여기, AI(acornLoft)

◈ 이 책에서 다루는 내용 ◈

◆ 사내 AI 도입을 기획 단계부터 운영 단계까지 실제 진행 순서대로 기록
◆ 챗봇과 에이전트의 결정적 차이를 현업의 실제 요청 사례로 설명
◆ MCP의 개념부터 사내 전용 MCP 서버 구축·등록·장애 대응까지 단계별로 설명
◆ 사용자마다 다른 권한을 AI에 어떻게 반영할지, 보안과 접근 제어 관점에서 설계
◆ 데이터 분석, 뉴스 수집, DB 운영, 인프라 진단, ML 엔지니어링, 이미지 생성 등 목적별 에이전트 구현 사례 수록
◆ 코디네이터와 서브 에이전트로 구성하는 멀티 에이전트 오케스트레이션 설계 해설
◆ 누구나 에이전트를 만들고 공유하는 사내 에이전트 포털의 구조와 운영 방식 공개
◆ 스케줄링, 멀티채널 통합, 모니터링, 이중 백업, 부하 테스트 등 운영 현실의 과제 정리
◆ 도구 도입을 넘어 조직이 일하는 방식을 바꾸는 관점까지 확장

◈ 이 책의 대상 독자 ◈

◆ 사내에 AI를 도입해야 하는데 어디서부터 시작할지 막막한 개발자
◆ 챗봇 수준을 넘어 실제로 업무를 수행하는 에이전트를 만들고 싶은 개발자
◆ MCP를 들어는 봤지만 실무에 어떻게 붙이는지 궁금한 독자
◆ AI 도입 효과와 투자 범위를 판단해야 하는 팀 리더와 의사결정자
◆ 만든 AI 서비스를 계속 살아 있게 유지해야 하는 플랫폼·인프라 담당자
◆ 개발자는 아니지만 AI로 데이터와 업무를 직접 다뤄 보고 싶은 실무자

1부. AI 에이전트, 왜 지금인가?

1장. 어서 와, 사내 AI 비서는 처음이지?
협업 메신저에 말만 하면 데이터가 나오는 세상
왜 우리는 '에이전트'에 집착했나? 단순 챗봇과 에이전트의 한 끗 차이
여기어때 에이전트가 우리 팀에 가져온 변화
정리

2장. "데이터 좀 대신 뽑아 줘"에서 시작된 변화
반복되는 SQL 요청, 개발자의 한숨을 멈추게 한 방법
비개발자도 데이터와 대화하는 '바이브 코딩'의 시작
사내 위키와 이슈 트래커, AI의 기억 장치가 되다
사진 한 장이면 충분해: 이미지를 이해하는 멀티모달 대화
정리

3장. 외부 세계와 AI를 연결하는 통로, MCP 구축기
표준화된 연결의 힘: MCP란 무엇인가?
AI에게 손발을 달아 주기
직접 만든 MCP 서버들: 우리 회사 전용 '플러그인' 만들기
정리

4장. 다수의 MCP, 어떻게 관리할 것인가?
YAML 한 장으로 MCP를 추가하는 등록부 구조
MCP 서버가 죽어도 에이전트는 살아남는다: 안전 연결 계층의 설계
MCP 도구 실험실: 브라우저에서 바로 도구를 테스트하는 개발자 놀이터
데이터 카탈로그와 혈통 추적: 메타데이터 MCP로 데이터 거버넌스 시작하기
정리

5장. 보안은 생명! AI에게 어디까지 보여 줄 것인가?
"이 데이터, 너만 알고 있어": 권한 관리의 고민
데이터 민감도에 따른 단계적 접근 제어
사용자별 자격 증명을 중앙에서 관리하는 'MCP 어드민'의 필요성
"정말 보내시겠습니까?": 쓰기 안전 토큰의 탄생
OAuth를 넘어서: 사용자별 인증 정보를 MCP에 투명하게 전달하는 Credential Provider
정리


2부. 일 잘하는 AI 동료들의 실전 활약상

6장. 데이터 분석가 에이전트:
"지표 추출부터 리포트까지 순식간에"
"10월 매출을 요약해 줘": 복잡한 쿼리도 척척 만드는 법
데이터 속 인사이트를 찾는 '딥 싱크' 모드
차트와 표로 말하는 AI, 메신저 리포트 자동화
정리

7장. DBA 에이전트:
"우리가 잠든 사이에도 일합니다" DB 성능을 감시하고 프로시저를 관리하는 똑똑한 DBA
실수 없는 에이전트를 위한 '품질 검토' 프로세스
정리

8장. 인프라 진단부터 행동 로그 설계까지: 전문 에이전트 열전
파이프라인이 터졌다!
새벽 장애를 AI가 진단하는 인프라 진단 에이전트
네 단계 순차 파이프라인으로 행동 로그를 설계하는 에이전트
코드 리뷰와 작업 평가를 도와주는 Eval 에이전트
정리

