Agentic AI의 시대: 2026 Oracle AI Experience에서 본 엔터프라이즈 AI의 미래

오늘은 지난주 4월 16일 참관한 2026 Oracle AI Experience 를 정리해 보았습니다. 오라클은 기존의 DBMS 회사가 아닌 AI 를 가장 잘 할 수 있는 기업임을 강조하고 있습니다. 총 7개의 세션으로 진행되었으며 주요 내용에 대해서 소개해 드리겠습니다.

Unleashing Your AI Potential: Predictive에서 Agentic AI로 가는 기업 전략

최근 인공지능(AI)의 흐름이 단순한 텍스트 생성을 넘어, 스스로 계획하고 실행하는 에이전틱(Agentic) 시대로 빠르게 전환되고 있습니다. 기업이 이러한 기술적 도약을 어떻게 비즈니스 성과로 연결할 수 있을지, 오라클(Oracle)의 전략을 중심으로 핵심 로드맵을 살펴봅니다.

1. AI 기술의 진화: 왜 지금 Agentic AI인가?

우리는 그동안 데이터를 분석하는 예측 AI(Predictive AI)와 콘텐츠를 만드는 생성 AI(Generative AI)를 경험했습니다. 이제는 그 다음 단계인 에이전틱 AI(Agentic AI)에 주목해야 합니다.

• Predictive AI: 데이터 분석 및 예측 (Analyze and Forecast)
• Generative AI: 프롬프트 기반의 요약 및 기획 (Synthesize and Plan)
• Agentic AI: 자율적 실행 및 워크플로우 조정 (Execute and Coordinate)

에이전틱 AI는 단순히 질문에 답하는 것을 넘어, 비즈니스 목적을 달성하기 위해 스스로 도구를 호출하고 작업을 완수하는 능력을 갖추고 있습니다.

2. 오라클이 제안하는 AI 어드밴티지

성공적인 AI 도입을 위해서는 강력한 인프라와 데이터 보안이 뒷받침되어야 합니다. 오라클은 다음과 같은 세 가지 핵심 강점을 제공합니다.

OCI(Oracle Cloud Infrastructure)의 압도적 성능

엔터프라이즈급 보안을 갖춘 인프라를 통해 Uber, NVIDIA와 같은 글로벌 선도 기업들이 이미 오라클의 AI 서비스를 활용하고 있습니다. OCI 슈퍼클러스터는 연산 병목 현상을 제거하여 대규모 모델 학습에서 독보적인 성능을 발휘합니다.

AI Vector Search와 데이터 통합

데이터가 있는 곳으로 AI를 가져가는 것이 오라클의 전략입니다. AI Vector Search 기술을 통해 문서, 이미지, 영상 등 복잡한 데이터를 AI가 즉시 이해할 수 있는 벡터 형태로 처리하여 정확도를 극대화합니다.

600개 이상의 내장형 AI 에이전트

오라클은 ERP, HCM, SCM 등 주요 SaaS 애플리케이션 내에 이미 600개 이상의 AI 에이전트를 배치했습니다. 기업은 별도의 복잡한 구축 과정 없이 업무 현장에서 즉시 AI의 도움을 받을 수 있습니다.

3. 비즈니스 혁신 사례: 금융에서 의료까지

AI는 실제 비즈니스 프로세스에서 시간과 비용을 획기적으로 줄여주고 있습니다.

• 금융 서비스: 과거 45단계의 복잡한 절차와 48일이 소요되던 대출 승인 및 리스크 분석 프로세스를 AI 에이전트를 통해 자동화하고 기간을 단축했습니다.
• 의료 및 진단: 약 5만 5천 명의 임직원을 보유한 기업에서 AI 에이전트를 도입해 HR 문의 대응 업무를 효율화했습니다.
• 미디어 산업: AI Vector Search를 활용하여 방대한 영상 콘텐츠 내에서 원하는 장면을 빠르게 검색하고 제작 워크플로우를 혁신했습니다.

4. AI 잠재력을 깨우는 3단계 실행 로드맵

기업이 Agentic AI 시대에 생존하고 앞서나가기 위해 반드시 기억해야 할 전략입니다.

