에이전트 간 협업은 검색이다 — 정보 사일로와 네트워크 효과

메타데이터

• 콘텐츠 유형: YouTube 심층 다이제스트
• 원문 제목: [한영자막] 에이전트의 다음 개척지: 에이전트 간 협업과 네트워크 효과의 미래입니다
• URL: https://www.youtube.com/watch?v=l4WuRnKFk-c
• 동영상 ID: l4WuRnKFk-c
• 날짜: 2026-09-10
• 원본 업로드일: 2026-09-09
• 채널: Tech Bridge
• 길이: 20:48
• 자막: 영어 자동자막을 한국어로 번역·정리
• 발표자: Jean-Denis, Town CTO, 전 Plaid CTO·Dropbox 근무

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==에이전트 간 협업(Agent-to-Agent, A2A)의 본질은 에이전트끼리 대화하는 프로토콜이 아니라, 서로 다른 정보 사일로에서 사용자의 다음 행동에 필요한 정보만 안전하게 찾아 컨텍스트 윈도에 넣는 검색 문제다.==

• 완벽한 이상형은 우주 전체의 정보에 접근하는 단일 에이전트지만, 프라이버시와 보안 때문에 현실에 존재할 수 없다.
• 좋은 멀티에이전트 시스템은 완벽한 에이전트가 얻었을 결과를 각 정보 소유자의 경계를 보존하면서 최대한 근접하게 재현해야 한다.
• 신뢰 경계, 프라이버시 보존 도구, 공유 사일로, 사람을 통한 승인, 블랙박스 검색이라는 다섯 전략이 서로 다른 권한·효율·프라이버시의 균형을 만든다.

LLM 시스템의 성능은 최종 답변이나 도구 호출 직전 컨텍스트 윈도에 어떤 정보가 들어 있느냐에 좌우된다. 4년 전에는 사람이 정보를 수동으로 채웠고, 몇 년 전에는 RAG 검색 도구가 여러 시스템에서 정보를 가져왔으며, 이제는 에이전트가 도구를 사용해 전체 콘텐츠 공간을 탐색하는 에이전틱 검색(Agentic Search)이 중심이 되고 있다. A2A의 다음 단계는 모든 정보를 자동으로 공유하는 것이 아니라 낮은 민감도 영역부터 자동화 범위를 넓혀가며 네트워크 효과를 얻는 것이다.

1. A2A를 대화가 아닌 검색 문제로 다시 정의하기

A2A는 여러 에이전트가 말을 주고받는 장면보다, 필요한 정보가 어느 사일로에 있는지 찾아 최종 LLM 호출에 정확히 공급하는 시스템 설계 문제에 가깝다.

1.1. 컨텍스트 윈도가 모든 LLM 작업의 병목이다

1. 정답 직전의 정보 배치

   1. 도구 호출 전의 조건: 사용자가 원하는 작업을 실행하거나 답변을 반환하기 직전에 컨텍스트 윈도에 올바른 정보가 있어야 한다.
   2. 결과의 결정 요인: 같은 LLM이라도 필요한 데이터가 들어 있으면 더 나은 도구 호출과 답변을 만들고, 데이터가 빠지면 지능이 있어도 결과가 나빠진다.

2. 검색 방식의 세 단계

   1. 수동 컨텍스트 구성: 약 4년 전에는 사람이 여러 시스템의 정보를 직접 모아 컨텍스트에 넣었다.
   2. RAG(Search/Retrieval-Augmented Generation): 이후 검색 도구가 시스템 전반에서 데이터를 가져오도록 만들었지만 규모 확장과 품질에 문제가 생겼다.
   3. 에이전틱 검색: 현재는 에이전트에 많은 도구를 주고, 전체 콘텐츠 공간을 탐색해 마지막 호출에 필요한 정보를 스스로 수집하게 한다.

