핵심 요약
- AgentCore harness는 CreateHarness와 InvokeHarness라는 두 API로 에이전트를 정의하고 실행하는 서버리스형 관리형 에이전트 런타임이다.
- 파일 시스템과 셸이 포함된 에이전트별 격리 환경에서 메모리 유지, 스킬 카탈로그 로딩, 웹 브라우징, MCP 기반 도구 호출을 표준 기능으로 제공한다.
- 이는 AI 산업의 경쟁 축이 모델에서 에이전트 런타임과 오케스트레이션으로 이동하고 있음을 보여주는 신호로 해석된다.
AgentCore harness는 에이전트를 만드는 기술이 아니라 운영하는 기술의 표준을 AWS가 먼저 선점하려는 전략적 행보다.
2026년 6월 18일, AWS는 Amazon Bedrock의 새로운 구성 요소인 AgentCore harness의 정식 일반 제공(GA)을 발표했다. 이를 통해 개발자는ntCore harness의 정식 일반 제공(generally available)을 공식 블로그를 통해 발표했다. 이 서비스는 아이디어 단계의 에이전트를 단 몇 분 만에 프로덕션 등급으로 끌어올리겠다는 목표로 출시되었으며, 그동안 각 사가 제각각 구현해 오던 에이전트 실행 환경을 하나의 관리형 런타임으로 통합한 것이 가장 큰 특징이다. 이번 출시를 계기로 AI 에이전트 산업의 경쟁 구도가 단순 모델 성능을 넘어 런타임과 오케스트레이션 영역으로 빠르게 이동하고 있음이 다시 한번 확인된다.
AI 에이전트 산업, 모델 경쟁에서 런타임 경쟁으로
지난 2년간 생성형 AI 시장의 핵심 화두는 어떤 모델이 더 큰 컨텍스트 창을 가지며, 더 높은 벤치마크 점수를 기록하느냐였다. 그러나 2025년 후반부터 기업 현장의 관심이 점차 에이전트를 어떻게 안정적으로 운영할 것인가로 이동하기 시작했다. 에이전트는 단발성 질의응답이 아니라 외부 도구 호출, 상태 유지, 보안 정책 적용, 장애 복구 등 운영체제적 요건을 요구하기 때문이다.
이러한 흐름 속에서 AWS, Microsoft, Google 등 주요 하이퍼스케일러는 자사의 파운데이션 모델을 둘러싼 에이전트 실행 환경(런타임) 경쟁에 본격적으로 뛰어들고 있다. AgentCore harness는 이러한 경쟁의 한복판에서 두 개의 API로 모든 것을 처리한다는 단순한 명제 뒤에 통합 관리형 런타임을 제품화한 사례로 평가된다.
AgentCore harness의 핵심 구조와 작동 방식
AgentCore harness의 설계 철학은 명확하다. 에이전트를 만드는 데 필요한 단계를 CreateHarness(에이전트 정의)와 InvokeHarness(에이전트 실행)라는 두 개의 API 호출로 압축했다. 개발자는 컨테이너를 직접 설정하거나 세션 관리 코드를 반복 작성할 필요 없이, 에이전트 정의를 등록한 뒤 호출만 하면 된다.
특히 주목할 점은 이 두 API가 서버리스 방식으로 제공된다는 사실이다. AWS는 인프라 프로비저닝, 스케일링, 패치 관리 같은 운영 부담을 흡수하고, 사용자는 비즈니스 로직과 프롬프트 설계에만 집중할 수 있다. 이는 기존에 에이전트를 운영하기 위해 필요했던 보일러플레이트 코드의 상당 부분을 제거하는 효과를 가져온다.
| 구성 요소 | 역할 | 제공 형태 |
|---|---|---|
| CreateHarness API | 에이전트 정의 및 등록 | 관리형 API |
| InvokeHarness API | 에이전트 호출 및 실행 | 서버리스 실행 |
| 격리 실행 환경 | 파일 시스템과 셸 제공 | 에이전트별 분리 |
| 메모리 계층 | 사용자/대화 세션 상태 유지 | 기본 내장 |
| 스킬 카탈로그 | AWS 큐레이션 및 외부 스킬 로딩 | 내장 + 확장 |
격리된 실행 환경과 보안·메모리·도구 통합 전략
기존 에이전트 프레임워크에서 가장 큰 운영 부담 중 하나는 샌드박스 설계였다. LLM이 임의의 코드를 실행하고 파일에 접근하는 특성상, 멀티테넌시 환경에서 보안 위협이 빠르게 확대된다. AgentCore harness는 이 문제를 에이전트별 격리 환경에서 파일 시스템과 셸을 함께 제공하되, 외부 접근은 정책 기반으로 통제하는 방식으로 접근한다.
또한 AWS는 에이전트가 자주 필요로 하는 세션 간 사용자/대화 메모리 유지 기능을 표준 내장했다. 별도의 벡터 데이터베이스나 메모리 저장소를 별도 구성하지 않아도 이전 대화 맥락이 유지된다. 여기에 AWS가 직접 큐레이션한 스킬 카탈로그와 외부 스킬 로딩, 웹 브라우징 기능까지 묶음으로 제공함으로써, 에이전트 운영에 필요한 핵심 기능의 진입 장벽을 크게 낮추었다.
