프롬프트와 컨텍스트를 넘어서: 엔터프라이즈 인텐트 엔지니어링의 부상
게시일: 2026년 2월 26일 | 원문 작성일: 2026년 2월 25일 | 저자: Nate B Jones | 원문 보기
핵심 요약
AI 에이전트에게 데이터(컨텍스트)만 제공하고, 조직의 목적(인텐트)은 빠뜨리면 어떻게 될까요? 클라르나 사례가 보여주듯, 전략적 재앙이 돼요.
- 클라르나 패러독스 — 기술적으로 완벽한 AI가 전략적으로 실패. 속도만 최적화하다 고객과 브랜드를 잃었어요.
- 프롬프트 → 컨텍스트 → 인텐트 — AI 상호작용 진화 3단계. 조직의 목적을 기계가 실행하게 만드는 것이 핵심.
- 인텐트 갭 — Fortune 500의 85%가 Copilot 도입, 대규모 배포는 5%뿐. AI에게 ‘뭘 원하는지’를 안 알려줘요.
- 3계층 프레임워크 — 컨텍스트 인프라 + AI 워커 툴킷 + 인텐트 엔지니어링. 세 층위가 AI-네이티브의 조건.
- 판단력의 운영화 — 리더십의 암묵지를 구조화된 파라미터로 변환하는 것이 인텐트 엔지니어링의 핵심.
• • •
1. 클라르나 패러독스: AI가 성공했는데 전략이 실패할 때
2024~2025 회계연도에 핀테크 기업 클라르나(Klarna)1는 많은 이들이 AI 구현의 ‘성배’라고 여길 만한 성과를 달성했어요. AI 에이전트가 첫 달에만 230만 건의 대화를 처리하고, 853명의 정규직에 해당하는 업무량을 소화하고, 6,000만 달러의 운영비를 절감했거든요.
그런데 2025년 중반, CEO 세바스찬 시에콥스키(Sebastian Seycowski)2가 블룸버그에 이 전략이 역효과를 냈다고 시인했어요. 클라르나는 이전에 내보냈던 인간 상담원을 다시 채용하기 위해 사투를 벌이고 있었죠.
이 ‘클라르나 패러독스’는 오늘날 엔터프라이즈 AI의 가장 핵심적인 미해결 문제를 보여줘요. 바로 기술적으로 실패하는 AI와, 엉뚱한 목표를 달성해버리는 AI의 차이예요. 클라르나의 에이전트는 기술적으로는 훌륭했지만 전략적으로는 재앙이었어요. 티켓 처리 속도만 최적화하면서, 회사의 진짜 가치의 원천인 장기 고객 관계와 브랜드 자산을 자기도 모르게 파괴하고 있었거든요.
효율성 지표 vs. 전략적 현실
| 기술적 “성공” | 전략적 “실패” |
|---|---|
| 처리 속도: 35개 언어에서 11분 → 2분으로 단축 | 고객 생애 가치: 로봇 같고 획일적인 응대가 치열한 시장에서 이탈을 촉발 |
| 인력 효율: 정규직 853명에 해당하는 업무를 AI가 처리 | 조직 지식: 대량 해고로 베테랑들이 보유한 ‘불문율’과 섬세한 판단력이 증발 |
| 비용 절감: 6,000만 달러 운영비 절감 실현 | 브랜드 평판: 공격적이고 무신경한 서비스로 “업계 웃음거리”가 됨 |
이 실패의 근본 원인은 ‘판단 계층(judgment layer)‘의 상실이었어요. 수년간 경험을 쌓은 인간 상담원은 관대함이 효율성보다 중요한 순간을 직감적으로 알아요. 고객의 어조에서 이탈 조짐을 감지하죠. 이런 지식은 전통적으로 조직적 삼투 — 복도 대화, 멘토링, 리더십의 의사결정 관찰 — 를 통해 흡수되는 거예요.
AI는 삼투를 통해 학습할 수 없어요. 그래서 인간 요소를 제거하면 인텐트의 진공 상태가 생겨요. 클라르나의 실패가 증명하듯, 컨텍스트와 지능만으로는 충분하지 않아요. 기계가 실행할 수 있는 ‘인텐트’ 계층이 없으면, 에이전트는 잘못된 목표를 향해 고속으로 질주하는 도구에 불과해요.
