가트너가 말하는 "스텝 펑션"이란 무엇인가

에릭 브레테누 가트너 AI 수석 연구원은 시드니 서밋의 기조연설에서 "나는 지금까지 두 번의 AI 겨울을 겪었다. 다음 겨울이 더 멀리 있기를 바란다"고 말했다. 두 차례의 AI 겨울을 겪은 연구원이 내린 평가는 신중하면서도 단호하다. 생성 AI가 "어느 정도 발전시키긴 했지만", 에이전틱 AI — 즉 사용자나 기계를 대신해 독립적으로 작업을 수행하는 소프트웨어 개체를 구축하는 능력 — 은 "실제로 스텝 펑션"이라는 것이다. 스텝 펑션은 공학에서 입력이 변할 때 출력이 불연속적으로 도약하는 함수를 가리킨다. 점진적 개선이 아니라 질적 전환. 가트너가 에이전틱 AI에 붙인 꼬리표는 "발전"이 아니라 "비약"이다.

이 선언이 주목받는 이유는 가트너가 동시에 제시하는 숫자 때문이다. 2025년 8월, 가트너는 "2026년 말까지 엔터프라이즈 애플리케이션의 40%가 업무 특화 AI 에이전트를 통합할 것"이라고 예측했다. 2025년 기준 5% 미만에서 40%로, 8배 도약이다. 가트너의 매직 쿼드런트와 하이프 사이클이 업계 의사결정에 미치는 영향을 고려하면, 이 숫자 자체가 기업 IT 예산을 움직이는 나침반 역할을 한다.

그러나 브레테누의 핵심 메시지는 "에이전트가 똑똑해졌다"가 아니다. "단일 접근법에 의존하는 것은 역사적으로 실수였다"는 것이다. 신경망만으로, 또는 기호 논리만으로, 또는 생성 AI만으로 해결하려는 태도가 실패의 원인이었다. 결합이 답이라는 주장은 MIT 슬론 경영대학원(MIT Sloan Management Review)이 2026년 봄호에서 "에이전틱 AI 확장을 위해서는 초인적 업무량에 대한 관리 재정의가 필요하다"고 논한 것과 같은 맥락이다. 캘리포니아 매니지먼트 리뷰(California Management Review) 2026년 3월호도 "자율 AI를 위한 새 운영 모델"을 같은 주제로 다뤘다.

메타데이터 폭발: 왜 에이전트가 "불가피"한가

마크 바이어 가트너 부사장 겸 수석 분석관이 제시한 핵심 통찰은 메타데이터의 기하급수적 증가다. "데이터를 재사용할 때마다 100개의 새 메타데이터 지점이 생성된다. 그 데이터에 100번, 1,000번 더 자주 접근하면 주 단위로 메타데이터에 압도된다." 데이터를 쓸수록 데이터에 대한 데이터가 불어난다. 이 메타데이터를 인간이 분류하고 추적하는 것은 물리적으로 불가능해진다.

이 지점에서 에이전트는 "있으면 좋은 도구"가 아니라 "없으면 데이터 생태계가 붕괴하는 필수 인프라"가 된다. 바이어의 예시는 구체적이다: "어떤 에이전트는 화요일마다 데이터 품질이 지속적으로 저하된다는 패턴을 발견하면, 화요일에 생성되는 보고서에 자동으로 경고 노트를 추가한다." 이것은 단순한 자동화가 아니다. 패턴을 발견하고, 의미를 판단하고, 행동을 취하는 에이전트의 세 가지 능력이 같이 작동한다.

이 문제는 가트너의 다른 연구에서도 반복된다. 2026년 5월, 가트너는 "시맨틱 데이터가 부족하면 AI 에이전트가 부정확해지고 지출이 낭비된다"는 보고서를 발표했다. 전통 스키마 기반 데이터 모델만으로는 비즈니스 맥락과 데이터 의미를 담지 못한다. 에이전틱 AI 시대의 데이터 인프라에는 시맨틱 레이어 — 데이터에 의미를 부여하는 컨텍스트 계층 — 가 핵심 구성 요소가 된다.

