LinkedIn가 AI 에이전트용 조직 컨텍스트 기반 구축

LinkedIn은 대규모 코드베이스 위에서 AI 에이전트를 활용할 때의 과제를 해결하는 독자적 아키텍처를 구축하여 개발자의 생산성을 20% 향상시켰다고 발표했다. 신뢰성 저하는 제로였다고 밝혔으며, 동사 엔지니어의 Ajay Prakash가 그 메커니즘을 공개했다.

AI를 활용한 코딩 지원은 빠르게 보급되고 있으나, 대기업 특유의 과제가 있다. 수만에서 수십만 파일 규모의 코드베이스에서는 AI 에이전트가 '어디에 무엇이 있는가' '사내에서 어떻게 업무를 진행해야 하는가'라는 조직 고유의 문맥을 파악하지 못해 엉뚱한 제안이나 잘못된 수정을 수행하는 경우가 많다. 이러한 배경에서 LinkedIn은 범용적인 AI 도구를 그대로 사용하기보다는 자사의 문맥 정보를 AI에 전달하는 전용의 메커니즘을 설계했다.

동사가 구축한 것은 'Contextual Agent Playbooks and Tools(컨텍스트형 에이전트 플레이북과 도구 모음)'이라 불리는 메커니즘으로, MCP(Model Context Protocol=AI와 도구·데이터를 연결하는 표준적 프로토콜)를 기반으로 한다. 이 메커니즘은 코딩 에이전트에 대해 세 가지 정보를 직접 제공한다. 첫째는 절차적 기억(procedural memory)으로, 사내 독자적 개발 플로우나 업무 규칙에 관한 지식이다. 둘째는 코드 검색 기능으로, 방대한 코드베이스에서 관련 부분을 빠르게 찾는다. 셋째는 런북(runbook)으로, 장애 대응이나 정형 작업의 절차서에 해당한다.

아키텍처 설계에 있어서는 안전하게 운영하기 위한 '가드레일(guardrails)'이라 불리는 제어 메커니즘도 포함되어 있다. AI가 잘못된 조작을 수행하지 않도록 에이전트의 동작 범위를 제한하는 운영상의 틀이다. 이러한 제어가 생산성 향상과 신뢰성의 양립을 실현한 요인으로 위치지어진다.

이번 취조가 주목받는 이유 중 하나는 단순한 AI 도구의 도입에 그치지 않고, '조직의 문맥을 AI에 전달하는 레이어(층)' 자체를 설계하고 있다는 점이다. AI 에이전트가 범용적 능력을 갖추게 된 지금, 기업이 다음으로 취조해야 할 과제는 '어떻게 자사 고유의 지식을 AI에 이해시킬 것인가'라는 점으로 옮겨지고 있다는 견해가 가능하다. LinkedIn의 사례는 그 하나의 해답 사례라 할 수 있다.

MCP는 Anthropic이 2024년에 제안한 오픈 규격으로, AI 모델이 외부 도구나 데이터소스와 연계하기 위한 공통 인터페이스를 정의한다. LinkedIn이 이 규격을 채용한 것은 업계 표준 준거라는 관점에서도 의의가 있다고 위치지어진다. 기업 규모에서 AI 에이전트를 운영할 때 MCP와 같은 오픈 프로토콜이 조직 컨텍스트층의 기반으로 기능할 수 있음을 보여주는 사례가 된다.

대규모 코드베이스로의 AI 도입을 검토하는 기업에 있어서 향후 주목해야 할 포인트는 '컨텍스트층을 어떻게 설계·유지할 것인가'라는 운영 설계의 문제가 될 것으로 생각된다. AI의 능력 자체가 향상되는 것뿐만 아니라 조직 고유의 지식을 어떻게 정확하고 안전하게 AI에 공급할 수 있는가가 실제 생산성 개선을 좌우하는 열쇠가 될 가능성이 있다.