AX Enablement

Semantic Knowledge Graph: Cosentino는 데이터에 업무 의미를 얹어 보류 주문 지연을 평균 22일에서 최대 1일로 줄였다

Cosentino는 데이터 레이크와 ERP 위에 업무 의미를 정리한 시맨틱 레이어를 3년째 쌓았습니다. 그 위에서 주문별 지연을 예측하는 에이전트를 돌려, 신용한도로 보류된 주문의 지연이 평균 22일에서 최대 1일로 줄었습니다. New York Life는 지식 그래프와 벡터 DB의 역할을 나눠 씁니다.

출처
CIO.com · Maria Korolov
원문 제목
What is a semantic knowledge graph, and does your AI need one?
유형
아티클
읽은 날
2026.11.19
원문 발행
2026.11.18

에이전트가 회사 일을 제대로 하려면 데이터만으로는 부족하고 그 데이터가 업무에서 무엇을 뜻하는지 적어 둔 층(시맨틱 레이어)이 있어야 합니다. Cosentino는 이 층을 사람이 먼저 짓고 AI로 거들게 한 뒤에 주문 에이전트를 올렸습니다. 따라 하려면 부서가 많이 얽힌 업무 흐름 하나를 골라 용어와 관계를 현업이 직접 정의하는 일부터 시작해야 합니다.

요약

CIO.com의 Maria Korolov가 시맨틱 지식 그래프(semantic knowledge graph, 데이터 사이의 관계에 업무상 의미까지 기록한 그래프)를 실제로 쓰는 기업을 취재한 기사입니다. 중심 사례는 Cosentino입니다. 이 회사에는 이미 큰 데이터 레이크와 레이크하우스, ERP와 CRM이 있었습니다. 글로벌 CIO Rafael Domene은 그래도 무슨 일이 벌어지는지 설명하기에는 데이터만으로 모자랐다고 말합니다. 그래서 3년 전부터 데이터 위에 시맨틱 레이어를 쌓았습니다. 프로세스 마이닝 회사 Celonis의 엔지니어와 사내 전문가가 손으로 짓다가 나중에 AI를 보조로 붙였습니다. 기사는 New York Life 단체보험 부문이 지식 그래프와 벡터 DB를 어떻게 나눠 쓰는지도 함께 소개합니다.

기존 데이터데이터 레이크·레이크하우스ERP(SAP)·CRM시맨틱 레이어데이터에 업무 의미 부여3년째 구축, 연말 완료 목표에이전트주문별 정시 도착 예측지연 위치 찾기영업 대응고객에게 먼저 연락대안 제시
원문의 Cosentino 구성을 다시 그린 개념도

이 층 위에서 Cosentino의 에이전트는 어느 고객의 어느 주문이든 열어 제때 도착할지 예측하고 지연이 어디서 생기는지 짚어 냅니다. 예전에는 주문 하나에 15개 부서가 관여했고 부서마다 대시보드가 따로 있어 문제가 늦게 드러났습니다. 지금은 영업 담당이 먼저 알고 고객에게 연락해 대안을 냅니다. 신용한도 초과로 보류된 주문은 평균 22일 늦어지던 것이 지금은 길어야 1일입니다. 이 일을 하던 재무 인력은 고객 응대 업무로 옮겼습니다. 회사는 첫해에 최대 1,000만 달러를 아꼈고 연말까지 1억 달러 절감을 예상합니다. 기사는 예전에는 분석가가 경험으로 데이터의 뜻을 알았기에 이런 층을 따로 만들 이유가 약했지만 에이전트에는 그런 경험이 없다는 점을 이유로 듭니다. 아래에서는 이 구조를 네 가지 장치로 나눠 보고 실제로 돌릴 때 필요한 설계와 일정을 정리합니다.