1. Unify Your Data (데이터 통합)
   통합된 데이터 아키텍처는 모든 AI 성과의 출발점입니다. 파편화된 데이터를 하나로 묶어야 AI가 정확한 판단을 내릴 수 있습니다.
2. Prepare Data for AI (데이터 최적화)
   데이터를 단순 저장하는 것을 넘어, AI가 이해할 수 있는 벡터 형식으로 전환하여 비즈니스 맥락을 부여해야 합니다.
3. Build & Deploy Agents (에이전트 구축 및 배포)
   실제 업무에 에이전트를 적용하되, 중요한 의사 결정 단계에서는 인간의 개입(Human-in-the-loop)을 유지하여 신뢰성을 확보하십시오.

5. 데이터가 곧 AI의 미래입니다

Unleashing Your AI Potential, 즉 여러분의 AI 잠재력을 해방하는 열쇠는 결국 통합된 데이터에 있습니다. 오라클의 검증된 인프라와 에이전트 기술을 활용해 지금 바로 비즈니스 혁신을 시작해 보시기 바랍니다.

기업 경쟁력을 결정짓는 AI Economics: 운영 모델의 혁신과 가치 창출 전략

최근 기업 환경에서 인공지능(AI)은 단순한 기술적 도입을 넘어 기업의 경제적 구조를 근본적으로 바꾸는 AI Economics 시대로 진입하고 있습니다. 엔터프라이즈 레벨에서 AI는 수백만 달러의 가치를 창출하고 비즈니스의 운영 모델을 재정의하는 핵심 동력이 되고 있습니다.

오라클(Oracle)이 제시하는 프레임워크를 통해, 생성형 AI(Gen AI)와 에이전트형 AI(Agentic AI)를 활용하여 비즈니스 가치를 극대화하는 3단계 전략을 살펴보겠습니다.

1단계: 올바른 프로세스에 집중하기 (Focus on the Right Processes)

모든 업무에 AI를 도입하는 것이 정답은 아닙니다. AI Economics의 효율을 극대화하기 위해서는 다음과 같은 특성을 가진 프로세스를 우선적으로 선정해야 합니다.

• 반복적이고 방대한 양의 수동 작업: 인간의 능력을 넘어서는 피크 타임의 부하를 처리해야 하는 업무.
• 데이터 집약적 의사결정: 데이터 집계, 분석, 문맥에 따른 적응형 응답이 필요한 업무.
• 예외 처리가 포함된 규칙 기반 작업: 기본 규칙은 명확하지만 학습을 통해 진화하는 지능적 처리가 필요한 업무.
• 다단계 협업 및 부서 간 업무: 여러 시스템과 부서 간의 조율이 필요한 복잡한 워크플로우.

예를 들어, 대출 승인 프로세스에서 상담, 서류 수집, 신용 분석, 담보 평가 등 각 단계에 AI 에이전트를 배치하면 운영 효율을 획기적으로 높일 수 있습니다.

2단계: 최적의 기술 선택 (Pick the Right Technology)

AI 도입의 경제성은 어떤 인프라와 플랫폼을 선택하느냐에 달려 있습니다. 오라클은 다음과 같은 독보적인 AI 어드밴티지를 제공합니다.

• 비용 효율성: 타 하이퍼스케일러 대비 절반 수준의 비용과 일관된 글로벌 가격 정책을 제공합니다.
• 기존 자산의 활용: 이미 사용 중인 Oracle Fusion Cloud 내의 AI 에이전트와 최신 AI 데이터베이스를 추가 비용 없이 활용할 수 있습니다.
• 검증된 생태계: 600개 이상의 AI 활용 사례와 강력한 AI 에이전트 스튜디오를 통해 즉시 비즈니스에 적용 가능한 환경을 구축합니다.

3단계: 가치 극대화 (Maximize the Value)

성공적인 AI 도입은 정량적인 비즈니스 지표 개선으로 이어져야 합니다. AI Economics가 실질적으로 창출하는 5가지 핵심 가치는 다음과 같습니다.

1. 생산성 향상: 자동화를 통해 인적 자원을 고부가가치 업무에 집중 배치.
2. 비용 절감: 운영 프로세스 최적화를 통한 고정비 감소.
3. 매출 증대: 정교한 타겟팅과 새로운 서비스 오퍼링 가능.
4. 고객 경험 개선: 초개인화된 서비스와 빠른 응답 속도 확보.
5. 리스크 감소: 비정형 데이터 분석을 통한 통제력 강화 및 제3자 리스크 관리.

실사례: 대출 승인 프로세스의 경제적 가치 분석

가상의 금융사 Seer Equities의 사례를 통해 AI 도입 전후의 경제적 효과를 비교해 보겠습니다.

