AI 앱 딜리버리 Top 10: 맞춤형 애플리케이션 요구사항

업계 동향 | 2026년 7월 30일

기존 ADC09 항목에서는 실용적인 관찰을 제시합니다. 모든 애플리케이션이 표준화된 제공 모델에 꼭 들어맞는 것은 아닙니다. 일부 애플리케이션에는 기본 부하 분산 및 보안 패턴의 범위를 벗어나는 맞춤형 라우팅, 특수 통합 또는 고유한 처리가 필요합니다. 여기서 얻을 수 있는 결론 역시 실용적입니다. 모든 애플리케이션을 동일한 틀에 억지로 맞추려 하면 애플리케이션이 제대로 작동하지 않거나 운영 부담이 커집니다. 해결책은 언제나 제공 계층의 프로그래밍 가능성이었습니다. 이를 통해 모든 것을 다시 작성하지 않고도 상황에 맞게 조정할 수 있습니다.

그 전제는 여전히 유효합니다.

달라진 점은 AI로 인해 이런 방식으로 작동하는 애플리케이션의 수가 급격히 늘었다는 것입니다. 과거에는 예외적인 사례였던 것들이 빠르게 일반적인 현상으로 자리 잡고 있습니다.

AI 시스템은 정적이지 않습니다. 여러 요소가 조합되고 맥락에 따라 작동하며, 요청을 처리하는 방식도 점점 더 자율적으로 변하고 있습니다. 이는 이제 ‘맞춤형’이라는 특성이 일부 애플리케이션에만 국한되지 않고 아키텍처 자체의 특성이 되었음을 의미합니다.

맞춤형 AI 애플리케이션 요구사항이 초래하는 결과

가용성에 미치는 영향

기존 시스템에서는 맞춤형 요구사항으로 인해 라우팅 및 장애 조치에 사용자 지정 로직이 추가되면서 가용성 확보가 복잡해지는 경우가 많았습니다. 표준 패턴은 예측 가능한 동작을 전제로 합니다. 애플리케이션이 이러한 전제에서 벗어나면 그에 맞게 가용성 전략을 조정해야 합니다.

AI는 문제의 초점을 요청 라우팅에서 의사결정 완료로 전환합니다.

AI 시스템에 대한 요청은 단순한 트랜잭션이 아닙니다. 여기에는 모델 선택, 컨텍스트 검색, 정책 적용, 응답 생성, 그리고 경우에 따라 추가 서비스나 도구 호출이 포함될 수 있습니다. 이러한 각 단계는 서로 독립적으로 성공하거나 실패할 수 있으며, 지연 시간 임계값, 비용 한도, 규제 요건 등 서로 다른 제약 조건이 적용될 수 있습니다.

이는 가용성이 더 이상 단순히 엔드포인트에 접근할 수 있는지 여부만을 의미하지 않는다는 뜻입니다. 이제 가용성은 시스템이 요청을 처리하는 데 필요한 전체 의사 결정 과정을 성공적으로 수행할 수 있는지에 달려 있습니다.

모든 구성 요소가 기술적으로 정상인데도 애플리케이션이 답변을 생성하지 못하는 시스템이 있을 수 있습니다. 모델을 사용할 수는 있지만 특정 데이터 세트에는 사용이 허용되지 않을 수 있습니다. 검색 단계에서 데이터를 반환하더라도 정책상 해당 데이터를 사용할 수 없을 수 있습니다. 에이전트가 워크플로를 시작했지만 필수 작업이 차단되어 완료하지 못할 수도 있습니다.

이로 인해 기존과는 다른 유형의 가용성 문제가 발생합니다. 전통적인 장애 조치는 요청을 다른 곳으로 보낼 수 있다는 전제에 기반합니다. 하지만 AI 시스템에서는 작업을 완료할 수 있는 대체 방법을 찾아야 하는 경우가 많습니다. 이를 위해서는 단순히 인프라에 이중화를 적용하는 것을 넘어, 전송 계층에서 동적으로 의사 결정을 내려야 합니다.

확장성에 미치는 영향

원문에서는 맞춤형 통합에 의존하는 애플리케이션을 확장하기가 어렵다는 점을 강조합니다. 종속성이 추가될 때마다 복잡성이 증가하며, 규모를 확장하려면 이러한 통합을 효과적으로 관리하기 위한 추가 개발 작업이 필요한 경우가 많습니다. AI는 본질적으로 여러 요소의 조합을 기반으로 구축되므로 이러한 문제를 더욱 심화시킵니다.

