AIHUASHEN 온톨로지 비공개 세미나: 임원 11명의 현장 질문이 드러낸 기업 AI 전환의 가장 '아픈' 인식 격차

6월 26일, '온톨로지 인식과 응용 실천'을 주제로 한 기업 에이전트 비공개 세미나가 광저우에서 열렸다. 금융, 에너지, 제조, 유통, 행정 서비스 등 분야의 기업 책임자 10여 명과 지능화 전환을 담당하는 의사결정자들이 참석했다. 세미나는 AIHUASHEN 부사장 천쥔(Jackson Chen)이 강연을 맡아 'AI가 기업을 이해하게 하고, 지능이 경영에 참여하게 한다'는 핵심 명제를 중심으로, 참석자들을 기술 도입이라는 얕은 물에서 업무의 본질과 온톨로지 운영 논리를 체계적으로 이해하는 깊은 물로 이끌었다.

1. 배경: '데이터 거버넌스의 난국'에서 '업무 논리 사슬'로의 물음

세미나 의제는 현재 기업 AI 활용의 핵심 병목을 정면으로 겨눴다. 데이터 거버넌스 프로젝트를 여러 해 진행하며 많은 자원을 투입했는데도, 왜 AI는 여전히 업무를 제대로 이해하지 못하고 업무 논리에 부합하는 판단을 내리지 못하는가.

기업의 일상 운영에서 중요한 판단의 상당수는 'X이기 때문에 Y'라는 암묵적 논리에 기댄다. 예컨대 '왜 이 고객의 여신이 거절되었나', '왜 이 주문은 특별 승인을 거쳤나' 같은 물음이다. 이런 판단 뒤에는 분명한 업무 논리 사슬이 존재한다. 그러나 그 사슬은 대개 경험이나 관행, 흩어진 문서의 형태로 조직 안에 머물러 체계적으로 표현되기 어렵고, 결국 AI가 닿지 못하는 '암묵지'가 된다.

문제의 핵심은 여기서 분명해진다. 기업에 부족한 것은 데이터가 아니라, '데이터 관계와 업무 규칙'을 구조화해 표현하는 역량, 곧 업무 프로세스를 관통하는 그 암묵적 업무 논리 사슬일지 모른다.

이번 비공개 세미나의 초점은 바로 이 '사슬'을 암묵에서 명시로, 모호한 경험에서 계산 가능하고 표현 가능한 구조화된 업무 자산으로 전환해, 기업급 에이전트가 업무를 이해하고 의사결정에 참여할 수 있도록 뒷받침하는 방법이었다.

2. 강연: 온톨로지 — 데이터 사일로에서 의미 네트워크로의 기술 진화

천쥔은 하나의 비유로 세미나를 열었다. "기업을 생명체에 비유하면 데이터는 혈액이고 연산력은 근육입니다. 그렇다면 온톨로지는 두뇌이자 신경계입니다. 기업이 스스로를 어떻게 인식하고 환경과 어떻게 상호작용하는지를 정의하니까요."

이어 천쥔은 사내에 흩어진 ERP, CRM, OA 등 이기종 시스템에서 '고객', '주문', '계약' 같은 핵심 업무 객체를 추출하고, 그들 사이의 의미 연관 네트워크를 구축하는 과정을 데모로 보여 주었다.

천쥔은 이렇게 지적했다. "과거의 데이터 레이크와 데이터 플랫폼 프로젝트가 지능화 전환의 기대 ROI를 가져오지 못한 근본 원인은, 데이터가 사람이 보도록 만들어져 AI가 이해할 의미 계층이 없었다는 데 있습니다. AI에게 보이는 것은 고립되고 무의미한 숫자와 문자열 더미일 뿐입니다." 그러면서 그는 기업급 AI 기술 진화의 경로를 체계적으로 정리했다. 외부 지식에 의존하는 RAG(검색 증강 생성)에서, 내부 지식 그래프의 연관을 끌어들이는 GraphRAG로, 그리고 최종적으로 기업 고유의 업무 논리를 핵심에 두는 OAG(온톨로지 증강 생성)로 나아가는 길이다.

