GeneXus for Agents란? AI 에이전트로 레거시 시스템을 현대화하는 방법

Created by AI
Created by AI

“주문 금액이 1,000달러를 넘으면 관리자 승인을 받게 해줘.”

AI에게 이렇게 요청하면 보통은 코드, 화면, 워크플로가 즉시 생성될 것이라고 생각하기 쉽습니다. 실제로 많은 AI 기반 개발 도구가 프롬프트에서 곧바로 코드나 앱을 만드는 방식을 사용합니다.

하지만 GeneXus for Agents는 조금 다른 길을 택합니다. 이 Low-code 기술의 핵심은 AI가 최종 소스 코드를 즉흥적으로 작성하지 않는다는 데 있습니다.

자연어 요청은 코드가 아니라 ‘변경 계획’으로 시작된다

개발자가 위와 같은 요구를 전달하면 AI agent는 먼저 GeneXus Knowledge Base를 살펴봅니다. 주문 데이터는 어디에 정의되어 있는지, 현재 승인 절차는 어떤 객체와 규칙으로 구성되어 있는지, 관리자 권한은 어떻게 관리되는지를 분석합니다.

그 뒤 곧바로 코드를 출력하는 대신, 다음과 같은 변경 계획을 제안합니다.

  • 주문 금액 기준값을 저장할 규칙 또는 속성 확인
  • 주문 프로세스에 승인 상태 추가 여부 검토
  • 관리자 승인 대상 조건 정의
  • 승인 대기 주문을 조회할 화면 또는 프로세스 식별
  • 기존 주문 흐름과 연관된 객체의 영향 범위 분석

개발자는 이 계획을 검토하고 승인할 수 있습니다. 즉, AI는 개발자를 대신해 무작정 구현하는 존재가 아니라, 복잡한 시스템을 읽고 변경안을 준비하는 협업형 분석가이자 개발 보조자에 가깝습니다.

AI의 창의성과 결정적 코드 생성의 분리

GeneXus for Agents는 역할을 두 계층으로 나눕니다.

  1. AI agent가 자연어 요구를 해석하고 Knowledge Base 변경안을 제시합니다.
  2. GeneXus 생성 엔진이 승인된 모델을 바탕으로 실제 코드를 일관되게 생성합니다.

이 차이는 엔터프라이즈 개발에서 매우 중요합니다. 생성형 AI가 직접 코드를 작성하면 같은 요청에도 모델, 프롬프트, 문맥에 따라 결과가 달라질 수 있습니다. 기존 권한 규칙을 빠뜨리거나, 예외 처리 방식을 제멋대로 바꾸거나, 이미 사용 중인 데이터 구조와 충돌할 가능성도 있습니다.

반면 GeneXus의 접근에서는 AI가 변경하는 대상이 최종 코드가 아니라 Knowledge Base의 모델과 규칙입니다. 이후 검증된 GeneXus 엔진이 해당 모델을 기반으로 코드를 생성합니다.

자연어 요구사항
    ↓
AI agent의 시스템 분석
    ↓
Knowledge Base 변경 계획 제안
    ↓
개발자 검토·승인
    ↓
GeneXus 엔진의 결정적 코드 생성

이 구조는 AI의 속도와 Low-code 플랫폼의 통제력을 함께 확보하려는 방식입니다.

왜 기존 시스템에서 더 빛날까

신규 앱을 빠르게 만드는 일이라면 단순한 prompt-to-app 도구도 충분히 유용할 수 있습니다. 그러나 수년간 운영된 주문, 고객, 재고, 회계 시스템은 이야기가 다릅니다.

이런 시스템에는 문서에 적히지 않은 업무 규칙, 복잡한 데이터 관계, 여러 단계의 권한 체계, 오래된 외부 연동이 얽혀 있습니다. AI가 코드만 보고 기능을 추가하면, 눈에 보이지 않는 규칙을 놓칠 위험이 큽니다.

GeneXus for Agents는 기존 Knowledge Base를 중심으로 동작합니다. 따라서 AI는 “새 기능을 만들어라”라는 지시만 받는 것이 아니라, 현재 시스템이 어떤 방식으로 구성되어 있는지 먼저 이해한 뒤 변경을 제안합니다.

