- 이 기사는 기업 내 AI 에이전트의 가장 큰 과제는 더 이상 AI 모델이 아니라, 분산되어 있고 일관성이 없으며 관리가 어려운 내부 데이터와 지식이라고 주장한다.
- 현재 일반적인 방식은 각 AI 애플리케이션마다 별도의 컨텍스트를 구축하는 것인데, 이로 인해 여러 팀이 동일한 문서를 처리하며 서로 다른 임베딩, 인덱스, 지식 베이스를 생성하게 되어 비용이 증가하고 답변이 일치하지 않게 된다.
- 문서, 소스 코드 또는 비즈니스 프로세스가 변경될 때 각 AI 시스템이 개별적으로 업데이트되므로 AI 에이전트들이 서로 다른 버전의 지식을 사용하게 된다.
- 저자는 각 AI 애플리케이션이 데이터를 직접 관리하게 두는 대신, 공용 기업 지식 플랫폼을 구축할 것을 제안한다.
- 이 모델은 4개의 계층으로 구성된다: Raw(원본 데이터 저장), Refined(문서를 지식 객체로 표준화), Integrated(여러 시스템의 데이터를 통합 지식 모델로 연결), Serving(각 AI 에이전트나 여러 애플리케이션에 최적화된 데이터 제공).
- Integrated 계층은 문서, 소스 코드, Jira, 이메일 및 기타 시스템을 의존성, 소유권, 영향과 같은 비즈니스 엔티티 및 관계를 통해 연결하여, AI가 단순한 키워드 검색이 아닌 기업의 맥락을 이해하도록 돕는다.
- Serving 계층은 검색 인덱스, 임베딩, 지식 그래프, API와 같은 공유 자원을 생성하는 동시에 데이터 복제 없이 각 AI 에이전트 전용 컨텍스트를 구축한다.
- 이 아키텍처는 데이터 생애주기 관리, 출처 추적, 접근 제어, AI 결과 설명 가능성 및 전사적 지식 재사용을 지원한다.
- 또한 시스템은 AI 에이전트의 피드백을 플랫폼으로 다시 가져와 기업 지식 모델을 지속적으로 검토하고 개선할 수 있게 한다.
- 저자는 기업의 다음 경쟁 우위는 AI 에이전트를 더 많이 만드는 것이 아니라 신뢰할 수 있는 데이터와 지식 플랫폼을 구축하는 데서 올 것이라고 결론지었다. “나쁜 데이터가 들어가면 나쁜 결과가 나온다”는 원칙은 AI에서도 여전히 유효하기 때문이다.
📌 AI 에이전트는 통일되고 정확하며 잘 관리된 기업 지식 소스가 제공될 때만 효과를 발휘합니다. 각 AI 애플리케이션이 개별적으로 컨텍스트를 구축하게 두는 대신, 기업은 4계층 데이터 관리 구조를 갖춘 공용 지식 플랫폼에 투자해야 합니다. 이를 통해 중복을 줄이고, 일관성을 높이며, 설명 가능성을 개선하고, 조직 전체로 AI를 확장할 수 있는 기반을 마련할 수 있습니다.