1.2. 이상적인 멀티에이전트 세계와 현실의 제약

1. 우주 전체에 접근하는 단일 에이전트라는 사고실험

   1. 무제한 정보 접근: 하나의 에이전트가 개인 이메일, 기업 자료, 정부 자료를 모두 보고 한 개의 컨텍스트 윈도에서 사용자의 요청을 처리한다고 가정한다.
   2. 멀티에이전트의 자연스러운 상태: 이 단일 에이전트가 사실상 모든 에이전트를 포함한 멀티에이전트 세계의 이상형이다. 필요한 정보가 한곳에 있으면 최적 결과를 내기 쉽다.

2. Coase 정리와 거래비용의 관점

   1. 완전 정보의 경제학: 모든 사람이 올바른 정보에 접근하고 거래비용이 없다면 계약·협상에서 경제적으로 이상적인 결과에 도달한다는 Coase 정리가 정보 공유 문제와 연결된다.
   2. 현실의 거래비용: 사람은 타인이 이메일을 상시 읽도록 허용하지 않으며, 에이전트도 프라이버시·보안 때문에 모든 사일로를 자유롭게 볼 수 없다.

3. 멀티에이전트 시스템의 합격 기준

   1. 완벽한 시스템에 대한 근접도: 모든 세계 데이터에 접근하는 이상적 에이전트가 얻을 정보와 실제 시스템이 컨텍스트에 넣는 정보가 얼마나 가까운지 측정해야 한다.
   2. 목표: 사람·조직·회사의 경계를 무시하지 않으면서도 완벽한 정보 접근에 가까운 결과를 만들어 최적의 행동을 가능하게 해야 한다.

2. 전략 1 — 신뢰 경계 안에서 모든 정보에 근접하게 접근하기

하나의 신뢰 집단 안에 필요한 시스템 접근권을 모아 SaaS 보안 도구처럼 운영하면 초기에는 강력하지만, 새 사일로를 만들고 사람의 설계 부담을 남긴다.

2.1. 개인과 조직의 신뢰 경계

1. 가족 에이전트 사례

   1. 공동 이메일 권한: Jean-Denis와 아내가 함께 쓰는 에이전트는 두 사람의 이메일에 접근하며, 결혼 전 이메일까지 포함한다.
   2. 실용적 질문: 아내는 과거 메일을 캐묻지 않지만 자녀 일정 조율 여부나 제3자 관련 후속 연락 여부를 묻는다. 같은 신뢰 경계 안의 통합 접근은 이런 질문에 매우 좋은 결과를 낸다.

2. 기업 HR 에이전트 사례

   1. 업무 범위: HR 팀의 에이전트가 HR 시스템 전체에 접근하되, HR 팀의 가장 낮은 권한을 가진 직원 정도로 권한을 제한할 수 있다.
   2. 공동 사용: HR 구성원 모두가 에이전트에 질문하고, 사람 직원이 볼 수 있는 범위와 비슷한 답변을 얻는다.

2.2. 빠른 도입과 구조적 한계

1. 인기가 높은 이유

   1. 보안 모델의 친숙함: IT·보안 팀은 기존 SaaS 보안 모델과 비슷하게 권한 경계를 관리할 수 있어 이 접근을 쉽게 받아들인다.
   2. 즉각적 효용: 신뢰 집단 안에서 접근권을 한 번 설계하면 관련 시스템에 흩어진 정보를 한 에이전트가 바로 검색할 수 있다.

2. 사람을 줄이지 못하는 문제

   1. 계속 필요한 설계자: 어떤 데이터가 경계 안에 들어가고 어떤 권한을 부여할지 사람이 계속 판단해야 한다.
   2. 모델 개선과 무관한 한계: 모델이 더 똑똑해져도 인간이 정한 사일로가 자동으로 사라지지 않으며, 사람의 판단으로 새 사일로를 하나 더 만든 것에 가깝다.

3. 평가

   1. 현재의 좋은 방식: 지금 당장 업무용 AI를 도입하는 방식으로는 타당하고 몇 년간 기회가 될 수 있다.
   2. 최종 목적지는 아님: 사람 수를 자연스럽게 줄이고 데이터 경계를 동적으로 연결하는 장기 해법은 아니다.

