F5 2025 기술 전망

생성형 AI가 2024년 기업에 가장 큰 영향을 미친 요소 중 하나인 것은 분명하지만, 주목받고 있는 트렌드나 기술은 이것만이 아닙니다. 비용과 복잡성이 소용돌이처럼 커지면서 퍼블릭 클라우드의 워크로드, 특히 스토리지와 데이터를 다시 사내 환경으로 이전하려는 움직임이 확산되고 있습니다. 이러한 움직임은 AI가 약속하는 이점을 활용할 수 있도록 기업의 데이터 환경을 정비해야 한다는 필요성에서도 비롯된 것이 분명합니다.

이에 따라 기업의 IT 환경은 퍼블릭 클라우드, 온프레미스, 엣지 컴퓨팅 전반에 걸친 하이브리드 형태로 남게 됩니다. 퍼블릭 클라우드에서 온프레미스로 워크로드가 상당 부분 이동할 것으로 예상되지만, 기업이 어느 한 환경에만 전적으로 의존하지는 않을 것으로 봅니다. 기업은 지금까지 그래왔듯 확고한 하이브리드 전략을 유지할 것입니다.

이로 인해 기업은 서로 다른 환경 전반에서 보안, 제공 및 운영을 표준화하는 데 상당한 어려움을 겪게 됩니다. 복잡하게 얽힌 API와 도구는 여전히 디지털 비즈니스의 안정성과 확장성을 위협하는 요인으로 남아 있습니다.

이러한 맥락에서 F5는 기술과 해당 기술이 기업에 미칠 수 있는 영향, 나아가 애플리케이션 딜리버리 및 보안에 미치는 영향을 살펴봅니다. 그 결과는 F5의 계획과 전략, 그리고 새로운 기술에 대한 추가 연구에 반영됩니다. 이러한 관점에서 엄선된 F5 기술 전문가들이 2025년 기업과 애플리케이션 딜리버리에 가장 큰 영향을 미칠 것으로 예상되는 5가지 핵심 기술에 대한 인사이트를 공유합니다.

2025년 기술 #1: WebAssembly

이러한 현실로 인해 WebAssembly(Wasm)가 2025년에 주목해야 할 첫 번째 기술로 떠오르고 있습니다. Wasm은 하이브리드 멀티클라우드 환경 전반에서 이식성을 확보할 수 있는 길을 제시하며, Wasm 런타임이 작동하는 곳이라면 어디서든 애플리케이션을 배포하고 실행할 수 있게 해줍니다. 하지만 Wasm은 단순히 코드의 교차 플랫폼 이식 가능성을 실현하는 데 그치지 않습니다. 성능 및 보안 측면의 이점을 제공하는 동시에 브라우저 기반 애플리케이션의 기능을 강화할 새로운 가능성을 열어줍니다.

Oscar Spencer, 수석 엔지니어의 설명입니다:

브라우저의 WebAssembly는 2025년 내내 큰 변화를 겪지는 않을 것으로 예상됩니다. 가장 중요한 업데이트는 이미 Chrome에 통합된 WebAssembly 가비지 컬렉션(GC)에 대한 지속적인 지원입니다. 이는 GC 의존도가 높고 브라우저 환경에서 입지를 확대하려는 Dart 및 Kotlin과 같은 언어에 도움이 될 것입니다. 브라우저 내 Python 활용도 개선될 가능성이 있지만, 그 전반적인 영향을 예측하기에는 아직 이릅니다.