그는 중국 최초로 A주에 상장한 도시 서비스 기업 차오인구펀(僑銀股份)의 사례를 인용했다. 이 회사는 Agentrix 지능 시스템으로 업무 온톨로지를 구축해 복잡한 실시간 배차, 프로세스 협업, 위험 사전 개입, 이상 사전 경보의 운영 논리를 명시화했다. 업무 온톨로지와 세계행동모델을 바탕으로 동적 의사결정 최적화를 구현해 운영 효율을 뚜렷이 높이고 운영 비용을 낮췄으며, 배차 대응 시간을 기존의 시간 단위에서 분 단위로 단축했다.

천쥔은 기업 전환이 정보화(IT 시스템 구축)에서 디지털화(데이터 주도 프로세스)를 거쳐 최종적으로 AI화(에이전트가 경영에 참여하는 단계)로 나아가고 있으며, 온톨로지야말로 AI화 단계를 떠받치는 핵심 인프라라고 보았다.

3. 현장 질의응답

세미나의 마지막 순서는 참석 기업들과의 질의응답이었다. 참석 기업의 온톨로지 이해는 더 이상 개념에 머물지 않고, 기술 구현과 사업 성과의 결을 파고들었다.

1. 의미 통일: 사내 서로 다른 시스템이 같은 대상을 다르게 부를 때, AI는 어떻게 정확히 이해하고 검증까지 해내는가?

참석 기업 질문: "저희 ERP는 오래 사용해 왔는데 많은 테이블 필드에 통일된 데이터 사전이 아예 없습니다. 예컨대 '재고'는 재무 관점, 생산 관점, 창고 관점에서 의미가 다 다릅니다. 데이터 사전이 없는 상태에서 테이블명과 필드명만 보고, AI가 각 필드의 실제 업무적 의미를 어떻게 알 수 있습니까?"

AIHUASHEN 프로덕트 전문가 치샤오시: "저희는 다층 전략을 씁니다. 먼저 Agentrix는 기업에 이미 데이터 사전이 있다면 이를 권위 있는 출처로 우선 활용합니다. 없다면 대규모 모델이 테이블 구조, 필드 명명 규칙, 테이블 간 연관 관계, 업무 맥락을 근거로 필드의 잠재적 의미를 추론해 주석을 생성합니다. 이어 업무 전문가가 AI의 추론 결과를 검토·수정해 인간과 기계가 협업하는 의미 주석 루프를 닫습니다. 이중 안전장치인 셈입니다."

참석 기업 질문: "ERP와 CRM에서 '고객'을 정의하는 필드와 명칭이 서로 다릅니다. 정제한 뒤에 그것들이 같은 객체라고 어떻게 판단합니까?"

AIHUASHEN 프로덕트 전문가 치샤오시: "의미 통일 규칙과 소스 클러스터링 메커니즘으로 해결합니다. 시스템은 서로 다른 명칭(예: client_code와 customer_id) 사이의 매핑 관계를 자동으로 찾아내고, 데이터 계보 분석으로 검증합니다. 본질적으로 Agentrix는 특정 시스템의 명명을 넘어서는 통일된 업무 객체 인식 계층을 구축하고 있는 것입니다."

2. 규칙 엔진: 사내 규정을 벗어나는 업무 예외가 발생할 때, AI는 어떻게 이를 식별하고 기존 규칙을 개선하는가?

참석 기업 질문: "저희에게는 매장 임대차 계약이 많은데, 임대료 계산 방식이 문장으로 서술되어 있습니다. 규칙은 사람이 하나씩 입력해야 합니까, 아니면 시스템이 계약서 본문을 읽어 구조화된 계산 규칙을 자동 추출할 수 있습니까? 예컨대 '금액이 500만을 넘을 때의 처리'라는 서술을 AI가 실행 가능한 구조화 규칙으로 바꿀 수 있나요?"

AIHUASHEN 프로덕트 전문가 치샤오시: "저희 시스템은 Word, PDF, 스캔본, Excel 등 비정형 문서를 자동 분석해 구조화된 업무 규칙을 추출할 수 있습니다. 예를 들어 임대차 계약에서 '고정 임대료＋매출 수수료'라는 계산 논리를 식별합니다. 물론 수동 정의와 유지도 지원합니다. 나아가 과거 운영 데이터에서 암묵적 패턴을 찾아낼 수도 있습니다. 어떤 유형의 비용 신청이 늘 예산을 초과하는데도 늘 승인된다면, 시스템은 그 '묵인 규칙'을 학습해 명시화를 제안합니다."