3. 전략 2 — 권한과 프라이버시를 바꾸는 맞춤형 도구

원자료를 직접 공개하지 않고 관계 강도처럼 제한된 결과만 돌려주는 도구는 사일로를 넘나들면서도 데이터 노출을 줄인다.

3.1. Acme Corp CFO 연결 사례

1. 위험한 직접 검색

   1. 질문: 회사 안에서 Acme Corp 재무팀 사람과 연결된 사람이 누구인지, 특히 CFO와 연결된 사람이 누구인지 찾으려 한다.
   2. 직접 접근의 문제: 모든 직원의 Gmail을 검색하고 Google·LinkedIn 프로필을 훑으면 답은 얻지만, 모든 사람의 이메일을 에이전트에게 공개해야 하므로 사일로가 무너진다.

2. 관계 강도 도구

   1. 제한된 입력: 도메인과 역할(CFO)을 도구에 넘기면 도구가 회사 전체 이메일에서 해당 회사와 연락한 사람을 찾는다.
   2. 제한된 출력: 원문 이메일 대신 각 사람과 대상 회사의 관계 강도 점수만 반환해 에이전트가 후보를 순위화한다.

3. 사람을 통한 연결

   1. 후속 검색: 에이전트는 Slack 도구로 Bob에게 “Acme Corp CFO인 Jane과 연결되어 있군요”라고 연락한다.
   2. 승인과 실행: Bob이 연결 사실을 확인하면 에이전트가 소개 이메일 초안을 만들고, Bob이 동의해 전송하면서 연결이 성립한다.

3.2. 동의 가능한 자동화와 남은 수동성

1. 프라이버시 보존형 네트워크 효과

   1. 자발적 참여: 사용자가 원하지 않으면 옵트아웃할 수 있지만, 회사 전체가 사용할 수 있는 제한 도구가 사일로를 안전하게 뚫어 네트워크 효과를 만든다.
   2. 초안 이메일: 영업팀이 소개를 부탁할 때 다른 사람이 자신의 받은편지함에 초안 이메일을 넣도록 허용하면 반복 클릭을 줄일 수 있다.

2. 도구의 한계

   1. 수동 설계: 어떤 정보는 공개하고 어떤 정보는 점수로 추상화할지 사람이 도구마다 정해야 한다.
   2. 동의 설명: 조직 구성원에게 어떤 프라이버시·보안·권한 절충이 일어나는지 설명하고 동의를 받아야 한다.
   3. 확장성 문제: 모델이 좋아져도 도구 목록과 정책을 자동으로 발견하지 못하므로 시스템이 자연스럽게 더 나아지지는 않는다.

4. 전략 3 — 공유 사일로와 AI가 관리하는 지식 공간

개인·팀 내부의 정보 중 공유해도 되는 내용을 새로운 공용 공간으로 누적하면, 에이전트가 반복적으로 재사용할 수 있는 조직 기억이 만들어진다.

4.1. 공유 사일로의 기본 구조

1. 새로운 정보 축적 장소

   1. 범위: 회사 전체나 특정 하위 그룹에 위키, Airtable, 저장소 같은 공유 공간을 만든다.
   2. 자동 노출: 공유해도 되는 정보가 개인 사일로에 갇히지 않고 공용 공간으로 나오면 모든 관련 에이전트가 접근할 수 있다.

2. 코드 저장소의 공유 스킬

   1. 재사용 가능한 지식: 조직의 저장소에 누구나 개선할 수 있는 공유 스킬을 둔다.
   2. 구체적 효과: 누군가 데이터베이스 쿼리가 느려졌을 때 다른 사람이 작성한 프로파일링 스킬을 실행하면 조직 전체의 엔지니어링 역량이 올라간다.

3. 위키와 데이터베이스 운영

   1. 지속 입력 규칙: 위키나 Airtable에 시간이 지날수록 데이터를 넣도록 에이전트 스킬과 업무 흐름을 설계한다.
   2. 필수 조건: 에이전트가 해당 도구를 사용할 수 있어야 하며, 정보를 공유 사일로 안팎으로 옮길 유인이 작업 흐름에 포함되어야 한다.