결과적으로 AI 도입을 통해 연간 2,900만 달러 이상의 경제적 이익을 창출할 수 있음을 보여줍니다. 이는 처리 속도 향상이 대출 승인 성공률을 높이고, 결과적으로 추가 매출과 이익으로 직결되는 AI Economics의 선순환 구조를 증명합니다.

미래를 대비하는 기업의 자세

AI Journey는 현재 보유한 자산에서 시작됩니다. 파편화된 기술 도입이 아닌, 내장형(Built-in) AI를 통해 보안과 프라이버시를 유지하면서 가치 중심의 우선순위를 설정해야 합니다.

The Future of Data and AI : 오라클 AI Database 가 제시하는 데이터와 AI의 미래, 기업용 생성형 AI 전략

최근 인공지능 기술의 발전으로 기업 환경이 급격하게 변화하고 있습니다. 오라클은 2026년 4월 AI Experience 행사에서 Hasan Rizvi 부사장의 발표를 통해 차세대 데이터 기반 구축을 위한 AI Native 데이터베이스 전략을 공개했습니다.

데이터 혼돈을 종식시키고 비즈니스 가치를 극대화하기 위한 오라클의 혁신적인 AI Database 솔루션을 심층 분석합니다.

1. AI 중심의 데이터 계층 혁신

AI가 자율적으로 작동하기 위해서는 데이터 계층 자체에 지능이 필요합니다. 오라클은 모든 기업 데이터가 AI에 의해 쉽고 안전하게 접근 가능해야 한다고 강조합니다.

• 지능형 데이터 레이어: AI가 스스로 판단하고 행동할 수 있도록 데이터 계층에서 지능을 지원합니다.
  
• 유연한 인프라: AI 워크로드는 탄력적인 확장성과 상시 가동되는 회복 탄력성을 요구합니다.
  
• 보안과 신뢰: 새로운 AI 위협으로부터 데이터를 방어하고 복잡한 규제 준수 규칙을 해결하는 것이 필수적입니다.
  

2. 오라클 AI Database 26ai: 차세대 AI Native 플랫폼

오라클은 기존 23ai에서 원활하게 전환할 수 있는 차세대 AI Native 데이터베이스인 26ai를 선보였습니다.

• 혁신적인 기능: 수십 가지의 새로운 AI 기능이 포함되어 있으며, AI 및 기타 고급 기능에 대해 추가 비용을 부과하지 않습니다.
  
• 프라이빗 데이터의 가치: 일반적인 AI 모델은 공공 데이터로 학습되지만, 진정한 비즈니스 영향력은 기업의 프라이빗 데이터를 안전하게 활용할 때 발생합니다.
  
• 데이터 이동 없는 AI: 데이터를 AI로 옮기는 것이 아니라, 데이터가 있는 곳으로 AI를 가져오는 전략을 취합니다.
  

3. Agentic AI: 질문 답변을 넘어 행동으로

오라클 AI Database는 단순히 질문에 답하는 수준을 넘어 스스로 행동하는 에이전틱 AI(Agentic AI) 워크로드를 네이티브로 실행합니다.

• 기업 데이터 접근: AI 에이전트가 계획하고 추론하며 행동하기 위해서는 빠르고 세밀하며 신뢰할 수 있는 기업 데이터 접근권이 필요합니다.
  
• 에이전트 팩토리: 데이터베이스 내에서 AI 에이전트를 쉽게 구축, 배포 및 관리할 수 있는 Private Agent Factory를 제공합니다.
  
• 프레임워크 통합: LangGraph, CrewAI, Google Vertex AI, Amazon Bedrock 등 인기 있는 AI 프레임워크와 통합됩니다.
  

4. 데이터 혼돈(Data Chaos)의 종식

많은 기업이 다양한 전문 데이터베이스를 조합하여 앱을 구축하면서 복잡성과 비용 문제에 직면해 있습니다. 오라클은 단일 컨버지드 데이터 아키텍처(Converged Data Architecture)를 통해 이를 해결합니다.

• 통합 데이터 엔진: 관계형, 그래프, JSON, 벡터 등 다양한 데이터 타입을 하나의 엔진에서 처리하여 데이터 중복을 방지합니다.
  
• JSON-관계형 듀얼리티: 동일한 데이터를 워크로드에 따라 JSON 문서나 관계형 테이블로 자유롭게 접근할 수 있습니다.
  