참석 기업 질문: "사내 규정으로 모든 우발 상황을 열거할 수는 없습니다. 예컨대 출장비 정산에는 표준 운임이 있지만, 급한 프로젝트 때문에 정가 항공권밖에 구할 수 없는 경우가 있습니다. 이런 예외에 규칙은 어떻게 대응합니까?"

AIHUASHEN CTO 궈린: "저희 DataOS 규칙 엔진은 3층 혼합 추론 메커니즘을 씁니다. 첫째, OWL 제약 규칙이 확정적이고 명문화된 제도 요건을 논리 추론으로 처리합니다. 둘째, 머신러닝 알고리즘이 과거 결재 데이터에서 '묵인 규칙', 곧 명문 규정은 없지만 실무에서 일관되게 통과되어 온 패턴을 식별해 정식 규칙으로 고정할 것을 제안합니다. 셋째, 대규모 모델이 규정으로 열거할 수 없는 예외 상황, 예컨대 급한 프로젝트로 발생한 기준 초과 출장비 신청 등에 유연하게 대응합니다."

AIHUASHEN 부사장 천쥔: "온톨로지의 핵심 역량 가운데 하나가 자기 진화입니다. 시스템은 과거 운영 데이터를 바탕으로 학습을 이어 가며 새로운 규칙 생성이나 기존 규칙 개선을 제안할 수 있습니다. 기업의 제도 체계가 사업 발전에 맞춰 동적으로 진화하는 것이지요."

3. 의사결정 추론: 중요한 업무 국면에서 AI의 추론을 '수학적 증명'처럼 엄밀하고 명료하게 만들려면?

참석 기업 질문: "저희 입찰 평가단은 7명인데, 다수 구성원의 판단이 흔들리면 심사 결과의 신뢰도가 떨어질까 늘 걱정합니다. AI가 최종 결정을 내리게 할 수 있습니까? 그리고 AI의 판단이 '근거 없는 추측'이 아니라는 것은 어떻게 확인합니까?"

AIHUASHEN 프로덕트 전문가 치샤오시: "AI는 평가와 감사 업무를 맡을 수 있지만, 상업 협상 같은 핵심 국면에는 여전히 사람이 참여해야 합니다. AI 보조의 핵심 가치는 블랙박스 답을 내놓는 데 있지 않고, 완전하고 추적 가능한 추론 의사결정 증거 사슬을 제공하는 데 있습니다. 예컨대 공급업체 평가에서 시스템은 특정 업체의 가격이 과대 책정되었을 가능성을 제시할 뿐 아니라, 그 판단이 과거 계약 대비, 업계 기준 대비 편차, 혹은 어떤 규칙 검사가 작동한 결과인지까지 보여 줍니다. 모든 판단 단계에 데이터나 규칙의 뒷받침이 있고 전 과정을 되짚을 수 있습니다. 사람이 '무엇 때문에 어떤 판단을 하는지'를 명확히 정의할 수만 있다면, AI는 그 의사결정 논리 사슬을 학습해 재사용할 수 있습니다."

AIHUASHEN 부사장 천쥔: "이는 본질적으로 논리적 확정성과 확률적 매칭의 차이입니다. 대규모 모델은 확률에 기반하므로 오늘은 맞히고 내일은 틀릴 수 있습니다. 반면 온톨로지 추론은 정의된 논리 규칙과 데이터를 바탕으로 연산합니다. 규칙과 데이터가 정확하면 결과는 확정적이고 재현 가능합니다. 온톨로지는 AI의 사고 과정을 수학적 증명처럼 명료하게 만들어 줍니다."

참석 기업 질문: "지난 10년간 모든 공급업체의 과거 계약으로 AI를 학습시켜, 신규 공급업체가 견적을 낼 때 어떤 가격이 과대한지 자동으로 표시하게 하고 싶습니다. 실현 가능합니까?"

