링크드인(LinkedIn)이 10억 명 이상 회원을 보유한 대규모 플랫폼 운영에 필요한 공학적 작업을 AI 에이전트로 자동화하는 내부 플랫폼 구축 경험을 공개했다. 회사가 발표에서 소개한 엔지니어링 조직의 규모는 수천 개의 배포 단위, 수천에서 1만 개에 이르는 코드 리포지터리, 연간 수십만 건 이상의 풀 리퀘스트를 처리하는 수준이다. 이런 환경에서 AI를 도입하면 공학 효율이 크게 높아질 수 있다는 판단 아래, 회사는 단일 팀의 개별 구현이 아닌 조직 전체가 공유하는 플랫폼 차원의 AI 인프라 구축에 나섰다.
링크드인이 선택한 핵심 기술은 앤트로픽(Anthropic)이 설계한 MCP(모델 컨텍스트 프로토콜, Model Context Protocol)다. MCP는 서로 다른 AI 모델이 동일한 도구 집합을 일관된 방식으로 호출할 수 있게 해 특정 모델에 대한 종속을 줄인다. 링크드인은 이를 토대로 코드 의미 검색, 의존성 분석, 로그 및 장애 알림 접근, 풀 리퀘스트 이력 조회 등을 수행하는 내부 MCP 서버를 직접 구축했다. 깃허브 코파일럿(GitHub Copilot) 같은 외부 AI 코딩 도구에도 링크드인 내부 맥락을 주입하기 위해 커스텀 MCP 서버를 활용했으며, 이를 통해 코드가 조직의 기존 패턴과 규약에 맞게 생성되도록 했다. 에이전트는 코딩, 라이브러리 마이그레이션, 장애 대응, UI 품질 검증, 분석 쿼리 등 다양한 용도로 구현됐다.
플랫폼 설계에서 링크드인이 강조한 원칙은 에이전트에게 실행 자유는 부여하되 의사결정 권한은 인간에게 남기는 것이다. 에이전트는 격리된 샌드박스 안에서 코드를 읽고 수정하며 테스트를 실행할 수 있지만, 스테이징·프로덕션 환경 배포나 메인 브랜치 병합은 항상 사람의 승인을 거치도록 설계됐다. 도구 호출의 전 과정은 권한 검사와 함께 로그에 기록되며, 에이전트가 생성한 풀 리퀘스트에는 수행한 추론 과정과 도구 호출 내역이 그대로 첨부된다. 링크드인은 팀별로 각자 오케스트레이션과 도구를 별도 구축하는 방식을 피하고, 공통 플랫폼 위에서 개별 팀이 핵심 문제에만 집중하는 구조가 결국 더 안정적이고 감사 가능한 AI 시스템을 만든다는 교훈을 공유했다.
링크드인 사례는 대규모 기업 환경에서 AI 에이전트를 실제 운영에 적용할 때 필요한 요소가 뛰어난 모델 하나가 아니라 일관된 오케스트레이션, 구조화된 맥락 공급, 신뢰할 수 있는 도구 레이어임을 보여준다. 특히 MCP가 상업용 플랫폼을 넘어 대형 기술 기업의 내부 엔지니어링 인프라에서 표준 도구 호출 프로토콜로 자리 잡고 있다는 점에서, AI 에이전트 생태계의 표준화 흐름을 가늠하는 중요한 사례로 평가된다.
저작권자 © STORIUM 무단전재 및 재배포 금지