4.2. 프라이빗 사일로의 Sweeper AI

1. 하루 마감 수집기

   1. 사일로별 정책: 각각의 개인·팀 사일로 안에 AI를 두고, 반드시 사일로에 남겨야 할 정보에 대한 정책을 준다.
   2. 공유 공간 지도: AI는 조직의 공유 공간 목록과 각 공간의 용도를 알고 하루 동안 새로 생긴 정보를 훑는다.
   3. 선별 이동: 공유해도 되는 정보만 회사 내부 공개 공간으로 옮긴다. 개인의 목표·친구·관계를 정리하는 개인 위키와 같은 패턴을 회사 수준으로 확장한 것이다.

2. 무엇을 공유할지 결정하는 두 방식

   1. 사람에게 묻기: LLM이 공유 후보 목록을 만들고 “이 내용을 공유 공간에 넣어도 되나요?”라고 물으면 사람이 읽고 승인한다. 사람이 원래 하지 않았을 작업을 상당 부분 대신한다.
   2. 정책 집행 맡기기: LLM이 공유 정책을 직접 실행하게 하면 승인 단계를 줄일 수 있다. 이 방식이 빠르게 주류가 될 가능성이 높다.

3. 도입 속도의 차이

   1. 소규모 고신뢰 기업: 10~50명 규모, 구성원 간 신뢰가 높고 악용 가능성이 낮으며 공유 불가 데이터가 분명한 회사에서 약 6개월 안에 대량 도입될 가능성이 있다.
   2. 명확한 경계: 재무(Finance)·인사(HR) 정보처럼 공유하면 안 되는 영역을 분명하게 표시할 수 있어야 한다.
   3. 대기업의 지연: Fortune 500 기업은 데이터 종류·책임·감사 요구가 복잡해 같은 속도로 신뢰하기 어렵다.

4.3. 가장 큰 단기 ROI와 위험

1. AI 유지형 위키·데이터베이스

   1. 즉시 효용: 공유 정보가 계속 최신 상태로 유지되면 공통 업무의 에이전트 궤적(trajectory)이 개선된다.
   2. 유력한 형태: 오픈소스의 개인 위키형 환경과 소규모 회사 모두에서 AI가 자동으로 만드는 위키·데이터베이스가 빠른 투자수익을 낼 가능성이 높다.

2. 프롬프트 인젝션과 오염

   1. 사일로 내부 공격: 더 개방적인 사일로에 악성 지시를 심으면 에이전틱 검색이 그 내용을 꺼내 다른 도구 호출에 반영할 수 있다.
   2. 영구 오염: LLM이 틀린 내용을 한 번 공유 위키에 넣으면 그 오류가 이후 검색과 답변을 계속 오염시킬 수 있다.
   3. Apex와 Ivy 사례: 개인 위키가 에이전트 이름을 한 달 전 바꾼 뒤에도 예전 이름인 Apex를 기억하고 있다. 이름 착각은 웃고 넘길 수 있지만, 회사의 핵심 사실을 틀리게 기억하면 훨씬 심각해진다.

5. 전략 4 — 사람을 정보 전달 통로로 두기

전통적인 A2A는 에이전트가 정보를 가진 사람의 에이전트에 요청을 보내고, 각 사람이 검색과 공유를 따로 승인하게 만든다.

5.1. 동의 기반 A2A의 흐름

1. 요청과 검색 승인

   1. 질문 전달: 질문자의 에이전트가 다른 사람의 에이전트에 Acme Corp 재무팀과 연결된 사람을 묻는다.
   2. 소유자 확인: 각 사람은 요청을 보고 자신의 이메일 안을 검색해도 되는지 승인한다.

2. 결과와 공유 승인

   1. 결과 검토: 에이전트가 찾은 결과를 정보 소유자에게 보여준다.
   2. 최종 동의: 소유자가 그 결과를 질문자에게 보내도 된다고 다시 승인한다.