• • •
2. 진화의 타임라인: 프롬프팅에서 인텐트 엔지니어링까지
현재 AI 도입의 마찰은, 조직 아키텍처의 세대적 전환을 단순한 기술 업그레이드로 취급하는 데서 비롯돼요. 이를 극복하려면, 경영진이 AI 상호작용이라는 분야가 세 가지 뚜렷한 단계를 거쳐 진화해왔다는 걸 인식해야 해요.
1단계 — 프롬프트 엔지니어링: 모든 것의 시작이었던 시대예요. 개인 단위, 세션 기반, 동기적이었죠. 단일 출력을 위한 ‘완벽한’ 지시문을 만드는 데 초점을 맞췄어요.
2단계 — 컨텍스트 엔지니어링: 2025년 업계 표준이에요. Anthropic의 2025년 9월 기반 논문에서 정의했듯, 개별 지시문을 넘어서 AI가 작동하는 ‘전체 정보 상태’를 설계하고 관리하는 것으로 초점이 이동한 거예요. LangChain의 해리슨 체이스(Harrison Chase)3는 Sequoia4 인터뷰에서 이를 이렇게 요약했죠: “Everything is context engineering.” RAG 파이프라인과 MCP 통합이 여기에 해당해요.
3단계 — 인텐트 엔지니어링: 2026년의 프론티어예요. 조직의 목적 — 목표, 가치, 트레이드오프 — 을 기계가 읽고 실행할 수 있게 만드는 분야예요.
컨텍스트 엔지니어링은 에이전트가 무엇을 ‘아는지’를 정의하고, 인텐트 엔지니어링은 에이전트가 무엇을 ‘원하는지’를 정의해요. 컨텍스트는 데이터를 제공하지만, 인텐트는 ‘왜’를 제공하죠.
자율 에이전트에게 컨텍스트는 필요하지만, 컨텍스트만으로는 근본적으로 불충분해요. 회사의 모든 데이터를 가졌지만 명시된 목적이 없는 에이전트는, 가장 쉽게 측정할 수 있는 지표를 향해 최적화하게 되고, 결국 전략적 건전성을 희생시키곤 해요.
• • •
3. 인텐트 갭: 멈춰버린 엔터프라이즈 AI 도입 분석
지금 우리는 당혹스러운 광경을 목격하고 있어요: 막대한 자본 투자와 높은 파일럿 실패율이 나란히 공존하는 상황이에요. 기업의 57%가 디지털 전환 예산의 절반까지 AI에 투입하고 있지만, 74%는 아직 실질적 가치를 보지 못했다고 보고하고 있거든요.
이 ‘인텐트 갭’이 가장 뚜렷하게 보이는 게 Microsoft Copilot 배포 현황이에요. Fortune 5005의 85%가 이 도구를 채택했지만, Gartner6에 따르면 파일럿에서 대규모 배포로 넘어간 조직은 5%에 불과해요. 이건 UI의 문제가 아니라 정렬(alignment)의 문제죠.
- 직무 재설계 실패: 딜로이트의 2026년 보고서에 따르면, 84%의 기업이 AI 역량을 감안한 직무 재설계를 하지 않았어요.
- 거버넌스 미성숙: 에이전트 거버넌스의 성숙한 모델을 갖춘 조직은 21%에 그쳐요.
- 활동 vs. 생산성: 인텐트 없이 AI를 배포하는 건, 4만 명을 채용하고서 회사가 뭘 중시하는지 안 알려주는 거나 마찬가지예요.
“활동은 많은데 생산성은 없는 거예요. 대시보드에 AI 사용 지표는 뜨는데, 정작 조직이 이루려는 목표에는 측정 가능한 영향이 거의 없죠.”
인텐트 갭이 존재하는 이유는 명확해요. 기업들이 기술적 질문 — AI가 이 작업을 할 수 있는가? — 에는 답했지만, 전략적 질문은 건너뛰었기 때문이에요. 우리의 장기 목표에 부합하도록 AI가 이 작업을 대규모로 어떻게 수행해야 하는가?
• • •
4. AI-네이티브 조직을 위한 3계층 프레임워크
’섀도 에이전트’7에서 통합된 AI-네이티브 인프라로 전환하려면, 기업은 세 가지 층위에 걸쳐 구조화된 정렬 아키텍처를 구축해야 해요.
Layer 1: 통합 컨텍스트 인프라
조직은 모든 팀이 각자 RAG 파이프라인을 만드는 파편화된 데이터 사일로에서 벗어나야 해요. 전통적인 ETL(Extract, Transform, Load)에서 엔터프라이즈 검색과 인덱싱으로 초점을 전환해야 하죠.