하지만 더 큰 발전은 WASI(WebAssembly System Interface) 프리뷰 3의 출시와 함께 브라우저 외부에서 이루어지고 있습니다. 이번 업데이트에서는 비동기 처리와 스트림이 도입되어 프록시 등 다양한 환경에서 스트리밍 데이터를 처리할 때 발생하던 주요 문제가 해결됩니다. WASI 프리뷰 3는 Wasm 모듈 안팎으로 데이터를 효율적으로 이동하는 방법을 제공하며, 요청 본문 전체를 처리하지 않고 헤더만 수정하는 것처럼 데이터를 세밀하게 제어할 수 있게 해 줍니다. 또한 비동기 처리의 도입으로 언어 간 조합성이 향상되어 비동기 코드와 동기 코드가 원활하게 상호 작용할 수 있으며, 이는 특히 Wasm 네이티브 언어에 유용합니다. WASI 표준이 안정화됨에 따라 Wasm 도입이 크게 늘어날 것으로 예상되며, 개발자들은 이러한 발전을 토대로 구축하는 데 필요한 강력한 도구와 신뢰할 수 있는 플랫폼을 제공받게 될 것입니다.

Wasm이 이전 기술에 내재된 이식성 문제 중 일부를 해결할 수 있다고 가정하면, 오늘날 조직의 95%가 겪고 있는 이식성 문제는 운영과 같은 IT 기술 스택의 다른 핵심 계층으로 옮겨갈 것입니다.

이러한 과제를 해결하기 위해 생성형 AI가 빠르게 발전하고 있으며, AIOps의 미래도 점차 현실로 다가오고 있습니다. 풀스택 옵저버빌리티를 바탕으로 한 AI 기반 분석이 변경 사항과 정책을 주도한다는 이 환상적인 운영 비전은 생성형 AI의 놀라운 발전 속도에 힘입어 날이 갈수록 현실에 가까워지고 있습니다.

2025년 기술 #2: 에이전틱 AI

불과 1년도 채 되지 않아 AI 기능을 대체하는 에이전트가 등장했습니다. 에이전틱 AI(Agentic AI),라고 불리는 이 기술은 운영 방식을 재편하는 데 그치지 않고 기업용 소프트웨어 시장 전체를 대체할 태세입니다. 거의 20년 동안 SaaS가 주도해 온 워크플로를 AI로 자동화하는 사례만 보더라도 이 기술이 얼마나 큰 파괴적 변화를 가져올지 알 수 있습니다.

Laurent Quérel, 수석 엔지니어의 설명입니다:

자율 코딩 에이전트는 코드 생성, 테스트, 최적화와 같은 핵심 작업을 자동화하여 소프트웨어 개발에 혁신을 가져올 것으로 기대됩니다. 이러한 에이전트는 개발 프로세스를 크게 간소화해 수작업을 줄이고 프로젝트 진행 속도를 높일 것입니다. 한편, 대규모 멀티모달 에이전트(LMA)의 등장으로 AI의 역량은 텍스트 기반 검색을 넘어 더욱 복잡한 상호작용으로 확장될 것입니다. 이러한 에이전트는 웹 페이지와 상호작용하고 텍스트, 이미지, 동영상 등 다양한 형식에서 정보를 추출함으로써 온라인 콘텐츠에 접근하고 이를 처리하는 방식을 향상할 것입니다.

AI 에이전트가 인터넷을 재편함에 따라 웹사이트와 안전하고 효율적으로 상호작용할 수 있도록 설계된 에이전트 전용 브라우징 인프라가 개발될 것입니다. 이러한 변화는 복잡한 웹 작업을 자동화하여 전자상거래와 같은 산업에 큰 변화를 일으키고, 더욱 개인화된 대화형 온라인 경험을 제공할 수 있습니다. 그러나 이러한 에이전트가 일상생활에 더욱 깊이 통합될수록 AI 인증, 데이터 개인정보 보호, 잠재적 오용과 관련된 우려를 해소하기 위한 새로운 보안 프로토콜과 규제가 필수적일 것입니다. 2028년에는 상당수의 기업용 소프트웨어에 AI 에이전트가 도입되어 업무 프로세스를 혁신하고, 반복적인 워크플로에서 더 빠른 토큰 생성을 통해 실시간 의사결정을 지원할 것으로 예상됩니다. 또한 이러한 발전은 에이전트 주도형 웹 개발을 위한 새로운 도구와 플랫폼의 탄생으로 이어져 디지털 환경에 중요한 이정표를 세울 것입니다.

