Grab의 BriX: AI 프로토타입을 기업용 서비스로 전환하는 인프라 플랫폼

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

핵심 요약

AI 프로토타입 제작은 쉬워졌지만 보안, 확장성, 데이터 연결 등 기업 환경의 요구사항을 충족하며 배포하는 것은 여전히 어렵다. Grab은 이러한 '배포 슬롭(Deployment Slop)' 문제를 해결하기 위해 BriX 플랫폼을 구축했다. BriX는 모델 불가지론적 접근, MCP를 통한 안전한 데이터 연결, 중앙 집중식 프롬프트 관리를 제공하여 엔지니어링 병목 현상을 제거한다. 이를 통해 도메인 전문가는 복잡한 인프라 지식 없이도 신뢰할 수 있는 AI 도구를 신속하게 출시할 수 있다.

배경

LLM 및 RAG의 기본 개념, SSO 및 엔터프라이즈 보안 아키텍처에 대한 이해, API 및 마이크로서비스 구조 지식

대상 독자

기업 내 LLM 도입을 고민하는 플랫폼 엔지니어 및 도메인 전문가

의미 / 영향

이 플랫폼은 AI 도구 개발의 주도권을 엔지니어링 팀에서 현업 도메인 전문가로 이동시킨다. 보안과 거버넌스가 플랫폼 수준에서 자동화됨에 따라 기업은 혁신 속도를 늦추지 않으면서도 안전하게 AI를 전사적으로 확산할 수 있다.

섹션별 상세

배포 슬롭(Deployment Slop) 문제 해결을 위해 BriX를 도입했다. 로컬에서 잘 작동하는 AI 프로토타입이 전사 배포 시 보안, 신뢰성, 데이터 거버넌스 문제로 실패하는 현상을 방지한다. BriX는 이를 엔지니어링 문제가 아닌 설정(Configuration)의 문제로 전환하여 배포 속도를 획기적으로 높였다.

BriX 인프라의 빌더와 소비자 간의 관계를 보여주는 다이어그램이다. — Diagram빌더가 모델을 선택하고 MCP를 연결하여 설정을 잠그면, 소비자는 SSO 로그인을 통해 인증된 인사이트만 소비하게 되는 구조를 설명한다. 중앙의 BriX 인프라가 보안, 감사 추적, ID 전파를 담당함을 명시한다.

모델 불가지론(Model Agnosticism)과 MCP 데이터 연결을 지원한다. 사용자는 클릭 한 번으로 Claude, GPT 등 다양한 LLM을 교체하며 성능을 테스트할 수 있다. 특히 Model Context Protocol(MCP)을 통해 기업 내 데이터 소스에 안전하게 연결하며, 하드코딩 없이 인증된 데이터만 사용하도록 강제한다.

BriX 인터페이스에서 GPT-5, Claude 등 다양한 모델을 선택하는 화면이다. — Screenshot코드 수정 없이 드롭다운 메뉴를 통해 실시간으로 LLM 모델을 교체할 수 있는 모델 불가지론적 특성을 시각적으로 보여준다.

BriX의 채팅 UI와 우측에 나열된 MCP 목록이다. — Screenshot사용자가 질문을 입력할 때 AI가 어떤 데이터 소스(MCP)를 활성화하여 쿼리하고 있는지 실시간으로 확인할 수 있는 인터페이스를 보여준다.

시스템 프롬프트를 편집하는 설정 화면이다. — ScreenshotAI 에이전트의 행동 지침인 시스템 프롬프트를 중앙에서 관리하고 편집하여 모든 사용자에게 즉시 적용할 수 있는 기능을 설명한다.

6계층 스트리밍 아키텍처를 통해 실시간 응답성을 확보했다. React 프론트엔드부터 FastAPI 게이트웨이, LangGraph 오케스트레이션, Redis/PostgreSQL 메모리 계층, ID 전파 보안 계층, 전체 컨텍스트 처리 계층으로 구성된다. Server-Sent Events(SSE)를 사용하여 AI의 사고 과정을 사용자에게 실시간으로 전달한다.

엔터프라이즈급 보안을 위한 ID 전파(Identity Propagation) 흐름을 구현했다. 서비스 계정이 아닌 개별 사용자의 SSO 토큰을 데이터 소스까지 전달하는 'On-Behalf-Of' 방식을 채택했다. 이를 통해 사용자가 권한이 있는 데이터만 조회할 수 있도록 보장하며 자동 감사 추적(Audit Trail)을 생성한다.

빌더가 특정 아키텍처 분석 도구의 설정을 잠근 상태의 화면이다. — Screenshot설정이 잠기면 일반 사용자는 프롬프트나 모델을 임의로 변경할 수 없게 되어 전사적으로 일관된 AI 동작을 보장함을 보여준다.

RAG의 한계를 극복하기 위해 전체 컨텍스트 처리 방식을 활용한다. 현대적 LLM의 긴 컨텍스트 윈도우를 활용하여 문서를 조각내어 검색하는 대신 전체 문서를 주입함으로써 정보 누락을 방지한다. 이는 할루시네이션을 줄이고 답변의 정확도를 높이는 결과로 이어진다.

실무 Takeaway

AI 앱 배포를 코딩이 아닌 설정 작업으로 단순화하여 도메인 전문가가 직접 도구를 유지 관리하게 함으로써 엔지니어링 병목을 제거할 수 있다.
ID 전파(Identity Propagation) 방식을 채택하여 AI 도구가 기존 기업 보안 정책과 데이터 권한을 그대로 상속받도록 설계해야 한다.
범용 AI보다 특정 작업에 최적화된 모듈형 에이전트(Bricks) 구조를 사용하면 할루시네이션을 줄이고 시스템 신뢰성을 높일 수 있다.

언급된 리소스

문서Model Context Protocol (MCP)