엔터프라이즈 생성형 AI는 단순한 질문 답변용 챗봇을 넘어, 다단계 비즈니스 프로세스를 자율적으로 계획하고 실행하는 '자율 에이전트' 단계로 진화했습니다. Salesforce Agentforce를 통해 배포되는 자율 에이전트는 직원과 고객을 대신하여 실시간으로 복잡한 의사결정을 내리고 엔터프라이즈 시스템을 조작합니다. 그러나 자율 에이전트의 판단 품질은 추론 과정에 주입되는 엔터프라이즈 데이터의 정확도와 실시간성에 전적으로 좌우됩니다. 에이전트가 단편화되거나 오래된 CRM 캐시에 의존할 경우, 환각(Hallucination) 현상, 잘못된 자동화 호출, 심각한 컴플라이언스 위반으로 이어집니다.
전통적인 방식에서는 이러한 통합 컨텍스트를 제공하기 위해 복잡한 ETL(추출·변환·적재) 파이프라인을 구축하여 외부 데이터 웨어하우스로부터 페타바이트 규모의 데이터를 Salesforce 내부로 복제해 왔습니다. 그러나 이러한 레거시 패턴은 심각한 동기화 지연, 스토리지 라이선스 비용 급증, 데이터 거버넌스 분열, 고객 프로필 불일치를 야기합니다.
Salesforce 데이터 아키텍트는 Agentforce, Atlas 추론 엔진(Atlas Reasoning Engine), **Salesforce Data Cloud(현재 Data 360)**의 제로 카피(Zero-Copy) 아키텍처를 결합하여 이 문제를 근본적으로 해결합니다. 단 한 건의 물리적 데이터 복제나 이동 없이 Snowflake, Google BigQuery, Databricks, Amazon Redshift에 존재하는 최신 엔터프라이즈 데이터를 실시간으로 조회하여 에이전트의 추론에 주입하는 엔터프라이즈 아키텍처 설계 방식을 살펴봅니다.
1. 자율 에이전트의 컨텍스트 딜레마: 전통적 ETL이 실패하는 이유
단순 키워드 매칭이나 정적인 프롬프트 응답을 수행하는 기존 챗봇과 달리, Agentforce는 Atlas 추론 엔진 기반의 ReAct(Reason + Act: 추론 및 행동) 루프를 실행합니다. Atlas는 사용자의 요청이 입력되면 다음과 같은 과정을 반복적으로 수행합니다.
- 사용자의 의도 및 이벤트 트리거를 분석하고 기업 비즈니스 목표와 대조합니다.
- 사전 정의된 전문 업무 영역인 **토픽(Topics)**을 기반으로 동적 실행 계획을 수립합니다.
- 필요한 다차원 구조화 데이터와 비정형 지식을 외부 시스템에서 동적으로 조회합니다.
- Salesforce Flow, Apex 코드, MuleSoft API 등의 결정론적 도구를 호출하여 업무를 실행합니다.
- 중간 실행 결과를 평가하고 목표가 완결될 때까지 계획을 재조정하며 루프를 순환합니다.
이러한 자율 루프는 데이터 인프라에 대해 엄격한 실시간성을 요구하며, 기존 ETL 방식은 다음과 같은 한계를 드러냅니다.
- 데이터 신선도 및 지연 시간: 고객 지원이나 이상 거래 탐지를 수행하는 에이전트에게 4~24시간 간격의 배치 동기화 주기는 치명적입니다. Snowflake에서 방금 취소된 주문 정보는 에이전트에게 즉각 반영되어야 합니다.
- 이중 스토리지 및 연산 비용: 외부 분석 웨어하우스의 대용량 데이터를 CRM 스토리지에 복제하면 스토리지 추가 라이선스 비용이 천문학적으로 증가합니다.
- 거버넌스 및 보안 파편화: 여러 시스템에 민감 데이터를 중복 저장하면 GDPR, 개인정보보호법에 따른 위험 면적이 넓어지며, 원천 데이터베이스에 설정된 행·열 수준의 접근 통제 정책이 무력화될 수 있습니다.
