6b614f228ea8068b5d1ce4f07e2832cc_1772513044_8141.png

 


- 제2부 격리 패턴, 진화 패턴과 AI의 영향


1. 서론

1부에서는 멀티테넌트 CRM 진화와 4계층 참조 모델(데이터, 비즈니스 로직, 통합, 프레젠테이션, 그리고 거버너 계층)을 살펴보았다. 또한 거버너 인식 패턴의 핵심인 벌크화와 큐어블 체인 패턴을 소개했다. 2부에서는 나머지 디자인 패턴과 AI가 이러한 아키텍처에 미치는 영향을 살펴본다.


2. 멀티테넌트 격리 패턴

멀티테넌트 격리 패턴은 공유 인프라 환경에서 데이터와 프로세스 분리를 보장한다. 이 패턴들은 멀티테넌트 아키텍처의 고유한 보안, 규정 준수, 운영 과제를 해결한다.


2.1 테넌트 범위 구성

애플리케이션이 단일 멀티테넌트 CRM 조직 내에서 비즈니스 유닛, 지역, 고객 세그먼트에 걸쳐 다르게 동작해야 할 때 사용한다. 하드코딩된 구성 값은 배포 및 유지보수 오버헤드를 생성한다. 환경별 구성은 프로덕션 환경에서 코드 배포를 통해 관리할 수 없다.


• 솔루션: 플랫폼의 메타데이터 기반 구성 메커니즘(Custom Metadata Types, Custom Settings, Custom Labels)을 사용하여 모든 환경별 및 테넌트별 구성을 외부화한다. 조직 전체 기본값을 프로필 또는 사용자 수준 설정으로 재정의하는 계층적으로 구성을 조직한다.


2.2 네임스페이스 파티셔닝

여러 개발 팀 또는 관리 패키지가 동일한 CRM 조직에 코드와 메타데이터를 기여할 때 사용한다. 명명 규칙이 없으면 팀, 패키지, 조직 수준 커스터마이제이션 간에 메타데이터 충돌이 발생하여 배포 실패와 런타임 오류가 발생한다.


• 솔루션: 모든 메타데이터에 팀 또는 도메인 식별자를 접두사로 붙이는 계층적 명명 규칙을 수립한다. 관리 패키지의 오버헤드 없이 팀 간 공식적인 종속성 경계를 만들기 위해 잠금 해제 패키지(Salesforce DX)를 사용한다.


2.3 보안 경계 강화

엔터프라이즈 CRM 구현은 조직 계층, 규제 요구사항, 파트너십 구조에 부합하는 데이터 가시성 규칙을 시행해야 한다. CRM 플랫폼은 여러 중첩되는 보안 메커니즘(OWD, Role Hierarchy, Sharing Rules, Apex Sharing, Restriction Rules)을 제공하며, 잘못된 구성은 데이터 유출 또는 과도한 제한을 생성한다.


• 솔루션: 데이터 모델에서 외부로 보안을 설계한다. 가장 제한적인 Organization-Wide Defaults(Private)로 시작한 다음 역할 계층, 공유 규칙, 프로그래밍 방식 공유를 계층화하여 필요한 곳에서 정확하게 액세스를 연다. 재정의할 수 없는 엄격한 규정 준수 경계에 Restriction Rules를 사용한다. 시점 요구사항의 경우 명시적 공유 레코드 관리로 Apex 관리 공유를 구현한다.


3. 플랫폼 진화 패턴

플랫폼 진화 패턴은 애플리케이션이 플랫폼 릴리스, API 버전 변경, 진화하는 기능에 회귀 없이 적응할 수 있게 한다.


3.1 메타데이터 기반 구성

비즈니스 규칙과 프로세스 동작이 자주 변경되지만 코드 배포는 리드 타임이 있는 릴리스 관리 프로세스에 의해 관리될 때 사용한다. 코드에 비즈니스 규칙을 내장하면 본질적으로 비즈니스 운영적인 변경에 개발자 참여와 배포 사이클이 필요하다.


• 솔루션: 비즈니스 로직을 플랫폼 메타데이터(Custom Metadata Types, Flow 정의, 커스텀 구성 객체)에서 행동 매개변수를 읽는 안정적인 코드 프레임워크로 분해한다. 코드 프레임워크는 릴리스 간 정적으로 유지되고, 동작 변경은 비즈니스 관리자가 관리하는 메타데이터 변경을 통해 이루어진다.