9장. ML 엔지니어 에이전트: "SOTA 탐색부터 정교화까지, ML의 자동화"
검색과 타기팅 기반의 고성능 ML 솔루션 생성
스스로 논문을 읽고 최신 모델을 구현하는 AI
성능 기여도 분석을 통한 집요한 코드 개선
앙상블 지휘자: 여러 모델을 결합해 최적의 결과 도출하기
정리

10장. AI가 아이콘을 그려 준다고?: 이미지 생성 에이전트
분석 → 증강 → 생성 → 검증: 파이프라인으로 보는 아이콘 제작
벡터 DB에서 스타일 DNA를 찾아 프롬프트를 강화하는 기법
생성된 이미지를 스스로 평가하고 재시도하는 품질 검증 루프
에셋 라이브러리와 생성 히스토리: 디자이너와 기획자의 새로운 워크플로
정리


3부. 지속 가능한 AI 플랫폼으로 가는 길

11장. 멀티 에이전트 오케스트레이션: 조화로운 협업의 기술
혼자보다 팀이 강한 이유: 코디네이터와 서브 에이전트
요청의 의도를 읽는 지휘자: ADK 기반 오케스트레이션
AI가 서로 점검하는 구조: 피드백과 교차 검토의 가치
사용자마다 다른 팀 구성: 동적 생성, 권한 필터링, 자동 디스커버리
정리

12장. 에이전트 포털 YAPP: 누구나 에이전트를 만들고 공유하는 광장
나만의 비서를 만드는 경험: 커스텀 에이전트 생성과 관리
동료의 에이전트를 발견하는 장: 별점과 공유의 힘
노코드와 로우코드 사이: 설정 기반 워크플로의 현실적 가치
처음 온 사람도 헤매지 않게: 인앱 튜토리얼과 업데이트 패널
정리

13장. "매일 아침 9시, AI가 보고합니다": 에이전트 스케줄링
크론을 이해하는 AI 플랫폼: 스케줄러와 인메모리 저장소 기반 자동 실행
결과는 도착해야 의미가 있다: 협업 메신저로 보내는 웹훅 딜리버리
두 번 돌지 않게 만드는 일: 멀티 레플리카 환경의 중복 방지
정리

14장. 메신저냐 웹이냐, 어디서든 같은 AI: 멀티채널 통합
공개 주소 없이도 연결되는 이유: 역방향 연결 모드와 메신저 브리지
"취소해 줘" 한 마디의 무게: 스레드 내 작업 취소
읽히는 답이 좋은 답이다: 메신저 UI 프레임워크와 채널별 포맷팅
대화는 채널보다 길다: 세션 영속성과 연속된 경험
정리

15장. 운영은 현실이다: 24시간 멈추지 않는 에이전트 만들기
모든 서비스의 심장 박동을 보는 일: 실시간 모니터링 대시보드
데이터가 사라져도 다시 일으키는 법:
인메모리 저장소와 객체 저장소를 엮은 이중 백업
누가 무엇을 했는가: 감사 로그와 관리자용 히스토리 조회
시스템은 어디까지 버티는가: 부하 테스트와 프로그레스 큐 설계
정리

16장. 마치며: AI와 함께 성장하는 조직 만들기
기술보다 먼저 와야 하는 것: 사용자의 문제 해결
에이전트가 바꾸는 것은 속도만이 아니다: 문화의 변화
다음 단계의 비전: 더 많은 에이전트보다 더 좋은 연결
당신만의 에이전트를 꿈꾸는 이들에게
정리

노수영 여기어때에서 사내 AI 에이전트 플랫폼을 만들고 운영한다. 데이터 파이프라인과 머신러닝 운영을 담당하는 팀에서 출발해, 지금은 구성원 누구나 자신의 에이전트를 만들어 쓰는 사내 AI 포털의 설계와 운영을 맡고 있다.
시작은 거창하지 않았다. "이 데이터 좀 대신 뽑아 줘"라는 반복 요청을 줄여 보려던 시도가 사내 시스템을 AI에 연결하는 일로 이어졌고, '권한을 어떻게 나눌 것인가'라는 질문을 지나서 데이터 분석·인프라 진단·가격 운영·고객 응대처럼 목적이 분명한 에이전트를 하나씩 늘리는 일로 확장되었다. 그 과정에서 만든 것이 지금의 사내 에이전트 포털이다.
기술의 화려함보다는 '조직이 실제로 쓰는가'를 판단 기준으로 삼는다. 좋은 모델을 붙이는 일보다, 사람들이 그 결과를 믿고 다음 행동으로 옮기게 만드는 일이 훨씬 어렵다고 생각한다.