알리바바 클라우드 Agent Studio, AI의 경쟁 무대를 ‘모델’에서 ‘에이전트 인프라’로 옮기다

알리바바 클라우드의 Agent Studio는 에이전트 개발을 여러 개의 별도 엔지니어링 프로젝트가 아닌 관리형 기업 서비스로 바꾸려는 백련(Bailian)의 시도다. 2026년 8월 14일 아프사라 발표에서 공개된 이 플랫폼은 에이전트 구축, 호스팅 실행, 지식 검색, 메모리, 도구 연동, 운영 인터페이스를 한 서비스 계층으로 묶었다. 820

중요한 점은 Agent Studio가 단순한 비주얼 프롬프트 제작 도구가 아니라는 데 있다. 생성형 AI 모델에 접근하는 일 자체가 쉬워질수록 기업이 실제로 해결해야 할 문제는 복잡해진다. 에이전트가 여러 단계를 계획하고, 외부 도구를 호출하고, 파일을 처리하고, 중단된 작업을 재개하며, 보안과 비용 한도 안에서 안정적으로 작동하도록 만드는 일이기 때문이다.

모델보다 어려운 것은 ‘운영’이다

일반적인 모델 API 호출은 한 번의 입력과 출력으로 끝날 수 있다. 반면 기업용 에이전트는 하나의 요청을 처리하기 위해 계획 수립, 검색, 도구 호출, 코드 실행, 재시도, 후속 작업을 연이어 수행할 수 있다.

이 과정에서 발생하는 비용은 단순한 토큰 사용량만으로 설명하기 어렵다. 반복적인 추론과 도구 호출, 긴 컨텍스트 주입, 검색·검색 재시도, 샌드박스 코드 실행, 외부 서비스 인증, 모니터링과 예외 처리가 모두 운영 비용으로 이어진다. Agent Studio의 전략은 이런 공통 인프라를 애플리케이션마다 따로 구축하는 대신 플랫폼 서비스로 제공하는 데 있다.

기업이 선택할 세 가지 구축 방식

1. 전면 자체 구축

자체 구축은 오케스트레이션, 데이터 저장소, 인증·권한, 보안, 관측성, 인프라, 이식성을 가장 세밀하게 통제할 수 있다. 요구사항이 매우 특수하거나 이미 성숙한 내부 플랫폼을 보유한 기업이라면 적합한 방식이다.

그러나 안정성 확보, 시스템 통합, 장애 대응, 세부 비용 산정까지 모두 기업의 몫이 된다. 특히 에이전트 작업이 길어질수록 어떤 단계에서 비용과 실패가 발생했는지 추적하는 일도 만만치 않다.

2. 개발 프레임워크와 SDK 활용

프레임워크와 SDK는 오케스트레이션, 도구 사용, 모델 연동을 빠르게 시작하게 해주는 좋은 구성 요소다. 하지만 프레임워크만으로는 운영 환경이 완성되지 않는다.

프로덕션 호스팅, 샌드박스 격리, 영속 상태, 인증, 거버넌스, 모니터링, FinOps(클라우드 비용 관리)는 여전히 애플리케이션 팀이 마련해야 한다.

3. 기업용 에이전트 플랫폼 도입

Agent Studio 같은 관리형 플랫폼은 앞선 기능을 서비스 계층으로 묶는다. 프로토타입에서 실제 운영 환경으로 넘어가는 시간을 줄이고, 조직 전체에 표준화된 운영 방식을 적용하기 쉽다는 장점이 있다.

대신 낮은 수준의 제어권은 줄어들고, 도구·메모리·지식 저장소·런타임 API가 특정 클라우드와 긴밀하게 연결될수록 벤더 종속성이 커질 수 있다.

Managed Agent: 장시간 작업을 위한 실행 기반

Managed Agent는 백련이 제공하는 에이전트 호스팅 런타임이다. 다단계 도구 호출, 코드 실행, 파일 처리처럼 수 분에서 수 시간까지 이어질 수 있는 작업을 겨냥한다. 플랫폼이 세션 상태, 샌드박스 환경, 도구 실행을 관리하며, 에이전트는 격리된 클라우드 컨테이너에서 작동한다. 이벤트 기록은 서버에 영속적으로 저장되고, 실행 중단과 재개도 지원한다. 17

Managed Agent의 구조는 다음 다섯 계층으로 이해할 수 있다.