이전신용한도 초과로 보류된 주문, 평균22일현재같은 유형 주문, 최대최대 1일025일
원문 수치. 이전은 평균, 현재는 최대값이라 기준이 다름. 0 기준 막대

핵심 메커니즘

Semantic Layer: 데이터에 업무상 의미를 붙이는 층

그래프 데이터베이스는 정보를 표가 아니라 점(노드)과 선(엣지)으로 저장해 무엇이든 서로 이을 수 있습니다. 공급망, 부정 거래 탐지, 추천에 많이 씁니다. 지식 그래프는 그 위에서 “이 데이터가 무엇인가”를 관계로 보여 주는 지도입니다. 시맨틱 지식 그래프는 여기에 업무상 의미를 한 겹 더합니다. 어떤 회사가 지금 고객인지 잠재 고객인지, 어떤 직함이 의사결정에서 얼마나 무게가 있는지 같은 내용입니다. 시맨틱 레이어는 데이터가 회사 안에서 무엇을 뜻하고 실제로 어떻게 쓰이는지를 담습니다.

언제 필요한가: 사람이 아니라 에이전트가 데이터를 읽을 때입니다. 분석가는 경험으로 “보류”가 어떤 상태인지 알지만 에이전트는 일반적인 업무 지식도 이 회사만의 방식도 모릅니다. 작은 예시(가상): ERP에 “보류” 코드가 세 가지 있다면 시맨틱 레이어는 그중 어느 것이 신용한도 때문인지, 누가 풀 수 있는지, 풀리면 어느 단계로 넘어가는지를 적어 둡니다.

그래프 데이터베이스표 대신 노드·엣지로 저장무엇이든 서로 연결지식 그래프데이터 사이 관계 지도이 데이터가 무엇인가시맨틱 지식 그래프업무상 의미까지 기록고객인가, 잠재 고객인가
원문의 정의를 세 층으로 다시 그린 개념도

Expert-led Build: 사람이 먼저 짓고 AI는 거든다

Cosentino는 처음에 시맨틱 레이어를 거의 수작업으로 지었습니다. 사내 전문가와 벤더로 고른 Celonis의 엔지니어가 함께 했습니다. 시간이 지나 AI가 사람의 작업을 거들게 했습니다. Domene은 SAP의 정해진 업무 흐름 덕에 일이 수월했지만 그래도 사람 손이 많이 갔다고 말합니다. 주요 프로세스와 흐름은 이미 끝났습니다. 남은 일은 주로 재무 쪽으로 물류, 생산, 운영, 고객 서비스, 영업, 구매, HR이 걸려 있습니다. 목표는 올해 말 완료입니다.

기사에 나온 SANS Institute의 David Hoelzer도 같은 순서를 권합니다. 사람이 쓴 문서는 AI가 의미 관계를 뽑아내기 좋게 쓰여 있지 않을 때가 많습니다. AI는 그래프를 짓고 고치는 속도를 높일 수 있지만 혼자 짓게 두면 말이 안 되는 관계를 만들어 냅니다. 그래서 이 일에 맞는 기술을 가진 사람이 계속 필요합니다. 기사는 업무가 바뀌는 만큼 이 층도 계속 고쳐야 하는 일이라고 덧붙입니다.

1. 사람이 먼저사내 전문가Celonis 엔지니어2. 주요 흐름핵심 프로세스구축 완료3. AI 보조사람의 작업을AI가 거듦4. 남은 영역재무 쪽 등연말 완료 목표
원문의 구축 순서를 다시 그린 흐름도

Order-level Agent: 주문 하나를 끝까지 따라가는 에이전트

부서가 15곳이면 지연의 원인도 15곳 중 어디엔가 있습니다. 부서별 대시보드로는 주문 하나가 지금 어디서 막혔는지 한 번에 보이지 않습니다. KPI가 빨간색이 되면 경험 많은 직원이 조직을 뒤져 원인을 찾아야 했습니다. Cosentino의 에이전트는 시맨틱 레이어 위에서 주문 한 건을 처음부터 끝까지 따라갑니다. 입력은 고객과 주문, 처리는 정시 도착 여부 예측과 지연 지점 찾기, 출력은 영업 담당이 고객에게 먼저 연락할 수 있는 정보입니다.

Domene은 에이전트가 말만 하지 않고 일을 한다는 점을 강조합니다. 다만 아낀 시간이 모두 매출로 바뀌지는 않는다고도 말합니다. 다음 단계는 영업입니다. 영업 직원은 일하는 시간의 3분의 1 이상을 행정 업무에 썼습니다. 회사는 작년에 이를 돕는 에이전트를 만들어 올해 시험했으며 곧 전면 가동할 예정입니다.

