What does "platform-native AI" actually mean, vs. a chatbot bolted onto an API?

Most AI integration tools are wrappers: an LLM on top of a fixed set of API calls. APIANT's AI operates inside the full integration platform. The Co-Pilot writes connectors. Agents call 500+ prebuilt integrations, trigger automations, and execute multi-step workflows with full access to your business logic. It is AI as an operator of the platform, not a conversational layer in front of it.

Which LLM powers the Co-Pilot and agents, and can we bring our own model?

APIANT is model-agnostic. The Co-Pilot and agents run on current frontier models by default, and MCP Servers expose your integrations as tools any compatible LLM can call (including models you host yourself). If compliance requires a specific model or deployment region, we work through that during onboarding.

How much does the Co-Pilot actually do on its own, and what still needs human review?

The Co-Pilot reads the API docs, determines authentication, generates ingredients (individual operations), tests them against live endpoints, and self-corrects when something fails. A workflow architect still reviews the ingredients before wiring them into customer-facing automations, the same way you would review any new connector. The Co-Pilot removes the grunt work of reading docs and writing boilerplate, not the judgment of deciding what to deploy.

How are AI agents prevented from taking destructive actions?

Agents operate with explicit goals and a scoped set of tools; they cannot call anything you have not exposed to them. You define guardrails at the automation layer (approval steps, conditional branches, rate caps, audit logging). Every agent action runs through the same execution engine as human-triggered automations, so everything is logged with full request and response bodies. You get the autonomy without the blast radius.

Does the AI ever send our customer data to third-party LLM providers?

Only when you configure it to, and only the fields explicitly passed to the model. For the Co-Pilot's connector-building work, the input is API documentation and your own test data. For agents and chatbots, you control which fields are included in the model context. Enterprise deployments typically route model calls through your own cloud account or a private endpoint; we scope the data flow during procurement.

What is MCP, and why should we care?

MCP (Model Context Protocol) is an open standard that lets AI models discover tools, understand their schemas, and invoke them through a consistent interface. APIANT's MCP servers expose your 500+ integrations as native tools that any MCP-compatible model can call. No custom function-calling glue, no bespoke wrappers. It is protocol-level interoperability between AI and your integration layer.

Can we use APIANT's AI features without rebuilding our existing integrations?

Yes. Agents, the chatbot layer, and MCP servers all work on top of your existing automations and connectors. Build the integration once in the Automation Editor, then let agents call it or expose it via MCP. The AI is an access layer, not a replacement for the integration work you have already done.

AI 기능 | 단순한 답변이 아닌 행동하는 AI

AI 부조종사

어셈블리 에디터 AI 부조종사

최초의 제품입니다. Co-Pilot이 API 문서를 읽고, 커넥터를 구축하고, 라이브 API에 대해 테스트하며, 자기 수정합니다. 앱 이름을 입력하면 프로덕션 준비된 커넥터가 나타납니다.

잠자는 동안 커넥터 구축

API 문서를 수동으로 읽고 각 작업을 직접 구성하는 대신, Co-Pilot이 무거운 작업을 수행합니다.

Co-Pilot이 API 문서를 읽고, 커넥터를 구축하고, 라이브 API에 대해 테스트하며, 자기 수정합니다. 이 기능을 구현한 최초의 연동 플랫폼이라고 생각합니다.

말 그대로 밤새 실행시키고 아침에 새로운 인그리디언트를 확인할 수 있습니다: Automation Editor에서 레시피로 결합할 준비가 된 개별 API 작업.

플랫폼 페이지에서 더 알아보기

AI Co-Pilot 처리 단계: API 문서 읽기, 엔드포인트 구축, 라이브 API에 대한 테스트 및 인증 방법 자체 수정

AI 에이전트

전체 플랫폼 내에서 작동하는 AI 에이전트

다른 플랫폼이 AI 에이전트를 독립된 도구로 취급하는 반면, APIANT 에이전트는 전체 연동 플랫폼 내에서 작동합니다. 목표, 도구, 500개 이상의 커넥터, 완전한 자동화 엔진이 모두 사용 가능합니다.