5.2. 낮은 확률의 정보에 대한 스팸 문제

1. 100명 조직의 비효율
   1. 대량 핑: 100명 중 몇 명만 답을 알고 있는 질문도 회사 전체 에이전트에 보내야 한다.
   2. 사람의 피로: 100명이 Slack에서 자신의 네트워크를 검색해도 좋다는 승인 요청을 받으면, 프라이버시를 지키는 대가가 과도한 알림과 수동 처리로 돌아온다.

6. 전략 5 — 블랙박스 검색과 마지막 순간의 사람 승인

블랙박스 방식은 전체 사일로를 먼저 계산에 활용하고, 실제로 정보를 공유하거나 도구를 호출하는 마지막 순간에 필요한 정보의 소유자에게만 승인받는다.

6.1. 블랙박스의 계산 흐름

1. 접근과 추적 분리

   1. 비공개 추론: 다른 사람의 사일로를 봐야 답할 수 있는 질문에 접근 권한을 가진 LLM을 둔다. 그 추론 과정(trace)은 일반 사용자가 볼 수 없다.
   2. 필요 정보 식별: LLM은 답을 만들거나 도구를 호출하기 직전에 어떤 정보가 그 행동에 실제로 필요했는지 역추적한다.

2. 필요한 사람에게만 승인 요청

   1. 자동 사전 검색: Acme Corp CFO 사례에서 회사 구성원 100명의 에이전트가 각자의 Gmail과 사일로를 자동으로 찾아본다. 이 단계에는 사람 승인 요청이 없다.
   2. 후보 압축: 20명이 CFO와 연결되어 있다는 결과를 모으고, 이메일의 연락 빈도·관계 강도를 비교해 Bob을 최적 후보로 고른다.
   3. 마지막 승인: “Jean-Denis가 Acme Corp CFO Jane과 소개받고 싶어 합니다. 연결이 강한데 이 사실을 공유해도 될까요?”라고 Bob에게만 묻는다. Bob이 클릭 한 번으로 승인하면 필요한 정보만 전달된다.

6.2. 블랙박스에 필요한 신뢰와 안전장치

1. 핵심 신뢰 조건

   1. 전체 접근의 신뢰: 모든 사일로를 읽을 수 있는 LLM이 공유 순간 전까지 정보를 밖으로 내보내지 않는다고 믿어야 한다.
   2. 승인 단계의 정확성: 어느 사람이 어떤 내용을 승인해야 하는지와 마지막 답변에 불필요한 정보가 섞이지 않는지를 보장해야 한다.

2. 채용 정보 유출이라는 악몽

   1. 위험한 질문: 누군가 “다른 회사의 채용 담당자와 연결되어 있나요?”라고 물으면, 질문 자체가 그 사람이 다른 회사로 이직을 준비한다는 사실을 간접적으로 노출할 수 있다.
   2. 설계 과제: 사일로를 잘게 쪼개고 필요한 결과만 공유해도 의도하지 않은 추론 정보가 새어 나올 수 있으므로, 권한·답변·승인 정책을 함께 설계해야 한다.

7. 자동화의 프런티어 — 낮은 민감도에서 시작해 사람 개입을 줄이기

정보 사일로를 가로지르는 자동화는 코딩 에이전트의 자동 모드처럼 낮은 위험 작업부터 시작해 모델 역량과 정책 표현력이 커질수록 범위를 넓히는 방향으로 진화한다.

7.1. 코딩 에이전트에서 얻는 패턴

1. 승인 방식의 변화

   1. 초기 단계: 코딩 에이전트가 모든 행동 전에 승인을 요구했다.
   2. YOLO 단계: 사용자가 “위험을 감수하고 진행하자(You Only Live Once)”며 승인 없이 실행하게 했다.
   3. Auto mode: Anthropic의 자동 모드는 사용자가 어리석은 행동을 하려는지 판단해 필요할 때 알려주는 중간 지점을 제공한다.

2. A2A로의 확장

   1. 낮은 민감도 자동화: 공유해도 문제가 적은 정보를 공용 공간으로 옮기는 작업부터 자동 승인한다.
   2. 고민감도 인간 승인: 법무·인사·재무·채용처럼 피해가 큰 영역에는 사람이 항상 승인하도록 남겨둔다.