부서별 대시보드주문 에이전트· 주문 하나에 15개 부서가 관여· 부서마다 다른 대시보드· 납기 문제를 늦게 발견· KPI가 빨개지면 사람이 원인 추적· 어느 고객의 어느 주문이든 조회· 정시 도착 여부 예측· 지연이 걸린 지점 표시· 영업이 먼저 고객에게 연락
원문 사례를 정리한 비교

Knowledge Graph와 Vector DB: 정확한 사실과 넉넉한 문서를 나눠 맡긴다

1년 전만 해도 LLM에 회사 정보를 넣는 표준 방법은 벡터 DB를 쓰는 RAG(검색 증강 생성)였습니다. 비정형 문서를 벡터로 바꿔 비슷한 주제끼리 모으고 관련 내용을 프롬프트에 붙입니다. 비정형 데이터에는 여전히 잘 맞지만 가져오는 양이 많고 낡았거나 헷갈리는 내용이 섞일 수 있습니다. 에이전트는 LLM을 여러 번 부르므로 불필요한 내용은 그대로 토큰과 비용이 됩니다. 지식 그래프는 에이전트가 필요한 사실만 정확히 가져오게 하고 시맨틱 레이어는 그 사실을 어떻게 써야 하는지까지 알려 줍니다.

New York Life 단체보험 부문(Group Benefits Solutions)의 CIO Matt Marze는 둘을 함께 씁니다. 지식 그래프는 LangChain의 에이전트 프레임워크 LangGraph 위에 지었고 여러 에이전트를 조율하는 데 씁니다. 벡터 DB는 생성형 AI의 RAG 애플리케이션을 맡습니다.

가져오는 것잘 맞는 데이터New York Life 용도지식 그래프필요한 사실만 정확히관계와 쓰는 법까지멀티 에이전트 조율벡터 DB비슷한 내용을 넉넉히비정형 문서 검색생성형 AI RAG
원문 설명과 New York Life의 역할 분담을 정리한 표

통념과 다른 주장

흔히 이렇게 봅니다데이터 레이크와 ERP·CRM을 갖췄으면 AI 에이전트를 올릴 준비는 끝났다.

저자는 이렇게 봅니다에이전트에는 데이터가 아니라 업무 지식을 줘야 합니다. 데이터가 무엇을 뜻하고 어떻게 쓰이는지를 따로 적어 둬야 합니다.

근거Cosentino는 데이터 레이크, 레이크하우스, ERP, CRM을 모두 갖추고도 KPI가 나빠진 이유를 사람이 뒤져야 했습니다. 시맨틱 레이어를 쌓은 뒤에야 주문별 지연을 미리 잡았습니다.

흔히 이렇게 봅니다회사 문서를 벡터 DB에 넣고 RAG를 붙이면 에이전트에 맥락을 주기에 충분하다.

저자는 이렇게 봅니다에이전트가 정확한 사실을 써야 하는 일은 지식 그래프에, 비정형 문서 검색은 벡터 DB에 맡기는 식으로 나누는 편이 낫습니다.

근거New York Life는 여러 에이전트 조율에는 지식 그래프를, RAG에는 벡터 DB를 씁니다. 기사는 지식 그래프가 일반 chain-of-thought 방식보다 정확도를 26% 이상 높였다는 UC Santa Barbara와 JP Morgan AI Research의 논문도 소개합니다.

흔한 기대원문의 사례· 데이터 레이크와 ERP가 있으면 준비 끝· 벡터 DB 하나로 RAG면 충분· Cosentino: 데이터만으로는 원인 설명이 안 됨· New York Life: 그래프와 벡터 DB 병행
원문 사례로 정리

저자가 든 사례

Cosentino 신용한도 보류 주문: 지연 지점을 미리 짚는다

구분내용
상황주문 하나에 15개 부서가 관여하고 부서마다 대시보드가 달라 납기 문제가 늦게 드러남. 신용한도 초과로 보류된 주문은 평균 22일 지연
한 일데이터 레이크·레이크하우스·ERP·CRM 위에 시맨틱 레이어를 쌓고 주문별 정시 도착을 예측하고 지연 지점을 찾는 에이전트 운영
결과보류 주문 지연 최대 1일. 해당 업무를 하던 재무 인력은 고객 응대 업무로 이동. 첫해 최대 1,000만 달러 절감, 연말까지 1억 달러 절감 예상
연결Semantic Layer, Order-level Agent
상황신용한도 초과 주문 보류평균 22일 지연한 일시맨틱 레이어 위주문 에이전트 운영결과지연 최대 1일재무 인력은 고객 업무로
Cosentino 신용한도 보류 주문 사례 재구성