3.2 이벤트 기반 디커플링

여러 시스템(CRM, ERP, 데이터 웨어하우스, 마케팅 자동화)이 취약한 지점 간 통합을 생성하지 않고 동기화 상태를 유지해야 할 때 사용한다. 직접 시스템 간 통합은 한 시스템의 변경이 모든 연결된 시스템으로 실패를 전파하는 긴밀한 결합을 생성한다.


• 솔루션: CRM 플랫폼의 이벤트 버스(Platform Events, Change Data Capture)를 통합 백본으로 사용한다. 게시자는 구독자를 알지 못한 채 도메인 이벤트를 발행한다. 구독자는 이벤트를 비동기적으로 처리하며, 플랫폼이 전달 보장 및 재생 기능을 관리한다.


4. AI 변환: CRM 아키텍처의 재구성

앞서 기술한 패턴은 엔터프라이즈 CRM 플랫폼의 확립된 아키텍처 기초를 나타낸다. 그러나 인공지능의 급속한 통합(예측 분석, 생성형 AI, 자율 에이전트 등을 모두 포함) 은 CRM 아키텍처 요구사항을 근본적으로 재편하고, 새로운 아키텍처 계층을 도입하고, 패턴 선택을 관장하는 트레이드오프를 변경하고 있다.


4.1 CRM의 AI 기능 스택: 3세대 진화

엔터프라이즈 CRM의 AI 기능은 세 가지 뚜렷한 세대를 통해 진화했으며, 각각은 점진적으로 더 복잡한 아키텍처 요구사항을 도입했다.


(1) 1세대 - 예측형 AI (2016-현재): Salesforce Einstein은 2016년 예측형 AI를 CRM에 대규모로 도입했으며, 현재 리드 스코어링, 기회 통찰력, 이탈 예측 전반에 걸쳐 하루 10억 건 이상의 예측을 제공한다. 이러한 기능은 기존 CRM 데이터 모델 내에서 작동하며, 구조화된 CRM 데이터(필드, 관계, 활동 이력)를 소비하여 확률 점수와 권장사항을 생성한다.

아키텍처적으로 예측형 AI는 계산 계층을 추가했지만 4계층 참조 모델을 근본적으로 변경하지 않았다. 예측은 표준 필드로 저장되고 기존 UI 및 API 패턴을 통해 소비된다.


(2) 2세대 - 생성형 AI (2023-현재): 대규모 언어 모델(LLM)을 CRM 플랫폼에 도입하면서 첫 번째 근본적인 아키텍처 파괴가 발생했다. 이메일 작성, 케이스 요약, 지식 문서 생성, 대화형 검색을 포함한 생성형 AI 기능은 기존 CRM 데이터 모델이 효율적으로 저장하거나 쿼리하도록 설계되지 않은 비구조화 데이터에 대한 액세스를 필요로 한다.

Gartner는 2025년 전 세계 생성형 AI 지출을 6,440억 달러로 예측하며, 이는 2024년 대비 76.4% 증가한 수치다. 마케팅, 영업, 고객 케어를 포함한 CRM 인접 기능이 가장 큰 엔터프라이즈 가치 풀을 나타낸다.


(3) 3세대 - 에이전틱 AI (2024-현재): 다단계 추론, 도구 사용, 독립적인 액션 실행이 가능한 자율 AI 에이전트의 출현은 온프레미스에서 클라우드 CRM으로의 전환 이후 가장 중요한 아키텍처 패러다임 전환을 나타낸다.

Salesforce는 2024년 10월 Atlas Reasoning Engine과 함께 Agentforce를 출시했으며, Dreamforce에서 10,000개 이상의 에이전트가 구축되었고 얼리 어답터에서 70% 자율 해결률을 포함한 측정 가능한 결과를 보고했다. Microsoft는 같은 기간에 Dynamics 365를 위한 10개의 자율 에이전트를 소개했다. Gartner는 2026년까지 엔터프라이즈 애플리케이션의 40%가 작업별 AI 에이전트를 특징으로 할 것이라고 예측하며, 이는 2025년의 5% 미만에서 증가한 수치다.


4.2 CRM 참조 모델에 대한 아키텍처 영향

각 AI 세대는 섹션 3에서 제시한 4계층 참조 모델 전체에 파급되는 특정 요구사항을 도입한다.