• 사일로 제거: MongoDB 앱과 도구를 그대로 사용하면서 오라클의 SQL, 트랜잭션, AI 벡터 기능을 활용할 수 있도록 지원합니다.
  

5. 멀티클라우드 및 오픈 데이터 전략

오라클은 특정 클라우드에 종속되지 않는 오픈 데이터 기반을 지향합니다.

• Apache Iceberg 지원: 데이터 이동 없이 Iceberg 테이블에 오라클의 성능과 AI 기능을 적용할 수 있습니다.
  
• 글로벌 멀티클라우드: AWS, Google Cloud, Microsoft Azure 등 주요 퍼블릭 클라우드에서 오라클 AI Database 서비스를 동일하게 이용할 수 있습니다.
  
• 양자 내성 암호화: NIST 승인을 받은 양자 내성 암호화(Quantum-resistant encryption)를 데이터베이스에 적용하여 미래의 위협에 대비합니다.
  

6. AI를 위한 데이터 기반의 미래

오라클 AI Database는 기업이 AI를 통해 혁신하고 자동화할 수 있는 가장 안전하고 신뢰할 수 있는 기반을 제공합니다. 데이터 혼돈과 리스크를 줄이면서도 AI의 잠재력을 최대한 끌어올리고자 하는 기업들에게 오라클의 차세대 데이터 Foundation은 강력한 해답이 될 것입니다.

Accelerate Your AI Future: 오라클 AI 활용 데모 트랙 1~3 가이드

인공지능(AI) 기술이 비즈니스의 핵심 동력으로 자리 잡으면서, 단순한 도입을 넘어 어떻게 실질적인 업무 프로세스에 통합할 것인가가 중요한 과제가 되었습니다. 오라클은 기업의 데이터를 가장 안전하고 효율적으로 AI와 연결하는 혁신적인 아키텍처를 제시합니다.

이번 포스팅에서는 Oracle AI for Data의 핵심 전략인 GenDev 아키텍처와 이를 구체화한 3가지 핵심 데모 트랙(Vector Search, MCP, Autonomous AI Agents)을 상세히 소개합니다.

1. Oracle AI for Data: 데이터 기반 AI의 혁신

오라클의 AI 전략은 Easy to Learn, Easy to Use를 지향합니다. 복잡한 AI 인프라 구축 없이 기존의 데이터베이스 생태계에서 AI 기능을 즉시 활용할 수 있다는 점이 가장 큰 특징입니다.

주요 특징

• Converged Architecture: OLTP, Analytics, JSON, AI Vector Search를 하나의 데이터 엔진에서 처리하여 혁신 속도를 높이고 비용을 절감합니다.
• Agentic RAG: 데이터베이스 내에서 직접 벡터 생성(ONNX), HNSW 인덱싱, LangChain/LlamaIndex 통합을 지원합니다.
• 하이브리드 클라우드 지원: 퍼블릭 클라우드, 온프레미스(Exadata), 전용 리전 등 어디서나 동일한 AI 성능을 제공합니다.

2. 주택담보대출 심사 시나리오로 보는 AI 활용

비즈니스 프로세스의 복잡성을 해결하기 위해 주택담보대출 심사 과정을 예시로 3가지 데모가 진행됩니다. 대출 신청부터 서류 검증, 여신 심사, 최종 승인까지의 전 과정을 AI가 어떻게 지원하는지 살펴봅니다.

시연 1: Vector Search 및 RAG 기반 GenAI 애플리케이션 구현

첫 번째 트랙은 비정형 데이터를 활용한 지능형 심사입니다.

• 프로세스: 대출 신청 서류와 제3자 평가 자료를 벡터화(Embedding)하여 Oracle AI Database에 저장합니다.
• 핵심 기술: RAG(Retrieval-Augmented Generation)를 통해 대출 심사 담당자가 자연어로 질문하면, 시스템이 저장된 문서를 검색해 근거 있는 답변을 생성합니다.
• 가치: 방대한 서류를 일일이 검토하지 않아도 AI가 1차 심사 결과를 빠르게 도출합니다.

시연 2: The Translator – 데이터의 언어로 말하기 (MCP)

두 번째 트랙은 MCP(Model Context Protocol)와 Select AI를 활용한 데이터 인터페이스의 확장입니다.

