ServiceNow가 이번 발표에서 내세운 핵심 구성은 세 가지다.
이는 또 하나의 리포팅 계층을 만들겠다는 의미로만 보기 어렵다. ServiceNow가 노리는 지점은 업무가 실제로 발생하는 순간, 즉 워크플로 안에서 에이전트가 판단하고 조율하고 실행할 수 있도록 데이터를 쓸 수 있게 만드는 것이다.
이 방향은 ServiceNow의 더 넓은 에이전트 구조와도 맞물린다. ServiceNow는 AI Agent Fabric이 Agent2Agent, 즉 A2A 프로토콜을 통해 ServiceNow 및 제3자 AI 에이전트 간 통신을 지원한다고 설명한다. 또한 AI 에이전트가 Model Context Protocol, 즉 MCP를 통해 외부 도구, 데이터, 시스템에서 맥락을 가져올 수 있다고 밝히고 있다 . 한국 독자에게 익숙한 말로 풀면, 서로 다른 업무용 AI들이 각자 따로 움직이지 않고 필요한 정보를 주고받으며 일하게 하려는 구조다.
ServiceNow가 막으려는 상황은 기업 AI가 여러 개의 고립된 봇으로 흩어지는 것이다. 한 에이전트는 티켓을 알고, 다른 에이전트는 고객 정보를 알고, 또 다른 에이전트는 인프라 상태를 알지만, 누구도 전체 업무를 마무리할 만큼 충분한 시야와 권한을 갖지 못한다면 자동화는 중간에서 멈춘다.
그 결과는 요약과 추천은 많지만 실행은 제한적인 ‘부분 자동화’가 된다. CXO Insight는 ServiceNow의 Knowledge 2026 업데이트가 AI Control Tower, Autonomous Workforce, 데이터 인텔리전스, 보안 역량을 포괄하며, 데이터에서 의사결정, 실행, 신뢰까지 이어지는 AI 가치사슬을 지원하려는 방향이라고 전했다 . 이 구도에서 데이터 기반은 연결 조직에 해당한다. 에이전트가 현재 상황을 이해하고, 어떤 결정이 필요한지 판단하며, 다음 워크플로로 이동할 수 있게 해주는 층이기 때문이다.
자율 AI 에이전트에서는 ‘할 수 있는가’와 ‘해도 되는가’를 분리할 수 없다. ServiceNow의 이번 데이터 발표가 실시간 데이터뿐 아니라 거버넌스가 적용된 데이터를 반복해서 강조하는 이유도 여기에 있다 . 자율 에이전트의 위험은 틀린 답변만이 아니다. 더 큰 위험은 틀린 조치를 실제 시스템에 실행하는 것이다.
ServiceNow의 자율 인력 전략을 다룬 보도에서도 같은 흐름이 보인다. Cloud Wars는 ServiceNow의 특화 AI 에이전트가 회사 워크플로 안에서 작업을 실행하되, 고객의 거버넌스 요건을 따르도록 설계됐다고 설명했다 . ServiceNow 에이전트형 워크플로 구현 가이드 역시 명확한 목표, 사람의 개입 지점, 감사 프레임워크의 중요성을 강조한다
.
따라서 성패는 모델 성능만으로 갈리지 않는다. 권한 부여, 승인 절차, 예외 처리, 모니터링, 감사 추적이 에이전트 실행 단계에서 어떻게 작동하는지가 중요하다.
이번 발표는 전략적 방향을 보여주지만, 도입을 검토하는 기업이 봐야 할 것은 운영 세부사항이다. 특히 다음 질문이 중요하다.
이 질문에 대한 답이 분명해야 데이터 기반이 진짜 실행 계층이 될 수 있다. 그렇지 않다면 기존의 단절된 기업 데이터 위에 또 하나의 인터페이스를 얹는 데 그칠 수 있다.
ServiceNow가 풀려는 문제는 기업 AI의 실행 격차다. 자율 AI 에이전트는 실시간 맥락, 거버넌스가 적용된 데이터 접근, 실제 업무가 이루어지는 워크플로와의 통합 없이는 안정적으로 일을 끝내기 어렵다. 이번 데이터 기반은 데이터, 의사결정, 실행을 연결해 에이전트가 기업 통제 밖이 아니라 통제 안에서 움직이게 하려는 ServiceNow의 시도다 .
Comments
0 comments