AI 에이전트를 팀원으로 활용하는 'Agentic Work'

이전 대화나 전사 맥락을 기억하지 못하는 '상태 없음(Stateless)' 제약을 해결하기 위해 AI 에이전트를 교육 가능한 팀원으로 정의하는 운영 체제가 도입됐다. Asana가 구축한 'Agentic Work Management(AWM, AI 에이전트를 팀원으로 활용하는 관리 체계)'가 그 결과물이다. AWM은 AI 에이전트를 단순한 1:1 비서로 활용하던 기존의 접근 방식을 바꿨다. AI를 인간과 함께 작동하며 지속적으로 교육할 수 있는 팀원으로 취급하는 운영 체제로 설계했다. 현재 FedEx와 CoreWeave 등의 기업 고객들이 이 시스템을 도입해 실제 업무 프로세스에 적용하고 있다.

이 시스템은 Asana가 18년 전부터 구축해온 아키텍처인 'Work Graph(워크 그래프, 그래프 데이터베이스)'를 기반으로 작동한다. Work Graph는 'Pyramid of Clarity(피라미드 오브 클래리티)'라는 구조를 통해 기업 내 정보를 조직한다. 개별 작업(task)을 시작으로 프로젝트, 포트폴리오, 그리고 최종적인 전사적 목표까지를 계층적으로 연결해 관리한다. 이러한 구조 덕분에 특정 작업의 지연이 기업의 전체 수익 목표에 미치는 영향 등을 실시간으로 추적하는 것이 가능하다. AI 에이전트가 전사 목표와 프로젝트 상태, 동료의 작업 기억을 모두 공유하는 공유 원장을 갖게 된 셈이다.

기존의 상태 비저장(stateless) AI 코파일럿과 달리

단일 사용자의 프롬프트에 종속되던 기존 방식에서 벗어나 전사적 공유 메모리를 활용한다. 상태를 저장하지 않는 기존의 상태 비저장(stateless) AI 코파일럿은 개별 사용자의 입력값에만 의존했다. AWM은 Work Graph(업무 간의 관계와 목표를 연결한 구조)에 직접 연결되어 이 한계를 극복한다. AI가 기업의 전사적 목표를 스스로 확인하고 파악한다. 개별 프로젝트의 진행 상태를 직접 업데이트하며 인간 동료들과 메모리를 실시간으로 공유한다. 조직 전체의 맥락을 이해하는 멀티플레이어 팀원으로 작동한다.

작업 복잡도에 따라 모델을 자동으로 배정하는 동적 모델 라우팅을 사용한다. 복잡한 논리가 필요한 작업은 Anthropic의 Opus나 OpenAI의 모델 같은 고성능 프런티어 모델로 라우팅한다. 단순하고 가벼운 작업은 처리 속도가 빠르고 비용이 저렴한 모델로 하향 배정하여 처리한다. 사용자가 직접 프롬프트를 세밀하게 설계하거나 컨텍스트 엔지니어링을 고민할 필요가 없다. 시스템이 작업 성격에 맞는 최적의 모델을 자동으로 선택해 비용과 효율을 동시에 관리한다. 모델 선택의 권한을 사용자가 아닌 시스템의 자동 배정 로직에 맡긴 구조다.

기밀 정보 유출을 방지하기 위해 공유 메모리에 대한 액세스

권한 없는 직원이 기밀 정보에 접근하는 것을 막기 위해 AWM(Asana Workflow Management)은 공유 메모리 액세스 제어 시스템을 도입했다. 에이전트가 학습한 공유 메모리가 권한이 없는 직원에게 유출되지 않도록 관리한다. 비밀 M&A 프로젝트를 통해 생성된 메모리는 해당 프로젝트 접근 권한이 없는 사용자가 동일한 에이전트를 사용해도 노출되지 않는다. 정보 유출 리스크를 기술적으로 차단해 기업 내부의 보안 계층을 유지한다.

작업 완료당 정액 비용을 청구하는 과금 체계를 통해 기업의 비용 관리를 단순화했다. 모델 선택이나 토큰 수, 실행 제한 같은 기술적 복잡성을 플랫폼이 모두 흡수한다. 고객이 토큰 소모량에 따라 직원들의 AI 사용 빈도를 제한하는 상황을 방지하기 위한 조치다. 예측 가능한 비용 구조로 AI 도입의 진입 장벽을 낮췄다.

범용 에이전트와 워크플로우 통합 에이전트 사이의 선택 기준은 엔드투엔드 SOP(표준운영절차) 데이터 보유 여부다. 단순 도구 연동을 통한 일회성 작업 수행인지, 전사 목표-포트폴리오-태스크로 이어지는 계층적 맥락 유지가 필요한 작업인지에 따라 결정한다.