발표자 소개
Prukalpa Sankar는 데이터 카탈로그/거버넌스 기업 Atlan의 창업자다. Atlan은 GitLab, Zoom, Discord, Affirm 같은 스타트업부터 Mastercard, General Motors 같은 대기업까지 폭넓은 고객을 두고 있다. "AI doesn't know your business. We fix that"가 Atlan이 푸는 문제다.
1층. 핵심 주장
"콘텐츠가 왕이던 인터넷 시대가 지나고, 이제는 컨텍스트가 왕인 에이전틱 시대다."
- 발표자는 1년 전 무대에서 "인터넷 시대 초기에 빌 게이츠가 'Content is King'이라는 유명한 블로그 글을 썼다면, 에이전틱 시대의 초입에서는 'Context will be king'이다"라고 선언했다고 말한다.
- 2026년은 "컨텍스트의 해"로 불릴 만큼 컨텍스트 그래프, 컨텍스트 엔지니어링 같은 용어가 2일마다 새롭게 등장하고 있다.
- 발표의 핵심 질문: "컨텍스트 레이어"란 대체 무엇이며, 왜 지금 프로덕션 에이전트에 없어서는 안 될 인프라인가?
- 결론부에서 발표자는 이를 압축한다: "컨텍스트 레이어란 사람이 가진 지식·전문성·규범을 AI 시스템이 사용할 수 있는(machine usable) 컨텍스트로 바꾸는 시스템이다." 그리고 마지막 한 줄 — "Context is also IP." 같은 모델과 같은 지능에 누구나 접근할 수 있는 세상에서, 기업을 차별화하는 것은 결국 그 기업이 가진 컨텍스트(문화와 규범을 인코딩한 것)라는 주장이다.
2층. 근거와 데이터
왜 지금 이 문제가 중요한가 — 모델은 똑똑해졌지만 쓸모는 그만큼 안 늘었다
- 지능(모델 벤치마크)은 지난 10년간 "1000배"(thousandxed) 성장했고, 최근 6개월 만에도 2배가 됐다. 예: 2년 전엔 모델이 변호사 시험(bar exam)을 통과하지 못했지만, 지금은 응시하면 상위 1% 성적권이다.
- 그런데 실사용 효용은 그만큼 늘지 않았다:
- AI 유스케이스 중 1/5만 실제 프로덕션에 도달한다.
- CEO의 56%가 AI로부터 재무적 이득이 전혀 없다고 답한다.
- 인간 세계의 성과 연구를 인용: 직무 성과 분산의 단 10%만이 IQ로 설명된다. 인지 지능이 실세계 효과성을 결정짓지 않는다는 것.
- 질문: "SAT 최고점자가 최고의 팀원인가, 아니면 가장 많이 일하고 피드백을 받아들이고 가장 빠르게 배우는 사람이 최고의 팀원인가?" → 후자라는 것이 발표자의 관찰.
- 결론: 성과 = 지능(cognitive horsepower) × 컨텍스트(situated knowledge, 즉 온더잡 러닝으로 축적된 지식·기술·전문성). 지난 10년간 우리는 지능 축에서만 압도적으로 발전시켰고, 기업 고유의 컨텍스트는 거의 제자리걸음(클라우드로 데이터 좀 옮긴 정도)이었으며 여전히 대시보드와 슬랙 스레드, 그리고 "다음 주에 퇴사할지도 모르는 애널리스트의 머릿속"에 흩어져 있다.
Atlan이 실제로 겪은 3단계 실험 (Era 1 → 2 → 3)
Era 1 (약 18개월 전): 개별 에이전트 부트스트래핑
- 고객경험(CX)팀부터 시작해 Jobs-to-be-Done 분석을 수행하고, 업무를 "AI가 잘할 수 있는 것"과 "당분간 AI가 못할 것"(예: 관계 관리)으로 분류.
- 특정 업무 하나에 특화된 개별 에이전트를 만듦 (예: 헬스 인텔리전스 담당 "Hermione", 재무 리스크 분석 담당 "Money Penny").
- 처음엔 잘 작동했으나 3가지 구조적 문제가 드러남:
- 컨텍스트 엔지니어링 병목 — 에이전트 자체를 만드는 데는 5분이면 됐지만, 정확하게 만들려면 필요한 비즈니스 컨텍스트를 주입하는 데는 "영원"이 걸렸다. 품질은 결국 컨텍스트 엔지니어링 품질에 종속됐고, 이는 이해관계자 신뢰 상실로 이어짐.
- 에이전트가 섬처럼 고립 — 인간 조직에는 마케팅이 포지셔닝을 바꾸면 타운홀에서 공유하고 세일즈 담당자(SDR)가 그걸 알게 되는 인프라가 있다. 에이전트에는 이런 게 없어서, 마케팅팀 에이전트가 포지셔닝을 바꿔도 웹사이트의 SDR 에이전트는 옛날 버전을 계속 피칭했다. 에이전트가 잘못됐을 때 "모델 탓인지, 에이전트 탓인지, 컨텍스트 탓인지" 원인 추적이 매우 어려웠다.