결국 이 기술이 던지는 질문은 단순합니다.

AI가 코드를 얼마나 빨리 쓰는가보다, AI가 기업 시스템을 얼마나 안전하게 이해하고 바꿀 수 있는가가 더 중요하지 않을까?

GeneXus for Agents는 그 질문에 대해, AI에게 최종 코드 작성의 전권을 주기보다 검토 가능한 모델 변경과 결정적 생성 과정을 제공하는 방식으로 답하고 있습니다.

Low-code: 프롬프트가 Knowledge Base를 만나면

복잡한 기업 시스템에서 가장 어려운 일은 새 화면을 만드는 것이 아닙니다. 기존 규칙을 깨뜨리지 않고 바꾸는 일입니다.

예를 들어 “주문 금액이 1,000달러 이상이면 관리자 승인을 받게 해 달라”는 요청은 단순해 보입니다. 하지만 실제 시스템에서는 주문 상태, 고객 등급, 결제 방식, 재고 예약, 권한 체계, 알림 프로세스, 회계 처리까지 여러 객체와 규칙에 영향을 줄 수 있습니다. 잘못 변경하면 승인 기능 하나를 추가하는 대신 기존 주문 흐름을 멈추게 만들 수도 있습니다.

GeneXus for Agents가 주목받는 이유는 바로 이 지점에 있습니다. 이 기술은 자연어 프롬프트를 곧바로 코드로 바꾸는 대신, 먼저 GeneXus Knowledge Base를 읽고 시스템의 구조와 의존성을 파악합니다.

코드보다 먼저 읽는 것은 시스템의 설계도

GeneXus의 Knowledge Base는 단순한 코드 저장소가 아닙니다. 애플리케이션을 구성하는 데이터 모델, 트랜잭션, 화면, 비즈니스 규칙, 프로시저, 보안 설정, 관계 정보 등이 구조적으로 관리되는 설계 자산입니다.

따라서 agent는 “승인 절차를 추가해 달라”는 요청을 받았을 때 즉시 구현을 시작하지 않습니다. 먼저 다음과 같은 질문에 답할 수 있도록 관련 객체를 탐색합니다.

  • 주문 데이터는 어떤 트랜잭션과 연결되어 있는가?
  • 주문 금액은 어디에서 계산되는가?
  • 현재 주문 상태값과 상태 전이 규칙은 무엇인가?
  • 관리자 권한은 어떤 역할 또는 사용자 규칙으로 관리되는가?
  • 주문 승인 여부가 재고, 결제, 배송 프로세스에 영향을 주는가?
  • 기존에 유사한 승인 워크플로가 다른 업무 영역에 존재하는가?

이 과정은 오래된 시스템을 처음 맡은 개발자가 수일 또는 수주 동안 문서와 코드를 뒤져야 했던 일을 크게 줄일 수 있습니다. Low-code 환경의 모델 정보가 정리된 Knowledge Base에 남아 있기 때문에, agent는 개별 파일만 보는 것이 아니라 업무 규칙과 객체 간 연결 관계를 중심으로 시스템을 해석할 수 있습니다.

자연어 요청은 곧바로 코드가 아니라 변경 계획이 된다

GeneXus for Agents의 핵심 흐름은 다음과 같습니다.

자연어 요구사항
    ↓
관련 Knowledge Base 객체 탐색
    ↓
업무 규칙·데이터 관계·영향 범위 분석
    ↓
변경 계획 제안
    ↓
개발자 검토 및 승인
    ↓
Knowledge Base 수정
    ↓
GeneXus 엔진의 결정적 코드 생성

여기서 중요한 단계는 변경 계획 제안입니다.

agent는 “주문 승인 기능을 추가했습니다”라고 결과만 내놓는 대신, 어떤 객체를 수정할지와 왜 수정해야 하는지를 설명할 수 있어야 합니다. 예를 들면 다음과 같은 형태입니다.

