팀을 위한 AI Agent: Enterprise AI의 공유 컨텍스트 및 투명성

책임감 또는 책임의 격차

엔터프라이즈 AI 에이전트는 여러 팀과 프로젝트에서 공유되는 워크플로 내에서 작업을 수행할 수 있는 AI 시스템입니다. 점점 더 많은 플랫폼이 팀의 공유 콘텐츠에 영향을 미치는 고유한 AI 지원 기능을 출시함에 따라 이 분야는 빠르게 성장했습니다.

대부분의 조직은 여전히 파일럿을 넘어설 수 없습니다. Camunda의 2026년 에이전틱 오케스트레이션 및 자동화 현황 보고서에 따르면 에이전틱 AI 사용 사례 중 단 11%만이 프로덕션에 도달했으며, 73%의 조직이 AI에 대한 포부와 현실 사이에 격차가 있다고 보고했습니다. 별도의 Dynatrace 연구에 따르면 모든 AI 프로젝트의 절반이 개념 또는 파일럿 단계에서 멈춘 것으로 나타났습니다. 두 경우 모두 가장 큰 장벽은 신뢰입니다.

모델은 놀랍도록 능력이 뛰어나지만, 병목 현상은 책임입니다. AI 에이전트가 여러 사람에게 영향을 미치는 공유 작업에 대해 조치를 취하는 경우, 관련된 모든 사람은 AI가 무엇을, 왜, 어떤 범위 내에서 수행했는지 파악할 수 있어야 합니다. 오늘날 대부분의 AI 도구는 AI가 무엇을 했는지, 왜 했는지 쉽게 확인할 수 없기 때문에 이러한 질문에 답하지 못합니다. 작업은 비공개 대화 목록이나 AI의 개입이 보이지 않는 인터페이스 뒤에서 이루어집니다. 문제가 발생하면(확률적 시스템에서는 문제가 발생합니다), 추적할 흔적이 없습니다.

Asana는 Asana의 역사에서 직접 유래한 전제에 기반하여 AI 팀원을 만들었습니다. Asana는 10년 이상 업무 그래프를 개발해 왔습니다. 업무 그래프는 누가 무엇을 언제까지, 어떤 목표를 위해, 누구와 협력하여 수행하는지를 구조화하여 나타낸 것입니다. 이것의 바탕이 되는 원칙(공유된 가시성, 명확한 소유권, 권한을 고려한 액세스, 구조화된 커뮤니케이션)은 인간의 협업을 효과적으로 만들기 위해 설계되었습니다. 이러한 동일한 원칙이 AI 협업을 신뢰할 수 있게 만드는 데 정확히 필요한 것으로 밝혀졌습니다.

이미 효과가 있는 것을 기반으로 구축

대부분의 AI 에이전트 제품은 모델에서 시작하여 바깥쪽으로 확장됩니다. AI가 수행할 수 있는 작업이 무엇인지 파악한 다음, 이제 그것이 워크플로에 어떻게 부합하는지 알아봅니다. 저희는 반대 방향으로 시작했습니다. Asana는 공유된 작업에 대한 구조, 책임감, 손쉬운 협업을 달성하는 방법에 대해 수년간의 반복을 통해 제품에 이미 확고한 의견을 구축해 왔습니다.

업무 그래프는 이 모든 것을 담고 있습니다. 모든 작업, 프로젝트, 목표, 대화는 관계의 네트워크 내에서 존재합니다. 누가 소유하고, 누가 협업하고, 무엇에 기여하고, 무엇에 의존하는지 등이죠. 팀이 Asana를 사용할 때, 팀은 업무에 대한 이러한 구조화된 그림을 지속적으로 구축하고 개선합니다.

AI 에이전트를 만들기 시작했을 때, AI가 동일한 구조 내에서 작동한다면 어떨까라는 질문이 생겼습니다. AI를 위한 별도의 컨텍스트 모델을 만드는 대신, 이미 구축한 협업 모델에 AI가 참여하도록 한다면 어떨까요?

이것이 AI 팀원의 핵심 개념 모델입니다. 가능한 한 AI 팀원의 역량은 조직 내의 인간 사용자의 역량과 일치합니다. AI Teammates는 작업을 배정받습니다. 댓글을 읽고 작성합니다. 동일한 활동 피드에 표시됩니다. 팀원과의 협업으로 인해 누구의 권한도 이미 보유한 권한을 넘어서는 수준으로 상향 조정되지 않도록 콘텐츠에 대한 액세스 범위가 지정됩니다. 인간 협업을 체계적이고 투명하게 유지하는 인프라는 자연스럽게 AI로 확장됩니다. 기업 AI의 어려운 문제(맥락, 액세스 제어, 조율, 가시성)는 이미 우리가 사람들을 위해 해결해 온 문제였기 때문입니다.