• 프로세스: 사용자가 자연어로 질의를 보내면 MCP Client가 이를 해석하고 적절한 툴을 실행합니다.
• 핵심 기술: NL2SQL(자연어-SQL 변환) 기능을 통해 기술적 지식이 없는 대출 담당자도 데이터베이스에 직접 질문하여 실시간 거래 내역이나 소득 증빙 데이터를 조회할 수 있습니다.
• 가치: 복잡한 SQL 쿼리 없이 대화만으로 정형 데이터에 접근하여 의사결정 속도를 높입니다.

시연 3: The Hands – 자율형 AI 에이전트 (Autonomous AI Agents)

세 번째 트랙은 OCI AI 에이전트 플랫폼을 활용한 워크플로우 자동화입니다.

• 프로세스: AI 에이전트가 RAG, SQL, Custom Tool을 적재적소에 호출하여 업무를 완수합니다.
• 핵심 기술: 단순 답변을 넘어 외부 API 호출, 이메일 발송 등 실행력을 갖춘 에이전트를 구성합니다.
• 가치: 심사 승인 후 약정서 발송이나 고객 알림까지 AI가 자율적으로 수행하는 진정한 업무 자동화를 구현합니다.

3. GenDev: 신뢰와 혁신의 아키텍처

오라클의 GenDev 전략은 개발자가 AI에 집중하여 빠르게 혁신할 수 있도록 돕는 동시에, 하부 인프라가 데이터 프라이버시와 정확성을 철저히 보장하는 구조입니다.

• 최대화: 데이터 개인정보 보호, 데이터 정확성, 데이터 진화 가능성
• 최소화: 오해, 실수, 악의적 행동에 따른 리스크

Oracle Cloud Infrastructure(OCI)와 AI Database를 기반으로 한 이 여정은 기업이 AI 미래를 가속화하는 가장 안전한 길을 제시합니다.

Vector Search와 RAG 기반의 차세대 GenAI 애플리케이션 구현 전략

최근 생성형 AI(GenAI) 기술이 급격히 발전하면서 기업들은 이를 실무 프로세스에 어떻게 적용할지 고민하고 있습니다. 특히 복잡한 서류 검토와 정밀한 판단이 필요한 금융권의 대출 심사 프로세스는 AI 도입의 효과를 극대화할 수 있는 분야입니다.

이번 포스팅에서는 Oracle AI Database와 OCI Generative AI를 활용하여 Vector Search 및 RAG(검색 증강 생성) 기반의 GenAI 애플리케이션을 구현하는 구체적인 시나리오를 살펴보겠습니다.

1. 왜 대출 심사에 AI가 필요한가?

주택담보대출 심사 과정은 소득 증빙 서류, 매매 계약서, 감정 자료 등 방대한 양의 비정형 데이터를 포함합니다. 대출 신청자부터 담당자, 수석 여신 심사자에 이르기까지 여러 단계를 거치며 다음과 같은 과제에 직면하게 됩니다.

• 심사 소요 시간의 단축 필요성
• 심사 결과의 일관성 확보
• 리스크 관리의 정밀도 향상

이러한 문제를 해결하기 위해 AI Vector Search와 RAG 기술이 핵심 해결책으로 떠오르고 있습니다.

2. AI Vector: GenAI 시대의 새로운 데이터 타입

GenAI 애플리케이션의 핵심은 데이터를 AI가 이해할 수 있는 형태인 Vector(벡터)로 변환하는 것입니다.

벡터 임베딩이란?

임베딩 모델을 사용하여 텍스트, 이미지, 비디오와 같은 복잡한 비정형 데이터를 숫자 배열 형태인 벡터로 변환하는 과정입니다. 이를 통해 단순한 키워드 매칭이 아닌, 데이터 사이의 의미적 유사성(Semantic Similarity)을 기반으로 검색이 가능해집니다.

Oracle AI Database는 이러한 AI Vector를 직접 저장하고 유사도 검색을 지원하여, 데이터베이스 내부에서 즉각적인 AI 연산을 수행할 수 있는 환경을 제공합니다.

3. RAG 기반 대출 심사 프로세스 구현 단계

Oracle AI Database 26ai와 OCI Generative AI를 결합한 RAG(Retrieval-Augmented Generation) 구현 프로세스는 다음과 같이 진행됩니다.

1단계: 데이터 벡터화 및 저장 (사전 작업)

대출 신청 서류, 제3자 감정 자료 등 고객 정보를 임베딩 모델을 통해 벡터화합니다. 변환된 벡터 데이터는 Oracle AI Database에 안전하게 저장됩니다.