  • 주문 트랜잭션에 승인 상태와 승인자 정보를 추가합니다.
  • 주문 금액이 기준 이상일 때 승인 대기 상태로 전환하는 규칙을 적용합니다.
  • 관리자 역할에 승인 처리 화면 접근 권한을 부여합니다.
  • 승인 대기 주문은 배송 요청 프로세스로 전달되지 않도록 기존 프로시저를 조정합니다.
  • 기존 주문 조회 화면에 승인 상태 필터와 이력을 표시합니다.

개발자와 업무 담당자는 이 계획을 검토한 뒤 승인할 수 있습니다. 즉, AI의 역할은 사람을 배제한 자동 변경이 아니라, 복잡한 시스템 변경을 더 빠르게 이해하고 검토하게 돕는 것입니다.

CODA, Skill Nexa, MCP가 맡는 역할

이 과정의 중심에는 CODA, Skill Nexa, GeneXus MCP가 있습니다.

CODA는 사용자의 자연어 요구를 해석하는 coding agent입니다. 단순히 문장을 코드로 번역하는 것이 아니라, 요구사항에 포함된 업무 의도와 변경 범위를 파악합니다.

Skill Nexa는 agent가 GeneXus 방식으로 사고하도록 돕는 지식 계층입니다. 일반 LLM이 “승인 기능에는 상태값이 필요하다”는 일반론을 제시한다면, Skill Nexa는 해당 프로젝트의 객체 유형, 모델링 규칙, 문법, 설계 관례를 고려하도록 지원합니다.

GeneXus MCP(Model Context Protocol)는 agent가 Knowledge Base를 조회하고 설명하며, 승인된 범위 안에서 수정할 수 있게 하는 통제된 연결 경계입니다. 이 경계가 중요한 이유는 agent가 기업 시스템에 무제한으로 접근하는 것이 아니라, 허용된 도구와 권한을 통해서만 작업해야 하기 때문입니다.

오래된 애플리케이션을 이해하는 새로운 방식

레거시 시스템의 문제는 코드가 오래되었다는 사실만이 아닙니다. 더 큰 문제는 “왜 이렇게 만들어졌는지”를 아는 사람이 사라진다는 데 있습니다.

GeneXus for Agents는 Knowledge Base를 기반으로 다음과 같은 질문에 답하는 데 활용될 수 있습니다.

  • 이 고객 등급 필드는 어느 화면과 프로세스에서 사용되는가?
  • 특정 할인 규칙은 어떤 조건에서 실행되는가?
  • 이 데이터 항목을 바꾸면 어떤 보고서와 인터페이스가 영향을 받는가?
  • 주문 취소 로직은 재고와 정산 처리에 어떤 영향을 주는가?
  • 과거에 구현된 유사한 업무 규칙은 어디에 있는가?

물론 agent의 분석 결과를 무조건 신뢰해서는 안 됩니다. Knowledge Base가 실제 운영 환경과 다르거나, 생성된 코드가 수동으로 수정된 이력이 있다면 분석의 정확도도 떨어질 수 있습니다. 그래서 초기 도입은 쓰기 권한 없이 읽기 전용 분석과 문서화부터 시작하는 방식이 바람직합니다.

결국 이 Low-code 접근의 가치는 프롬프트 자체에 있지 않습니다. 자연어 요구를 기업의 설계 자산인 Knowledge Base와 연결하고, 변경 전 영향 범위를 검토할 수 있게 만드는 데 있습니다. 새 기능을 빠르게 만드는 것보다 중요한 것은, 이미 돌아가는 비즈니스를 멈추지 않고 안전하게 진화시키는 일이기 때문입니다.

AI의 유연함과 결정적 생성 엔진의 결합: Low-code의 신뢰를 높이는 방식

같은 요구사항을 입력했는데 실행할 때마다 다른 코드가 나온다면, 그 결과를 기업의 핵심 시스템에 안심하고 적용할 수 있을까요?

생성형 AI는 요구사항을 빠르게 해석하고 아이디어를 구현하는 데 뛰어납니다. 그러나 그 유연성은 엔터프라이즈 개발 환경에서는 불안 요소가 되기도 합니다. 프롬프트의 표현이 조금만 달라져도 데이터 처리 방식, 예외 처리, 권한 검증 로직이 달라질 수 있기 때문입니다.