커넥터, 자동화, 비즈니스 로직 및 데이터 쿼리에 대한 목표, 추론 및 도구 액세스를 보여주는 AI 에이전트 아키텍처

목표 + 도구 아키텍처

에이전트가 수행해야 하는 작업과 사용할 수 있는 도구를 정의하세요. 에이전트가 단계를 파악하고 실행하며 엣지 케이스를 자율적으로 처리합니다.

500개 이상의 커넥터에 액세스

에이전트는 진공 상태에서 운영되지 않습니다. 상담원은 APIANT 플랫폼의 모든 커넥터(CRM, ERP, 마케팅 도구, 데이터베이스, 사용자 지정 API)에 모두 액세스할 수 있습니다.

다단계 자율 실행

단순한 단일 API 호출이 아닙니다. APIANT 에이전트는 데이터 읽기, 의사 결정, 회신, 알림 트리거, 오류 처리 등 여러 단계의 워크플로우를 자율적으로 실행합니다.

"실제 데이터, 실제 API, 실제 비즈니스 로직. 샌드박스가 적용된 데모가 아닙니다."

AI 챗봇

하나의 트리거. 하나의 행동. 그 사이의 모든 것은 상상력입니다.

APIANT AI 챗봇은 트리거(사용자의 메시지)와 액션(응답)이라는 놀라울 정도로 단순한 구조로 이루어져 있습니다. 하지만 이 두 지점 사이에는 플랫폼의 모든 기능이 있습니다: AI, 조건부, 데이터 조회, 기타 자동화 및 사용자가 설계할 수 있는 모든 로직이 여기에 포함됩니다.

챗봇 흐름: 사용자가 질문을 하면 자동화 엔진이 인텐트, API 쿼리 및 서식을 통해 처리하고 구조화된 응답을 반환합니다.

트리거

사용자가 챗봇에 메시지를 보냅니다

로직 레이어

AI 처리 및 추론
조건부 분기
연결된 모든 시스템에서 데이터 조회
다른 자동화 트리거
CRM, 데이터베이스, API에 데이터 쓰기
알림 및 경고 전송
복잡한 맞춤형 비즈니스 로직

액션

응답, API 호출, 데이터 쓰기, 알림 등 모든 것

"채팅은 하나의 트리거이자 하나의 행동입니다. 그 사이의 모든 것은 여러분의 상상력에 달려 있습니다."

고객 지원

주문 상태 조회, 재고 확인, 티켓 생성, 사람에 대한 에스컬레이션을 하나의 대화 흐름에서 모두 처리하는 챗봇입니다.

데이터 운영

챗봇에게 자연어를 통해 보고서를 가져오고, 기록을 업데이트하고, 시스템 간에 데이터를 동기화하거나, 워크플로를 트리거하도록 요청하세요.

내부 도구

팀에 전체 기술 스택에 대한 대화형 인터페이스를 제공하세요. 대시보드를 전환할 필요 없이 질문하면 실행됩니다.

APIANT 챗봇이 5개 시스템에 걸쳐 GDPR 컴플라이언스 요청을 2분 이내에 처리하는 방법을 확인하세요.

GDPR 챗봇 예시 보기

자주 묻는 질문

"플랫폼 네이티브 AI"는 단순히 API에 챗봇을 붙여놓은 것과는 어떻게 다른, 진정한 의미를 가지고 있을까요?

대부분의 AI 통합 도구는 고정된 API 호출 세트 위에 얹힌 LLM(로컬 라이프사이클)과 같은 래퍼에 불과합니다. APIANT의 AI는 완전한 통합 플랫폼 내부에서 작동합니다. Co-Pilot은 커넥터를 개발하고, 에이전트는 500개 이상의 사전 구축된 통합 기능을 호출하고, 자동화를 트리거하고, 비즈니스 로직에 대한 완벽한 접근 권한을 가지고 여러 단계의 워크플로를 실행합니다. APIANT의 AI는 플랫폼 앞에 놓인 대화형 레이어가 아니라 플랫폼을 운영하는 주체입니다.

