🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

스트라이프는 딥 에이전츠의 범용 에이전트 기반 위에 사내 보안·데이터·업무 지식을 결합해 전사 생산성 에이전트 카이를 한 명의 엔지니어가 일주일 만에 구축했고, 이후 직원 대부분이 사용하는 플랫폼으로 확장했다.

📌 핵심 요약

• 스트라이프는 비개발자도 사내 데이터 분석, 문서 작성, 아이디어 구상과 협업을 한 세션에서 수행할 수 있도록 전사 지식 인공지능 플랫폼 카이를 개발했다.
• 카이는 랭체인·랭그래프 스택과 오픈소스 에이전트 하네스인 딥 에이전츠를 기반으로 하며, 범용 실행 기능과 스트라이프 전용 보안·인프라·서비스 통합을 계층별로 분리한다.
• 가상 파일시스템, 격리 실행 환경, 장기 세션 요약 미들웨어를 활용해 파일의 지속성, 생성 코드의 안전한 실행, 문맥 길이와 비용 관리를 구현했다.
• 100개가 넘는 팀이 제공한 1,000개 이상의 스킬과 500개 이상의 내부 도구를 전부 적재하지 않고, 선택된 스킬이 필요한 도구만 불러오는 2단계 구조로 운영한다.
• 카이는 공개 미리보기 후 일주일 만에 분기 도입 목표를 달성했고 약 4주 동안 사용자가 296명에서 5,000명 이상으로 늘었으며, 현재 직원의 83%가 매주 이용한다.

🧩 주요 포인트

1. 기존 에이전트 구현은 단순 연결에는 성공했지만 신뢰성·평가·복잡한 작업 처리에서 한계를 보였고, 이는 범용 하네스를 공통 기반으로 표준화할 필요성을 드러냈다.
2. 딥 에이전츠가 도구 호출과 상태 관리 같은 공통 문제를 맡고 스트라이프가 사내 보안과 업무 흐름에 집중하면서, 파이썬 기반 내부 투자의 효과를 일주일짜리 구현으로 입증했다.
3. 연합형 스킬 운영과 동적 도구 적재는 대규모 사내 지식을 확장하는 토대가 됐지만, 카탈로그가 커지면서 선택 보조, 거버넌스, 행동별 개인화가 다음 과제로 부상했다.

🧠 상세 정리

1. 사내 에이전트 하네스가 필요해진 배경

에이전트형 인공지능의 활용이 늘자 스트라이프의 여러 엔지니어링 팀은 기존 루비와 자바 시스템 위에 각자의 오케스트레이션 계층을 만들기 시작했다. 내부 인프라와 연결하는 일 자체는 비교적 수월했지만, 안정적인 성능과 견고한 평가 체계, 복잡한 작업을 일관되게 처리하는 능력까지 갖춘 운영용 하네스를 만드는 일은 별개의 과제였다. 초기 구현은 단순한 사례에서는 작동했으나 조직 전체가 신뢰할 수 있는 수준으로 확장하려면 추가 투자가 필요했다. 2024년 말 클로드 코드가 등장한 뒤 직원들의 에이전트 수요가 급증했지만, 비개발자에게는 터미널 사용, 데이터 접근, 보안 설정이 높은 진입 장벽이었다. 이에 에이전트 기반 팀은 모든 직원을 개발자 도구로 끌어들이는 대신, 직원들이 실제로 일하는 방식에 맞춘 상시 사용 가능한 운영용 도우미를 제공하기로 했다.

2. 비개발자를 위한 문맥 인식형 동료 카이

카이는 모든 스트라이프 직원에게 제공되는 세션 기반 생산성 에이전트로, 데이터 종합, 아이디어 구상, 문서 초안 작성, 추세 분석과 부서 간 협업을 지원한다. 사용자는 채팅으로 작업을 진행하고, 카이는 대화 옆에 보고서, 대시보드, 문서와 같은 결과물을 생성하며 후속 대화에 맞춰 이를 계속 수정한다. 이런 사용 방식은 개발자가 코딩 에이전트와 함께 코드를 발전시키는 흐름을 비개발자의 일반 업무에 적용한 것이다. 카이는 내부 데이터 웨어하우스와 슬랙, 구글 제품군에 연결되며 스트라이프의 시스템, 데이터 출처와 업무 규범을 도구와 스킬을 통해 미리 이해한다. 따라서 사용자는 매번 자신의 직무나 회사 배경을 처음부터 설명할 필요가 없고, 100개가 넘는 팀의 전문가들이 제공한 1,000개 이상의 스킬을 통해 분야별 지식도 활용할 수 있다.