GeneXus for Agents는 이 문제에 대해 AI와 코드 생성기의 역할을 분리하는 방식으로 접근합니다.

AI는 제안하고, Low-code 엔진은 생성한다

GeneXus for Agents에서 CODA 같은 AI agent는 최종 소스 코드를 임의로 작성하는 역할에 머물지 않습니다. 대신 기존 Knowledge Base를 분석해 업무 규칙, 데이터 구조, 객체 간 의존성을 파악하고 변경 계획을 제안합니다.

예를 들어 다음과 같은 요청을 생각해볼 수 있습니다.

“주문 금액이 1,000달러 이상이면 관리자 승인을 거치도록 주문 절차를 변경해줘.”

AI agent는 곧바로 주문 처리 코드를 새로 쓰는 대신, 먼저 다음을 확인합니다.

  • 주문 금액과 상태를 관리하는 데이터 구조
  • 기존 승인 프로세스와 관련 객체
  • 주문 등록·수정 화면 및 워크플로
  • 사용자 권한과 관리자 역할 정의
  • 변경으로 영향을 받는 보고서, 알림, 연계 프로세스

그 후 어떤 객체를 수정해야 하는지, 어떤 업무 규칙을 추가해야 하는지, 예상되는 영향 범위는 무엇인지 계획 형태로 제시합니다. 개발자 또는 담당자는 이 계획을 검토하고 승인 여부를 결정합니다.

승인된 변경 사항은 Knowledge Base에 반영되며, 최종 애플리케이션 코드는 GeneXus의 결정적 생성 엔진이 생성합니다.

자연어 요구사항
        ↓
AI agent의 의도 해석 및 영향 분석
        ↓
Knowledge Base 변경 계획 제안
        ↓
사람의 검토·승인
        ↓
Knowledge Base 수정
        ↓
GeneXus 엔진의 결정적 코드 생성

‘결정적 생성’이 기업 Low-code 환경에서 중요한 이유

결정적 생성이란 동일한 모델과 동일한 설정을 입력하면 일관된 결과를 생성하는 방식을 뜻합니다. AI가 매번 새로운 구현 방식을 선택하는 것과 달리, GeneXus는 승인된 Knowledge Base 모델을 기준으로 정해진 규칙에 따라 코드를 생성합니다.

이 구조는 특히 장기간 운영되는 기업 애플리케이션에서 중요한 장점을 제공합니다.

  • 일관성: 같은 비즈니스 모델에서 반복 가능한 코드 결과를 얻을 수 있습니다.
  • 통제성: AI의 결과를 바로 운영에 반영하지 않고, 모델 변경 단계에서 검토할 수 있습니다.
  • 추적성: 무엇이 왜 바뀌었는지 Knowledge Base 변경 이력으로 관리하기 쉽습니다.
  • 재사용성: 기존 데이터 모델, 업무 규칙, 보안 정책을 새로운 기능에도 일관되게 적용할 수 있습니다.
  • 검증 용이성: 변경 후 컴파일, 자동 테스트, 정적 분석 같은 기존 품질 절차를 연결할 수 있습니다.

즉, AI의 역할은 “무엇을 바꿔야 하는가”를 이해하고 제안하는 데 가깝고, Low-code 플랫폼의 역할은 “승인된 변경을 어떻게 안정적으로 구현할 것인가”를 보장하는 데 있습니다.

유연성과 통제 사이의 현실적인 균형

이 방식이 AI의 위험을 완전히 없애는 것은 아닙니다. AI가 잘못된 요구를 해석하거나, 오래된 Knowledge Base를 기반으로 부정확한 변경 계획을 제안할 가능성은 여전히 존재합니다. 또한 실제 운영 코드에 수동 수정이 많고 모델과 코드가 불일치한다면, 결정적 생성 역시 잘못된 출발점에서 작동할 수 있습니다.

따라서 핵심은 AI를 무조건 신뢰하는 것이 아니라, AI가 제안한 변경을 검토 가능한 모델 변경으로 전환하는 데 있습니다.