2단계: AI 기반 프롬프트 작성 및 1차 심사

LLM(대규모 언어 모델)을 활용하여 대출 심사용 프롬프트를 구성합니다. AI는 저장된 데이터를 바탕으로 추천 상품을 포함한 1차 심사 결과를 도출하고 이를 다시 DB에 저장합니다.

3단계: 자연어 질문 및 RAG 기반 답변 (실행 시점)

심사 담당자가 자연어로 질문(예: 이 신청자의 담보인정비율(LTV)이 규정에 적합한가?)을 던지면 시스템은 다음과 같이 작동합니다.

1. 질문을 벡터화하여 DB 내 유사한 정보를 검색(Vector Search)합니다.
2. 검색된 컨텍스트를 LLM에 전달합니다.
3. LLM은 근거 데이터에 기반한 정확하고 요약된 답변(RAG)을 생성합니다.

4. 도입 기대 효과

Vector Search와 RAG 기반의 시스템을 구축하면 다음과 같은 비즈니스 가치를 얻을 수 있습니다.

• 심사 속도 개선: 수작업으로 검토하던 방대한 서류를 AI가 즉시 분석합니다.
• 의사결정 일관성: 동일한 기준과 데이터를 바탕으로 AI가 1차 판단을 내리므로 심사원별 편차를 줄일 수 있습니다.
• 정확한 정보 검색: 자연어 검색을 통해 필요한 데이터를 즉각적으로 찾아내어 업무 효율을 극대화합니다.

5. Oracle AI Database로 시작하는 GenAI 여정

현대적인 AI 애플리케이션 구현의 핵심은 데이터와 모델의 긴밀한 결합입니다. Oracle AI Database는 벡터 저장부터 유사도 검색, RAG 구현까지 하나의 플랫폼에서 지원함으로써 기업이 더욱 빠르고 안전하게 GenAI를 실무에 적용할 수 있도록 돕습니다.

금융 서비스의 디지털 전환을 고민하고 있다면, Vector Search와 RAG 기술을 통해 심사 프로세스의 혁신을 시작해 보시기 바랍니다.

Oracle AI Database 26ai에서 MCP를 활용해 AI 애플리케이션 확장하기

최근 AI 에이전트 기술이 급격히 발전하면서, 기업 내부에 산재한 다양한 데이터를 어떻게 안전하고 효율적으로 AI와 연결할 것인가가 핵심 과제로 떠오르고 있습니다. 이번 포스팅에서는 Oracle AI Database 26ai의 핵심 기능인 Select AI와 **Model Context Protocol(MCP)**을 활용하여 이기종 데이터베이스를 통합하고, 보안까지 완벽하게 제어하는 AI 애플리케이션 확장 전략을 살펴보겠습니다.

1. Oracle AI Database 26ai: 데이터와 AI의 결합

Oracle AI Database 26ai는 단순히 데이터를 저장하는 곳을 넘어, AI가 데이터를 직접 이해하고 활용할 수 있는 지능형 플랫폼으로 진화했습니다.

주요 기능 맵

• Vector Search: 고차원 벡터 유사도 검색을 통해 RAG(검색 증강 생성) 및 시맨틱 검색 지원
• Select AI: 자연어를 SQL로 변환하여 데이터 접근 문턱을 제거
• Select AI Agent: Tool, Task, Agent, Team 구조를 통해 복잡한 업무 오케스트레이션 수행
• JSON Duality & Property Graph: 유연한 데이터 모델링과 관계 중심 질의 지원

2. MCP(Model Context Protocol)란?

MCP는 2024년 11월 Anthropic이 발표한 표준 프로토콜로, AI 도구 호출의 USB-C라고 불립니다. LLM이 외부 도구나 데이터에 접근할 때 시스템마다 제각각이었던 인터페이스를 하나로 표준화합니다.

• 과거: N개의 시스템과 M개의 에이전트를 연결하기 위해 N*M개의 연동 작업 필요
• MCP 도입 후: 하나의 표준 프로토콜로 모든 도구와 서버를 연결. 인터페이스 변경 최소화 및 보안/인증 방식 단일화

Oracle AI Database 26ai는 Autonomous Database 내장 MCP 서버 기능을 제공하여, 태그 하나로 DB 내부의 기능을 MCP Tool로 노출할 수 있습니다.