Cosentino 영업 행정: 같은 층을 다음 업무로 넓힌다

구분내용
상황영업 직원이 일하는 시간의 3분의 1 이상을 행정 업무에 씀
한 일작년에 행정 보조 에이전트를 만들고 올해 시험
결과곧 전면 가동 예정. 효과 수치는 원문에서 밝히지 않음
연결Expert-led Build, Order-level Agent
상황영업 시간의3분의 1 이상이 행정한 일작년 에이전트 구축올해 시험다음곧 전면 가동 예상효과 수치는 미공개
Cosentino 영업 행정 에이전트 사례 재구성

New York Life 단체보험 부문: 그래프와 벡터 DB를 나눠 쓴다

구분내용
상황여러 AI 에이전트를 조율하고 인사이트와 추천을 만들어야 함
한 일LangGraph 기반 지식 그래프에 사업 기본 정보, 데이터, 신호, 브로커 커뮤니티 같은 외부 정보를 넣음. 시맨틱 레이어에는 업무 이해, 데이터 관계, 상품·플랜 공통 정의, 현재 상황과 이력·업무 흐름·우선순위를 담음. RAG는 벡터 DB로
결과인사이트·예측·추천을 만들고 에이전트를 조율. 정량 효과는 원문에서 밝히지 않음
연결Knowledge Graph와 Vector DB
입력사업 정보·데이터·신호브로커 커뮤니티 등 외부시맨틱 레이어상품·플랜 공통 정의현재 상황·이력·우선순위출력인사이트·예측·추천에이전트 조율
New York Life 사례 재구성

기술 디테일: 시맨틱 레이어 위에 주문 에이전트를 올린다면

아래 필드명, 설정값, 기준은 실제로 돌릴 때 필요한 것을 새로 쓴 가상 예시입니다. 원문에서 온 내용은 그렇다고 밝혔습니다.

Semantic Layer를 지으려면 용어 하나를 노드 하나로 정의합니다. 노드마다 업무상 정의, 원천 시스템의 코드, 책임 부서, 정의를 확인한 날짜를 함께 둡니다. 에이전트는 이 정의를 읽고 판단하므로 정의 문장은 사람이 승인한 것만 넣습니다. 관계도 허용 목록을 정해 둡니다(예: blocks, released_by, next_stage, owned_by, measured_by).

{
  "node_id": "hold.credit_limit",
  "type": "OrderHold",
  "label": "신용한도 보류",
  "definition": "고객 미수금이 승인 한도를 넘어 출고 전 단계에서 멈춘 주문",
  "source_codes": [{"system": "ERP", "field": "hold_reason", "value": "가상 코드 C1"}],
  "released_by": "dept.credit_control",
  "next_stage": "stage.picking",
  "owner": "재무 여신 담당",
  "verified_at": "2026-11-01"
}

Expert-led Build에서 AI를 거들게 하려면 제안과 승인을 나눕니다. LLM에는 업무 매뉴얼이나 ERP 설정 문서를 주고 허용된 관계만 JSON으로 제안하게 합니다. temperature는 0, 같은 입력을 3번 돌려 3번 모두 나온 관계만 승인 대기열에 올립니다. 출력 필드는 subject, predicate, object, evidence(문서와 문단 위치), confidence입니다. 근거가 없거나 허용 목록 밖의 관계는 버립니다. 그래프에 들어가는 것은 프로세스 오너가 승인한 것뿐입니다. Hoelzer가 경고한 엉뚱한 관계는 대부분 이 승인 단계에서 걸러집니다.