GeneXus for Agents의 차별점은 바로 여기에 있습니다. AI의 자연어 이해 능력으로 개발 속도를 높이면서도, 최종 구현은 검증된 GeneXus 생성 엔진에 맡깁니다. 이는 빠르게 만드는 Low-code를 넘어, 복잡한 기업 시스템을 예측 가능하게 변화시키기 위한 접근이라고 볼 수 있습니다.

Low-code로 다시 그리는 잊힌 시스템의 지도

문서는 오래전에 멈췄고, 핵심 로직을 알던 담당자는 이미 조직을 떠났습니다. 그런데도 주문, 정산, 고객 관리, 승인 절차는 오늘도 멈추지 않고 돌아갑니다. 많은 기업에서 레거시 현대화가 어려운 이유는 기술이 낡아서만이 아닙니다. 시스템이 왜 지금의 방식으로 동작하는지 설명할 수 있는 지식이 사라졌기 때문입니다.

이때 현대화의 출발점은 “새 기술로 다시 만들기”가 아니라, 먼저 현재 시스템의 지도를 복원하는 것이어야 합니다.

GeneXus for Agents는 이 순서를 바꾸는 Low-code 접근법을 제시합니다. AI agent가 기존 GeneXus Knowledge Base를 읽고, 객체·데이터 구조·업무 규칙·의존성을 분석해 시스템의 작동 방식을 설명하도록 돕는 방식입니다. 개발자는 막연한 추측이나 개인의 기억에 의존하는 대신, agent에게 다음과 같이 질문할 수 있습니다.

고객 신용 등급은 어디에서 계산되며,
등급 변경이 주문 승인 프로세스에 어떤 영향을 주는지 설명해줘.

agent는 관련 트랜잭션, 프로시저, 화면, 규칙을 탐색하고 변경 영향 범위를 제안합니다. 이것은 단순한 코드 검색이 아닙니다. 업무 규칙이 데이터 모델과 프로세스에 어떻게 연결되는지 추적하는 작업에 가깝습니다.

현대화의 순서가 달라지는 이유

기존의 레거시 전환 프로젝트는 흔히 다음 순서로 진행됩니다.

  1. 새 플랫폼을 선정한다.
  2. 기존 기능 목록을 정리한다.
  3. 새 시스템을 설계한다.
  4. 데이터를 옮기고 서비스를 재구축한다.
  5. 운영 중 발견되는 누락 기능을 수정한다.

문제는 2단계에서 드러납니다. 기능 목록에는 “주문 승인”이라고 적혀 있어도, 실제 운영 환경에는 고객 등급, 거래 금액, 연체 이력, 담당 부서, 특정 국가의 세금 규칙처럼 문서화되지 않은 조건이 숨어 있을 수 있습니다. 이 규칙을 놓치면 새 시스템은 기술적으로는 현대적이지만, 업무적으로는 불완전한 시스템이 됩니다.

AI agent와 Knowledge Base를 활용하는 Low-code 방식에서는 다음과 같이 접근할 수 있습니다.

  1. 먼저 읽고 이해한다
    agent가 기존 객체와 의존성을 분석해 시스템 지도를 만든다.

  2. 업무 규칙을 검증한다
    현업 담당자와 함께 “실제 운영 규칙”과 모델에 기록된 규칙의 차이를 확인한다.

  3. 변경 영향부터 파악한다
    특정 필드, 화면, 승인 규칙을 바꿨을 때 영향을 받는 객체와 프로세스를 분석한다.

  4. 작은 단위로 현대화한다
    전체 재작성 대신 조회 화면, 승인 프로세스, 외부 연동처럼 업무 영역별로 개선한다.

  5. 승인된 모델에서 코드를 생성한다
    AI가 최종 코드를 임의로 작성하는 대신, 검토된 Knowledge Base 변경을 바탕으로 GeneXus 엔진이 결정적으로 코드를 생성한다.

