facts

이번 정식 출시의 핵심은 모델, 프레임워크, 클라우드 환경에 종속되지 않는 벤더 중립적 제어 평면(Control Plane)의 제공이다. xpander는 기업이 서로 다른 모델과 인프라 환경에서 AI 에이전트를 구축하고 실행하며 거버넌스를 유지할 수 있도록 돕는 플랫폼을 공개했다. 이와 함께 Pico Venture Partners가 주도하고 Samsung Next 등이 참여한 750만 달러 규모의 시드 라운드 투자 유치 사실을 함께 밝혔다.

가트너(Gartner)의 예측에 따르면 글로벌 포춘 500대 기업이 사용하는 AI 에이전트 수는 2025년 15개 미만에서 2028년 15만 개 이상으로 급증할 전망이다. 하지만 현재 적절한 에이전트 거버넌스를 갖췄다고 믿는 조직은 13%에 불과하다. xpander는 이러한 거버넌스 공백을 메우기 위해 실행, 권한 관리, 관측성, 메모리, 엔터프라이즈 시스템 접근 및 라이프사이클 관리를 통합 처리하는 인프라 계층을 제안한다.

배포 가능한 타겟 환경은 AWS, Google Claude, Microsoft Azure를 포함한 주요 퍼블릭 클라우드부터 프라이빗 VPC, 그리고 완전히 격리된 에어갭(Air-gapped) 온프레미스 환경까지 지원한다. 사용자는 xpander가 제공하는 호스팅 환경을 이용하거나, 엔터프라이즈 옵션을 통해 쿠버네티스(Kubernetes) 기반으로 자체 배포할 수 있다.

how-it-works

플랫폼의 중심에는 '유니버설 하네스(Universal Harness)'라 불리는 런타임이 있다. 이는 에이전트를 이식 가능한 엔터프라이즈 워크로드로 실행하기 위한 모델·프레임워크·클라우드 불가지론적(Agnostic) 구조다. 개발자는 LangChain, Strands, Agno와 같은 기존 프레임워크로 구축한 에이전트와 프롬프트, 규칙, 스킬을 그대로 가져와 사용할 수 있으며, 상용 모델과 오픈 웨이트 모델, 자체 미세 조정(Fine-tuned) 모델을 모두 지원한다.

개발자가 플랫폼에 접근하는 통합 경로는 세 가지로 구분된다. 첫째는 제어 평면 운영을 위한 언어 독립적 REST API로, 에이전트와 태스크, 지식 베이스(Knowledge Base)를 관리하고 호출하는 기능을 수행한다. 둘째는 에이전트와 워크플로우 구축을 위한 Python SDK다. 이 SDK는 이벤트 핸들링과 에이전트 라이프사이클 추상화 기능을 제공한다. 셋째는 모델 컨텍스트 프로토콜(Model Context Protocol, MCP) 지원이다. 이를 통해 Claude Desktop이나 Cursor와 같은 MCP 클라이언트에 에이전트와 도구를 노출할 수 있다.

이러한 구조는 OpenAI의 Frontier나 Google의 Gemini Enterprise Agent Platform이 제공하는 모델 중심의 통합 환경과 차별화된다. 벤더 전용 플랫폼이 자사 생태계 내의 런타임과 거버넌스를 결합하는 방식이라면, xpander는 서로 다른 모델 공급자의 에이전트들을 상위에서 조율하는 프레임워크 독립적 제어 평면을 지향한다. 이는 모델 선택을 특정 소프트웨어 생태계에 귀속되는 결정이 아니라, 애플리케이션 하단의 컴퓨팅 자원(CPU 등)을 선택하는 것과 유사한 수준으로 낮추려는 설계다.

implementation-impact

인프라 계층의 변화는 에이전트 운영의 중심축을 '모델 관리'에서 '오케스트레이션 및 운영 계층 관리'로 이동시킨다. 개별 사용자가 로컬에서 실행하는 에이전트의 파편화를 막고, 중앙 집중식 거버넌스와 감사 가능성(Auditability)을 확보하는 것이 가능해진다. 특히 데이터 레지던시나 보안 요구사항이 엄격한 환경에서 쿠버네티스 기반의 자체 배포 옵션은 모델 공급자의 클라우드에 데이터를 맡기지 않고도 에이전트 인프라를 운영할 수 있는 경로를 제공한다.

다만, 벤더 중립적인 제어 평면을 도입하는 것은 종속성의 대상이 '모델 공급자'에서 '제어 평면 공급자'로 옮겨가는 것을 의미한다. 유니버설 하네스 내의 설정과 운영 상태가 다른 제어 평면으로 쉽게 이전될 수 있는지에 대한 이식성(Portability) 정보는 현재 공개 문서에서 확인되지 않는다.

실무자는 모델 교체 비용을 낮추기 위해 제어 평면을 도입할 때, 해당 플랫폼의 독자적인 하네스 설정과 운영 상태값이 표준화된 형태로 추출 가능한지, 혹은 라이선스 종료 시 설정 데이터를 어떻게 마이그레이션할 수 있는지에 대한 기술적 제약을 우선적으로 검토해야 한다.