하지만 사실 AI의 이점을 최대한 활용하려면 데이터가 필요하며, 그것도 아주 많이 필요합니다. 이는 상당한 과제입니다. 조직의 거의 절반(47%)이 AI를 위한 데이터 전략을 마련하지 못했다고 인정하고 있기 때문입니다 (https://www.f5.com/state-of-application-strategy-report). 이는 결코 간단한 문제가 아닙니다. 조직이 보유한 데이터의 양은 정형 데이터, 비정형 데이터, 실시간 지표를 모두 아우르며 상상을 초월합니다. 이러한 데이터를 단순히 목록화하는 데에도 상당한 투자가 필요합니다.

2025년 기술 #3: 데이터 분류

공격 표면의 급격한 확대로 인한 보안 우려, 데이터 개인정보 보호 및 규정 준수에 관한 새로운 규제, 새로운 데이터 소스와 위협 벡터의 등장까지 더해지면서 강력한 실시간 데이터 분류 기술이 부상하기에 완벽한 여건이 조성되고 있습니다. 실제로 생성형 AI 모델은 기업 데이터를 탐지하고 분류하는 데 있어 기존의 규칙 기반 시스템을 능가할 것으로 예상됩니다.

James Hendergart, 기술 연구 부문 수석 이사는 다음과 같이 설명합니다:

2024년에는 여러 추세가 맞물리면서 데이터 분류의 중요성이 크게 높아졌습니다. 지속적인 디지털 전환과 더불어 데이터, 디바이스, 애플리케이션이 폭발적으로 증가하면서 사이버 위협에 노출되는 공격 표면이 대폭 확대되었습니다. 취약성이 증가하고 데이터 침해가 끊이지 않으면서 강력한 데이터 보호의 필요성이 더욱 부각되었습니다. 동시에 데이터 개인정보 보호와 규정 준수를 위한 규제가 확대되면서 조직들은 데이터 분류를 더욱 우선시하게 되었습니다. 분류가 개인정보 보호의 출발점이기 때문입니다. 또한 생성형 AI의 부상으로 새로운 데이터 소스와 공격 벡터가 등장하면서 데이터 보안 과제는 한층 더 복잡해졌습니다.

기업 데이터의 약 80%는 비정형 데이터입니다. 앞으로 생성형 AI 모델은 비정형 기업 데이터를 탐지하고 분류하는 데 선호되는 방식으로 자리 잡아 95% 이상의 정확도를 제공할 것입니다. 이러한 모델은 시간이 지날수록 효율성이 향상되어 더 적은 컴퓨팅 성능으로 더 빠른 추론이 가능해질 것입니다. 데이터 보안 태세 관리(DSPM), 데이터 손실 방지(DLP), 데이터 액세스 거버넌스와 같은 솔루션은 다양한 보안 서비스를 제공하기 위한 기반으로서 민감 데이터 탐지 및 분류에 점점 더 의존하게 될 것입니다. 네트워크와 데이터 전송 서비스가 융합됨에 따라 플랫폼 통합이 가속화되고, 공급업체들은 변화하는 기업의 요구를 충족하는 포괄적이고 비용 효율적이며 사용하기 쉬운 플랫폼을 제공해 시장 점유율을 확보하고자 자사 제품과 서비스를 강화할 것입니다.

생산성 향상부터 워크플로 자동화, 콘텐츠 제작에 이르기까지 다양한 분야에서 생성형 AI를 활용하려는 조직들의 공통된 요구에 따라, 조직이 AI 기능을 도입하기 시작하면서 새로운 애플리케이션 아키텍처 패턴이 등장하고 있습니다. 이 패턴은 기존의 클라이언트, 서버, 데이터라는 3계층 구조를 확장해 추론이 수행되는 새로운 AI 계층을 포함합니다.