이 흐름의 핵심은 AI가 레거시를 자동으로 “해결”한다는 데 있지 않습니다. 오히려 AI가 잊힌 시스템을 읽을 수 있는 인터페이스가 되어, 사람이 더 정확한 현대화 결정을 내리도록 돕는 데 있습니다.

코드보다 먼저 복원해야 할 것: 업무 맥락

레거시 시스템에는 종종 코드로 명확히 드러나지 않는 맥락이 존재합니다. 예를 들어 특정 승인 절차는 보안 정책 때문이 아니라, 과거의 사고 이후 추가된 내부 통제일 수 있습니다. 특정 데이터 필드는 더 이상 사용하지 않는 것처럼 보여도 외부 정산 시스템이나 월말 배치 작업에서 참조될 수 있습니다.

따라서 AI agent가 제안한 분석 결과도 그대로 믿어서는 안 됩니다. 가장 안전한 방식은 다음과 같습니다.

  • agent에게 객체 간 관계와 영향 범위를 설명하게 한다.
  • 현업 사용자와 베테랑 개발자가 결과를 검토한다.
  • Knowledge Base와 실제 운영 코드의 차이를 확인한다.
  • 읽기 전용 분석부터 시작한다.
  • 변경은 테스트 환경에서 계획·승인·검증 절차를 거쳐 적용한다.

특히 MCP를 통해 agent가 Knowledge Base를 조회하거나 수정할 수 있는 환경에서는 권한 설계가 중요합니다. 분석용 agent에는 읽기 권한만 부여하고, 변경 권한은 별도의 승인 절차와 감사 로그 아래에서 제한적으로 제공해야 합니다.

“한 번에 교체”보다 “안전하게 진화”하기

레거시 현대화는 대개 거대한 재개발 프로젝트로 생각되지만, 모든 시스템을 한 번에 바꾸는 방식은 위험과 비용이 큽니다. GeneXus for Agents 같은 접근은 기존 업무 규칙을 이해한 뒤, 영향이 낮은 영역부터 점진적으로 개선하는 전략과 잘 맞습니다.

예를 들어 첫 단계에서는 오래된 고객관리 시스템의 구조를 문서화합니다. 다음 단계에서는 상담 이력 조회 화면을 현대화하고, 이후 고객 등급별 승인 규칙을 분리해 서비스화할 수 있습니다. 각 단계에서 기존 규칙을 검증하고, 변경된 Knowledge Base를 기반으로 일관된 코드를 생성하면 전환 과정의 불확실성을 줄일 수 있습니다.

결국 레거시 현대화의 가장 어려운 과제는 오래된 언어를 새로운 언어로 바꾸는 일이 아닙니다. 기업이 수년간 축적해 온 업무 지식을 잃지 않고 다음 기술 환경으로 옮기는 일입니다. Low-code와 AI agent의 결합은 그 과정에서 잊힌 시스템의 지도를 다시 그리고, 더 안전한 순서로 변화를 시작하게 만드는 현실적인 방법이 될 수 있습니다.

Low-code에서 승인 버튼 뒤에 있는 진짜 안전장치

AI agent가 기업 시스템을 읽고, 업무 규칙을 해석하고, Knowledge Base까지 수정할 수 있다면 마지막 질문은 “얼마나 똑똑한가”가 아닙니다. 더 중요한 질문은 이것입니다.

이 agent에게 무엇을 어디까지 허용할 것인가?

GeneXus for Agents의 강점은 AI가 최종 코드를 임의로 작성하는 대신, 변경 계획을 제안하고 사람이 승인한 Knowledge Base 변경을 바탕으로 결정적으로 코드를 생성한다는 데 있습니다. 그러나 승인 버튼 하나만으로 안전이 보장되지는 않습니다. 승인자가 무엇을 승인하는지 충분히 이해하지 못하거나, agent가 과도한 권한을 갖고 있거나, 변경 이후의 검증이 없다면 Low-code 생산성은 곧 운영 리스크가 될 수 있습니다.

승인은 ‘클릭’이 아니라 검토 가능한 증거여야 한다

“주문 금액이 일정 수준을 넘으면 관리자 승인을 추가해줘”라는 요청은 단순해 보입니다. 하지만 실제 변경 범위는 넓을 수 있습니다.

