자동화를 넘어: AI가 IT 운영에 가져오는 변화

모니터링에서 잡음 감소

우리가 눈에 띄는 개선을 본 영역 중 하나는 모니터링입니다.

대규모 기술 환경에서는 많은 양의 알림이 발생하며, 모든 알림이 동일한 수준의 주의를 필요로 하는 것은 아닙니다. 중복 알림, 일시적인 이상 현상 및 낮은 우선순위 이벤트는 불필요한 잡음을 만들며, 팀이 실제 운영에 영향을 미칠 수 있는 문제를 식별하기 어렵게 합니다.

우리 모니터링 환경에 AI 기반 이상 탐지 및 잡음 억제를 도입함으로써 모니터링 잡음을 75% 감소시켰습니다.

팀에게는 불필요한 알림을 처리하는 데 드는 시간이 줄어들고, 주의를 요하는 문제를 조사하는 데 더 많은 시간을 할애할 수 있다는 뜻입니다. 또한 비정상적인 패턴을 조기에 식별하는 데 도움이 되며, 엔지니어가 사고를 조사할 때 더 나은 정보를 제공합니다.

AI가 특히 유용한 영역은 대량의 정보를 신속하게 처리할 수 있기 때문입니다. 그러나 비정상적인 상황이 식별된 후에는 원인과 잠재적 영향을 이해하기 위해 여전히 해당 환경을 잘 아는 사람이 필요합니다.

일상적인 IT 운영 개선

우리는 AI 기반 원격 모니터링 및 관리(RMM) 플랫폼을 통해 일상적인 엔드포인트 활동을 자동화하여 관리하고 있습니다.

여기에는 패치 오케스트레이션, 상태 점검, 스크립트 기반 복구, 원격 트러블슈팅 등이 포함됩니다.

이전에는 패치 적용률이 지속적으로 50% 이하에 머물렀으며, 이는 주로 수작업 부담과 환경 규모 때문이었습니다. AI 지원 RMM 프레임워크를 도입한 이후로 적용률이 95번째 백분위수에 도달했습니다.

그 개선을 통해 엔드포인트 안정성을 강화하고 알려진 취약점에 대한 노출을 감소시키고, 엔지니어가 수동으로 관리해야 하는 반복 작업량도 줄일 수 있었습니다.

자동화가 의미 있는 좋은 사례입니다. 이 프로세스는 예측 가능하며, 일관되게 수행되어야 하고, 수천 개의 엔드포인트에 걸쳐 작동해야 합니다.

이 기술은 대부분의 활동을 백그라운드에서 관리할 수 있으며, 팀은 예외 상황, 에스컬레이션 및 보다 깊은 조사가 필요한 문제에 집중합니다.

사람이 여전히 차이를 만드는 곳

모든 IT 문제가 예측 가능한 패턴을 따르는 것은 아닙니다.

우리 팀은 다양한 인프라 환경, 네트워크, 시스템 및 고객 요구사항을 아우릅니다. 처음에는 간단해 보이는 문제도 여러 종속성이 얽히거나 서로 다른 팀 간의 협업이 필요할 때가 있습니다.

AI는 이상을 식별하고 정보를 분석해 가능한 원인을 제시하는 데 도움을 줄 수 있지만, 팀은 여전히 넓은 환경에서 무슨 일이 일어나고 있는지 이해해야 합니다.

문제가 여러 시스템에 영향을 미치거나 기술적으로 명백한 해결책이 다른 곳에 부정적인 영향을 미칠 수 있을 때 특히 중요해집니다.

이때 경험이 중요합니다.

환경을 잘 이해하는 엔지니어는 개별 알림을 넘어 무엇이 변했는지, 어떤 시스템이 연결되어 있는지, 유사한 문제가 이전에 있었는지, 특정 조치가 전체 운영에 어떤 영향을 미칠 수 있는지를 고려할 수 있습니다.

우리에게 AI는 엔지니어에게 더 나은 정보를 제공하여 작업에 활용할 때 가장 효과적이며, 엔지니어를 완전히 배제하려는 것이 아니라 보조하는 형태가 최선입니다.

고부하 환경 지원

환경 규모가 크기 때문에 단순히 수작업을 늘리지 않고도 용량을 확장할 방법을 찾아야 합니다.

자동화가 이에 도움을 주었습니다.

일상적인 엔드포인트 활동은 백그라운드에서 일관되게 수행될 수 있습니다. 모니터링 도구는 엔지니어에게 전달되기 전에 신호를 필터링하고 통합할 수 있습니다. 예측 기능은 잠재적인 문제를 더 일찍 식별하는 데 도움이 될 수 있습니다, 자동 복구는 누군가가 수동으로 개입하기를 기다리지 않고도 알려진 문제를 해결할 수 있습니다.