따라서 데이터 아키텍트는 Data Cloud를 단순한 데이터 저장소가 아니라 전사적인 '실시간 시맨틱 쿼리 패브릭'으로 구축해야 합니다.
2. 제로 카피(Zero-Copy) 연합 아키텍처의 핵심
제로 카피 기술은 물리적 데이터를 이동시키지 않고 연산 계층을 페더레이션(연합)하는 구조입니다. Data Cloud는 기업 데이터 환경에 맞춰 세 가지 연합 방식을 제공합니다.
[ 외부 데이터 레이크하우스 / 데이터 웨어하우스 ]
Snowflake | Databricks | BigQuery | Amazon Redshift
| |
(직접 파일 연합 / Iceberg) (푸시다운 쿼리 / JDBC)
| |
v v
+-------------------------------------------------------+
| Salesforce Data Cloud (Data 360) |
| - 데이터 레이크 객체 (DLOs) |
| - 데이터 모델 객체 (DMOs / CIM 클라우드 정보 모델) |
| - 실시간 ID 확인 엔진 (Unified Individual) |
| - 사전 구체화 데이터 그래프 (Data Graphs / JSON) |
| - 하이브리드 검색 인덱스 (벡터 임베딩 + BM25) |
+-------------------------------------------------------+
|
v
+-------------------------------------------------------+
| 아인슈타인 신뢰 계층 (Trust Layer) |
| - PII 동적 마스킹 및 역마스킹 |
| - 제로 데이터 보유 보장 (Zero Data Retention) |
| - 환각 차단 및 유해성 검증 |
+-------------------------------------------------------+
|
v
+-------------------------------------------------------+
| Atlas 추론 엔진 (Reasoning Engine) |
| - 의도 분석 및 토픽(Topic) 할당 |
| - 실시간 컨텍스트 그라운딩 및 ReAct 루프 수립 |
| - 도구 실행 (Apex / Flow / MuleSoft API) |
+-------------------------------------------------------+
Apache Iceberg 기반 파일 연합(File Federation)
Amazon S3나 Google Cloud Storage와 같은 오브젝트 스토리지에 저장된 오픈 테이블 포맷(Apache Iceberg, Delta Lake)에 직접 접근합니다. Data Cloud의 분산 쿼리 엔진인 Hyper가 스토리지 파일(Parquet)과 메타데이터를 직접 읽어 들이므로 외부 데이터 웨어하우스의 연산 자원을 전혀 소모하지 않습니다. 대용량 웹 로그, IoT 텔레메트리, 거래 이력 조회에 최적화되어 있습니다.
푸시다운 쿼리 연합(Query Federation)
Snowflake나 Google BigQuery 내부에 이미 계산되어 있는 고도화된 머신러닝 스코어(고객 이탈 확률, 실시간 신용 평가 등)가 필요할 때 사용됩니다. Data Cloud가 SQL 연산을 외부 웨어하우스 엔진으로 푸시다운(Pushdown)하여 실행하며, 원격 시스템에서 연산된 최종 결과 세트만 Salesforce로 반환받습니다.
양방향 데이터 공유(Bidirectional Data Sharing)
제로 카피는 단방향 조회를 넘어 양방향으로 작동합니다. Snowflake Secure Data Sharing이나 Databricks Delta Sharing 프로토콜을 활용하여, Data Cloud의 통합 CRM 데이터 및 참여 신호를 외부 웨어하우스에 복제 없이 안전한 뷰 형태로 즉시 공유할 수 있습니다.
3. 시맨틱 표준화와 실시간 ID 확인(Identity Resolution)
외부 시스템에서 제로 카피로 연결된 테이블은 스키마와 명명 규칙이 제각각이므로 언어 모델과 추론 엔진이 바로 이해하기 어렵습니다. 아키텍트는 Data Cloud에서 두 단계의 시맨틱 모델링을 구성합니다.