  • 주문 데이터 구조에 승인 상태 필드가 추가되는가
  • 기존 주문 워크플로와 충돌하지 않는가
  • 관리자 권한은 어떤 역할에 부여되는가
  • 모바일·웹·API 채널 모두에 동일한 규칙이 적용되는가
  • 이미 진행 중인 주문은 어떤 방식으로 처리되는가
  • 감사 로그와 알림 기능도 함께 수정되는가

따라서 agent가 제안하는 변경 계획에는 최소한 다음 정보가 포함되어야 합니다.

검토 항목 확인해야 할 내용
변경 대상 수정·생성·삭제되는 Knowledge Base 객체
영향 범위 화면, 트랜잭션, API, 배치, 권한, 외부 연동 영향
업무 규칙 새 규칙과 기존 규칙의 충돌 가능성
데이터 변화 스키마 변경, 마이그레이션, 기존 데이터 처리 방식
테스트 결과 컴파일, 자동 테스트, 정적 분석, 회귀 테스트 결과
복구 계획 배포 실패 또는 오류 발생 시 롤백 방법

좋은 승인 프로세스는 “적용할까요?”라는 질문이 아닙니다. 무엇이 왜 바뀌며, 어떤 시스템과 데이터에 영향을 주고, 실패하면 어떻게 되돌릴 것인가를 보여주는 과정입니다.

MCP 권한은 최소 권한 원칙으로 설계해야 한다

GeneXus MCP는 agent가 Knowledge Base를 조회하고 설명하며 수정하도록 돕는 통로입니다. 동시에 이 연결 지점은 가장 엄격하게 통제해야 할 보안 경계이기도 합니다.

초기 도입 단계에서는 agent에 쓰기 권한을 바로 부여하기보다, 읽기 전용 분석 역할부터 맡기는 편이 안전합니다. 예를 들어 다음과 같은 작업은 비교적 낮은 위험으로 시작할 수 있습니다.

  • 특정 업무 화면의 데이터 흐름 설명
  • 객체 간 의존성 분석
  • 문서화되지 않은 업무 규칙 후보 추출
  • 변경 영향 객체 목록 생성
  • 테스트 누락 영역 식별

이후 변경 권한을 부여하더라도 권한을 세분화해야 합니다.

  • 개발 Knowledge Base만 수정 가능
  • 운영 환경 직접 접근 금지
  • 민감한 권한·결제·개인정보 객체는 읽기 전용
  • 데이터 삭제나 대량 변경은 별도 승인 필요
  • 외부 API 호출, 배포 실행, 스키마 변경은 독립된 권한으로 분리

핵심은 agent를 “개발자 한 명”처럼 광범위하게 권한 부여하는 것이 아니라, 정해진 도구와 정해진 환경에서만 일하는 제한된 실행 주체로 다루는 것입니다.

개발·검증·운영 환경을 분리해야 한다

AI agent가 만든 변경은 반드시 개발 환경에서 시작해 테스트 환경을 거쳐 운영 환경으로 이동해야 합니다. 특히 엔터프라이즈 Low-code 환경에서는 모델 변경이 여러 화면, 서비스, 데이터 구조에 연쇄 영향을 줄 수 있으므로 환경 분리는 선택이 아니라 기본 요건입니다.

권장 흐름은 다음과 같습니다.

자연어 요구사항
        ↓
agent의 읽기 전용 분석 및 변경 계획
        ↓
사람의 검토·승인
        ↓
개발 Knowledge Base 변경
        ↓
코드 생성·컴파일·자동 테스트
        ↓
테스트 환경 배포 및 업무 검증
        ↓
변경 승인 및 운영 배포
        ↓
모니터링·감사 로그·롤백 준비

이 과정에서 GeneXus의 결정적 코드 생성은 중요한 장점이 됩니다. 승인된 Knowledge Base 모델이 동일하다면 일관된 방식으로 결과물을 생성할 수 있기 때문입니다. 다만 모델 자체가 잘못되었거나 운영 현실과 맞지 않는다면 결정적 생성도 잘못된 결과를 반복할 수 있습니다. 결국 품질의 출발점은 신뢰할 수 있는 Knowledge Base입니다.