데이터 가치를 "측정"하는 방법: 접근 빈도와 결과 연결

바이어의 선언 중 가장 실무적인 부분은 데이터 가치 측정 프레임이다. "우리는 더 이상 분석이나 AI를 위해 데이터 파이프라인을 구축하지 않는다. 대신, 데이터가 어떻게 사용되는지, 얼마나 자주 사용되는지, 어느 조직 부분에서 사용하는지, 그리고 가장 중요하게는 원하는 결과로 이어지는지를 인식하는 에이전트를 구축한다."

이 네 가지 질문 — 누가, 얼마나 자주, 어디서, 어떤 결과로 — 은 데이터 엔지니어링의 목적을 재정의한다. 과거의 데이터 파이프라인은 "데이터를 A 지점에서 B 지점으로 옮기는 것"이 목표였다. 에이전틱 시대의 파이프라인은 "데이터가 A 지점에서 B 지점으로 옮겨진 뒤, 실제로 누가 썼고, 반복해서 썼고, 부서 간에 쓰였고, 최종적으로 비즈니스 성과와 연결됐는지를 추적하는 것"이 목표다.

론탈은 제조업의 원칙을 FinOps에 적용할 것을 제안한다. 헨리 포드의 생산 라인처럼 모든 단계에 측정 가능한 비용과 산출물이 있어야 한다는 것이다. SQL 쿼리 비용 계산은 "상당 부분 해결된 문제"지만, 그 데이터의 가치를 정확히 측정하는 것은 여전히 주요 과제다. 메타데이터로 소비 패턴을 이해하면 워크로드를 가치순으로 나열할 수 있고, 그 순위에 따라 에이전틱 최적화 프레임워크를 배포할 수 있다. 오전 9시 매일 필요한 중요 보고서가 있다면, AI가 가장 비용 효율적인 클라우드 인스턴스를 선택하고 데이터를 구조화하고 SLA를 보장하는 에이전트를 배치한다.

에이전트의 "인터넷"과 비판적 시선

브레테누가 가장 파괴적이라 부른 트렌드는 "적응형 집단 AI(adaptive collective AI)", 즉 에이전트의 인터넷이다. 의사결정을 여러 시스템에 분산시켜 복잡한 문제를 푸는 구조다. 그가 인용한 사례는 북해 풍력 터빈 검사 드론 떼다. 드론들이 독립적으로 균열과 색상 열화를 촬영하고, 기지로 복귀 후 공동으로 문제 여부를 판단하고, 보고서를 자율 생성한다. 단일 에이전트가 아닌 에이전트 떼가 의미 있는 업무를 수행하는 사례다.

그러나 회의적인 시선도 존재한다. 게리 마커스(Gary Marcus)는 2026년 예측 에세이에서 "에이전틱 AI의 구조적 실패 — 뒷받침 없는 스케일링, 거버넌스 부재, 신뢰할 수 없는 추론"을 경고했다. 브루킹스 연구소(Brookings)도 2026년 4월 보고서에서 "우리는 측정할 수 없는 것을 통治할 수 없다"고 진단하며, 40명 이상의 전문가를 소집해 에이전틱 AI 평가 방법론을 논의했다. MIT 슬론과 캘리포니아 매니지먼트 리뷰가 동시에 "에이전틱 AI 거버넌스의 구조적 격차"를 주제로 특집을 낸 것은 우연이 아니다. 2026년 봄, 선행 경영 학술지 3곳이 같은 주제로 수렴했다는 것은 학술 합의가 형성되고 있음을 가리킨다.

개별 조직이 점검해야 할 5가지

가트너의 선언을 운영 수준에서 해체하면, 다음 5가지 점검이 필요하다.

