개 · 인사 문서 2건 뺌 조립 5개 · 토큰 예산 안에서 고름 토큰 예산 4,000 안의 배치 앞 — 잘 쓰임 가운데 — 덜 쓰임 뒤 — 잘 쓰임 조각 1 조각 2 조각 3 표 요약 남음 지표 정의 300 800 800 800 900 400 사용 3,600 · 남음 400 토큰 — 가운데 놓인 정보는 덜 쓰인다(Liu 2023) 지표 정의(의미 계층) 문서 조각 · 표 요약 정책이 뺀 조각 남은 예산 값 = 설명용 가정 값

그림 4 · 후보 40개는 정책을 거쳐 38개, 조립을 거쳐 5개로 줄고, 고른 5개는 예산 4,000토큰 안에서 중요한 것이 앞뒤에 놓인다.

🔑 RAG 는 «질문과 무엇이 비슷한가»로 고르고, AI 컨텍스트 플랫폼은 «그 말이 사내에서 무엇을 뜻하고 누가 볼 수 있는가»를 먼저 정한 뒤 고른다.

5비교 — 관련 기술과의 경계

관련 기술같은 점다른 점
RAG질의 때 바깥 지식을 찾아 붙임(Lewis 2020)RAG 는 검색 · 생성 방법 하나 · 플랫폼은 의미 · 권한 · 기록을 여러 에이전트에 공통으로 운영
컨텍스트 윈도우결국 모델 입력에 들어갈 맥락을 다룸윈도우는 모델이 한 번에 받는 길이 한도 · 플랫폼은 그 한도 안에 무엇을 넣을지 고름
에이전트 메모리지난 대화 · 작업을 다시 꺼내 씀메모리는 에이전트 하나의 경험 · 플랫폼은 조직 전체 지식과 정의
MCP에이전트에 리소스 · 도구를 건넴MCP 는 연결 규약(JSON-RPC 2.0) · 플랫폼은 그 위로 무엇을 건넬지 정하는 시스템
메타데이터데이터의 이름 · 뜻 · 출처를 적음메타데이터는 재료 · 플랫폼은 이를 질의 시점에 맥락으로 조립
온톨로지개념과 관계를 명시적으로 정의온톨로지 · 지식 그래프(Edge 2024)는 의미 계층을 만드는 방식의 하나

분석에이전트가 하나이고 문서 검색만 필요하면 RAG 로 충분하고, 여러 에이전트가 같은 지표 정의 · 권한 · 출처 기준을 지켜야 할 때 컨텍스트 플랫폼을 둔다. 근거는 표의 RAG · 메타데이터 행과, 공유 벡터 저장소는 권한 인식 저장소로 따로 지켜야 한다는 점이다(OWASP LLM08:2025).

6실무 진단 — 틀린 답의 원인 단계 가르기

분석인용 범위 → 숫자 → 시점 · 배치 순으로 본다. 권한 밖 문서 인용은 답을 고쳐도 이미 누출이라 가장 먼저 막고(OWASP LLM08:2025), 숫자 오류는 정의가 하나로 정해져야 권한 · 색인 점검이 뜻을 갖기 때문이다(Sequeda 2023).

#증상의심 원인단계확인 자료판정 기준(근거)
1요청자가 볼 수 없는 문서가 답에 인용됨검색 뒤 권한 필터 누락 · 공유 벡터 저장소정책사용 기록의 인용 조각 ID ↔ 요청자 열람 권한권한 밖 조각이 하나라도 있으면 누출(OWASP LLM08:2025)
2같은 질문에 에이전트마다 숫자가 다름같은 이름의 지표 정의가 둘 이상의미 계층사용 기록의 지표 정의 ID · 정의 목록한 이름에 정의 ID 가 둘이면 정의를 하나로(Sequeda 2023)
3개정 전 값 · 지난 문서로 답함색인이 원천보다 늦음수집 · 색인조각의 원천 수정 시각 ↔ 색인 적재 시각원천 수정이 적재보다 뒤면 옛 조각(Lewis 2020 4.5절)
4근거가 들었는데 답에 안 쓰임핵심 조각이 맥락 가운데에 놓임조립 · 전달사용 기록의 조각 순서 · 토큰 수가운데 놓일수록 덜 쓰임(Liu 2023)

7시험 대비

시험에서는 정의와 RAG 와의 차이를 묻는 정의 · 특징형, 에이전트 확산에 따른 맥락 관리 흐름을 묻는 동향 · 발전형이 나올 수 있다. 정의형은 그림 3 의 네 단계와 RAG 비교로, 동향형은 RAG → 지식 그래프 → 맥락 계층의 흐름과 권한 위험으로 답한다.