2025년 기술 #4: AI 게이트웨이

이 새로운 계층은 주목해야 할 네 번째 기술인 AI 게이트웨이의 개념을 정립하는 데 기여하고 있습니다. AI 게이트웨이는 단순한 API 게이트웨이나 웹 게이트웨이가 아닙니다. 기본 기능은 API 게이트웨이와 유사하지만, 양방향 비정형 트래픽의 특수한 아키텍처 요구 사항과 증가하는 ‘선한’ 봇 사용자 기반을 지원하려면 새로운 기능이 필요합니다.

Ken Arora, 수석 엔지니어의 설명입니다:

AI 게이트웨이는 AI 애플리케이션의 요구 사항을 충족하도록 특별히 설계된 API 게이트웨이의 자연스러운 진화 형태로 부상하고 있습니다. 클라우드 액세스 보안 브로커(CASB)가 엔터프라이즈 SaaS 앱 보안에 특화되어 있는 것처럼, AI 게이트웨이는 원치 않는 데이터 노출로 이어지는 경우가 많은 환각, 편향, 탈옥과 같은 고유한 문제에 중점을 둘 것입니다. AI 애플리케이션의 자율성이 높아짐에 따라 게이트웨이는 강력한 가시성과 거버넌스, 공급망 보안도 제공해야 합니다. 이를 통해 이제 잠재적인 공격 경로가 된 학습 데이터 세트와 서드 파티 모델의 무결성을 보장해야 합니다. 또한 AI 앱이 성장함에 따라 기존 애플리케이션보다 운영 비용이 훨씬 많이 든다는 점을 고려하면 분산 서비스 거부(DDoS) 공격과 비용 관리 같은 문제가 중요해집니다. 아울러 요약 및 패턴 분석과 같은 작업을 위해 AI 앱과 공유하는 데이터가 늘어나면서 더욱 정교한 데이터 유출 방지 기능이 필요해질 것입니다.

향후 AI 게이트웨이는 리버스 프록시와 포워드 프록시를 모두 지원해야 하며, 단기적으로는 AI 생산보다 AI 소비가 더 빠르게 증가함에 따라 포워드 프록시가 핵심적인 역할을 하게 될 것입니다. 또한 벡터 데이터베이스와 대규모 언어 모델(LLM) 간의 상호작용처럼 AI 애플리케이션 내부 구성 요소 간의 상호작용을 관리하는 데 미들 프록시도 필수적일 것입니다. 위협의 성격이 변화함에 따라 보안에 접근하는 방식도 달라져야 합니다. 사람을 대신해 행동하는 자동화 에이전트가 클라이언트의 상당수를 차지하게 되면서, 현재의 봇 보호 모델은 정상적인 봇과 악성 봇을 구분하는 방향으로 발전할 것입니다. AI 게이트웨이는 제로 트러스트 원칙을 바탕으로 위임 인증, 행동 분석, 최소 권한 적용과 같은 고급 정책을 도입해야 합니다. 여기에는 위험 인지형 정책과 향상된 가시성이 포함되며, 이를 통해 강력한 거버넌스를 유지하면서 AI로 인한 보안 침해를 효과적으로 억제할 수 있습니다.

가장 시급한 과제는 데이터와 관련된 기존의 보안 문제(유출, 누설)뿐만 아니라 환각과 편향에 관한 윤리적 문제까지 해결할 수 있는 역량을 갖추는 것입니다. 이 주제에 관한 거의 모든 설문조사에서 후자가 중대한 위험으로 꼽히는 것은 놀라운 일이 아닙니다.

2025년 기술 #5: 소형 언어 모델

환각과 편향 문제를 고려할 때, 검색 증강 생성(RAG)과 소형 언어 모델(SLM)의 활용이 증가하는 추세를 간과해서는 안 됩니다. RAG는 대규모 언어 모델이 생성하는 정보의 구체성과 정확성을 높일 수 있다는 점에서 생성형 AI의 핵심 아키텍처 패턴으로 빠르게 자리 잡았습니다. RAG는 검색 시스템과 생성 모델의 강점을 결합함으로써 AI의 주요 과제 중 하나인 환각, 즉 부정확하거나 오해를 불러일으키는 정보 생성 문제에 대한 해결책을 제시합니다.