3. 딥 에이전츠 위에 세운 계층형 구조

카이의 기반은 랭체인의 오픈소스 에이전트 하네스인 딥 에이전츠이며, 이는 도구 호출 반복, 미들웨어 조합, 스트리밍과 상태 관리 같은 공통 실행 기능을 제공한다. 가장 아래의 딥 에이전츠 계층은 모델 요청 관리와 에이전트 실행을 포함한 범용 언어 모델 상호작용을 담당한다. 그 위에는 스트라이프 전용 하네스가 놓여 사내 보안 기준, 인프라와 내부 서비스를 연결하고 조직에 맞는 운영 환경을 만든다. 구성 계층에서는 각 팀이 하부 하네스를 수정하지 않고도 서로 다른 스킬, 행동 방식과 역할을 가진 맞춤형 카이 에이전트를 설정할 수 있다. 최상단의 카이 사용자 화면은 직원이 실제로 접하는 제품 경험을 제공하며 아래 세 계층과 연결된다. 이 구조 덕분에 팀은 범용 에이전트 기반을 처음부터 개발하는 대신 스트라이프에 특화된 문제와 업무 흐름에 개발 역량을 집중할 수 있었다.

4. 운영 환경을 완성한 핵심 미들웨어

카이는 로컬 프로그램이 아니라 클라우드에서 실행되는 운영 서비스이므로, 스트라이프는 S3 기반 가상 파일시스템을 만들어 에이전트가 여러 대화 차례에 걸쳐 파일을 읽고 쓰며 문맥으로 참조할 수 있게 했다. 격리 환경에서 명령을 실행하기 전에는 관련 파일을 모두 반입하고 실행 후 새 파일과 변경 파일을 다시 가상 파일시스템으로 내보내는 동기화 방식을 적용해 세션 전체에 일관된 파일 환경을 유지한다. 코드 실행은 데이터 조회와 차트 생성을 위한 파이썬 분석, PDF·프레젠테이션·구조화 문서 같은 다양한 파일 처리에 사용된다. 이 격리 환경은 에이전트 자체가 머무는 실행 장소가 아니라 에이전트가 호출하는 도구로 노출되며, 에이전트와 모델 생성 코드의 실행 경계를 분리한다. 장기 다중 대화에서는 누적 문맥이 성능을 떨어뜨리거나 모델 한도에 도달하지 않도록 요약 미들웨어를 사용한다. 요약 시작 기준, 요약 모델과 출력 크기를 조정해 문맥 활용도와 비용을 균형 있게 관리하고, 간헐적으로 이어지는 세션에서 큰 문맥의 캐시 누락으로 비용이 커지는 문제도 줄인다.

5. 스킬 중심의 도구 탐색과 확장 한계

딥 에이전츠의 스킬은 특정 작업을 수행하는 방법, 불러올 도구와 접근 절차를 함께 담은 에이전트 실행형 모듈이다. 스트라이프는 개별 팀이 자신의 스킬을 직접 소유하고 관리하는 연합형 운영 방식을 채택했으며, 기본 카이는 조직 전반을 탐색하는 기초 스킬을 제공한다. 여기에 사용자의 직무, 선택한 카이 구성과 개인 프로필에 따라 추가 스킬이 계층적으로 적재되므로 영업 운영과 재무 담당자는 서로 다른 기본 구성을 받는다. 카이는 500개가 넘는 내부 엠시피 도구를 한꺼번에 문맥에 넣지 않고, 언어 모델이 먼저 관련 스킬을 고르면 그 스킬의 허용 도구 목록에 따라 필요한 도구만 적재하는 2단계 방식을 사용한다. 정책과 공통 문맥에 필요한 일부 기초 스킬은 모델의 선택과 관계없이 항상 유지된다. 다만 프런트매터가 1,024자로 제한된 환경에서 시스템 프롬프트와 150개가 넘는 스킬을 함께 제공하면 최상위 모델의 품질이 저하되는 현상을 확인했으며, 지속적으로 증가하는 스킬 수는 여전히 해결해야 할 과제로 남아 있다.

6. 한 명의 엔지니어와 일주일의 구현

스트라이프는 십여 년 동안 루비와 자바를 중심으로 내부 도구, 보안 계층과 배포 지원 체계를 구축해 왔다. 따라서 파이썬 중심 스택을 채택하려면 새로운 언어를 위한 사내 서비스 기반을 다시 마련해야 했고, 이는 조직 차원의 큰 투자였다. 그러나 아누팜 우파디아이는 딥 에이전츠가 제공하는 실행 원시 기능과 미들웨어를 활용해 카이의 초기 버전을 한 명의 엔지니어로 일주일 만에 구축했다. 도구 호출, 상태 관리, 스트리밍 같은 어려운 공통 기반이 이미 제공됐기 때문에 팀은 이를 처음부터 개발하고 안정화하는 시간을 줄일 수 있었다. 이 결과는 파이썬 지원을 위해 투입한 비용이 실제 제품 개발 속도로 즉시 회수될 수 있음을 보여 주었고, 스트라이프 내부에서 딥 에이전츠 접근법에 대한 신뢰를 굳히는 계기가 됐다.