3. 이기종 DB 통합: AI Data Gateway

실제 기업 환경에서 데이터는 Oracle뿐만 아니라 MySQL, PostgreSQL 등 다양한 곳에 흩어져 있습니다. Oracle AI Database 26ai의 AI Data Gateway는 이를 하나의 SQL 세계로 통합합니다.

• 실시간 접근: ETL 파이프라인 없이 DB Link를 통해 실시간 데이터 조회
• 통합 뷰(View): MySQL의 고객 정보와 PostgreSQL의 대출 내역을 Oracle에서 하나의 View로 구성
• 보안 적용: 이기종 DB에서 넘어온 데이터에도 Oracle의 강력한 보안 정책인 VPD를 즉시 적용

4. 강력한 보안 거버넌스: VPD(Virtual Private Database)

AI 에이전트가 데이터를 조회할 때 가장 우려되는 부분은 보안입니다. Oracle은 VPD를 통해 행(Row) 수준의 접근 제어를 구현합니다.

데이터가 있는 곳에 권한이 있다

애플리케이션 레이어에서 복잡한 권한 로직을 짤 필요가 없습니다.

1. Bearer Token 기반 식별: 요청자의 토큰을 분석해 역할을 식별합니다.
2. 자동 필터링: 동일한 SELECT * FROM 고객 쿼리를 실행해도 매니저는 전체를, 담당 심사역은 본인이 할당받은 고객 데이터만 보게 됩니다.
3. 우회 불가능: MCP나 REST API 등 어떤 경로로 접근해도 DB 엔진 레벨에서 필터링되므로 데이터 유출이 원천 차단됩니다.

5. 구현 과정 및 시스템 아키텍처

AI 애플리케이션 확장을 위한 흐름은 다음과 같습니다.

아키텍처 흐름

1. User: Dify와 같은 UI를 통해 자연어로 질의합니다.
2. ORDS(REST API): 토큰을 검증하고 세션을 설정합니다.
3. Select AI Agent: RUN_TEAM 함수를 통해 멀티턴 오케스트레이션을 실행합니다.
4. Tools: DB Link로 연결된 MySQL/PostgreSQL 뷰를 조회하여 결과를 통합합니다.

주요 코드 예시

SQL

— Select AI Agent Tool 등록 예시
BEGIN
  DBMS_CLOUD_AI_AGENT.CREATE_TOOL(
    tool_name => ‘LOAN_CUSTOMER_TOOL’,
    attributes => ‘{“function_name”:”FN_LOAN_DSR_CALC”}’
  );
END;

6. 데모 시나리오: 동일 질의, 다른 결과

실제 데모를 통해 확인된 핵심 가치는 동일한 질문에도 권한에 따라 응답이 달라진다는 점입니다.

• 시나리오: “현재 우리 고객들의 DSR 현황과 대출 가능 여부를 알려줘.”
• 매니저 권한: 전체 8명 고객의 평균 DSR 및 전체 심사 결과 보고
• 심사역(Park) 권한: 본인 담당 고객 3명에 대한 상세 데이터만 필터링되어 응답

이 모든 과정이 별도의 코딩 없이 Oracle DB 내의 VPD 정책과 Select AI Agent의 결합으로 이루어집니다.

7. 요약

Oracle AI Database 26ai와 MCP의 결합은 기업형 AI 애플리케이션의 새로운 기준을 제시합니다.

1. 통합: AI Data Gateway로 흩어진 데이터를 단일 SQL로 통합합니다.
2. 확장: MCP 및 ORDS를 통해 Dify, Cursor 등 다양한 클라이언트와 즉시 연동합니다.
3. 통제: VPD를 통해 데이터가 존재하는 DB 레벨에서 행 단위 보안을 실현합니다.

이제 데이터 복제나 복잡한 보안 로직 구현에 시간을 쏟지 마세요. Oracle AI Database 26ai가 AI 에이전트를 위한 가장 안전하고 빠른 데이터 허브가 되어줄 것입니다.

OCI GenAI Agents: 기업용 AI 에이전트 구축 및 활용 가이드

인공지능 기술이 단순히 정보를 생성하고 이해하는 프런티어 모델(Frontier Models)의 단계를 넘어, 스스로 워크플로우를 자동화하고 액션을 수행하는 **AI 에이전트(Agents)**의 시대로 진화하고 있습니다.