- 컨텍스트 스프롤(sprawl) — 각 에이전트가 자기만의 메모리 시스템으로 따로, 다르게 학습하면서 "단일 진실 버전(single version of truth)"이 뭔지 알기 어려워짐. 게다가 지난 12개월간 에이전틱 레이어 자체가 여러 번 바뀌었다(노코드 툴 Relevance → Google ADK → Glean → 올해 초 Claude Code → 지금은 Claude/Codex 50/50). 레이어가 바뀔 때마다 컨텍스트가 이전 시스템에 갇혀버림.
Era 2 (올해 초): 범용 에이전트 + 공유 컨텍스트 레이어(company brain)
- "범용 에이전트(general purpose agents)"가 대두하면서 접근법 전환. 다시 인간 팀의 비유로 돌아감: Maya는 개인 스타가 아니라 팀의 일부다. 최고의 팀들은 공유된 컨텍스트(공유 언어, 오늘의 진실에 대한 공유된 그림, 공유 플레이북, 공유 규범 — 누가 어떤 결정을 내릴 권한이 있는지, 그리고 무엇보다 함께 배우는 "복리 학습 루프")로 움직인다.
- 멘탈 모델: 각 사람이 자기 도메인 스킬을 만들고, 이것들이 모두 "회사 브레인(company brain)"이라는 하나의 공통 장소로 모인다 = 컨텍스트 레이어. 여기에 검색(retrieval) 메커니즘이 붙어 범용 에이전트와 연결된다.
- 실제 사례: 마케팅팀이 구축한 시스템 — 왼쪽엔 데이터 시스템·소셜/커뮤니티 플랫폼·광고 플랫폼·분석 플랫폼, 오른쪽엔 에이전트 블록(Claude Code, Co-work, 슬랙 채널에서 대화하는 자체 봇, Qualified·Artisan 같은 외부 제품), 그 중간에 컨텍스트 레이어(최고의 SEO 담당자가 SEO 스킬을 만들고, 최고의 경쟁 인텔리전스 담당자가 경쟁 인텔 스킬을 만들어 공통 저장소로 쌓이고 다시 꺼내 쓰는 구조)가 위치.
- 이 브레인에는 데이터 그래프(예: 자율 광고 에이전트가 매일 어느 테이블을 조회해야 하는지), 스킬 라이브러리, 시맨틱스(ARR 정의, qualified lead 정의 등 메트릭·엔티티 구조)가 필요하다는 것을 깨달음.
- 6개월간 이 팀에서 약 300개 스킬과 40개 에이전트를 만듦.
Era 2의 새로운 문제 — "컨텍스트도 코드처럼 관리돼야 한다"
- 스킬 간 의존성 관리가 복잡해짐: 예를 들어 시장 변화를 학습하는 "비교 인텔리전스 스킬"이 진화하면 → 이게 "카테고리 포지셔닝 스킬"에 피드 → 다시 "세일즈 배틀카드 스킬"에 피드되는 체인 구조인데, 각 스킬이 학습·진화할 때마다 다운스트림이 깨짐. 스킬은 빠르게 낡고 드리프트됨.
- 소유권 문제 — 스킬 품질을 누가 책임지는지 불분명.
- 보안·거버넌스 악몽 — .env 파일에 시크릿이 하드코딩되고, 사람들이 공개 스킬 저장소를 다운받아 쓰는 등 통제 불가 상태.
- 멀티에이전트 시스템 간 컨텍스트 이식성(portability) 문제.
3층. 구체 사례
- Maya (가상의 예시 인물): 가상 브랜드 "Mech Context Burgers"의 데이터 애널리스트. 회사 모두가 아침마다 문제 생기면 메시지를 보내는 사람. 프랜차이즈 오너가 "이번 주 드라이브스루 시간이 왜 늘었어?"라고 물으면, 이 간단해 보이는 질문에 답하려면 실제로는 이런 게 다 필요하다:
- 지식(facts): 드라이브스루 시간의 정의, 질문자가 재무팀인지 운영팀인지(같은 지표도 다르게 해석), "이번 주"의 정확한 기준(월~일? 태평양시? 동부시?) — 이게 "비즈니스의 지도(map)".
- 전문성(진단 플레이북): 3분기는 날씨 때문에 계절적 성수기라는 걸 알고 계절성부터 체크하는 판단, 직전 분기에 신제품이 출시됐다는 걸 알고 원인 분석 실패 여부를 체크하는 판단 — 시간이 지나며 온더잡으로 습득한 노하우.
- 규범(norms): 페르소나 스코핑(누가 묻고 있는지에 따라 답변을 어떻게 조정할지).
- Maya가 뛰어난 이유는 답만 주는 게 아니라 "왜"와 근본 원인까지 함께 준다는 점. 그녀는 이걸 어깨너머로 배우고(shadowing), 실수하고, 매니저 피드백을 받고, 엣지 케이스를 겪으며 배웠다 — 즉 "에이전트 Maya"를 만든다는 건 이 학습 과정 전체를 재현하는 문제라는 게 발표의 프레이밍.