아직 AI 전략에 RAG를 통합하지 않은 조직은 데이터의 정확성과 관련성을 크게 향상할 기회를 놓치고 있습니다. 특히 실시간 정보 검색과 맥락에 맞는 응답이 필요한 작업에서 더욱 그렇습니다. 그러나 생성형 AI의 활용 사례가 확대되면서 조직들은 RAG만으로는 일부 문제를 해결할 수 없다는 사실을 깨닫고 있습니다.

수석 엔지니어 Lori MacVittie는 다음과 같이 설명합니다:

LLM의 한계, 특히 특정 도메인이나 조직에 특화된 지식을 다룰 때 정확성이 떨어지는 문제가 점차 두드러지면서 소규모 언어 모델의 도입이 가속화되고 있습니다. LLM은 일반 지식 분야에서는 매우 강력하지만, 전문 분야에서 정확하고 미묘한 차이까지 반영한 정보를 제공해야 할 때는 종종 한계를 드러냅니다. 바로 이 지점에서 SLM이 강점을 발휘합니다. SLM은 특정 지식 영역에 맞게 설계되어 더욱 신뢰할 수 있고 목적에 부합하는 결과를 제공합니다. 또한 SLM은 전력과 컴퓨팅 자원을 훨씬 적게 사용하므로, 모든 사용 사례에서 LLM의 방대한 기능이 필요하지 않은 기업에 더욱 비용 효율적인 솔루션이 될 수 있습니다.

현재 SLM은 의료나 법률과 같은 특정 산업 분야의 데이터를 학습한 산업 특화형 모델인 경우가 많습니다. 이러한 모델은 적용 범위가 더 좁지만, 비용과 복잡성 측면에서 LLM보다 학습 및 배포가 훨씬 용이합니다. 전문적인 데이터 요구 사항에 더 잘 부합하는 솔루션을 찾는 조직이 늘어남에 따라, 검색 증강 생성 방식만으로는 환각 현상을 완전히 줄일 수 없는 상황에서 SLM이 LLM을 대체할 것으로 예상됩니다. 시간이 지날수록 높은 정확성과 효율성이 무엇보다 중요한 사용 사례에서 SLM이 점차 주류로 자리 잡으며, 조직에 LLM보다 더 정밀하고 리소스 효율적인 대안을 제공할 것으로 전망됩니다.

미래 전망: 트랜스포머를 넘어서

막대한 컴퓨팅 리소스 없이도 현대 애플리케이션의 복잡성 증가를 처리할 수 있는, 더욱 효율적인 AI 모델의 필요성이 빠르게 현실적인 과제로 떠오르고 있습니다. 트랜스포머 모델은 강력하지만, 특히 AI 모델의 규모가 커질수록 확장성, 메모리 사용량, 성능 측면에서 한계가 있습니다. 이에 따라 높은 정확도를 유지하면서도 연산 오버헤드를 줄이는 아키텍처를 개발하려는 움직임이 활발해지고 있습니다. 또한 다양한 기기와 사용 사례에서 AI를 활용할 수 있도록 접근성을 높이려는 AI 민주화에 대한 요구는 하드웨어 요구 사항을 최소화하면서 정밀도를 최적화하도록 설계된 1비트 대규모 언어 모델과 같은 혁신 기술의 도입을 더욱 가속화하고 있습니다.

이러한 요구는 AI가 트랜스포머를 넘어 진화하도록 이끌고 있습니다.

최고혁신책임자 쿠날 아난드는 다음과 같이 설명합니다:

새로운 패러다임이 부상하고 있습니다. 새로운 신경망 아키텍처와 혁신적인 최적화 기술이 융합되면서 다양한 애플리케이션과 기기에서 누구나 AI를 손쉽게 배포할 수 있는 길이 열리고 있습니다.

