세일즈포스, Agentforce Observability로 AI 에이전트 가시성 강화

Agentforce Observability: AI 에이전트가 어떻게 결정하는지 보이는 시대

세일즈포스는 기업 AI의 난제인 ‘블랙박스 의사결정’을 풀기 위해 Agentforce 360 플랫폼에 관측(Observability) 기능을 대거 도입했다. 이 기능은 AI 에이전트가 수행한 모든 액션, 거친 추론 단계, 호출한 모델, 발동된 가드레일까지 세션 단위로 기록해 조직에 세밀한 가시성을 제공한다. 최근 기업의 AI 도입이 급증하면서 경영진은 효율 향상 기대와 통제 불가능성에 대한 우려 사이에서 균형을 찾고 있으며, 세일즈포스는 보이지 않으면 확장할 수 없다는 메시지로 해법을 제시한다.

초기 고객 사례: 가시성이 신뢰와 성과로 연결되다

1-800Accountant: Agentforce Observability로 전면 신뢰 확보

1-800Accountant는 세무 질의와 예약을 처리하는 24시간 디지털 워크포스를 배치했다. 감사 로그, 고객 지원 이력, IRS 발간물 등 통합 데이터에 기반해 사람 개입 없이 즉답하며, 관측 기능으로 에이전트의 추론 경로와 성능 격차를 파악해 가드레일을 보강했다. 도입 24시간 내 1,000건 이상 고객 응대를 해결했고, 시즌성 인력 충원 없이 40% 고객 성장을 감당할 수 있다고 전망하며, CPA의 고부가 자문 시간도 50%가량 확보했다.

Reddit: 광고주 지원에서 케이스 디플렉션 46%

Reddit은 광고주 지원에 적용해 전체 상호작용을 관찰하며 복잡한 도구 내비게이션 과정을 이해했다. 단순 해결 여부를 넘어 의사결정 과정의 투명성을 확보하면서 지원 케이스의 46%를 디플렉션했다.

Adecco: 파일럿 이전부터 예측 가능한 거동 확인

Adecco는 초기 노트북 테스트 단계에서 이력서에 이미 있는 질문을 후보자가 거부하는 예외 상황도 설계 의도대로 처리됨을 확인했다. 가시성은 예기치 못한 사용자 행동을 조기에 발견하고, 운영 전 신뢰를 형성하는 기반이 됐다.

내부 기술: 세션 트레이싱과 에이전트 스프로울 대응

세션 트레이싱 데이터 모델로 전 상호작용 로깅

세션 트레이싱 데이터 모델은 사용자 입력, 에이전트 응답, 추론 단계, LLM 호출, 가드레일 검사를 모두 기록해 Data 360에 안전 저장한다. 이로써 세션 레벨의 통합 가시성이 구현되고, Agentforce Observability가 제공하는 품질 점수와 분석의 기반 데이터가 된다.

MuleSoft Agent Fabric와 Agent Visualizer로 단일 관제

기업 내 다수 에이전트로 인한 스프로울을 막기 위해 MuleSoft Agent Fabric이 도입됐다. 세일즈포스 외부에서 만든 에이전트까지 단일 화면에서 관제하고, Agent Visualizer가 전체 에이전트 네트워크 지도를 시각화해 상호작용 흐름을 한 대시보드에서 파악하게 한다.

분석·최적화·건강 모니터링까지

Agent Analytics는 KPI 트렌드와 비효율 주제를 드러내고, Agent Optimization은 세션 전 과정을 엮어 유사 요청을 군집화하며 설정 문제를 찾는다. Agent Health Monitoring은 2026년 봄 일반 출시 예정으로, 지연 급증·치명 오류를 근실시간으로 알린다.

경쟁 구도: 기본 제공으로 ‘깊이’ 승부

Agentforce 옵저버빌리티의 차별화 포인트

마이크로소프트, 구글, AWS도 모니터링을 제공하지만 세일즈포스는 추가 비용 없이 기본 제공하며, 에이전트 상호작용의 전체 텔레메트리와 추론을 캡처해 더 깊은 인사이트를 제공한다고 주장한다. 이 데이터는 세션 품질 점수와 핵심 분석으로 이어져 고객이 에이전트를 체계적으로 개선하도록 돕는다.

파일럿에서 운영으로: 지표와 여정

세일즈포스는 39개국 1만2천여 고객이 Agentforce로 월 12억 건 규모의 에이전트형 워크플로를 실행 중이라 밝혔다. 신뢰를 다지는 Day 0, 사용 가능한 AI를 설계·구현하는 Day 1, 초기 성과를 전사로 확장하는 Day 2라는 3단계 여정 속에서, Williams Sonoma와 Falabella 등의 사례가 대규모 전환을 뒷받침한다. Agentforce Observability는 이러한 대규모 운영에서 필요한 투명성과 제어를 제공한다.

지속 관측의 필요성: 확신을 만드는 ‘관리 레이어’

Agentforce Observability로 드리프트와 실패 모드를 조기 탐지

AI 에이전트는 확률적 모델에 기반해 학습·적응하며, 전통 소프트웨어와 달리 시간에 따라 거동이 변할 수 있다. 초기 테스트만으로는 실환경의 드리프트와 예기치 못한 실패 모드를 포착하기 어렵다. Agentforce Observability는 에이전트를 ‘투명한 디지털 직원’으로 관리할 수 있게 하여, 문제 발생 시 원인을 신속 진단하고 지속 최적화를 가능케 한다.

결국 신뢰가 확장의 병목이며, 신뢰는 가시성에서 나온다. 관측 도구를 갖춘 조직은 데이터 기반 개선으로 빠르게 전진할 수 있고, 그렇지 못한 조직은 실험 단계에 머문다. Agentforce Observability는 실험과 운영 사이의 간극을 메우는 신뢰 레이어로 자리매김하고 있다.