1. 런타임 기반: 고객이 직접 작업자 서버를 운영하는 대신 관리형 컴퓨팅과 에이전트 수명주기 실행을 사용한다.
2. 컨텍스트 관리: 서버 측 세션과 영속 이벤트 기록이 애플리케이션이 직접 작성해야 하는 상태 관리 코드를 줄인다. 17
3. MCP·Skills 확장: 표준화된 외부 도구와 재사용 가능한 기능을 에이전트에 연결한다.
4. 샌드박스 보안: 격리된 환경에서 명령 실행, 파일 읽기·쓰기, 의존성 설치, 데이터 처리를 수행한다. 17
5. API와 관측성: 관리형 에이전트의 수명주기, 애플리케이션 호출, 지식 검색, 메모리 관리를 프로그래밍 방식으로 다룬다. 1

이 구조의 의미는 에이전트 작업을 단순한 모델 응답이 아니라 관리해야 할 실행 이력으로 본다는 데 있다. 다만 플랫폼을 사용한다고 해서 비용과 신뢰성이 자동으로 해결되는 것은 아니다. 실제 결과는 작업의 복잡도, 선택한 모델과 도구, 예외 처리 방식, 통제 수준에 따라 달라진다.

보험 심사 사례는 어떻게 봐야 하나

알리바바 관련 보도는 보험 심사 업무에 Agent Studio를 적용한 사례로, 기존 3~4시간이 걸리던 인수 심사를 약 15분으로 줄였고 보험증권 한 건당 비용은 0.12위안이었다고 전한다. 10

다만 이 수치는 일반적인 Agent Studio 성능이나 비용을 보장하는 벤치마크가 아니라 보고된 사례 연구 결과로 보는 것이 정확하다. 문서 품질, 업무 복잡도, 모델 선택, 도구 사용량, 예외 처리, 사람의 최종 검토 범위에 따라 결과는 크게 달라질 수 있다. 이 사례의 핵심은 플랫폼이 목표로 하는 운영 개선의 유형을 보여준다는 점이다.

One Key Service가 겨냥한 인증 복잡성

기업용 에이전트가 외부 도구를 사용할 때 자주 부딪히는 문제는 서비스마다 인증과 자격 증명 관리 방식이 다르다는 것이다. Agent Studio의 One Key Service는 MCP 마켓플레이스 파트너를 대상으로 통합 인증 계층을 제공해, 파트너별 인증 절차를 각각 연동해야 하는 부담을 줄이려는 기능이다. 810

이는 단순한 편의 기능 이상이다. MCP 마켓플레이스가 기업에서 실제로 쓰이려면 도구를 발견하는 것뿐 아니라 승인하고, 인증하고, 모니터링하고, 권한을 통제할 수 있어야 한다. 통합 키 체계는 마켓플레이스를 도구 목록이 아니라 운영 모델의 일부로 만들려는 시도다.

Private Skills: 사내 노하우를 재사용 가능한 기능으로

Agent Studio의 Private Skills 설계는 기능의 적용 범위를 세 단계로 나눈다. 넓게 재사용할 수 있는 플랫폼·공개 기능, 조직 단위의 비공개 기능, 개인이나 특정 프로젝트에 한정된 기능이다. 8

핵심 아이디어는 기업의 고유 절차, API, 업무 규칙을 재사용 가능한 기능으로 패키징하는 것이다. 매번 프롬프트에 내부 지침을 반복해서 넣거나 에이전트마다 연동 코드를 새로 작성하는 대신, 정해진 범위 안에서 통제되는 Skill로 제공할 수 있다.

물론 실무에서는 Skill을 만들 수 있는지보다 권한, 버전 관리, 소유권, 검토 절차, 다른 플랫폼으로의 이전 가능성이 더 중요해진다.

Knowledge Studio와 Agentic RAG

Agent Studio의 지식 계층은 Knowledge Studio를 중심으로 구성된다. Knowledge Studio는 문서 파싱, 청킹, 벡터화, 색인, 검색, 스트리밍 질의응답을 제공하는 기업용 RAG 서비스다. API, MCP, CLI, Skills를 통한 연동도 지원한다. 3

여기서 기존 검색과 구분되는 개념이 에이전트형 검색(Agentic Search)이다. Knowledge Studio가 설명하는 Agentic RAG는 다음 두 단계의 순환 구조를 결합한다.