후보 추출LLM이 관계 제안허용 관계 목록만반복 확인같은 입력 3회3회 모두 나온 것만사람 승인프로세스 오너 검토승인·반려 기록그래프 반영버전 태그변경 이력 보관
가상 예시. 사람이 최종 승인한다는 원칙은 원문의 전문가 의견을 따름

Order-level Agent는 도구 세 개로 시작합니다. get_order_trace(order_id)는 프로세스 마이닝의 event log(주문이 단계를 지날 때마다 남는 기록)로 단계와 소요 시간을 돌려줍니다. predict_on_time(order_id)는 과거 주문 기록으로 학습한 분류 모델이 정시 도착 확률과 지연 단계를 냅니다. 이때 LLM은 숫자를 만들지 않고 결과를 설명만 합니다. 예측 모델의 입력은 단계별 체류 시간, 보류 사유, 고객의 신용 상태, 출고 공장처럼 event log와 시맨틱 레이어에서 바로 뽑히는 값으로 두고 매주 새 주문으로 다시 학습합니다. get_definition(node_id)는 시맨틱 레이어에서 용어 정의와 담당 부서를 가져옵니다. 에이전트 답은 아래 형식으로 고정합니다.

{"order_id": "가상-SO-58211", "on_time_prob": 0.41, "delay_stage": "hold.credit_limit", "owner": "재무 여신 담당", "evidence": ["event:hold_set", "def:hold.credit_limit"], "suggested_action": "영업 담당이 고객에게 결제 일정 확인"}

Knowledge Graph와 Vector DB는 질문 유형으로 나눕니다. 정확한 사실(주문 상태, 정의, 담당)은 그래프에서, 정책과 계약서 설명은 벡터 검색에서 가져옵니다. 벡터 검색은 상위 3~5개 문단만 붙이고 문단마다 문서 개정일을 함께 넘겨 낡은 내용을 걸러 냅니다. 원문이 짚은 토큰 비용은 질문 유형별 평균 입력 토큰으로 매주 잽니다.

가져올 곳근거주문 상태·단계그래프 조회event log 기준용어·KPI 정의그래프 조회정의 노드정책·계약 문서벡터 검색근거 문단 3~5개지연 원인 설명그래프 + 벡터근거 ID 필수
가상 예시. 원문의 역할 분담을 질문 유형별 규칙으로 옮김
막히는 경우증상대응
부서마다 같은 말을 다르게 씀“출고”의 기준 시점이 부서별로 다름용어 노드 하나에 부서별 별칭을 달고 정의는 하나로 승인
정의가 낡음업무가 바뀌었는데 그래프는 그대로verified_at이 90일 넘은 노드를 매주 목록으로 뽑아 담당에게 확인 요청
AI가 만든 관계가 틀림존재하지 않는 승인 경로가 생김허용 관계 목록, 3회 일치, 사람 승인 세 단계를 모두 통과한 것만 반영
예측이 맞지 않음정시 도착 확률이 실제와 어긋남주간으로 예측과 실제 도착을 비교하고 단계별로 오차를 나눠 봄
근거 없는 답에이전트가 정의를 지어냄evidence가 비면 답을 내지 않고 담당 부서를 안내

현업 실행 디테일: 누가, 언제, 무엇을

아래 역할, 일정, 기준은 원문 사례를 참고해 새로 짠 가상 예시입니다.

역할맡는 일
CIO(스폰서)첫 업무 흐름 선정 승인, 프로세스 마이닝 파트너 선정, 절감 효과 보고
프로세스 오너(주문~수금)용어와 관계 정의 승인, 지연 판정 기준 확정
재무 여신 담당보류 사유와 해제 조건 정의, 에이전트 판단 검토
영업 운영 리더영업이 묻는 질문 수집, 고객 선제 연락 규칙 결정
데이터 엔지니어event log 추출, 그래프 적재, 에이전트 도구 API
AI 엔지니어관계 추출 파이프라인, 예측 모델 연결, 답 형식 검증

준비물. 대상 주문 흐름의 ERP 단계 목록과 상태 코드, 최근 6개월치 주문 event log, 부서별 KPI 정의서, 영업과 재무가 실제로 묻는 질문 30개, 지연 주문 사례 20건, 그리고 지금 보류 해제까지 걸리는 평균 일수 기준선이 필요합니다. 기준선이 없으면 나중에 효과를 말할 수 없습니다.