공유된 맥락이 실제로 어떻게 적용되는지

대부분의 AI 도구는 에이전트를 호출할 때 단일 사용자가 볼 수 있는 모든 것을 에이전트의 범위로 지정합니다. AI 팀원은 다르게 작동합니다. AI 팀원은 팀의 실제 업무가 진행되는 동일한 작업 공간에 있으며, 조직이 이루고자 하는 것을 정의하는 프로젝트, 작업, 목표, 대화와 함께 있습니다.

팀원에게 작업이 배정되면 해당 작업에 대한 맥락과 상위 프로젝트, 관련 목표, 종속성, 협업 참여자 등 해당 작업과 직접 연결된 모든 작업에 대한 정보를 받습니다. 또한 더 광범위한 업무 그래프를 검색하여 맡은 업무에 유용한 정보를 기반으로 관련 작업, 프로젝트, 목표, 사용자를 가져올 수 있습니다.

즉, 여러 사람이 공유된 작업에서 동일한 팀원과 상호 작용합니다. 프로젝트 매니저가 작업을 배정합니다. 디자이너가 제약 사항을 담은 댓글을 남깁니다. 엔지니어가 기술적 컨텍스트를 추가합니다. 팀원은 이 모든 것을 기반으로

협업 참여자와 이니셔티브에 걸친 업무 지식을 축적합니다.

업무 그래프는 팀이 조율하는 방식을 이미 포착하고 있으므로 팀원은 협업 참여자와 동일한 방식으로 업무에 대해 추론할 수 있습니다. 출시에 방해가 되는 것은 무엇인지, 다음 단계를 담당하는 사람은 누구인지, 지난주에 합의한 사항은 무엇인지 등을 파악할 수 있습니다. 이러한 추론은 AI가 팀이 이미 일관성을 유지하기 위해 사용하는 것과 동일한 구조 내에서 작동할 때만 가능합니다.

AI 팀원이 개인 정보를 존중하는 방식

인간 사용자와 마찬가지로 AI 팀원도 업무 그래프 전반에 걸쳐 명시적인 액세스 제어를 받습니다. 일부 작업과 프로젝트는 조직의 모든 사용자(및 모든 AI 팀원)가 공개적으로 볼 수 있습니다. 다른 작업의 경우, 개인에게 명시적으로 부여되거나 팀을 통해 상속되는 프로젝트 및 포트폴리오 멤버십이 필요합니다.

특정 그룹의 사람(대개 Asana 팀)만 팀원의 작업을 트리거할 수 있습니다. 이들은 팀원의 지식, 가이드, 업무에 대한 액세스 권한을 공동으로 관리합니다.

AI 팀원은 추가적인 보호 장치를 갖습니다. 팀원의 유효한 액세스는 항상 이를 트리거하는 사람의 권한에 의해 제한됩니다. 이러한 기능을 통해 팀원에게 콘텐츠에 대한 광범위한 액세스 권한을 부여하는 동시에 누군가가 AI 팀원이 별도의 비공개 컨텍스트에서 학습한 정보를 포함하도록 액세스 권한을 상향 조정할 위험을 최소화할 수 있습니다.

경직된 워크플로 대신 비결정성

조직마다 동일한 업무를 완전히 다른 방식으로 구성합니다. 일부는 작업 관계를 통해 종속성을 추적하고, 일부는 하위 작업을 통해, 일부는 프로젝트 섹션을 통해 추적합니다. 우리는 하나의 워크플로 스타일에 완벽하게 적합한 융통성 없는 실행 모델을 구축할 수 있었습니다. 대신, 팀원에게 특정 작업 공간에서 관계가 어떻게 구성되는지에 대한 맥락과 과거 작업을 검색하고 학습할 수 있는 기능을 제공하여 조직별 전문 지식을 구축합니다. 새로 채용된 팀원과 마찬가지로, Teammate는 회원님의 팀의 업무 방식을 배웁니다. 회원님을 저희 팀의 업무 방식에 강제로 맞추는 것이 아닙니다.

