Salesforce가 Anthropic의 Claude Code를 전사 주요 AI 에이전트로 도입했다고 밝혔다. 이어 2026년 4월 개발자당 완료 작업 항목은 전년 동월 대비 50.8%, 병합된 풀리퀘스트는 79% 증가했다고 보고했다.2
이 숫자는 인상적이다. 하지만 Salesforce 사례에서 더 중요하게 봐야 할 지점은 “AI가 코드를 얼마나 빨리 쓰는가”가 아니다. 핵심은 개발 업무가 에이전트가 수행할 수 있는 단위로 어떻게 재설계되는가다.
AI 에이전트는 답변 도구가 아니라 실행 시스템이다
AI 에이전트는 사람의 매번 지시 없이 고객 문의를 이해하고 응답할 수 있는 AI 시스템으로 설명된다.1 머신러닝과 자연어처리(NLP)를 활용해 단순 질의응답뿐 아니라 더 복잡한 문제 해결도 수행할 수 있다.1
전통적인 AI와의 차이는 자율성에 있다. 기존 AI가 특정 작업마다 사람의 입력을 요구하는 경우가 많았다면, AI 에이전트는 주어진 목표와 맥락 안에서 스스로 판단하고 행동하며, 학습을 통해 성능을 개선할 수 있다.1
작동 방식은 순환 구조에 가깝다. 에이전트는 고객 상호작용, 거래 이력, 소셜미디어 같은 여러 데이터 소스에서 맥락 정보를 수집하고, 이를 처리해 의사결정을 내린다. 이후 고객 문의 응답, 요청 처리, 복잡한 이슈의 사람 이관 같은 행동을 실행하고, 결과를 바탕으로 다시 학습한다.1
그래서 AI 에이전트는 단순한 챗봇보다 넓은 개념이다. 현대적 에이전트는 보통 LLM, 메모리, 페르소나, 도구를 조합해 작동한다.1 메모리도 단기 기억, 장기 기억, 에피소드 기억, 다중 에이전트 환경의 합의 기억처럼 목적에 따라 나뉠 수 있다.1 결국 중요한 것은 “말을 잘하는 AI”가 아니라 “맥락을 기억하고 도구를 사용해 일을 끝내는 AI”다.
Salesforce 사례에서 봐야 할 것은 생산성보다 작업 구조다
Salesforce는 Claude Code 도입 이후 개발 생산성 지표가 개선됐다고 밝혔다. 2026년 4월 기준 개발자당 완료 작업 항목은 전년 동월 대비 50.8%, 개발자당 병합된 풀리퀘스트는 79% 증가했다.2
가장 눈에 띄는 사례는 API 이전 작업이다. Salesforce는 33개 API 엔드포인트를 새 클라우드 네이티브 아키텍처로 이전하는 작업을 13일 만에 완료했다고 밝혔다. 이 과정에서 풀리퀘스트 5개가 생성됐고, 가장 큰 단일 풀리퀘스트는 21개 엔드포인트를 포함했다.2
이 사례를 “AI가 개발자를 대체했다”는 식으로 읽으면 핵심을 놓치기 쉽다. 더 실용적인 해석은 다르다. 반복 가능하고 패턴이 있는 작업을 에이전트가 처리할 수 있도록 나누고, 규칙과 예시, 검토 절차를 붙였을 때 개발 속도가 달라질 수 있다는 점이다.
개발자의 역할도 바뀐다. 직접 모든 코드를 작성하는 사람에서, 문제를 구조화하고, 에이전트가 참고할 패턴을 정의하고, 결과물을 검토하며, 실패 가능성을 통제하는 사람으로 이동한다. 즉 생산성 향상은 “AI 도구를 켰기 때문에”가 아니라 “업무를 AI 에이전트가 실행 가능한 형태로 정리했기 때문에” 발생한다.
도입 기준은 “얼마나 빠른가”보다 “얼마나 통제 가능한가”다
기업이 AI 에이전트를 도입할 때 먼저 확인해야 할 기준은 속도가 아니다. 통제 가능성이다.
첫째, 에이전트가 접근할 데이터와 도구의 범위가 명확해야 한다. 에이전트는 여러 데이터 소스에서 맥락을 수집하고 도구를 실행할 수 있기 때문에, 접근 권한이 넓어질수록 효과와 위험이 함께 커진다.
둘째, 결과를 검증하고 되돌릴 수 있어야 한다. 코드 생성, 고객 응답, 요청 처리처럼 실제 업무 결과에 영향을 주는 행동은 반드시 검토와 롤백 절차가 필요하다.
셋째, 사람에게 넘기는 기준이 있어야 한다. AI 에이전트는 복잡한 이슈를 사람에게 이관할 수 있어야 하며, 어떤 상황에서 자동 처리를 멈출지 명확해야 한다.1
Salesforce의 Agentforce는 에이전트 빌더의 한 예로 제시된다.1 Salesforce는 Agentforce를 통해 AI 에이전트를 빌드, 배포, 관리하는 방식을 강조하고 있으며,3 에이전트가 늘어날수록 성능과 상태를 관찰하는 도구의 중요성도 커지고 있다.4
실무자가 얻을 교훈
Salesforce의 사례가 모든 조직에 그대로 적용된다고 보기는 어렵다. 조직마다 코드베이스, 데이터 품질, 검토 문화, 자동화 수준이 다르기 때문이다. 따라서 숫자만 보고 “우리도 같은 효과를 낼 수 있다”고 판단해서는 안 된다.
대신 배울 점은 분명하다. AI 에이전트 도입의 출발점은 도구 선택이 아니라 업무 분해다. 다음 질문에 답할 수 있어야 한다.
어떤 업무가 반복 가능하고 패턴화되어 있는가?
에이전트가 참고할 규칙과 예시는 충분한가?
결과를 검증할 테스트나 리뷰 절차가 있는가?
실패했을 때 되돌리거나 사람에게 넘길 수 있는가?
에이전트의 판단 과정과 실행 결과를 추적할 수 있는가?
결론적으로 AI 에이전트는 개발자를 대체하는 버튼이 아니다. 반복 가능한 업무를 규칙, 도구, 검증 루프로 감싸고 사람이 감독하는 실행 시스템으로 바꾸는 기술이다.
Salesforce 사례의 의미도 여기에 있다. 앞으로의 생산성 차이는 단순히 “AI를 쓰는가”가 아니라 “일을 에이전트가 수행할 수 있는 구조로 나눴는가”에서 갈릴 가능성이 크다.
1What Are AI Agents? Defining Human-Agent Partnerships in Asia
2Salesforce claims AI agents cut a 231-day migration to 13 days with fewer incidents
3Build, deploy, and manage AI agents at scale.
4Salesforce unveils observability tools to manage and optimize AI agents
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.