자동 테스트는 agent의 자신감을 검증하는 장치다

agent가 변경 계획을 그럴듯하게 설명했다고 해서 실제 기능이 안전하게 동작하는 것은 아닙니다. 자연어 요구사항에는 해석의 여지가 있고, 기존 시스템에는 문서화되지 않은 예외 규칙이 존재할 수 있습니다.

그래서 승인 이후에는 다음 검증 장치를 연결해야 합니다.

  • 컴파일 검증: 객체 변경으로 인한 생성·빌드 오류 확인
  • 회귀 테스트: 기존 주문, 고객, 권한, 정산 기능이 깨지지 않는지 확인
  • 권한 테스트: 승인 권한이 없는 사용자가 우회하지 못하는지 검증
  • 통합 테스트: ERP, CRM, 결제, 알림 등 외부 시스템 연동 확인
  • 데이터 검증: 스키마 변경과 데이터 변환이 기존 데이터를 훼손하지 않는지 점검
  • 성능 테스트: 새 규칙이 대량 트랜잭션 처리 시간을 악화시키지 않는지 확인

특히 승인·결제·개인정보·재고처럼 업무 영향이 큰 영역은 “테스트 통과 후 자동 배포”보다 사람의 최종 업무 검토를 추가하는 것이 바람직합니다.

모든 tool call은 감사 가능한 기록으로 남겨야 한다

AI agent가 어떤 객체를 읽었는지, 어떤 변경을 제안했는지, 누가 승인했는지, 어떤 테스트가 수행됐는지는 나중에 반드시 설명할 수 있어야 합니다. 이는 단순한 운영 편의가 아니라 보안 사고, 장애 분석, 규제 대응을 위한 기본 조건입니다.

감사 로그에는 적어도 다음 항목이 남아야 합니다.

  • 사용자 요청 원문과 요청 시점
  • agent가 참조한 Knowledge Base 객체
  • MCP를 통한 도구 호출 내역
  • 제안된 변경 계획과 변경 diff
  • 승인자, 승인 시간, 승인 근거
  • 생성된 코드 버전과 배포 대상 환경
  • 테스트 결과, 실패 항목, 예외 승인 내역
  • 배포 후 오류와 롤백 이력

이 기록이 있어야 조직은 “AI가 바꿨다”는 모호한 설명에서 벗어나, 누가 어떤 근거로 어떤 변경을 승인했는지 추적할 수 있습니다.

생산성은 통제와 충돌하지 않는다

AI agent를 엄격하게 통제하면 개발 속도가 느려질 것처럼 보일 수 있습니다. 하지만 실제 기업 환경에서 가장 큰 비용은 빠른 변경 자체가 아니라, 잘못된 변경으로 인한 장애·재작업·감사 대응에서 발생합니다.

GeneXus for Agents가 제시하는 모델의 가치는 AI의 속도를 무조건 확대하는 데 있지 않습니다. 자연어 요구사항을 Knowledge Base 변경으로 연결하고, 사람이 계획을 검토하며, 결정적 코드 생성과 자동 검증으로 결과를 재현 가능하게 만드는 데 있습니다.

결국 안전한 Low-code 운영의 핵심은 단순합니다.

agent에게 더 많은 권한을 주기 전에, 더 명확한 경계와 더 강한 검증 체계를 먼저 설계해야 한다.

승인 버튼은 통제의 시작일 뿐입니다. 진짜 안전장치는 최소 권한, 환경 분리, 영향 분석, 자동 테스트, 감사 로그, 그리고 언제든 되돌릴 수 있는 배포 체계가 함께 작동할 때 만들어집니다.

Posts created 12488

답글 남기기

이메일 주소는 공개되지 않습니다. 필수 필드는 *로 표시됩니다

이 사이트는 Akismet을 사용하여 스팸을 줄입니다. 댓글 데이터가 어떻게 처리되는지 알아보세요.

Related Posts

Begin typing your search term above and press enter to search. Press ESC to cancel.

Back To Top