AI가 요청을 처리하는 방식에 대한 단일 흐름도를 작성할 수 없습니다. 이는 의도적인 것입니다. 결정론적 시스템은 우리의 가정에 부합하는 일부 팀에서는 잘 작동하지만 다른 모든 팀에서는 실패할 것입니다. 비결정론은 동일한 에이전트가 근본적으로 다른 업무 체계화 방식에 적응할 수 있도록 해줍니다. 또한 Asana의 업무 그래프는 각 팀이 협업을 구성하는 방식을 이미 파악하고 있으므로, Teammate는 첫날부터 조직별로 풍부한 기반을 바탕으로 학습할 수 있습니다.

긴밀한 피드백 루프를 갖춘 간단한 메모리

팀원의 메모리 시스템은 본질적으로 관련 개체에 연결된 텍스트 사실 목록입니다. 우리는 벡터 데이터베이스나 지식 그래프가 아닌 여기에서 시작했습니다. 더 무거운 인프라에 투자하기 전에 긴밀한 피드백 루프가 무엇을 달성할 수 있는지 이해하고 싶었기 때문입니다.

루프가 대부분의 어려운 작업을 수행한다는 사실을 발견했습니다. 팀원은 공유된 컨텍스트에서 작동하며, 사용자는 업무를 수행하는 과정에서 자연스럽게 팀원을 수정하고, 지침을 구체화하고, 팀원의 결과물과 상호 작용합니다. 학습된 사실이 향후 턴에서 컨텍스트 창에 다시 입력될 수 있는 경로를 제공하면 모든 종류의 새로운 인텔리전스와 사용자 맞춤이 가능해집니다. 그래서 우리는 시작을 위해 빠르고 간단한 구현에 집중했습니다.

제품이 성숙해짐에 따라 아키텍처는 진화할 것이지만, 좋은 피드백 루프는 스토리지의 정교함만큼이나 중요하다는 인사이트는 계속 유지됩니다. 그리고 현재 메모리는 단순한 텍스트이기 때문에 완전히 검사할 수 있습니다. 사용자는 팀원이 보유한 모든 메모리를 프로필에서 바로 확인할 수 있습니다.

메모리 액세스는 Asana에서 다른 모든 것과 동일한 권한 모델을 따릅니다. 메모리는 팀원이 작업 중이었던 작업이 생성되었을 때 해당 작업을 볼 수 있는 사람만 볼 수 있습니다. AI가 서로 다른 액세스 수준을 가진 여러 프로젝트에 액세스할 수 있는 경우, 이것이 권한 경계를 넘어 정보가 유출되는 것을 방지하는 경계가 됩니다.

팀 워크플로를 반영하는 작업 수준의 책임

팀원이 업무를 수행하면 사용자는 해당 업무에 대한 실시간 표시기를 확인할 수 있으며, 생성된 작업, 게시된 댓글, 수행된 검색, 수정된 개체 등 모든 작업에 대한 전체 기록인 AI 작업 로그를 열 수 있습니다. 구체적인 결과는 팀원을 트리거하지 않은 사람을 포함하여 액세스 권한이 있는 모든 사용자가 업무 그래프에서 볼 수 있습니다. 개인 정보 보호에 민감한 작업을 수행하기 전에 팀원은 시스템에 내장된 엄격한 제약 조건인 명시적인 사용자 승인을 받아야 합니다.

이 책임 모델은 팀이 Asana에서 이미 수행하고 있는 업무 방식을 확장합니다. 인간 협업 참여자가 작업을 완료하거나 업데이트를 게시하면 팀이 이를 볼 수 있습니다. AI 팀원은 동일한 패턴을 따릅니다. 팀원이 한 일을 확인할 수 있습니다. 이유를 물어보면, AI Teammates는 결정을 내렸던 것과 동일한 맥락에서 설명해 줄 것입니다. AI Teammates는 허가 없이 민감한 조치를 취하지 않습니다. 무언가 잘못된 것이 있으면 명확한 기록이 있습니다. 대부분의 조직이 투명성을 배포의 장벽으로 꼽는 상황에서, 저희는 구체적인 책임(가시적인 작업, 검사 가능한 메모리, 승인 게이트)이 설명 가능성에 대한 추상적인 약속보다 더 가치 있다고 생각합니다. AI 팀원은 공유 팀 공간에서 작동하기 때문에 AI 팀원을 트리거한 사람뿐만 아니라 팀 전체가 AI 팀원의 작업을 볼 수 있습니다. 이것이 바로 내장된 감사 가능성입니다. 요청한 사람뿐만 아니라 모든 사람이 AI가 한 일을 볼 수 있습니다.