(1) 데이터 아키텍처 계층: 비구조화 데이터 혁명

AI가 CRM에 미치는 가장 근본적인 아키텍처 영향은 비구조화 데이터를 일급 지위로 승격시킨 것이다. 전통적인 CRM 데이터 모델은 구조화된 관계형 데이터를 최적화한다. AI 기능, 특히 생성형 및 에이전틱 AI는 이메일 스레드, PDF 문서, 채팅 기록, 음성 녹음, 지식 문서와 같은 비구조화 데이터에 대한 액세스가 필요하다.

이 요구사항은 데이터 아키텍처 계층에 세 가지 아키텍처 추가를 주도했다.

 • 벡터 데이터베이스: CRM 플랫폼은 이제 벡터 저장 및 유사성 검색 기능을 데이터 인프라에 직접 내장한다. Salesforce의 Data Cloud는 여러 임베딩 모델(E5, SFR, Clop)을 지원하고 의미론적 및 키워드 검색을 결합한 하이브리드 검색을 제공하는 네이티브 벡터 데이터베이스를 포함한다.

 • 지식 그래프: 평면 벡터 임베딩을 넘어 엔터프라이즈 CRM은 구조화 및 비구조화 데이터 전반의 엔터티 간 관계 이해가 필요하다. Salesforce의 Dynamic Data Graphs는 통합 고객 프로필 전반에 걸쳐 밀리초 대기 시간 순회를 가능하게 한다.

 • 제로 카피 데이터 통합: AI 워크로드는 데이터 복제의 지연 시간 및 거버넌스 복잡성 없이 분산된 데이터에 대한 액세스가 필요하다. 제로 카피 아키텍처는 CRM 플랫폼이 외부 데이터 저장소를 제자리에서 쿼리할 수 있게 한다.


(2) 비즈니스 로직 계층: 결정론적에서 확률적으로

AI의 도입은 비즈니스 로직 계층의 특성을 근본적으로 변경한다. 전통적인 CRM 비즈니스 로직은 결정론적이다. 동일한 입력이 주어지면 트리거, 플로우, 검증 규칙은 매번 동일한 출력을 생성한다. AI 기반 비즈니스 로직은 본질적으로 확률적이다. LLM은 동일한 프롬프트에 대해 다른 응답을 생성할 수 있으며, 예측 모델의 점수는 훈련 데이터가 진화함에 따라 변한다.

이 전환은 새로운 아키텍처 관심사를 도입한다: 프롬프트 템플릿은 새로운 형태의 비즈니스 로직 아티팩트가 되어, 트리거, 플로우, 검증 규칙과 함께한다. 이러한 템플릿은 코드와 동일한 릴리스 관리 프로세스를 통해 버전 관리, 테스트, 거버넌스되어야 한다.


 • 그라운딩 규칙: 비즈니스 로직은 AI 출력을 조직적으로 허용 가능한 경계로 제약하는 규칙을 포함해야 한다. 환각된 가격, 무단 약속, 규정 준수 위반을 방지한다. Salesforce의 Einstein Trust Layer는 검색 증강 생성을 통해 그라운딩을 구현하여, AI 응답이 모델 훈련 데이터만이 아니라 검증된 CRM 데이터에 정박되도록 보장한다.


4.3 검색 증강 생성(RAG): 브리지 패턴

RAG는 LLM을 엔터프라이즈 CRM 데이터와 통합하기 위한 지배적인 아키텍처 패턴으로 부상했다. 2024년 arXiv에만 1,200개 이상의 RAG 논문이 게시되었으며, 이는 2023년의 100개 미만에서 증가한 수치로 패턴의 급속한 채택을 반영한다.

CRM 맥락에서 RAG는 LLM의 확률적 세계와 엔터프라이즈 데이터의 결정론적이고 거버넌스가 적용된 세계 사이의 브리지 역할을 한다. 엔터프라이즈 CRM 배포를 위한 다섯 가지 RAG 아키텍처 변형이 등장하고 있다:

 • 표준 RAG: 단일 벡터 저장소, 단일 검색 단계. 지식 기반 검색, FAQ에 사용. 간단하지만 복잡한 쿼리에는 제한적이다.

 • 하이브리드 RAG: 의미론적(벡터) + 키워드 검색 결합. 케이스 해결, 제품 검색에 사용. 더 높은 정확도, 중간 복잡도.

 • GraphRAG: 지식 그래프 순회 + 벡터 검색. 계정 관계 분석, 크로스셀에 사용. 관계형 CRM 데이터에 최적, 가장 높은 복잡도.