7. 예상을 앞선 전사 도입과 실제 활용

카이는 공개 미리보기 단계에서 일주일 만에 팀의 분기 도입 목표를 달성했고, 약 4주 동안 사용자가 296명에서 5,000명 이상으로 증가해 16배가 넘는 성장을 기록했다. 주요 신규 사용자는 판매, 재무 분석과 사업 운영처럼 기존 인공지능 도구의 설정과 조작을 어렵게 느꼈던 비개발 직군이었다. 현재 스트라이프 직원의 83%가 매주 카이를 사용하며 전체 사용은 6만 회가 넘는 세션에 걸쳐 있고, 마케팅의 사용 비율은 95%, 시장 진출 조직은 87%로 엔지니어링보다도 높다. 시장 진출 조직은 여러 내부 출처에서 거래 관련 데이터를 모아 종합하고 실제로 사용할 수 있는 결과물을 만드는 데 카이를 활용하며, 재무팀은 데이터 분석과 대시보드 생성에 사용한다. 신규 입사자는 온보딩을 빠르게 진행하는 데 활용하고, 엔지니어링 팀도 자체 시스템에 관한 질문에 답하거나 추적·사용 데이터를 분석해 스킬의 빈틈과 적용 범위를 개선하는 보조 도구로 쓰고 있다.

8. 제품 적합성 이후의 세 가지 과제

빠른 도입 이후 스트라이프는 수많은 활용 사례를 개선하고 확장해야 하는 단계에 들어섰다. 첫 번째 과제는 500개 이상의 내부 도구와 1,000개 이상의 스킬 가운데 적절한 항목을 안정적으로 선택하는 것으로, 현재 규모에서는 전체 문맥을 본 언어 모델의 선택이 검색 증강 생성보다 좋은 결과를 내지만 더 큰 규모에서는 단독 선택이 어렵다고 판단했다. 팀은 검색 증강 생성이나 분류기가 후보를 먼저 좁히고 언어 모델이 최종 결정을 내리는 혼합형 선택 체계를 개발하고 있다. 두 번째 과제는 수천 명의 직원에게 기능이 확대되는 속도에 맞춰 기업 환경에 필요한 보안, 규정 준수와 감독 장치를 강화하는 것이다. 세 번째는 팀마다 다른 행동 선호를 반영하는 것으로, 어떤 팀은 실행 전 계획과 확인 질문을 원하고 다른 팀은 빠르고 직접적인 답을 원한다. 다만 사용자가 복잡한 설정을 직접 조정하지 않아도 된다는 제품 원칙을 유지하면서 이러한 행동 차이를 제공하는 구체적인 해법은 원문에서 완결되어 제시되지 않았다.

🧾 핵심 주장 / 시사점

• 카이의 일주일 구현은 운영 요건을 생략한 결과가 아니라 범용 에이전트 기능, 스트라이프 전용 통합, 팀별 구성을 분리해 이미 해결된 기반을 재사용한 결과다.
• 높은 도입률은 직원에게 에이전트 제작 도구를 제공하는 것보다 기존 업무 데이터와 도구에 연결된 완성형 인터페이스를 제공하는 접근이 비개발 직군의 진입 장벽을 낮췄음을 보여 준다.
• 에이전트 플랫폼이 커질수록 핵심 문제는 단순한 도구 실행에서 대규모 스킬의 정확한 선택, 일관된 정책 적용, 설정 부담 없는 행동 개인화로 이동한다.

✅ 액션 아이템

• 범용 에이전트 하네스와 사내 보안·인프라·업무 통합을 계층 분리해 구현 범위를 정의한다.
• 1,000개 이상 스킬·500개 이상 도구를 전량 적재하지 않고 선택 스킬이 필요 도구만 부르는 2단계 적재 기준을 정한다.
• 카탈로그 확대에 맞춰 스킬 선택 보조, 거버넌스, 행동별 개인화의 우선순위를 비교·점검한다.

❓ 열린 질문

• 딥 에이전츠 공통 기반 위에 사내 보안·업무 흐름만 얹는 분리가 어떤 작업 유형에서 가장 효과적인가?
• 스킬·도구 카탈로그가 커질 때 선택 보조와 거버넌스를 어떤 기준으로 나눌 것인가?
• 공개 미리보기 후 296명에서 5,000명 이상으로 늘어난 이용 확대에서 개인화 범위를 어디까지 둘 것인가?