AIHUASHEN CTO 궈린: "영역 내 과거 데이터로 가격을 분석하는 일은 간단합니다. 그러나 계약 견적은 내부 데이터만 봐서는 안 됩니다. 시장 환경과 경기 순환의 영향도 받으므로 다중 소스 데이터 분석이 관건입니다. 구매 책임자가 판단 근거를 명확히 밝힐 수 있다면 — '최근 철강 시장 가격이 15% 올랐기 때문에 이 견적에 동의한다' — AI는 그 인과 논리를 기억했다가 다음에 비슷한 시장 상황을 만났을 때 자동으로 적용합니다. 문제의 핵심은 여전히 증거 사슬이 완전한가입니다."

참석 기업 질문: "수도·에너지 업종에는 복잡한 업무 규칙이 많습니다(예: 하수 처리 폭기조의 산소 공급량). 전용 예측 모델을 따로 학습시켜야 합니까?"

AIHUASHEN CTO 궈린: "상황을 구분해야 합니다. 단순한 견적 비교나 컴플라이언스 점검은 명확한 증거 사슬로 환원할 수 있어, 사람이 한 번 판단하면 이후에는 AI가 실행합니다. 그러나 생산 현장의 복잡한 공정 제어는 전문가 경험 모델과 실시간 센서 데이터가 얽히므로 전용 예측 모델의 학습이 실제로 필요합니다. 저희 온톨로지 시스템은 그러한 전문 모델을 캡슐화하고 호출할 수 있어, 업무 규칙에서 제어 전략까지 이어지는 완전한 루프를 형성합니다."

4. PaaS 아키텍처: 대규모 모델에 의존하지 않고, 온톨로지 추론에 기반한 Agentrix는 업무적으로 확정된 논리 실행이다

참석 기업 질문: "대규모 모델 사이에는 범용 능력의 격차가 있습니다. 저희가 공을 들여 온톨로지를 잘 구축해도, 연결하는 '두뇌'(대규모 모델) 자체가 충분히 똑똑하지 않다면 어떻게 합니까?"

AIHUASHEN CTO 궈린: "저희는 모델 비의존형 PaaS 아키텍처를 채택합니다. 시스템의 핵심 정책 판단 논리는 전적으로 온톨로지 계층이 담당하며, 온톨로지가 '어떤 조건에서 어떤 동작을 수행할지'를 정의합니다. 대규모 모델은 주로 효율적인 자연어 인터페이스이자 작업 실행기 역할을 합니다. 그래서 파라미터가 작은 모델을 연결해도 안정적으로 작동합니다. 더 중요한 점은, 외부 대규모 모델의 능력에 전적으로 의존하는 기업은 자기 해자를 구축하지 못했다는 것입니다. 진정으로 복제 불가능한 경쟁력은 기업 자신의 업무 데이터, 갈고닦은 업무 규칙, 그리고 업계 노하우에 뿌리내린 인과 관계 네트워크에 있습니다. 이것들이 온톨로지를 통해 구조화될 때 비로소 기업 지능의 핵심 장벽이 됩니다."

대규모 모델에 강하게 의존하는 경로의 잠재적 문제: 모델 능력이 천장이 되어 적용 성과가 선택한 모델의 범용 능력에 제약된다. 경쟁사도 같은 모델을 쓸 수 있어 핵심 장벽이 없고 동질화가 심각하다. API 호출 비용이 모델 가격 정책에 따라 요동치고 공급망 위험도 있어 비용과 리스크를 통제하기 어렵다. 업무 논리가 블랙박스가 되어 복잡한 의사결정 과정을 감사하고 설명하기 어렵다.

온톨로지 주도·모델 비의존 경로의 핵심 강점: 핵심 판단 규칙을 기업 자체 온톨로지가 담당해 업무 논리가 자율적이고 확정성이 높다. 경쟁력이 고유한 업무 지식 그래프에서 나오므로 복제하기 어려운 전용 해자를 구축한다. 가성비가 가장 좋은 모델을 유연하게 선택할 수 있어 종속을 피한다. 추론이 명시적 규칙과 증거 사슬에 기반하므로 과정이 투명하고 전 구간을 감사할 수 있다.