AI 기반 애플리케이션은 여러 모델, 벡터 데이터베이스, API 및 외부 데이터 소스에 의존할 수 있습니다. 이러한 요소의 조합은 고정되어 있지 않으며, 요청이나 사용자 또는 맥락에 따라 달라질 수 있습니다. 이러한 가변성이 확장성을 좌우하는 핵심 요인이 됩니다.

확장성은 더 이상 초당 더 많은 요청을 처리하는 것만을 의미하지 않습니다. 이제는 요청마다 더 다양한 동작 조합을 처리하는 것이 중요합니다.

모든 변형을 애플리케이션 코드로 구현해야 한다면 시스템은 금세 관리하기 어려워집니다. 변경에 따른 위험은 커지고 배포 속도는 느려지며, 애플리케이션은 조건부 로직을 덧붙인 누더기 같은 구조로 변합니다.

따라서 기존 애플리케이션에 적용하던 동일한 해결책이 더욱 중요해집니다. 이러한 가변성을 애플리케이션 외부로 분리해 전송 계층으로 옮기는 것입니다. 라우팅 결정은 오케스트레이션 결정으로 확장되고, 서비스 삽입은 동적 구성으로 발전합니다. 전송 계층은 각 요청을 처리하는 데 적합한 구성 요소 조합을 선택하는 역할을 맡게 됩니다.

그러한 전환이 없다면 확장성은 자체적인 복잡성을 감당하지 못하고 무너집니다.

운영 효율성에 미치는 영향

맞춤형 요구사항은 언제나 운영 부담을 가중해 왔습니다. 예외 사항이 생길 때마다 유지 관리가 필요하고, 맞춤 설정이 추가될 때마다 또 하나의 장애 지점이 생깁니다. 시간이 지나면서 이러한 요소가 누적되면 관리하기는 더 어렵고 발전 속도는 더딘 시스템이 됩니다. 이것이 바로 운영 부채이며, AI는 그 누적을 가속합니다.

이제 시스템은 사전 정의된 경로를 처리하는 데 그치지 않고, 경로 자체를 생성합니다. 프롬프트에 따라 서로 다른 실행 경로가 트리거될 수 있습니다. 에이전트는 사전에 명시적으로 설계되지 않은 방식으로 여러 작업을 연계할 수 있습니다. 새로운 모델과 서비스가 정기적으로 도입되며, 각각 고유한 특성과 제약 조건을 지닙니다.

이로 인해 운영팀이 고려해야 할 변수가 끊임없이 발생합니다.

이러한 변동을 관리하는 유일한 방법이 애플리케이션 코드를 수정하거나 정적 구성을 업데이트하는 것뿐이라면 시스템은 취약해집니다. 팀은 시스템 전체를 관리하는 대신 예외적인 상황에 대응하는 데 시간을 쏟게 됩니다. 환경 간에 불일치가 발생하고 동작도 점차 달라집니다.

따라서 운영 효율성은 이러한 가변성을 중앙에서 통제할 수 있는지에 달려 있습니다. 전송 계층은 안정화 장치로 작동하여, 끊임없이 변화하는 시스템 전반의 차이를 흡수하고 일관된 정책을 적용해야 합니다. 그렇지 않으면 맞춤형 운영은 순식간에 혼란으로 변합니다.

맞춤형 요구사항 관리를 위한 모범 사례

프로그래밍 기능을 핵심 역량으로

AI든, 전통적인 방식이든, 현대적인 방식이든, 또는 <여기에 차세대 기술 삽입>이든, 맞춤형 요구 사항을 처리하는 핵심은 여전히 프로그래밍 가능성입니다. 애플리케이션에 로직을 하드코딩하는 대신, 다양한 요구에 맞게 조정할 수 있는 프로그래밍 가능한 계층을 전송 경로에 도입합니다.

AI 시스템은 빠르게 발전하기 때문에 AI에서는 이러한 프로그래밍 가능성이 필수적입니다. 새로운 모델이 도입되고, 정책이 변경되며, 데이터 소스가 바뀌고, 새로운 상호작용 패턴이 나타납니다. 설계 단계에서 이 모든 것을 예측할 수는 없으며, 무언가가 바뀔 때마다 애플리케이션을 다시 구축할 수도 없습니다.

프로그래밍 가능한 전송 계층을 사용하면 기존 환경에서 바로 변화에 대응할 수 있습니다. 요청을 검사하고, 컨텍스트 인식 라우팅을 적용하며, 입력과 출력을 수정하고, 필요에 따라 서비스를 추가하거나 제거할 수 있습니다. 무엇보다도 이러한 작업을 여러 애플리케이션에 걸쳐 일관되게 수행할 수 있습니다.

바로 이 지점에서 애플리케이션 딜리버리는 단순한 배관 작업이 아니라 제어 플레인에 가까워지기 시작합니다. 단순히 트래픽을 전달하는 데 그치지 않고, 시스템의 동작 방식을 결정합니다.