1. 시맨틱 레이어 유무: 데이터에 비즈니스 맥락을 부여하는 컨텍스트 계층이 있는가. 스키마만으로는 에이전트가 "이 컬럼이 무엇을 의미하는지" 알 수 없다.
2. 메타데이터 관리 능력: 데이터 접근 이력, 변환 로그, 품질 상태를 실시간으로 추적할 수 있는가. 100회 재사용 시 10,000개의 메타데이터를 사람이 분류할 수 없다.
3. 접근 빈도 추적: 어떤 데이터 자산이 누구에게, 얼마나 자주 쓰이는지 로그 기반으로 파악하고 있는가. 가치 프록시로 쓰기 위한 전제 조건이다.
4. FinOps 에이전트 배치: 비용 최적화를 인간이 수동으로 하는지, 에이전트가 클라우드 인스턴스 선택·데이터 구조화·SLA 보장을 자율 수행하는지.
5. 인간 감시 루프: 에이전트가 자율 판단을 내릴 때, 인간이 승인·거부·수정할 수 있는 명확한 루프가 있는가. "완전 자율"이 목표가 되면 안 된다.

이 5가지는 순서가 있다. 시맨틱 레이어 없이 메타데이터 관리는 의미가 없고, 접근 빈도 추적 없이 FinOps 에이전트는 최적화 대상을 모른다. 기초부터 쌓아야 한다.

데밍이 1982년에 이미 말한 것

가트너가 2026년에 도달한 결론 — "숫자로 관리하는 것을 그만두고 리더십으로 대체하라"는 브레테누의 메시지 — 은 W. 에드워즈 데밍(W. Edwards Deming)이 1982년 저서 *위기에서 벗어나기(Out of the Crisis)*에서 제시한 관리 14원칙 중 제11b항과 놀랍도록 일치한다. "목표에 의한 관리, 숫자에 의한 관리, 수치 목표를 제거하라. 리더십으로 대체하라." 데밍이 비판한 것은 숫자 자체가 아니라, 숫자를 목표로 삼으면 사람이 숫자를 맞추기 위해 시스템을 왜곡한다는 것이었다. 데이터 가치를 "접근 빈도"라는 단일 지표로 환원하면 같은 함정에 빠진다. 론탤이 "빈도와 중요도 두 가지 핵심 구성 요소"라고 말한 것은, 빈도만으로는 부족하다는 자체 경고다.

카너만과 트버스키(Kahneman & Tversky)가 1979년 제시한 계획 오류(planning fallacy) — 미래 작업에 필요한 시간을 과소평가하는 편향 — 도 같은 맥락에서 읽힌다. 에이전틱 AI 도입 일정을 추정할 때, 조직은 "모델만 붙이면 된다"고 과소평가한다. 실제 병목은 데이터, 권한, 시맨틱, 메타데이터, 거버넌스에 있다. 가트너의 40% 예측이 실현되려면, 남은 6개월 안에 이 기반 공사가 완료되어야 한다. 가능한가? 브레테누 자신이 "두 번의 AI 겨울"을 언급한 것은, 기대가 현실을 앞서는 시점을 경험한 연구자의 경고이기도 하다.

결론

누가 데이터를 저장하고, 누가 데이터를 옮기고, 누가 데이터를 사용하는가 — 이 세 역할이 하나의 에이전트 시스템 안에서 동시에 작동하는 것이 가트너가 그린下一代 데이터 인프라의 모습이다.

데밍이 40년 전에 "숫자로 관리하는 것을 그만두라"고 말했지만, 기업은 여전히 데이터를 "저장 용량"으로 측정한다. 가트너가 2026년에 "사용 가치"로 측정 기준을 바꾸라고 말하는 것은, 같은 교훈을 한 세대 늦게 데이터 영역에 적용하는 일이다. 늦었지만, 이제라도 방향이 맞다. 에이전트가 이 패러다임 전환의 도구이자 촉매가 될 수 있다 — 단, 시맨틱 기반과 인간 감시 루프라는 두 가지 안전장치가 함께 설계될 때만.

데이터가 가장 자주, 가장 의미 있게, 가장 자유롭게, 사람의 판단이 보이는 곳에서 쓰이도록.