참석 기업 질문: "프로젝트 실행 과정에서 지능 시스템의 정확도는 어떻게 보장합니까? 대규모 모델처럼 '환각' 문제가 생기지는 않습니까? 또 업무 규칙이 바뀌면 시스템 전체를 처음부터 다시 만들어야 합니까?"

AIHUASHEN CTO 궈린: "온톨로지 기반 추론은 업무적으로 확정된 논리 실행으로, 대규모 모델의 확률적 생성과 본질적으로 다릅니다. 잘 작성된 프로그램과 같아서, 입력과 규칙이 정확하면 출력도 반드시 정확합니다. 결과가 틀렸다면 반드시 특정 논리 구간의 버그(규칙 정의 오류, 데이터 매핑 오류 등)까지 추적할 수 있고 고치면 됩니다. 뿌리 뽑기 어려운 대규모 모델의 '환각'과는 전혀 다릅니다. 업무 규칙이 바뀔 때도 업무 전문가가 온톨로지 계층에서 해당 규칙 정의를 수정하거나 추가하면 되고, 복잡한 머신러닝 모델을 다시 학습시킬 필요가 없습니다. 시스템 유지 비용과 복잡도가 크게 낮아집니다."

참석 기업 질문: "일반 현업 담당자가 온톨로지 구축에 직접 참여할 수 있습니까? 예컨대 데이터를 조회한 뒤 곧바로 새 지표나 새 온톨로지로 기록해 비용을 낮추고 속도를 높이는 식으로요."

AIHUASHEN CTO 궈린: "그것이 바로 기업 에이전트 시스템이 나아가는 방향, 곧 자기 반복입니다. 다만 기업급 응용에서는 유연성과 규범성의 균형이 필수입니다. 저희는 지식을 데이터베이스, 특히 그래프 데이터베이스에 축적해야 한다고 봅니다. 모든 것을 모델 컨텍스트에 밀어 넣는 방식은 권하지 않습니다. 핵심 개선은 '모든 경험을 한꺼번에 쏟아붓기'에서 '관계를 점진적으로 발견하고 필요에 따라 가져오기'로 옮겨 가는 것입니다. 빈도가 높고 가치가 큰 작업은 재사용 가능한 스킬(Skill)로 고정됩니다. 현재 스킬 캡슐화에는 여전히 기술 인력이 개입해야 하지만, 목표는 현업 담당자가 자연어 서술만으로 이러한 업무 논리 모듈을 빠르게 생성하고 개선하도록 하는 것입니다."

5. 협업 모델: 도구 한 벌을 납품하는 것이 아니라, '온톨로지 먼저, 거버넌스 나중'으로 모든 단계를 사업 가치에 정박시킨다

참석 기업 질문: "귀사의 기업급 AI 시스템을 도입한다면 구체적인 협업 모델은 무엇입니까? 소프트웨어 라이선스 판매입니까, 구독 서비스입니까, 아니면 다른 방식입니까?"

AIHUASHEN CTO 궈린: "저희는 합작 공동 구축이라는 깊은 협업 모델을 선호합니다. 표준화된 소프트웨어를 파는 대신 고객과 함께 투자하고 위험을 나누며 성과를 공유하는 방식입니다. 온톨로지 구축에는 업무에 대한 깊은 이해가 필요하므로, 도구를 납품하는 것으로 해결되지 않습니다. 이는 실리콘밸리 기업의 전방 배치 엔지니어(FDE) 개념을 참고한 것으로, 전문가를 장기간 상주시켜 현업 담당자와 함께 일합니다. 투입 규모는 전략급 디지털 전환의 범주에 속합니다. 저희는 고객에게 구체적인 시나리오의 파일럿부터 시작해 성과가 확인된 뒤 핵심 프로세스로 단계적으로 확장할 것을 권합니다. 이러한 '온톨로지 먼저, 거버넌스 나중'의 경로라야 모든 투자가 곧바로 사업 가치를 겨누고, 전통적 데이터 프로젝트가 '납품과 동시에 방치되는' 악순환을 끊을 수 있습니다."

기업 온톨로지 비공개 세미나, 다음 회차를 준비 중입니다. 기업 에이전트 맞춤형 솔루션 문의나 다음 회차 좌석 예약은 AIHUASHEN으로 연락 주시기 바랍니다.