AI 커뮤니티에서는 이미 신경망 설계 분야에서 포스트 트랜스포머 혁신의 초기 징후가 나타나고 있습니다. 이러한 새로운 아키텍처는 콘텐츠를 이해하고 생성하는 탁월한 역량을 유지하거나 향상하는 동시에, 현재 트랜스포머 모델의 근본적인 한계를 해결하는 것을 목표로 합니다. 가장 유망한 발전 중 하나는 고도로 최적화된 모델, 특히 1비트 대규모 언어 모델의 등장입니다. 이러한 혁신은 모델 효율성에 접근하는 방식의 근본적인 전환을 의미하며, 정밀도가 낮아졌음에도 모델 성능을 유지하면서 메모리 요구량과 연산 오버헤드를 획기적으로 줄여 줍니다.

이러한 발전의 영향은 여러 단계에 걸쳐 AI 생태계 전반으로 확산될 것입니다. 가장 먼저 나타날 효과는 AI 배포에 필요한 리소스가 줄어드는 것입니다. 과거에는 막대한 컴퓨팅 자원과 메모리가 필요했던 모델도 훨씬 적은 오버헤드로 효율적으로 작동하게 될 것입니다. 이러한 최적화는 컴퓨팅 아키텍처의 변화를 촉발하여, GPU는 학습 및 미세 조정 작업에 특화되고 CPU는 새롭게 향상된 역량을 바탕으로 추론 워크로드를 처리하게 될 가능성이 있습니다.

이러한 변화는 민주화와 지속 가능성을 중심으로 한 2차 파급 효과를 촉진할 것입니다. 필요한 자원이 줄어들면서 다양한 애플리케이션과 기기에서 AI를 활용할 수 있게 될 것입니다. 인프라 비용도 크게 낮아져 이전에는 현실적으로 구현하기 어려웠던 엣지 컴퓨팅이 가능해질 것입니다. 동시에 연산 집약도가 낮아지면서 에너지 소비와 탄소 발자국이 감소해 환경에도 긍정적인 영향을 미치고, AI 운영의 지속 가능성도 높아질 것입니다.

이러한 발전은 엣지 디바이스에 전례 없는 기능을 제공하고, 실시간 처리 성능을 향상하며, 다양한 산업에서 비용 효율적인 AI 통합을 가능하게 할 것입니다. 컴퓨팅 환경은 특정 워크로드에 최적화된 다양한 처리 아키텍처를 결합하는 하이브리드 솔루션으로 진화하여, 더욱 효율적이고 유연한 AI 인프라를 구축하게 될 것입니다.

이러한 발전이 미치는 영향은 단순한 기술적 개선을 훨씬 뛰어넘습니다. 이는 성능을 유지하면서도 AI를 더욱 유연하고 친환경적으로 도입할 수 있는 미래를 시사합니다. 2025년으로 접어들면서 이러한 변화는 일상적인 애플리케이션에 AI가 통합되는 속도를 높이고, 다양한 산업 전반에 걸쳐 혁신과 효율성을 위한 새로운 기회를 창출할 것으로 보입니다.

이제 정말 유일한 상수는 변화뿐입니다

지난 한 해는 기술 분야에서 중대한 변화와 발전, 놀라움이 이어진 시기였습니다. 내년에도 이와 같은 흐름이 계속될 것으로 보는 것이 합리적입니다. 생성형 AI의 잠재력은 아직 완전히 탐구되지 않았으며, 이는 이 흥미로운 기술을 활용한 새롭고 파급력 있는 사용 사례가 추가로 등장할 가능성이 높다는 뜻입니다.

조직이 아직 생성형 AI를 실험하고 있지 않다면 지금이라도 시작해야 합니다. 서비스를 활용하는 것은 챗봇이나 추천 엔진과 같은 기본적인 사용 사례를 위한 좋은 출발점이 될 수 있지만, 생성형 AI의 잠재력은 대화나 새로운 고양이 동영상을 만드는 수준을 훨씬 뛰어넘습니다.

AI가 기술의 근간 자체를 계속해서 재편함에 따라, 더 많은 변화와 AI를 활용하는 새로운 방식이 계속 등장할 것으로 예상됩니다.