7.2. 역할·위험에 따른 동적 승인

1. LLM이 사람 개입 여부를 판단하는 사례

   1. 반복 회의록: 공급업체와 회사 재무팀이 함께하는 주간 반복 회의의 노트를 요청할 때, 사용자 역할과 문서 내용을 확인한다.
   2. 허용 가능한 공유: 역할상 접근 권한이 있고 위험도가 낮다고 판단하면 각 팀에 따로 묻지 않고 노트를 공유할 수 있다.

2. 점점 커지는 자동화 영역

   1. 정책 표현력: 더 강력한 모델과 더 안전한 정책 인코딩이 나오면 프라이버시 절충을 올바르게 처리하는 도구가 늘어난다.
   2. 시스템의 자연스러운 성장: 처음부터 낮은 민감도 구역을 정의하고 자동 판단을 허용하면 모델 역량이 커질 때 허용 구역도 커진다.
   3. 궁극적 사용자 가치: 사람이 모든 정보를 검토하는 대신 에이전트가 안전한 공유를 처리해 사람은 가족과 함께 하와이 해변에 있을 수 있어야 한다.

7.3. 자동화의 운영 책임

1. 오류 비용

   1. 사람의 해고: 잘못된 정보 공개로 직원이 해고될 수 있다.
   2. 고객 소송: 다른 경우에는 정보 유출로 고객이 회사를 고소할 수 있다.
   3. 경미한 오류와 치명적 오류의 구분: 모든 잘못된 공개가 같은 피해를 만드는 것은 아니므로 위험 기반 정책이 필요하다.

2. 감사 가능성

   1. 승인·로그·복구: 누가 무엇을 승인했고, 어떤 정보가 로그에 남으며, 잘못된 공유를 되돌릴 수 있는지 정해야 한다.
   2. 진짜 블랙박스가 될 수 없음: 사일로 전체를 계산에 쓰더라도 회사의 CISO 조직이나 지정 감사자는 내부 동작을 점검할 수 있어야 한다.
   3. 최고정보보안책임자의 역할: 어느 수준에서는 모든 데이터 접근과 정책 집행을 볼 수 있는 보안 책임자가 필요하다.

8. 조직을 넘어서는 네트워크 효과

회사 내부의 사일로 연결은 곧 현실화될 가능성이 높고, 더 큰 기회는 여러 회사가 공통 에이전트와 제한된 데이터 접근 규칙을 합의하는 데 있다.

8.1. 기업 간 공동 에이전트라는 비즈니스 기회

1. 금융권의 초기 비치헤드

   1. 공유할 유인이 있는 정보: 투자은행들은 비상장 기업의 대출·금융 판단을 위해 서로의 비공개 데이터 일부를 공유하면 이익을 얻을 수 있다.
   2. 상호 신뢰 구조: 각 은행의 에이전트가 서로의 사일로를 직접 열어젖히지 않고, 어떤 정보에 접근해도 되는지 에이전트가 판단하는 구조가 검토되고 있다.

2. 확장 조건

   1. 공통 정책: 여러 회사가 데이터 접근 범위, 낮은 민감도 영역, 최종 승인자를 합의해야 한다.
   2. 비치헤드 전략: 특정 산업에서 실제 이익이 명확한 기업 간 사용 사례를 만들면, 회사 내부를 넘어 A2A 네트워크를 확장할 수 있다.

8.2. 남은 핵심 질문

1. 프라이버시 자동 모드에 대한 신뢰

   1. 편리함과 불안: 모든 프라이버시 결정을 에이전트가 내리는 미래가 정말 신뢰할 만한지에 대한 답은 아직 없다.
   2. 피할 수 없는 방향: 완전한 신뢰가 없더라도 모델 성능·정책·도구가 개선되면서 이 방향으로 움직일 가능성이 높다.