- 인간 조직의 비유: 마케팅이 포지셔닝을 바꾸면 타운홀에서 공유되고 SDR이 그걸 알게 되는 흐름 — 에이전트 세계엔 이런 "공유 인프라"가 없어서 마케팅 에이전트와 SDR 에이전트가 서로 다른 정보로 움직이는 문제가 실제로 발생했다.
- 영원한 농담(old joke): "세일즈와 재무에 매출 숫자를 물어보면 서로 다른 두 숫자가 나온다" — 사람 조직에서도 겪던 이 문제가, 자율 시스템을 배포하는 지금 다시 반복되고 있다는 경고.
- 에이전틱 레이어 자체의 잦은 교체: Relevance(노코드) → Google ADK → Glean → Claude Code → 현재 Claude/Codex 50/50. 이런 레이어 교체마다 컨텍스트가 이전 시스템에 갇혀 유실되는 반복된 실패 사례.
4층. 실행 포인트 (컨텍스트 레이어를 만들려면)
발표자가 제시하는 질문: "컨텍스트를 위한 GitHub은 어떤 모습이어야 하는가?" 3가지 원칙으로 정리한다.
-
컨텍스트도 코드처럼 라이프사이클 관리·협업·버저닝이 필요하다.
- 로컬 컨텍스트 vs 글로벌 컨텍스트 구분, 최신 상태 유지 방법 등의 질문이 뒤따른다.
- 스킬도 코드처럼 "프로필"을 가질 수 있는가? 자가학습 루프가 내장될 수 있는가? 품질 관리, 보안·거버넌스 포스처 관리는 어떻게 붙는가?
- "이 항목이 다른 모든 것에 어떤 영향을 미치는지", 승인자(approver)·유지관리자(maintainer)·기여자(contributor)가 누구인지 말할 수 있어야 한다 — 즉 버저닝·품질·의존성 관리가 내장된 인간+AI 워크스페이스가 필요.
-
모든 AI 상호작용은 더 많은 컨텍스트를 만들며, 이를 수확(harness)하는 것이 금맥이다.
- 자기개선 루프(self-improving loop)에 대한 논의가 많지만, Atlan이 발견한 것은 트레이스(traces)를 역구성(reverse construct)하는 데 특화된 전용 하니스를 배치하는 것. AI가 모든 트레이스를 읽고 이를 다시 유지관리자 루프로 가져와 "승인/거절/개선"을 반복하게 만드는 것 — 이것이 복리 학습 루프.
-
컨텍스트는 이미 비즈니스 시스템 안에 숨어 있으며, 이를 연결하면 품질이 복리로 쌓인다.
- "우리 비즈니스는 60개 시스템이 흩어져 있는데 어디서 시작해야 하나"라는 질문에 대한 답: Salesforce, HubSpot을 데이터 웨어하우스와 애플리케이션 레이어까지 연결하고, 이 연결 관계 자체를 역구성할 수 있다면(현재는 매 홉마다 컨텍스트가 유실됨) — 그 위에 AI를 배포했을 때 회사 브레인의 첫 버전을 매우 높은 정확도로 재구성할 수 있었다.
컨텍스트 레이어의 최종 그림 (발표자 요약)
- 비즈니스 시스템에서 지속적으로 컨텍스트를 채굴(mining)한다.
- 이를 하나의 "회사 브레인"으로 피드한다.
- 팀이 에이전트를 배포하면서 스킬과 컨텍스트 개발 라이프사이클로 이를 수확(harness)한다.
- 다양한 검색 방식(MCP, SQL, 벡터 검색, 하이브리드 조합)으로 다시 꺼내 쓰고, 트레이스로부터 다시 복리 학습 루프를 만든다.
경고와 전망
- 오늘날 대부분의 에이전트는 여전히 컨텍스트를 하드코딩해서 만들고 있다. 발표자는 이 문제의 규모가 "아직 파악되지 않았다(unhived)"고 표현하며, 스케일이 커질수록 이는 지속 불가능해지고 다소 위험해질 수 있다고 경고한다(세일즈와 재무가 서로 다른 매출 숫자를 말하는 오래된 농담이, 자율 시스템 단위에서 재현될 수 있다는 우려).
- 마무리 메시지: **"Context is King"**에서 시작해 **"Context is also IP"**로 끝난다 — 같은 모델, 같은 지능에 누구나 접근 가능한 세상에서 기업을 차별화하는 것은 결국 그 기업의 컨텍스트(문화와 규범을 인코딩한 것)이며, 이것이 "자율 프론티어 기업(autonomous frontier firms)"을 만들어가는 핵심이라는 주장으로 발표를 맺는다.
메모: 왜 이 발표가 중요한가
RAG나 단순 벡터 검색을 넘어서, "컨텍스트"를 코드처럼 버전 관리·의존성 관리·소유권·거버넌스의 대상으로 다뤄야 한다는 프레이밍이 핵심이다. 특히 멀티 에이전트 시스템을 여러 개 운영하는 조직이라면, "에이전틱 레이어가 바뀔 때마다 컨텍스트가 유실된다"는 실패 패턴과 "스킬 간 의존성이 깨진다"는 문제는 실무적으로 매우 구체적인 시사점을 준다.