1단계: DLO에서 DMO로의 매핑
외부 테이블은 먼저 **데이터 레이크 객체(DLO)**로 등록됩니다. 아키텍트는 이 DLO 필드를 표준 클라우드 정보 모델(CIM) 기반의 **데이터 모델 객체(DMO)**에 매핑합니다.
- 외부 ERP의 구매 내역은
SalesOrder및SalesOrderProductDMO로 매핑. - 모바일 앱 활동 로그는
DeviceApplication및EngagementTopicDMO로 매핑. - 각 시스템의 연락처 정보는
Individual및ContactPointAddressDMO로 매핑.
2단계: 실시간 ID 확인(Identity Resolution)
기업 고객은 웹 익명 쿠키, 모바일 앱 로그인 계정, 고객센터 전화번호 등 다양한 접점을 통해 분산되어 상호작용합니다.
Data Cloud의 ID 확인 엔진은 규칙 기반 매칭(이메일, 전화번호 해시값, 고유 고객 식별자 등)을 수행하여 분산된 DMO 레코드를 병합합니다. 그 결과 전사적으로 유일한 **통합 고객 프로필(Unified Individual)**이 실시간으로 생성됩니다. Agentforce 에이전트는 특정 채널에 국한된 정보가 아닌, 전 채널을 아우르는 단일 고객 여정 위에서 추론을 시작합니다.
4. 추론 지연 해결: 데이터 그래프(Data Graphs)를 통한 초고속 조회
자율 에이전트 구현 시 가장 큰 기술적 장애물은 쿼리 지연 시간입니다. Atlas 추론 엔진이 한 번의 의사결정을 내릴 때마다 여러 외부 테이블을 대상으로 5단계 이상의 복잡한 분산 SQL JOIN을 수행한다면, 응답 시간이 5~15초 이상 소요되어 세션 타임아웃과 사용자 이탈을 유발합니다.
아키텍트는 Data Cloud의 **데이터 그래프(Data Graphs)**를 사용하여 이 병목을 해결합니다.
데이터 그래프란 무엇인가?
데이터 그래프는 관련된 여러 DMO의 관계망을 사전에 탐색하여 단일 계층형 JSON 구조로 구체화(Materialize)해 두는 메타데이터 기반 데이터 모델입니다.
일반적인 구성 예시:
- 루트 엔티티:
Unified Individual(통합 고객) - 하위 노드:
SalesOrder(최근 90일 주문),Case(진행 중인 지원 티켓),Calculated Insight(고객 가치 점수),ExternalTelemetry(Snowflake 제로 카피 로그).
데이터 그래프가 Agentforce를 가속하는 이유
- 런타임 JOIN 연산 제거: 데이터 간 관계가 사전에 계산되어 유지되므로 에이전트 대화 시점에 복잡한 SQL을 생성할 필요가 없습니다.
- 밀리초 단위 단일 키 조회: Atlas 엔진은
UnifiedIndividualId라는 단일 기본 키를 통해 수십 밀리초 만에 360도 고객 컨텍스트 전체를 한 번에 조회합니다. - Prompt Builder와의 네이티브 연동: Salesforce의 프롬프트 빌더(Prompt Builder)에서 데이터 그래프를 구조화된 병합 필드(Merge Field)로 직접 지정할 수 있어 별도의 Apex 직렬화 코드 작성이 불필요합니다.
5. 비정형 지식의 그라운딩: 벡터 인덱싱과 하이브리드 검색
엔터프라이즈의 중요한 비즈니스 규칙과 노하우는 정형 테이블뿐만 아니라 PDF 제품 보증서, 기술 매뉴얼, 계약서, 상담 이력과 같은 비정형 문서에 존재합니다.
Agentforce가 이러한 비정형 지식을 안전하게 활용할 수 있도록 아키텍트는 Data Cloud 검색 인덱스를 구성합니다.