이러한 속성이 분리될 수 없는 이유

책임감이나 ���임이 없는 공유된 배경 정보는 위험 요소입니다. 여러 사람의 업무 전반에 걸쳐 지식을 축적하지만 자신이 알고 있는 내용이나 행동 방식을 검사할 수 있는 방법을 제공하지 않는 AI는 빠르게 신뢰를 잃게 됩니다. 사람들은 감사할 수 없는 AI로부터 맥락을 숨길 것이며, 이는 팀 범위 디자인의 목적을 무너뜨립니다.

공유된 배경 정보가 없는 책임은 더 간단하고 덜 흥미로운 문제를 해결합니다. AI가 격리된 스레드에서 작동하는 경우, 감사 가능성은 간단합니다. 진정한 과제는 AI가 서로 다른 액세스 수준과 서로 다른 이해관계를 가진 사람들에게 영향을 미치는 공유된 교차 기능 업무에서 작동할 때 AI가 책임질 수 있도록 하는 것입니다.

액세스 모델은 이들을 연결합니다. Asana가 수년간 인간 협업을 위한 권한 모델을 구축하는 데 투자한 노력은 대부분의 기초를 제공했습니다. 이를 AI로 확장한다는 것은 한 단계 더 나아가 누구의 액세스 권한도 팀원과 협력함으로써 상위로 승격되지 않도록 하는 것을 의미했습니다. 이러한 계층화된 접근 방식이 없다면 팀 범위의 AI는 대부분의 조직에서 시작할 수 없을 것입니다.

현재 상황

팀은 프로젝트 관리, 문서화, 조사, 교차 기능 조정을 위해 AI 팀원을 사용합니다. 가장 일반적인 패턴: AI가 인간의 주의가 무너지는 규모에서 조정을 관리할 수 있게 합니다. 제품 출시 프로젝트에 배정된 팀원은 목표 설정부터 실행에 이르기까지 업무를 추적하며, 사람이 수동으로 상태 업데이트를 작성할 필요 없이 주의가 필요한 사항을 표시합니다.

수집한 긍정적인 피드백에서는 세 가지 자질이 지속적으로 강조됩니다. 팀원은 배정 가능하고 협업이 가능하며 공유된 작업에서 사용자와 함께 작업합니다. 감사 가능한 액세스 권한으로 작동하므로 팀메이트가 수행한 작업을 확인할 수 있으며, 민감한 작업을 수행하기 전에 팀메이트가 확인을 요청합니다. 또한, 적응형 지식을 구축하여 피드백 루프와 간단한 기억이 축적됨에 따라 모든 상호 작용을 통해 더 유용해집니다.

업계 전체가 AI 데모 기능과 안정적인 프로덕션 성능 간의 간극을 메우기 위해 노력하고 있습니다. AI 팀원으로부터 진정한 가치를 얻는 팀은 AI 팀원을 효과적으로 일하기 위해 맥락, 피드백, 명확한 경계가 필요한 신입 사원으로 대하는 팀입니다.

내부적으로 우리는 상태 보고서 생성, 버그 분류, 출시 순서 지정 등 중요한 업무에 AI 팀원을 사용했습니다. 우리는 액세스 제어 모델과 인간의 체크 포인트를 활용하여 수행 중인 작업에 관계없이 인간과 AI가 안전하고 생산적으로 협력할 수 있다는 확신을 얻었습니다.

가장 인상적인 데모를 가진 에이전트가 마지막으로 남는 에이전트가 될 것은 아닙니다. 팀이 이미 신뢰하는 협업 패턴을 기반으로, 공유 공간에서, 가시적인 작업을 통해, 팀이 이미 일하고 있는 방식으로 일하는 에이전트가 될 것입니다. Asana는 인간 팀워크를 체계적이고 가시적이며 책임감 있게 만드는 방법을 수년간 연구해 왔습니다. AI 팀원은 협업 AI 시대에 이러한 원칙을 발전시킨 것입니다.

이 기사는 소프트웨어 엔지니어 Cory Desautels가 작성했습니다. Cory Desautels는 AI 팀원 팀의 엔지니어로, Asana의 협업 에이전트 AI 제품을 구축하고 확장하기 위해 노력하고 있습니다.