답안 목차
  1. 개요 — 정의(맥락 공급 계층) · RAG 와 다른 점(의미 · 권한 · 기록) · 가트너 트렌드
  2. 구성 — 그림 3 네 단계(수집 · 색인 → 의미 계층 → 정책 → 조립 · 전달) + MCP 연결 · 사용 기록
  3. 처리 절차 — 순매출 질의 사례 6단계(후보 40 → 38 → 5 · 3,600토큰)
  4. 핵심 원리 — 그림 4 토큰 예산 배치(앞뒤 배치) · 뜻을 붙였을 때 정확도 16% → 54%
  5. 동향과 과제 — RAG → GraphRAG → 맥락 계층 · 권한 누출 · 지표 정의 관리 비용

꼭 쓸 키워드
의미 계층지표 정의온톨로지지식 그래프권한 인식 저장소토큰 예산MCP사용 기록RAG

다른 답안과 차이를 내는 한 가지 — 뜻을 붙였을 때의 정확도 16% → 54% 와 토큰 예산 4,000 안의 배치를 함께 적어 «검색이 아니라 뜻 · 권한 · 분량을 관리한다»를 숫자로 보인다.

8오해와 사실

  • 오해컨텍스트 윈도우가 충분히 길면 컨텍스트 플랫폼은 필요 없다.
    사실입력이 길어도 관련 정보가 가운데 놓이면 정확도가 눈에 띄게 떨어지므로(Liu 2023), 무엇을 어디에 넣을지 고르는 단계가 따로 있어야 한다.
  • 오해벡터 데이터베이스를 들이면 컨텍스트 플랫폼이 된다.
    사실공유 벡터 저장소는 부서 사이 문서 누출 위험이 있어 권한 인식 저장소가 필요하고(OWASP LLM08:2025), 뜻을 붙이지 않고 표에 바로 물은 실험의 정확도는 16% 였다(Sequeda 2023).

9핵심 정리

구분맡는 일사례 값흔한 실패확인 지표
원천 데이터문서 · DB · 업무 기록 제공네 종류 원천수정이 색인에 늦게 반영수정 시각 ↔ 적재 시각
수집 · 색인읽기 · 조각 나누기 · 임베딩후보 40개옛 조각 검색색인 지연
의미 계층낱말 → 사내 정의net_revenue · 지역 코드 3개같은 이름 정의 둘이름당 정의 ID 수
정책권한 · 출처 · 신선도 거름인사 문서 2건 제외검색 뒤 필터 누락권한 밖 인용 수
조립 · 전달예산 안 선택 · 배치5개 · 3,600 / 4,000토큰핵심 조각이 가운데조각 순서 · 토큰 수
MCP 연결에이전트와 리소스 주고받기리소스 요청 1건동의 없는 데이터 전달사용자 동의 기록
사용 기록질의 · 맥락 · 출처 저장출처 5개기록 누락으로 감사 불가질의당 기록 유무

이 글은 2026-10 가트너 「2027 전략 기술 트렌드」 발표 기준이다 · 다음 트렌드 발표 때 다시 본다.

10참고 문헌

  1. 먼저 볼 문헌
  2. ★ Gartner's top tech trends for 2027 expand—and constrain—AI capabilities (Network World · Ann Bednarz) — 세 주제 묶음 · 2027년 전망 숫자 · 맥락 계층이 없을 때의 위험(분석가 발언)을 볼 때
    Network World · 2026-10-20 · www.networkworld.com/article/4238030/gartners-top-tech-trends-for-2027-expand-and-constrain-ai-capabilities.html · 확인 2026-11-18
  3. ★ Gartner Identifies the Top Strategic Technology Trends for 2027 (CXOToday 재게시) — 가트너 보도자료의 열 가지 트렌드와 AI 컨텍스트 플랫폼 정의를 볼 때
    CXOToday · 2026-10 · cxotoday.com/others/gartner-identifies-the-top-strategic-technology-trends-for-2027/ · 확인 2026-11-18
  4. ★ A Benchmark to Understand the Role of Knowledge Graphs on Large Language Model's Accuracy for Question Answering on Enterprise SQL Databases (Sequeda et al.) — 기업 SQL 질문에서 지식 그래프로 뜻을 붙였을 때 정확도가 16% 에서 54% 로 바뀐 실험을 볼 때
    arXiv · 2023-11 · arxiv.org/abs/2311.07509 · 확인 2026-11-18
  5. ★ OWASP Top 10 for LLM Applications 2025 - LLM08:2025 Vector and Embedding Weaknesses — 공유 벡터 저장소의 부서 간 누출과 권한 인식 저장소 대응을 볼 때
    OWASP Foundation · 2024-11 · genai.owasp.org/llmrisk/llm082025-vector-and-embedding-weaknesses/ · 확인 2026-11-18
  6. 본문 근거
  7. Lost in the Middle: How Language Models Use Long Contexts (Liu et al.) — arXiv · 2023-07 · arxiv.org/abs/2307.03172 · 확인 2026-11-18
  8. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al. · NeurIPS 2020) — arXiv · 2020-05 · arxiv.org/abs/2005.11401 · 확인 2026-11-18
  9. From Local to Global: A Graph RAG Approach to Query-Focused Summarization (Edge et al.) — arXiv · 2024-04 · arxiv.org/abs/2404.16130 · 확인 2026-11-18
  10. Model Context Protocol Specification 2026-07-28 - Overview — Model Context Protocol · 2026-07 · modelcontextprotocol.io/specification/2026-07-28 · 확인 2026-11-18