• Agentic Search: 질문의 의도를 파악하고 검색 계획을 세운 뒤 기업 지식을 반복적으로 탐색한다.
• Agentic Generation: 검색 결과가 충분한지 확인한 다음 근거와 인용 정보를 포함해 답변을 생성한다. 46

단 한 번의 유사도 검색으로 해결하기 어려운 질문에서 이 방식이 의미를 갖는다. 에이전트는 질문을 하위 문제로 나누고, 검색어를 바꾸고, 여러 지식 저장소를 오가며, 결과가 충분하지 않으면 다른 검색 전략을 시도할 수 있다.

Memory Studio와 지속적인 맥락

메모리는 검색과 비슷해 보이지만 역할은 다르다. 알리바바의 Agentic Memory 문서는 장기·단기·맥락 메모리뿐 아니라 Skills와 지식베이스 데이터의 저장·검색을 지원한다고 설명한다. 11

애플리케이션은 이를 통해 사용자의 선호, 이전 결정, 반복적으로 활용되는 맥락을 매 대화마다 처음부터 다시 주입하지 않아도 된다. 반면 기억이 오래 유지될수록 보존 기간, 삭제, 접근 권한, 잘못된 정보의 재사용 위험에 대한 거버넌스가 필요하다.

Playground와 자연어 기반 ‘Vibe Builder’

Playground는 Flow Agent, Managed Agent, RAG, Memory, MCP, Skills, 시나리오 템플릿, 자연어 기반 ‘Vibe Builder’ 워크플로를 한곳에서 구성하는 통합 작업 공간으로 제시된다. 8

사용자는 템플릿을 선택하거나 업무 프로세스를 자연어로 설명한 뒤 필요한 지식, 메모리, 도구, 실행 환경을 연결하는 흐름을 기대할 수 있다. 이는 실험의 진입 장벽을 낮추고, 비즈니스 조직과 개발 조직이 같은 플랫폼에서 협업하도록 돕는다.

다만 자연어로 에이전트를 만들 수 있다고 해서 테스트, 권한 설정, 평가, 사람의 승인 절차가 사라지는 것은 아니다. 특히 금융·법무·보험처럼 결과가 직접적인 영향을 미치는 업무에서는 에이전트의 행동 범위와 승인 지점을 명확히 정해야 한다.

클라우드 기업이 에이전트 계층을 차지하려는 이유

기업용 AI의 경쟁 경계는 모델 바깥으로 이동하고 있다. 모델은 추론과 생성을 담당하지만, 실제 운영 에이전트에는 실행 런타임, 상태 관리, 도구, 데이터 접근, 인증, 격리, 모니터링, 비용 통제 기능이 함께 필요하다.

이 계층을 확보한 클라우드 기업은 에이전트를 클라우드 서비스의 새로운 진입점으로 만들 수 있다. 사용자가 개발자처럼 컴퓨팅, 스토리지, 검색, API, 데이터베이스를 하나씩 선택하는 대신, 관리된 에이전트가 사용자의 요청에 따라 필요한 서비스를 찾아 호출하고 조합하는 방식이다.

기업 구매자가 따져봐야 할 질문도 분명하다.

• 에이전트와 Skills를 다른 클라우드로 얼마나 쉽게 옮길 수 있는가?
• 도구 권한과 데이터 경계를 누가 통제하는가?
• 여러 단계에 걸친 비용을 팀이나 업무 프로세스별로 어떻게 배분하는가?
• 에이전트가 무엇을 했고 왜 그렇게 했는지 재구성할 수 있는가?
• 모델·도구·검색 원천이 바뀌었을 때 결과 변화를 어떻게 검증하는가?

Agent Studio가 내놓은 답은 경쟁의 핵심 상품이 더 이상 모델만은 아니라는 것이다. 앞으로 기업 AI의 성패는 모델의 화려한 데모보다 그 주변의 관리형 시스템이 결과를 검증하고, 행동을 통제하고, 비용을 설명하며, 실제 업무를 안정적으로 운영할 수 있는지에 달릴 가능성이 크다.