이를 가능하게 하는 게 Model Context Protocol(MCP)이에요. MCP는 2025년 12월 리눅스 재단에 기증된 이후 SDK 다운로드 1억 건을 돌파했어요. MCP를 표준화하면, 조직 지식을 모든 인가된 에이전트에서 검색하고 재사용할 수 있게 돼요.
Layer 2: 일관된 AI 워커 툴킷
이 계층은 AI Activity(기존 작업에 AI를 덧붙여서 30% 향상)와 AI Fluency(워크플로를 근본적으로 재설계해서 300% 향상) 사이의 간극을 메워요. Fluency를 달성하려면 에이전트가 조직 전체의 데이터 — 문서, 프로젝트 계획, Slack 히스토리 — 에 접근할 수 있는 공유 인프라가 필요해요. 개별 작업이 아니라 조직 규모의 업무를 수행할 수 있게 하는 거죠.
Layer 3: 인텐트 엔지니어링 본체
가장 중요하면서도 가장 덜 발전한 계층이에요: ‘기계가 읽을 수 있는 인텐트 표현’이죠. 인간의 판단으로 빈틈을 메우는 OKR과 달리, 기계가 실행할 수 있는 인텐트에는 구체성의 캐스케이드(Cascade of Specificity)가 필요해요. 에이전트에게 “고객 만족도를 높여라”라고만 말할 수 없어요. 이런 것들을 제공해야 하죠:
- 해결 위계(Resolution Hierarchies): 고객 요청 X와 정책 Y가 충돌할 때, 어느 쪽이 우선하나요?
- 의사결정 로직(Decision Logic): 데이터는 행동 A(효율성)를 제안하는데 고객은 B(관계)를 원할 때, 이 트레이드오프를 어떤 비중으로 결정하나요?
- 실행 가능한 목표(Actionable Objectives): 주어진 맥락에서 성공을 나타내는 구체적 신호(리텐션, 감성, 업셀)는 무엇인가요?
• • •
5. 판단력의 운영화: 인텐트 엔지니어링의 메커니즘
자율 에이전트는 삼투를 통해 문화를 흡수할 수 없어요. 업무를 시작하기 전에 명시적으로 방향을 잡아줘야 하죠. 인텐트 엔지니어링은 시니어 리더십의 암묵지를 구조화된 파라미터로 변환하는 작업이에요.
인코딩된 판단력을 위한 요건
- 목표 변환 인프라(Goal Translation Infrastructure): “고객 집착” 같은 추상적 목표를 에이전트가 실행할 수 있는 파라미터와 에스컬레이션 경계로 변환하는 것이에요.
- 위임 프레임워크(Delegation Frameworks): 에이전트가 고객 요청과 회사 정책 사이의 충돌을 어떻게 해결할지 결정하는 ‘해결 위계’를 정의하는 거예요.
- 피드백 루프(Feedback Loops): ‘정렬 드리프트(alignment drift)‘9를 측정하고 교정하는 메커니즘이에요. 에이전트가 처리 속도 같은 단일 지표만 최적화하면서 브랜드를 훼손하지 않도록 하는 거죠.
이걸 실현하는 데 가장 큰 장애물은 ‘두 문화 문제(Two Cultures Problem)‘8예요. AI 투자가 여전히 리더십 이슈가 아니라 ‘CIO의 기술 과제’로 잘못 인식되고 있거든요. 전략가는 ‘왜’는 이해하지만 아키텍처를 모르고, 엔지니어는 모델은 이해하지만 비즈니스 트레이드오프를 모르죠.
이 간극을 메우려면 새로운 역할이 필요해요: AI 워크플로 아키텍트. 엔지니어링과 운영 사이에서 AI 역량이 조직의 목적에 뿌리내리도록 연결하는 전략가예요.
| 영역 | 전략가 | 엔지니어 | AI 워크플로 아키텍트 |
|---|---|---|---|
| 이해하는 것 | 비즈니스 ‘왜’ | 모델과 아키텍처 | 양쪽 모두 |
| 모르는 것 | 기술 아키텍처 | 비즈니스 트레이드오프 | - |
| 결과물 | 인간 읽기용 OKR | 기술 구현 | 기계 실행 가능한 인텐트 |
• • •
6. 인텐트 레이스와 자율 에이전시의 미래
우리는 지능 경쟁(Intelligence Race)을 넘어섰어요. 2026년, 모델은 더 이상 병목이 아니에요. Opus 4.6, Gemini 3, GPT 5.2 같은 프론티어 모델들은 모두 극도로 유능하죠. 경쟁 우위는 더 이상 누가 ‘가장 똑똑한’ 모델을 가졌느냐에 있지 않아요. 누가 가장 견고한 조직 인텐트 아키텍처를 가졌느냐에 있어요.