1주2주3주4주프로세스 오너흐름 1개 선정용어 정의검토판정데이터 엔지니어event log 추출그래프 적재도구 API운영 점검AI 엔지니어질문 수집관계 추출에이전트 시제품시험영업·재무질문 30개정의 확인결과 검토현장 시험
가상 예시. 1주 단위 간트
기간할 일산출물
1주부서가 가장 많이 얽힌 주문 흐름 하나 선정, 질문 30개 수집, event log 추출대상 흐름 정의서, 질문 목록
2주용어 30~50개 정의와 승인, 관계 추출 파이프라인 시험, 그래프 적재승인된 용어·관계 목록
3주도구 3개 연결, 에이전트 시제품, 지연 주문 20건으로 재현 시험시제품, 사례별 정답 대조표
4주영업·재무 담당 5명이 실제 주문으로 2주간 쓰기 시작, 주간 검토사용 기록, 예측 대 실제 비교

현업에 물을 것.

  1. 주문이 “늦었다”고 판단하는 기준 시점은 부서마다 같나요?
  2. 신용한도 같은 보류는 누가, 어떤 조건에서 풉니까?
  3. KPI가 나빠지면 지금은 누가 몇 시간 들여 원인을 찾나요?
  4. 지연을 미리 알면 영업은 고객에게 무엇을 제안할 수 있나요?
  5. 업무가 바뀌면 정의를 고칠 책임은 누구에게 있나요?

진행 판정 기준(예시). 지연 주문 20건 중 16건 이상에서 에이전트가 지연 단계를 사람과 같게 짚고 모든 답에 근거 ID가 붙으면 현장 시험으로 넘깁니다. 현장 시험에서 보류 해제까지 걸린 일수가 기준선보다 줄고 영업이 선제 연락한 건수가 늘면 다음 흐름으로 넓힙니다. 넓힐지는 프로세스 오너와 CIO가 4주차 검토에서 함께 정합니다. 승인 안 된 관계가 그래프에 한 건이라도 들어가면 넓히기를 멈추고 승인 절차부터 고칩니다.

AX 적용 제언. 제조와 유통 고객사라면 에이전트를 먼저 고르기보다 부서가 가장 많이 얽힌 업무 흐름 하나를 골라 그 흐름의 용어와 관계부터 정의하는 편이 낫습니다. 프로세스 마이닝을 이미 쓰는 회사는 event log가 있어 출발이 빠릅니다. Cosentino처럼 SAP 같은 ERP의 정해진 흐름이 있으면 뼈대를 거기서 가져올 수 있습니다. 경영진에게는 모델 정확도 대신 “보류 주문 해제까지 걸린 일수”와 “이동한 인력”처럼 업무 숫자로 보고하면 투자 판단이 쉬워집니다. 한 흐름에서 만든 시맨틱 레이어는 재무, 구매, HR로 넓힐 때 그대로 다시 씁니다. 처음부터 정의를 고칠 책임자를 정해 두면 3년짜리 일이 흐지부지되지 않습니다.

1. 흐름 하나부서가 가장 많이얽힌 주문 흐름2. 의미 정의보류·지연·완료KPI 정의 확정3. 에이전트주문별 예측지연 지점 표시4. 넓히기재무·구매·HR같은 레이어 재사용
가상 예시. AX 적용 순서 제안

원문 사례

항목내용
기사「What is a semantic knowledge graph, and does your AI need one?」, CIO.com, Maria Korolov, 2026.11.18
Cosentino글로벌 CIO Rafael Domene. 시맨틱 레이어 3년 전 착수, 연말 완료 목표. Celonis 엔지니어와 수작업으로 시작, 이후 AI 보조. 주문 1건에 15개 부서 관여
Cosentino 결과신용한도 보류 주문 지연 평균 22일에서 최대 1일로. 첫해 최대 1,000만 달러 절감, 연말까지 1억 달러 절감 예상
Cosentino 발언“Agentic AI is AI that can do things, not just tell you things.”
Cosentino 다음 단계영업 직원 시간의 3분의 1 이상이 행정. 보조 에이전트 작년 구축, 올해 시험, 곧 가동
New York LifeGroup Benefits Solutions CIO Matt Marze. LangGraph 기반 지식 그래프는 멀티 에이전트 조율, 벡터 DB는 RAG
전문가 의견David Hoelzer(SANS Institute): AI 단독 구축 시 엉뚱한 관계. James Kaplan(McKinsey): 지난 1년 관심 증가. Zakir Hussain(EY): 회사 맥락을 명시해야 함
인용 연구UC Santa Barbara·JP Morgan AI Research 논문(2025년 말): 지식 그래프가 chain-of-thought 대비 정확도 26% 이상 향상