트래픽 조정이 의사결정 라우팅으로 진화하다

기존의 애플리케이션 전송은 트래픽을 적절한 대상으로 보내는 데 중점을 둡니다. 지금까지는 항상 “이 요청을 어디로 보내야 하는가?”가 핵심 질문이었습니다. AI는 이 질문을 한층 더 정교한 “이 요청을 처리하는 가장 좋은 방법은 무엇인가?”로 바꿉니다.

때로는 지연 시간, 비용 또는 규정 준수 요구 사항에 따라 여러 모델 중 하나를 선택하는 것을 의미합니다. 때로는 요청을 모델에 보내기 전에 추가 컨텍스트를 더하는 것을 의미합니다. 때로는 AI를 완전히 우회하고 더 정확하거나 규정을 준수하는 답변을 제공할 수 있는 결정론적 서비스로 라우팅하는 것을 의미합니다.

이제 결정의 핵심은 단순히 위치가 아니라 실행 방식입니다.

이러한 변화로 라우팅은 더 높은 수준의 기능으로 자리 잡게 됩니다. 라우팅은 가능한 여러 기능 중에서 요청이 거쳐 갈 경로를 선택하는 역할을 맡게 됩니다. 이는 또한 전송 계층이 단순한 네트워크 상태를 넘어 더 폭넓은 정보를 파악해야 한다는 의미이기도 합니다. 정책과 맥락, 그리고 원하는 결과를 인지해야 합니다.

이는 ADC09가 줄곧 주장해 온 바를 자연스럽게 확장한 것입니다. 애플리케이션마다 고유한 요구 사항이 있다면 전송 계층도 이에 맞게 조정되어야 합니다. AI는 단지 이러한 조정이 이루어지는 수준을 한 단계 높일 뿐입니다.

결론

기능으로서의 프로그래밍 가능성은 애플리케이션이 획일적이지 않으며 인프라는 각 애플리케이션의 차이를 수용해야 한다는 단순한 사실을 늘 전제로 해 왔습니다. 이 사실은 지금도 변함이 없습니다.

AI는 이러한 차이가 발생하는 빈도와 그 복잡성을 모두 높입니다. 시스템은 더욱 동적으로 변하고, 더 많은 요소가 조합되는 형태를 띠며, 런타임 의사 결정에 대한 의존도도 커집니다. 이에 따라 ‘표준’ 애플리케이션 경로라는 개념을 유지하기가 점점 더 어려워집니다.

대응 방식은 늘 그래왔듯 동일하지만, 그 어느 때보다 시급합니다.

딜리버리 계층에는 프로그래밍 가능성이 필요합니다. 요청이 처리되고 라우팅되며 이행되는 방식을 중앙에서 제어할 수 있어야 합니다. 또한 무언가 변경될 때마다 애플리케이션을 다시 작성하지 않고도 새로운 요구 사항에 대응할 수 있어야 합니다.

AI 중심 아키텍처에서는 맞춤형 요구사항이 더 이상 예외적으로 고려해야 할 대상이 아니기 때문입니다.

그것이 바로 설계의 기준이 되는 운영 모델입니다.

전 세계 조직이 직면한 애플리케이션 딜리버리의 10대 과제에 대해 자세히 알아보세요.

작성자 소개

Lori Mac Vittie수석 엔지니어 겸 최고 에반젤리스트 | F5

Lori MacVittie는 F5 CTO 오피스의 수석 엔지니어이자 최고 에반젤리스트로, 애플리케이션 딜리버리, 자동화 전략 및 인프라 분야에서 깊이 있는 전문성을 보유하고 있습니다. AI 에이전트를 위한 가드레일을 정의하고, 취약한 멀티클라우드 아키텍처를 분석하며, 확장 가능한 시스템의 한계를 탐구하는 등 복잡한 문제를 명확하게 풀어내는 것으로 잘 알려져 있습니다. 애플리케이션 개발, IT 아키텍처, 네트워크 및 시스템 운영 전반에 걸쳐 30년 이상의 업계 경험을 쌓았습니다. F5에 합류하기 전에는 수상 경력이 있는 기술 편집자로 활동했습니다. MacVittie는 컴퓨터 과학 석사 학위를 보유하고 있으며, 보안, 클라우드 및 엔터프라이즈 아키텍처 분야를 아우르는 다수의 저서를 집필한 작가입니다. 또한 보드게임과 비디오 게임을 열정적으로 즐기며, 치즈에 대해서는 거리낌 없이 확고한 견해를 갖고 있습니다.

Lori Mac Vittie의 다른 블로그 게시물