이러한 통합 전략은 보안 가드레일을 클라우드 사업자 수준에서 중앙 관리하려는 움직임과 맞물려 있다. 기업 입장에서는 자체적으로 샌드박스와 감사 로그를 설계하는 대신 AWS의 관리형 보안 모델을 채택할 유인이 커지며, 이는 거버넌스 측면에서 산업 표준으로 자리 잡을 가능성을 높인다.
MCP와 Gateway가 만드는 에이전트 생태계 표준화
AgentCore harness가 단순한 실행 환경을 넘어 전략적 의미를 가지는 이유는 MCP(Model Context Protocol)와 Gateway 기반 도구 호출을 기본으로 채택했다는 점이다. MCP는 다양한 데이터 소스와 도구를 표준 인터페이스로 연결하는 개방형 프로토콜로, 에이전트 생태계의 공용어 역할을 점차 확대해 가고 있다.
AWS가 Gateway와 MCP를 통해 외부 도구와 데이터 소스를 연결하도록 표준화했다는 것은, 자사 서비스에 종속되지 않는 플러그형 에이전트 생태계를 지향한다는 의미로 해석된다. 개발자는 동일한 인터페이스로 사내 시스템, SaaS, 오픈소스 도구를 에이전트에 연결할 수 있으며, 이는 에이전트 자체의 이식성과 재사용성을 높이는 핵심 동인이 된다.
다만 이러한 표준화는 동시에 특정 클라우드 사업자의 런타임이 사실상 de facto 표준이 될 위험을 내포하기도 한다. MCP라는 개방형 프로토콜 위에서 AWS의 관리형 런타임이 가장 풍부한 스킬 카탈로그와 통합 사례를 확보하게 된다면, 생태계의 중심이 자연스럽게 그곳으로 이동할 가능성이 있다.
시장 함의와 전망
AgentCore harness의 출시는 AI 에이전트 시장의 성숙도를 보여주는 이정표다. 모델 성능이 어느 정도 평준화된 지금, 차별화의 무대는 에이전트를 안정적으로 굴리는 인프라로 이동하고 있다. 다음은 그 함의를 몇 가지 축으로 정리한 내용이며, 시장 영향 분석은 공개된 정보를 바탕으로 한 해석임을 미리 밝힌다.
주요 클라우드 경쟁사 대비 AgentCore의 포지셔닝
Microsoft는 Azure AI Foundry와 Copilot Studio를 통해 에이전트 스튜디오 영역을 강화하고 있고, Google은 Vertex AI Agent Engine으로 유사한 관리형 런타임을 제공해 왔다. AgentCore harness는 이들과 달리 “두 API + 격리 환경”이라는 극단적 단순화를 내세웠다는 점에서 포지셔닝이 뚜렷하다. 다만 이 단순화가 실제 기업 요구사항을 얼마나 폭넓게 커버하는지에 대해서는 향후 고객 사례가 더 축적되어야 검증될 것으로 분석된다.
에이전트 생태계 표준화(MCP) 영향
MCP는 에이전트 산업에서 사실상 표준 프로토콜로 자리 잡아가고 있으며, AWS가 이를 기본 채택한 것은 생태계 확산에 긍정적 신호로 해석된다. 도구 제공자 입장에서는 한 번의 MCP 통합으로 여러 클라우드의 에이전트 런타임에 자신의 서비스를 노출할 수 있게 되며, 이는 에이전트 시장 전체의 거래 비용을 낮추는 효과로 이어질 것으로 보인다.
국내 기업 도입 시 고려해야 할 비용·거버넌스 이슈
국내 기업이 AgentCore harness를 도입할 때 가장 먼저 검토해야 할 부분은 비용 구조와 데이터 주권이다. 관리형 런타임의 편의성은 높지만, 호출량 기반 과금과 데이터가 저장되는 리전에 대한 정책적 검토는 필수다. 또한 산업별 컴플라이언스 요구사항이 있는 업종에서는 AWS의 내장 보안 모델이 자체 감사 기준을 충족하는지에 대한 사전 검증이 필요할 것으로 판단된다.
정리하며
- AgentCore harness는 두 개의 API와 격리 실행 환경으로 에이전트 운영을 단순화한 관리형 런타임이다.
- 메모리, 스킬 카탈로그, 웹 브라우징, MCP 기반 도구 호출을 기본 제공해 운영 진입 장벽을 낮추었다.
- AI 산업의 경쟁 축이 모델에서 에이전트 런타임과 표준 프로토콜 중심으로 이동하고 있음을 보여준다.
- 국내 도입 시에는 비용 모델, 데이터 거버넌스, 컴플라이언스 적합성을 사전에 충분히 검토해야 한다.
참고 자료: AWS ML Blog – Amazon Bedrock AgentCore harness 정식 일반 제공 · GeekNews – 에이전트 기반 서비스 동향