핵심 개념

Graph database
정보를 표 대신 노드와 엣지로 저장해 연결을 따라가며 찾는 데이터베이스입니다.
Knowledge graph
그래프 데이터베이스 위에서 데이터가 무엇이고 서로 어떻게 이어지는지를 보여 주는 관계 지도입니다.
RAG
질문과 관련된 문서를 찾아 프롬프트에 붙인 뒤 LLM이 답하게 하는 방식입니다.
Process mining
ERP 같은 시스템에 남은 단계별 기록으로 실제 업무 흐름과 병목을 찾아내는 기법입니다. Celonis가 대표 업체입니다.
LangGraph
LangChain이 만든 에이전트 프레임워크로, 여러 단계와 에이전트를 그래프 구조로 엮어 실행합니다.
Multi-agent orchestration
여러 에이전트에 일을 나눠 주고 순서와 결과를 맞추는 조율 작업입니다.

내 메모

TODO: 내 생각 추가

원문은 CIO.com에 실린 Maria Korolov의 기사 「What is a semantic knowledge graph, and does your AI need one?」(2026.11.18)입니다. 요약, 핵심 메커니즘, 통념과 다른 주장, 사례는 기사에 나온 내용을 AX Partners가 다시 정리했습니다. 기술·현업 디테일의 필드명, JSON 예시, 도구 이름, 일정, 질문, 판정 기준, 인포그래픽과 표는 실제로 돌릴 때 필요한 것을 새로 작성한 가상 예시입니다. 인용된 논문(UC Santa Barbara·JP Morgan AI Research)은 기사에 소개된 내용만 옮겼고 원 논문은 따로 읽지 않았습니다. 전체 내용은 CIO.com 원문에서 확인할 수 있습니다.

Related

함께 읽으면 좋은 노트

AX Enablement아티클

Knowledge Layer: 에이전트 과제의 61%를 운영까지 올린 선도 기업 13%의 데이터 연결법

Neo4j 블로그 · Sudhir Hasbe

MIT Technology Review Insights가 데이터·기술 임원 300명을 조사해 보니 에이전트 과제의 34%만 운영에 들어갔습니다. 선도 기업 13%는 61%를 올렸습니다. 업무 용어와 관계(semantic knowledge)가 아주 강하다는 답이 62%로 후발 기업 21%의 세 배였습니다. Cummins 공급망과 Gilead 위조 유통망 사례, 8주 시범안을 붙였습니다.

CIO·CTOAX 추진CEO
#지식 그래프#에이전트 2026.10.31 ↗
AX Enablement아티클

AI Ready Platform: NEC가 사람용 데이터 카탈로그 1,435개를 AI가 읽는 온톨로지 재료로 바꾼다

ITmedia エンタープライズ · 山下竜大

NEC는 카탈로그가 없던 상태에서 1년 만에 데이터 카탈로그 1,435개와 대시보드 44개를 만들었습니다. 그런데 사람용 카탈로그만으로는 AI가 데이터를 쓰지 못한다는 것을 알고, 데이터의 의미를 정의하는 온톨로지 층을 담은 'AI Ready 플랫폼'을 만들고 있습니다. 온톨로지 작성은 'AI FDE'로 자동화하려 합니다.

CIO·CTOAX 추진CEO
멤버 전용 #사례#온톨로지 2026.11.14 ↗
AX Enablement아티클

AI-Ready Data Backbone: 공장 AI를 20곳으로 넓힐 때 깨지는 것과 Volkswagen의 설계

IIoT World · Paul Viorel

공장 하나에서 맞던 AI 모델이 공장 20곳에서 흔들리는 원인은 태그 이름, 시각, 맥락의 어긋남입니다. Volkswagen은 43개 공장 데이터를 현장에 두고 시맨틱 레이어로 뜻을 맞춰 한 공장의 품질 개선을 나머지 42곳이 쓰게 했습니다. 태그 매핑 필드와 공장 두 곳 12주 시범안을 붙였습니다.

CIO·CTOAX 추진CFO
#시맨틱 레이어#사례 2026.10.30 ↗