- 문서 저장소 연계: SharePoint, Amazon S3, Salesforce Knowledge 등의 문서를 비정형 DLO로 연결합니다.
- 청킹 및 벡터 임베딩: Data Cloud가 문서를 의미 단위(Chunk)로 자동 분할하고, 내장된 임베딩 모델을 호출하여 고차원 벡터로 변환한 뒤 벡터 DB에 적재합니다.
- 하이브리드 검색(Hybrid Search): 사용자가 "실외에 설치된 장비도 무상 보증 수리가 가능한가요?"와 같은 복합 질문을 할 때, Atlas는 BM25 키워드 검색(정확한 부품 코드 매칭)과 밀집 벡터 시맨틱 검색(문맥 및 의도 매칭)을 동시 실행하여 가장 관련성 높은 지식 단락을 프롬프트 창에 주입합니다.
6. Atlas 엔진의 자율 실행 루프와 보안 신뢰 계층
제로 카피 연합, DMO 시맨틱 매핑, 데이터 그래프, 하이브리드 검색이 구성되면 Agentforce 에이전트는 다음과 같은 루프로 동작합니다.
[고객 요청 입력 / 시스템 이벤트 발생]
│
▼
[Atlas 추론 엔진] ────────► 의도 분석 및 담당 토픽(Topic) 선정
│
▼
[Data Cloud 그라운딩] ───► 데이터 그래프 조회 (고객 360도 계층형 JSON)
► 하이브리드 검색 실행 (관련 기술 문서 발췌)
► 제로 카피 쿼리 (외부 ERP 최신 청구 잔액 확인)
│
▼
[Einstein 신뢰 계층] ────► PII 동적 마스킹 / RBAC 권한 검증
│
▼
[LLM 자율 추론] ──────────► ReAct 루프: 실행해야 할 비즈니스 도구 결정
│
▼
[도구 실행] ──────────────► Salesforce Flow / Apex / MuleSoft API 호출
│
▼
[결과 검증 및 완결] ──────► 실행 결과가 목표를 충족했는지 평가 후 최종 응답
아인슈타인 신뢰 계층(Einstein Trust Layer)의 역할
추론에 주입되는 데이터가 파운데이션 LLM(Salesforce 자체 모델, OpenAI, Anthropic, Azure 등)으로 전달되기 전에 신뢰 계층이 완벽한 가드레일을 제공합니다.
- 동적 PII 마스킹: 주민등록번호, 카드 번호, 전화번호 등 민감 개인정보는 전송 직전 익명 토큰으로 치환됩니다.
- 제로 데이터 보유(Zero Data Retention): 엔터프라이즈 데이터가 모델 제공업체의 서버에 영구 저장되거나 공개 파운데이션 모델 학습에 사용되지 않음을 상업적으로 보장합니다.
- 그라운딩 및 유해성 검증: 모델의 출력 결과가 원천 데이터(데이터 그래프 및 문서)에 부합하는지 팩트체크하여 환각 점수를 산출하고 부적절한 내용을 필터링합니다.
- 복호화 및 감사 추적: 검증된 안전한 응답만 사용자 인터페이스에서 복원되며, 모든 호출 기록과 컨텍스트는 Data Cloud 감사 DMO에 영구 기록됩니다.