2. 성공을 가르는 조건

   1. 정확한 경계: 공유 가능한 낮은 민감도 구역과 항상 사람 승인을 받아야 하는 구역을 명시해야 한다.
   2. 검증 가능한 자동화: 공유 결과, 승인, 로그, 복구, 감사가 남아야 네트워크 효과가 책임 있는 방식으로 커진다.

주요 발언 모음

“대부분의 LLM 시스템은 결국 검색 문제다.”

“멀티에이전트 시스템이 완벽한 정보 접근을 가진 시스템을 얼마나 잘 근사하는지가 시험대다.”

“사람이 에이전트에게 데이터를 정리해 주는 새 사일로를 만드는 것이 최종 목적지는 아니다.”

“낮은 민감도 구역을 정의하고 LLM이 판단하게 시작하면, 모델 역량이 커질수록 시스템이 자연스럽게 더 강력해진다.”

“사람이 모든 프라이버시 결정을 내리는 미래를 믿을 수 있는지는 모르지만, 좋든 나쁘든 그 방향으로 가고 있다.”

핵심 데이터 & 수치

• 20:48: 발표 전체 길이다.
• 2026-09-09: YouTube 원본 업로드일이다.
• 약 4년 전: 사람이 컨텍스트 윈도를 직접 채우던 시기다.
• 몇 년 전: RAG 검색 도구가 대규모 시스템 검색을 맡기 시작한 시기다.
• 10~50명: 높은 신뢰와 명확한 비공개 데이터 경계를 가진 소규모 기업에서 AI 공유 사일로가 빠르게 확산될 수 있는 규모다.
• 약 6개월: 소규모 고신뢰 기업이 LLM에 공유 정책 집행을 맡기기 시작할 수 있다고 본 기간이다.
• 100명: 전통적 사람-중개 A2A에서 한 질문 때문에 전체 인원이 승인 요청을 받을 수 있는 회사 규모 예시다.
• 20명: Acme Corp CFO와 연결된 후보를 자동 검색으로 좁힌 뒤 얻은 예시 인원이다.
• 5가지 전략: 신뢰 경계, 맞춤형 프라이버시 도구, 공유 사일로, 사람을 통한 전달, 블랙박스와 마지막 승인이다.

결론 및 시사점

1. A2A를 에이전트 간 메시징 기능이 아니라 정보 검색·권한·공유 설계 문제로 정의해야 한다.
2. 이상적인 단일 전지적 에이전트는 프라이버시 때문에 불가능하므로, 정보 소유권을 보존하면서 이상형에 가까운 검색 결과를 만드는 것이 목표다.
3. 신뢰 경계는 도입이 쉽고 즉시 효과가 있지만, 인간이 새 사일로와 권한을 계속 설계해야 한다.
4. 관계 강도 점수처럼 원자료 대신 제한된 결과를 반환하는 맞춤형 도구는 조직의 사일로를 안전하게 연결한다.
5. 공유 스킬·위키·데이터베이스는 조직 기억을 만들며, AI Sweeper가 개인 사일로에서 공유 공간으로 정보를 옮기는 유력한 단기 해법이다.
6. 소규모 고신뢰 조직은 낮은 민감도 데이터와 명확한 정책부터 LLM 자동화를 시작할 수 있지만, 재무·HR·채용 정보는 높은 승인 수준을 유지해야 한다.
7. 모든 사람에게 먼저 승인받는 전통적 A2A는 드문 정보를 찾는 질문에서 알림 폭증과 사람의 피로를 만든다.
8. 블랙박스 검색은 전체 사일로를 미리 계산에 활용하고 실제 공유 직전에 정보 소유자에게만 묻지만, 감사·로그·복구·정보 유출 방지가 필수다.
9. 프롬프트 인젝션, 공유 위키의 영구 오류, 잘못된 채용 정보 추론, 고객 소송 같은 실패 모드를 제품 설계 초기에 다뤄야 한다.
10. 기업 간 네트워크 효과는 금융권처럼 정보 공유의 경제적 이익이 분명한 산업에서 비치헤드를 만들 때 현실화될 가능성이 높다.