Co-Pilot과 에이전트는 어떤 LLM으로 구동되며, 자체 모델을 사용할 수 있습니까?

APIANT는 모델에 구애받지 않습니다. Co-Pilot과 에이전트는 기본적으로 최신 Frontier 모델에서 실행되며, MCP 서버는 호환되는 모든 LLM(직접 호스팅하는 모델 포함)에서 호출할 수 있는 도구로 통합 기능을 제공합니다. 규정 준수를 위해 특정 모델이나 배포 지역이 필요한 경우, 온보딩 과정에서 해당 사항을 해결해 드립니다.

부조종사가 실제로 스스로 수행하는 작업은 어느 정도이며, 여전히 사람의 검토가 필요한 부분은 무엇입니까?

Co-Pilot은 API 문서를 읽고, 인증 방식을 결정하고, 구성 요소(개별 작업)를 생성하고, 실제 엔드포인트에서 테스트하고, 오류가 발생하면 자체적으로 수정합니다. 워크플로 설계자는 고객에게 제공되는 자동화 기능에 구성 요소를 연결하기 전에 여전히 해당 구성 요소를 검토합니다. 마치 새로운 커넥터를 검토하는 것과 같은 방식입니다. Co-Pilot은 문서 읽기 및 상용구 코드 작성과 같은 단순 반복 작업을 제거하지만, 무엇을 배포할지 결정하는 판단은 대신 수행합니다.

인공지능 에이전트가 파괴적인 행동을 하는 것을 어떻게 방지할 수 있을까요?

에이전트는 명확한 목표와 제한된 범위의 도구를 사용하여 작업하며, 사용자가 허용하지 않은 서비스는 호출할 수 없습니다. 자동화 계층에서 가이드라인(승인 단계, 조건 분기, 요청 속도 제한, 감사 로깅)을 정의할 수 있습니다. 모든 에이전트 작업은 사람이 직접 실행하는 자동화와 동일한 실행 엔진을 거치므로 모든 요청 및 응답 내용이 전체 로그에 기록됩니다. 이를 통해 관리자는 영향력을 최소화하면서 자율성을 확보할 수 있습니다.

AI가 고객 데이터를 제3자 LLM 제공업체에 전송하는 경우가 있습니까?

사용자가 설정한 경우에만, 그리고 모델에 명시적으로 전달된 필드에 한해서만 데이터가 사용됩니다. Co-Pilot의 커넥터 구축 작업에는 API 문서와 사용자 테스트 데이터가 입력으로 사용됩니다. 에이전트 및 챗봇의 경우, 모델 컨텍스트에 포함될 필드를 사용자가 직접 제어할 수 있습니다. 엔터프라이즈 환경에서는 일반적으로 모델 호출이 사용자 클라우드 계정 또는 프라이빗 엔드포인트를 통해 이루어지며, 데이터 흐름 범위는 구매 과정에서 결정됩니다.

MCP란 무엇이며, 왜 우리가 관심을 가져야 할까요?

MCP(Model Context Protocol)는 AI 모델이 도구를 검색하고, 스키마를 이해하고, 일관된 인터페이스를 통해 호출할 수 있도록 하는 개방형 표준입니다. APIANT의 MCP 서버는 500개 이상의 통합 기능을 MCP 호환 모델이 호출할 수 있는 네이티브 도구로 제공합니다. 사용자 지정 함수 호출 코드나 맞춤형 래퍼가 필요 없습니다. AI와 통합 계층 간의 프로토콜 수준 상호 운용성을 제공합니다.

기존 통합 기능을 재구축하지 않고 APIANT의 AI 기능을 사용할 수 있을까요?

네. 상담원, 챗봇 레이어, MCP 서버는 모두 기존 자동화 및 커넥터 위에 구축되어 작동합니다. 자동화 편집기에서 통합을 한 번만 구축하면 상담원이 해당 통합을 호출하거나 MCP를 통해 노출할 수 있습니다. AI는 액세스 레이어일 뿐, 기존에 구축해 놓은 통합 작업을 대체하는 것이 아닙니다.

단순한 답변이 아닌 행동하는 AI