Salesforce와 함께 기존 AI 도구를 유지하면서 효율을 높이는 방법

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

기업들이 여러 AI 벤더를 병행 실험하는 상황에서 Salesforce는 개방형·벤더 중립적 플랫폼을 통해 기존 도구를 계속 사용하되 운영·보안 계층을 통합해 효율을 제공한다고 주장했다. 내부 실험에서는 회의 준비 시 동일한 MCP 서버를 사용했음에도 Agentforce Actions가 외부 LLM 직접 호출보다 토큰 사용량을 3분의 1 수준으로 줄였으며 그 원인은 일부 처리 과정을 Salesforce 인프라로 오프로딩했기 때문이다. 글은 여러 공급자의 마케팅 언어가 유사하게 들리지만 권한 관리·감사·세션 추적·워크플로우 같은 운영적 차이가 실제 가치에 영향을 준다고 결론지었다. 따라서 플랫폼 차원의 상호운용성과 운영 레이어 설계가 비용·효율·실무 적용성에 직접적인 영향을 미친다고 정리되었다.

섹션별 상세

기업 고객은 여러 AI 벤더를 동시에 실험하는 경향이 있고 Salesforce는 기존 도구를 계속 사용하되 플랫폼 차원에서 상호운용성을 제공하는 전략을 권장한다. 본문은 개방적이고 벤더 중립적인 플랫폼 철학을 근거로 삼아 고객이 이미 채택한 기술을 유지하면서 Salesforce의 관리·보안·제어 기능을 덧붙일 수 있다고 서술했다. 저자는 시장에 수만 개의 AI 벤더가 존재한다는 수치를 인용해 선택과 실험의 현실을 부각시켰다. 따라서 완전히 교체하는 대신 연동을 통해 투자 효율을 높이는 접근이 강조된다.

내부 실험은 회의 준비 작업을 예로 들어 외부 LLM을 MCP 서버로 직접 호출했을 때와 Agentforce Actions를 통해 동일한 MCP를 호출했을 때의 토큰 사용량을 비교했다. 실험에서는 Agentforce Actions 쪽이 토큰 사용량을 1/3 수준으로 낮췄으며 그 이유로 중간에서 '무거운 처리(heavy lifting)'가 Salesforce 인프라에 내장되어 있어 토큰 송수신을 줄였다고 기술되었다. 이 사례는 동일한 외부 접속 지점을 사용하더라도 에이전트 레이어의 설계가 비용과 대역폭에 실질적 영향을 미칠 수 있음을 보여준다. 결과적으로 에이전트 기반의 오프로딩이 호출 비용과 응답 길이를 모두 관리하는 실무적 수단으로 제시되었다.

근거

Agentforce Actions가 동일한 MCP 서버를 호출할 때 외부 LLM 호출 대비 토큰 사용량을 3분의 1로 줄였다. — 본문의 내부 AI 테스터 실험 설명 단락(회의 준비 실험 사례)

마케팅 언어는 여러 벤더 사이에서 유사하게 들릴 수 있지만 구현 세부에서 차이가 발생한다는 점이 강조되었다. 글에서는 좌우 비교 다이어그램으로 Salesforce와 다른 AI 공급자의 말 트랙이 거의 동일하게 보이는 사례를 제시하고, 실제로는 권한·감사로그·세션 추적·워크플로우 같은 운영 계층과 도메인 전문성이 각 플랫폼에서 다르게 제공된다고 정리했다. 이러한 차이는 단지 메시지의 유사성에 속지 않고 아키텍처·운영 통합 수준으로 판단해야 한다는 점을 시사한다. 따라서 고객이 얻는 가치는 벤더 교체보다 플랫폼 통합 방식에 의해 좌우된다는 결론이 도출되었다.

Salesforce와 타사 AI 도구의 솔루션 아키텍처를 좌우로 비교해 보이는 다이어그램이다. — Diagram이미지는 좌우 대조 형태로 Salesforce 플랫폼 구성 요소와 외부 AI 도구의 유사한 말 트랙을 병렬로 보여주며 권한, 감사 로그, 세션 추적, 워크플로우, 상호작용 같은 운영 계층을 강조한다. 다이어그램은 플랫폼이 제공하는 보안·거버넌스·도메인 전문성과 외부 도구의 CRUD 상호작용이 어떻게 결합되는지를 시각적으로 제시해, 메시지 수준의 유사성 뒤에 숨은 구현상의 차이를 확인할 수 있게 한다. 본문에서 제시한 'Agentforce가 동일 MCP 호출에서 토큰을 절감했다'는 사례를 구조적 관점에서 보완하는 역할을 한다.

용어 해설

Token Usage: — LLM 호출에서 소비되는 토큰의 총량을 의미하며 입력 토큰과 출력 토큰의 합으로 계산된다. 토큰 사용량은 호출 비용과 지연에 직접적 영향을 미치므로 입력 전처리, 응답 길이 제한, 중간 처리(offload)로 최적화할 수 있다. 본문에서는 외부 LLM 호출보다 내부 인프라에서 일부 작업을 처리할 때 토큰 사용량이 감소한 사례가 제시되었다.
Agent Architecture: — 사용자 요청을 받아 도구 호출, 외부 서비스 연동, 상태 관리 등을 수행하는 소프트웨어 에이전트의 구조를 의미한다. 입력 파이프라인, 도구 연동, 세션 추적, 워크플로우 조정이 주요 구성 요소로 작동한다. 본문에서는 Agentforce가 외부 LLM과 연동되는 방식과 내부 인프라 오프로딩으로 성능 이득을 얻는 사례가 제시되었다.
Interoperability: — 여러 벤더의 도구와 시스템이 공통의 인터페이스와 표준으로 함께 동작할 수 있는 능력을 의미한다. API 레벨의 호환성과 인증·권한·감사 로그 등 운영 요소의 정합성이 필요하며, 플랫폼은 이러한 요소를 중앙에서 관리해 도구를 교체하지 않고도 통합을 지원한다. 본문에서는 Salesforce 플랫폼이 개방적이고 벤더 중립적 접근을 취한다는 점이 강조되었다.
MCP: — 글 중에서는 외부 LLM 호출과 Agentforce 액션이 동일한 MCP 서버를 통해 통신하는 미들웨어 역할로 언급되며, 요청 라우팅과 토큰 송수신을 중개하는 컴포넌트로 이해된다. MCP는 외부 API 호출 비용과 토큰 사용 패턴에 영향을 주는 경계 지점으로 작동한다. 해당 사례에서는 동일한 MCP를 쓰더라도 내부 에이전트 로직이 토큰 사용을 줄이는 역할을 수행했다.