이를 통해 팀은 서비스 연속성, 에스컬레이션 및 보다 복잡한 기술 문제에 집중할 수 있는 용량이 늘어납니다.

또한 IT 운영에서 생산성을 바라보는 방식을 바꿉니다. 이점은 단순히 작업이 더 빨리 완료된다는 것이 아니라, 엔지니어가 경험을 살려 더 큰 영향을 미칠 수 있는 작업에 더 많은 시간을 할애하게 된다는 점입니다.

거버넌스는 여전히 중요합니다

AI와 자동화가 더욱 강력해짐에 따라 거버넌스의 중요성도 커지고 있습니다.

어떤 활동을 자동화할 수 있는지, 엔지니어가 언제 개입해야 하는지, 자동화된 프로세스가 예상대로 작동하지 않을 때 누가 책임을 질 것인지에 대한 명확성이 필요합니다.

이는 특히 대규모 기술 환경에서 중요합니다. 수천 개의 엔드포인트에 적용되는 자동화 작업은 개별 머신에 대한 작업보다 훨씬 더 광범위한 영향을 미칠 수 있습니다.

그 때문에 우리는 여전히 명확한 에스컬레이션 경로와 정의된 접근 수준, 그리고 자동화된 활동에 대한 적절한 제어가 필요합니다.

이 접근 방식은 National Institute of Standards and Technology의 AI 위험 관리 프레임워크와 일치하며, 지속적인 AI 시스템 모니터링을 강조하고, 인간 감독 및 개입을 위한 명확히 정의된 책임과 프로세스를 포함합니다.

우리에게 거버넌스는 AI 사용을 늦추는 것이 아니라, 실시간 운영 환경에서 자신감 있게 그리고 책임감 있게 활용할 수 있도록 보장하는 것입니다.

IT 엔지니어의 역할이 진화하고 있습니다

보다 많은 일상 업무가 자동화됨에 따라 엔지니어의 역할도 변화하고 있습니다.

기술 지식은 여전히 필수적이지만, 정보를 해석하고, 의존성을 이해하며, 명확한 답이 없는 문제를 조사할 수 있는 능력의 가치가 점점 커지고 있습니다.

엔지니어는 자신이 사용하는 도구를 이해해야 합니다. AI 기반 시스템이 행동을 권장할 경우, 책임자는 해당 권고가 타당한지 판단할 수 있을 만큼 환경에 대한 충분한 지식을 보유해야 합니다.

이 때문에 교육은 AI 도입의 중요한 부분이 됩니다.

우리 팀은 기술이 무엇을 할 수 있는지, 한계가 어디에 있는지, 그리고 언제 무언가를 다른 방식으로 에스컬레이션하거나 조사해야 하는지를 이해해야 합니다.

NIST도 마찬가지로 AI 시스템을 운영하고 감독하는 사람들의 책임을 명확히 정의하고, 적절한 교육 및 숙련도 기준을 함께 제시합니다.

지금까지 우리가 배운 점

지금까지의 경험을 통해 IT 운영에서 AI의 가장 유용한 적용 사례 중 일부가 비교적 실용적이라는 것을 확인했습니다.

모니터링 잡음 75% 감소는 엔지니어가 불필요한 알림을 처리하는 데 드는 시간이 줄어들었음을 의미합니다. 패치 적용률을 50% 이하에서 95번째 백분위수로 끌어올리면 엔드포인트 관리의 일관성이 강화됩니다. 10,000개 이상의 엔드포인트에 걸친 자동화는 그렇지 않으면 상당한 반복 수작업이 필요했을 환경을 관리하는 데 도움을 줍니다.

동시에 IT 운영의 복잡한 부분은 여전히 사람에 크게 의존합니다.

기술은 비정상적인 패턴을 식별하거나 알려진 해결책을 자동화할 수 있습니다. 경험 많은 엔지니어는 더 넓은 환경, 관련 의존성, 그리고 결정이 미칠 잠재적 영향을 이해합니다.

AI가 일상적인 IT 운영의 일부가 됨에 따라 그 균형은 점점 더 중요해지고 있습니다.

저에게 AI의 가치는 매우 실용적입니다. 규모를 관리하도록 돕고, 팀에 더 나은 가시성을 제공하며, 중요한 문제에 집중할 시간을 빼앗는 반복 작업을 일부 제거합니다.

기술은 점점 더 강력해지고 있지만, 환경을 관리하는 사람들의 경험 역시 동일하게 중요합니다.