오라클의 OCI GenAI Agents는 복잡한 코딩 과정을 최소화한 Low-Code 기반의 플랫폼으로, 기업이 비즈니스 환경에 최적화된 AI 에이전트를 신속하게 구축할 수 있도록 지원합니다. 본 포스팅에서는 OCI GenAI Agents의 주요 특징과 핵심 기능을 정리해 드립니다.

AI 에이전트로의 진화와 OCI GenAI 서비스

과거의 AI가 질문에 답변하는 수준이었다면, 현재의 에이전트는 사용자의 의도를 해석하고, 필요한 데이터를 검색하며, 직접 작업을 실행하는 단계에 이르렀습니다.

OCI GenAI 서비스는 업계의 주요 모델들을 폭넓게 지원하며 에이전트 구축의 기반을 제공합니다.

• 지원 모델: Gemini 2.5 Pro/Flash, Grok 3/4, Llama 4 Maverick, Mistral, Phi, Gemma 등
• 특징: 별도의 모델 구축 없이 고품질의 최신 모델을 즉시 에이전트에 탑재하여 활용 가능

OCI GenAI Agents 플랫폼의 5가지 핵심 요소

OCI GenAI Agents는 단순한 챗봇이 아닌, 논리적 사고와 실행 능력을 갖춘 비즈니스 파트너 역할을 수행합니다.

1. Multi-turn 에이전트

이전 대화 이력을 기억하여 맥락에 맞는 풍부한 응답을 제공합니다. 사용자와의 연속적인 상호작용을 통해 정확한 요구사항을 파악합니다.

2. 고성능 추론 및 계획 (ReAct)

ReAct(Reasoning + Acting) 프레임워크를 활용합니다. 사용자의 의도를 파악하고, 어떤 도구가 필요한지 스스로 판단하여 논리적인 실행 계획을 수립합니다.

3. 다양한 데이터 소스 연동 (RAG Tool)

OCI OpenSearch, 관리형 벡터 스토어, Oracle AI Database 26ai 등과 연동되어 기업 내부의 지식 베이스(Knowledge Base)를 실시간으로 검색하고 분석합니다.

4. 강력한 액션 에이전트 (Action Tool)

정보 검색을 넘어 API 호출, SQL 쿼리 실행 등 반복적인 비즈니스 프로세스를 자동화할 수 있습니다.

5. 로우코드(Low-Code) 플랫폼

전문적인 개발 역량이 부족하더라도 직관적인 인터페이스를 통해 인스턴스 프로비저닝, 가드레일 설정, 도구 연결 등을 간소화할 수 있습니다.

주요 활용 도구: RAG, SQL 및 Custom Tool

OCI GenAI Agents는 세 가지 주요 도구를 통해 확장성을 극대화합니다.

도입 사례: Oracle IT Support

오라클은 이미 내부적으로 GenAI 에이전트를 도입하여 혁신적인 성과를 거두고 있습니다.

• 적용 대상: 전 세계 15만 명 이상의 임직원
• 활용 방식: Slack을 통해 자연어로 IT 문제 질의 시, 에이전트가 지식 베이스를 기반으로 1차 답변을 제공하고 미해결 시 담당 부서에 전달
• 도입 효과: 서비스 요청(SR) 발생 건수 30% 감소

왜 OCI GenAI Agents인가?

OCI GenAI Agents는 기업이 직면한 AI 도입의 장벽을 낮춰줍니다.

1. 개발 간소화: 플랫폼 기반으로 빠른 서비스 구현이 가능합니다.
2. 높은 유연성: 비즈니스 요구에 맞춰 다양한 LLM과 도구를 조합할 수 있습니다.
3. 검증된 성능: Gemini, GPT, Llama 등 최적의 모델을 비교하고 선택하여 최상의 결과를 도출합니다.

기업의 경쟁력을 높이는 AI 에이전트, 이제 OCI GenAI Agents 플랫폼으로 시작해 보시기 바랍니다.

AI 시대의 진정한 경쟁력은 ‘통합된 데이터’와 ‘실행력을 갖춘 에이전트’의 결합에서 나옵니다. 오라클의 AI Database 26ai와 OCI GenAI 플랫폼은 기업이 데이터 보안을 유지하면서도 가장 빠르고 경제적으로 AI 전환(AX)을 달성할 수 있는 최적의 기반을 제공하는 역할을 합니다.

전문가의 인사이트 : 함께 읽어 보세요.

[Oracle Exadata Cloud@Customer(ExaCC) 완벽 가이드]

참조 및 출처 URL:

https://www.oracle.com/artificial-intelligence/ai-experience