7. 아키텍처 비교: 전통적 ETL 방식 vs. Data Cloud 제로 카피 그라운딩
| 비교 항목 | 전통적 ETL 데이터 복제 | Data Cloud 제로 카피 그라운딩 |
|---|---|---|
| 데이터 이동 | 주기적 배치 추출, 변환 후 CRM 스토리지로 물리적 복제 | 데이터 이동 없음; Apache Iceberg 파일 연합 또는 푸시다운 쿼리 |
| 데이터 신선도 | 동기화 주기(수 시간~일 단위)에 따른 고질적 지연 발생 | 실시간; 에이전트가 추론하는 시점에 웨어하우스 최신 상태 조회 |
| 스토리지 및 비용 | 높음; CRM 스토리지 용량 잠식 및 이중 인프라 비용 발생 | 최소화; 저렴한 외부 레이크하우스에 데이터를 보존 |
| 컨텍스트 구성 지연 | 느림; 런타임에 여러 테이블을 대상으로 다중 SOQL 수행 | 밀리초 단위; 사전 구체화된 데이터 그래프를 통해 단일 JSON 반환 |
| 보안 및 거버넌스 | 파편화; 시스템 간 권한 동기화 실패 시 보안 취약점 발생 | 중앙 집중화; 원천 소스 권한 준수 및 Einstein Trust Layer 보호 |
| 추론 컨텍스트 범위 | CRM 내부 필드로 제한되어 의사결정 사각지대 발생 | 전사적; ERP, 레이크하우스, IoT 로그, 문서 지식을 모두 포괄 |
8. 엔터프라이즈 아키텍트를 위한 설계 지침 및 모범 사례
본 아키텍처를 대규모 환경에 안정적으로 적용하기 위해 아키텍트가 준수해야 할 핵심 가이드라인은 다음과 같습니다.
1. 파일 연합과 쿼리 푸시다운의 전략적 분리
- 클릭스트림, IoT 로그, 원장 데이터와 같은 대용량 추가 전용(Append-only) 데이터는 Apache Iceberg 파일 연합을 사용하여 외부 웨어하우스 연산 비용을 원천 차단하십시오.
- 머신러닝 스코어 산출과 같이 복잡한 집계가 필요한 경우에만 쿼리 푸시다운을 적용하여 외부 웨어하우스의 분산 컴퓨팅 파워를 활용하십시오.
2. 외부 웨어하우스 연산 비용 급증 방지
에이전트와의 실시간 대화 중에 인덱스가 없는 무거운 쿼리가 푸시다운되면 외부 웨어하우스 크레딧이 급증할 수 있습니다.
- 런타임에 호출되는 쿼리에는 반드시 파티션 키와 인덱스가 설정되어야 합니다.
- 빈번하게 조회되는 통계성 수치는 Data Cloud의 Calculated Insights를 활용하여 배치로 사전 연산해 두십시오.
3. 데이터 그래프의 적정 경계 설정
수백 개의 불필요한 필드를 포함하는 거대한 단일 데이터 그래프를 생성하지 마십시오. 과도한 JSON 크기는 LLM의 컨텍스트 창을 낭비하고 추론 비용을 높이며, 무관한 노이즈로 인해 Atlas의 판단을 흐릴 수 있습니다. 에이전트의 업무 토픽(Topic)별로 최적화된 소형 데이터 그래프를 설계하십시오.
4. 멀티 에이전트 거버넌스 수립
모든 업무를 단일 에이전트에 집중시키지 마십시오. 도메인별(고객 지원, 주문 변경, 기술 상담)로 분리된 서브 에이전트를 구성하고, 각 에이전트에 맞는 최소 권한 데이터 그래프와 도구를 할당하십시오. 환불이나 계약 변경 등 핵심 레코드를 갱신하는 작업에는 반드시 Flow나 Apex에서 인적 승인(Human-in-the-Loop) 단계를 포함해야 합니다.
결론
제로 카피 아키텍처를 통해 Agentforce를 Salesforce Data Cloud에 그라운딩하는 것은 엔터프라이즈 AI 전략의 패러다임 전환을 의미합니다. 데이터 복제 부채와 동기화 지연을 완전히 제거하면서도, 전사적 규모의 실시간 컨텍스트를 자율 에이전트에 안전하게 공급할 수 있습니다. Apache Iceberg 연합, CIM 시맨틱 표준화, 고성능 데이터 그래프, 그리고 Einstein Trust Layer의 결합을 통해 기업은 최고 수준의 데이터 거버넌스를 유지하면서 진정한 자율 디지털 인력을 성공적으로 운용할 수 있습니다.