에이전트가 파일럿을 못 넘는 이유, 모델 아닌 데이터 준비도가 성패를 가른다

에이전틱 AI 프로젝트가 파일럿을 넘지 못하는 주된 원인은 모델 성능이 아니다. MIT Technology Review는 금융 서비스 사례를 분석하며 '데이터 준비도(data readiness)'가 성패를 가른다고 결론냈다. 좋은 모델을 붙여도 에이전트가 실시간으로 접근할 수 있는 데이터가 없으면 작동하지 않는다.

왜 금융권 에이전트 프로젝트가 자꾸 막히는가

금융 데이터는 두 가지 상충하는 요건을 동시에 충족해야 한다. 초 단위로 업데이트되는 외부 이벤트에 실시간 대응해야 하면서, 금융 규제가 요구하는 데이터 거버넌스 기준도 지켜야 한다.

문제는 기존 데이터 파이프라인 대부분이 배치 처리 기준으로 설계 됐다는 점이다. 에이전트가 판단을 내리려면 지금 이 순간의 데이터가 필요한데, 파이프라인은 어제 혹은 한 시간 전 데이터를 제공한다. 모델이 아무리 좋아도 판단의 재료가 낡아 있으면 에이전트는 틀린 행동을 한다.

규제 컴플라이언스도 속도를 늦춘다. 에이전트에게 데이터 접근 권한을 주려면 내부 승인 절차가 필요하고, 이 절차는 실시간 대응을 전제로 설계되지 않았다.

빌더가 지금 확인해야 할 체크포인트 3가지

금융이 아닌 도메인이라도 같은 구조적 문제는 반복된다. AI 에이전트 서비스를 기획하거나 이미 만들고 있다면 다음 세 가지를 먼저 점검해야 한다.

1. 데이터가 실시간으로 에이전트에게 닿는가 — 배치 파이프라인인지, 스트리밍 혹은 API 직접 연결인지 확인한다
2. 에이전트가 접근할 수 있는 데이터와 없는 데이터가 구분돼 있는가 — 권한 설계 없이 붙이면 나중에 거버넌스 문제가 생긴다
3. 데이터 업데이트 주기가 서비스의 판단 주기와 맞는가 — 실시간 판단이 필요한데 데이터가 하루에 한 번 갱신된다면 설계 자체를 바꿔야 한다

MIT Technology Review의 진단은 금융권을 대상으로 했지만, 에이전트가 자율적으로 행동하는 서비스라면 도메인을 가리지 않고 동일한 병목이 나타난다.