“탁월하고 구조화된 인텐트 아키텍처를 갖춘 평범한 모델이, 파편화된 지식의 진공 속에서 작동하는 프론티어 모델을 꾸준히 이길 거예요.”
리더들에게 2026년 가장 중요한 투자는 소프트웨어 라이선스나 구독이 아니에요. 에이전트가 전략적 일관성을 갖고 행동할 수 있게 하는 인프라예요.
”인간이 그냥 알아서 올바른 일을 하는” 시대는 끝나가고 있어요. 자율 에이전트가 더 길고 영향력 큰 작업을 맡게 되면서요. 인텐트 없는 컨텍스트는 목표물 없이 장전된 무기예요. AI가 무엇을 원해야 하는지 정의하지 않으면, 결국 여러분의 비즈니스에 실질적 피해를 주는 방향으로 최적화하게 될 거예요.
인텐트 레이어를 구축하기 위한 경쟁은 이미 시작됐어요.
역자 주
- 클라르나(Klarna): 스웨덴에 본사를 둔 핀테크 기업으로, ‘지금 사고 나중에 결제하기(BNPL)’ 서비스로 유명해요. 유럽과 북미에서 4억 5천만 명 이상의 사용자를 보유하고 있어요. ↩
- 세바스찬 시에콥스키(Sebastian Seycowski): 클라르나의 공동 창업자이자 CEO. AI를 통한 급진적 인력 감축을 추진했다가 서비스 품질 저하로 방향을 전환한 사례로 업계에서 자주 언급돼요. ↩
- 해리슨 체이스(Harrison Chase): LLM 애플리케이션 개발 프레임워크인 LangChain의 창시자. “모든 것이 컨텍스트 엔지니어링이다”라는 발언으로 프롬프트에서 컨텍스트로의 패러다임 전환을 상징하는 인물이에요. ↩
- Sequoia: 실리콘밸리의 대표적 벤처캐피털 회사. Apple, Google, Stripe 등에 초기 투자한 것으로 유명하며, 이들의 인터뷰 시리즈는 업계 핵심 인사들의 관점을 전하는 채널로 기능해요. ↩
- Fortune 500: 미국 경제 전문지 Fortune이 매출 기준으로 매년 선정하는 미국 500대 기업 목록. 엔터프라이즈 시장의 규모를 가늠하는 기준으로 자주 인용돼요. ↩
- Gartner: 세계 최대 IT 리서치 및 자문 기업. 기술 도입 현황과 트렌드에 관한 보고서가 업계 표준 지표로 활용돼요. ↩
- 섀도 에이전트(Shadow Agents): IT 부서의 승인 없이 직원 개인이 업무에 활용하는 비공식 AI 에이전트를 가리켜요. ‘섀도 IT’(비인가 소프트웨어 사용)의 AI 버전으로, 조직 차원의 거버넌스와 보안 관리가 되지 않는 것이 문제예요. ↩
- 두 문화 문제(Two Cultures Problem): 영국 과학자 C.P. 스노(C.P. Snow)가 1959년 강연에서 제기한 개념에서 유래해요. 원래는 인문학과 자연과학 사이의 소통 단절을 지적한 것인데, 여기서는 비즈니스 전략가와 기술 엔지니어 사이의 간극에 적용하고 있어요. ↩
- 정렬 드리프트(Alignment Drift): AI 안전 분야에서 온 개념으로, AI 시스템이 시간이 지남에 따라 원래 설정된 목표나 가치관에서 점차 벗어나는 현상을 말해요. 여기서는 에이전트가 운영되면서 조직의 의도와 점점 어긋나는 상황을 가리켜요. ↩
저자 소개: Nate B. Jones는 전 아마존 프라임 비디오 제품 책임자 출신의 AI 전략가로, 엔터프라이즈 AI 전략과 지식 노동에 대해 YouTube 채널 AI News & Strategy Daily를 운영하고 있어요. Fortune 500 기업 리더십을 대상으로 AI 자문을 제공해요.
원문: Beyond Prompts and Context: The Rise of Intent Engineering in the Enterprise - Nate B Jones, YouTube (2026년 2월 25일)
생성: Claude (Anthropic)