 • 에이전틱 RAG: 에이전트가 반복적으로 검색 시기/내용 결정. 다단계 고객 문의에 사용. 가장 유연하지만 거버넌스하기 가장 어렵다.

 • 캐스케이딩 RAG: 점진적 검색 개선. 복잡한 계약 분석에 사용. 복잡한 쿼리에 높은 정확도, 더 높은 지연 시간.


4.4 AI 거버넌스와 신뢰 아키텍처

민감한 고객 데이터에서 작동하는 확률적 시스템에 고유한 위험을 해결하는 AI의 엔터프라이즈 CRM 배포에는 전용 거버넌스 아키텍처가 필요하다. NIST AI 위험 관리 프레임워크(AI RMF 1.0)는 GOVERN, MAP, MEASURE, MANAGE의 네 가지 기능을 중심으로 조직된 기본 거버넌스 어휘를 제공한다.

Salesforce의 Einstein Trust Layer는 이러한 거버넌스 원칙을 다섯 가지 구성 요소를 가진 아키텍처 계층으로 운영화한다.

 • 제로 데이터 보존: LLM에 전송된 고객 데이터는 API 계약 수준에서 강제되는 훈련이나 저장을 위해 모델 제공자가 보존하지 않는다.

 • 동적 PII 마스킹: 개인 식별 정보가 LLM에 도달하기 전에 자동으로 감지되고 마스킹되며, 사용자에게 응답을 전달하기 전에 언마스킹이 적용된다.

 • 프롬프트 주입 방어: 입력 검증 및 샌드박싱이 적대적 프롬프트가 에이전트 지침을 우회하거나 무단 데이터에 액세스하는 것을 방지한다.

 • 환각 완화: RAG 그라운딩, 신뢰도 점수, 인용 첨부가 조직 데이터와 모순되는 AI 생성 콘텐츠의 위험을 줄인다.

 • 감사 추적: 모든 AI 상호작용(프롬프트, 컨텍스트, 응답, 신뢰도 점수, 그라운딩 소스)이 규제 준수 및 지속적 개선을 위해 로깅된다.


5. 결론

제2부에서는 멀티테넌트 격리 및 플랫폼 진화 패턴을 완성하고, AI가 CRM 아키텍처에 미치는 근본적인 영향을 살펴보았다. 제3부에서는 가장 다음과 같은 질문을 다룬다. AI 코딩 에이전트가 소프트웨어 개발을 극적으로 가속화할 수 있다면, 기업들이 CRM 플랫폼을 완전히 우회하고 커스텀 애플리케이션을 구축할 것인가? 생산성 증거, 엔터프라이즈 CRM 플랫폼의 7가지 구조적 이점, 그리고 구성 가능한 아키텍처의 미래를 검토한다.



—

참고문헌

1. Salesforce. Einstein AI Platform. Salesforce Developers, 2025. Available online: https://developer.salesforce.com/docs/einstein/genai/overview.

2. Salesforce. Data Cloud: Unstructured Data and AI Search. Salesforce News, 14 December 2023. Available online: https://www.salesforce.com/news/press-releases/2023/12/14/unstructured-data-ai-search-einstein/.

3. McKinsey & Company. The Economic Potential of Generative AI: The Next Productivity Frontier. McKinsey Technology & AI, June 2023. Available online: https://www.mckinsey.com/capabilities/tech-and-ai/ourinsights/

the-economic-potential-of-generative-ai-the-next-productivity-frontier.

4. Salesforce. Agentforce: A New Era of AI-Powered Customer Experiences. Salesforce News, 12 September 2024. Available online: https://www.salesforce.com/news/press-releases/2024/09/12/agentforceannouncement/.

5. Salesforce. Agentforce 2.0: The Digital Labor Platform. Salesforce News, 17 December 2024. Available online: https://www.salesforce.com/news/press-releases/2024/12/17/agentforce-2-0-announcement/.


​—

저작권 정책

SaaS 전환지원센터의 저작물인 『AI 시대의 엔터프라이즈 CRM 아키텍처와 멀티테넌트 SaaS의 미래』은 SaaS 전환지원센터에서 『상명대학교 서광규 교수』에게 집필 자문을 받아 발행한 전문정보 브리프로, SaaS 전환지원센터의 저작권정책에 따라 이용할 수 있습니다. 다만 사진, 이미지, 인용자료 등 제3자에게 저작권이 있는 경우 원저작권자가 정한 바에 따릅니다.