AI Ready Platform: NEC가 사람용 데이터 카탈로그 1,435개를 AI가 읽는 온톨로지 재료로 바꾼다
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.
Semantic Layer와 No-Code AI: P&G 창고 교대 계획을 8시간에서 20분으로, 감독자는 앱 약 500개를 직접 만들었다
AutoScheduler.AI CEO Keith Moore의 설명에 따르면 P&G 제조 캠퍼스 창고의 하루 교대 계획은 WMS·ERP 데이터를 묶은 Semantic Layer 위에서 8시간에서 20분으로 줄었습니다. 공통 결정 약 80%는 자동화하고 시설마다 다른 결정은 현장 감독자가 노코드로 만든 앱 약 500개가 맡습니다. 수치는 모두 벤더 설명입니다.
Semantic Layer: DB에 모델만 붙였다 실패한 Franklin Templeton이 주식 리서치를 다시 짠 방법
Franklin Templeton은 주식 리서치부터 애널리스트의 1차 분석과 리서치·리스크·컴플라이언스·트레이딩 관점을 포트폴리오 매니저가 한 번에 비교하는 AI 워크플로를 만들고 있습니다. DB에 모델만 연결한 첫 시도는 데이터 관계를 몰라 실패했고 에이전트와 Semantic Layer를 더해 방향을 바꿨습니다. OpenAI 고객 사례이며 수치는 공개하지 않았습니다.
Headless Context Layer: ZoomInfo 고객이 화면 대신 MCP·API로 영업 데이터를 쓰는 이유
ZoomInfo 3분기 콜에서 Henry Schuck CEO는 1만 곳 넘는 고객이 MCP 서버·CLI·새 API로 데이터를 쓰고 그 사용량이 전 분기의 두 배가 됐다고 밝혔습니다. 일부 고객은 Replit·Vercel·Claude로 자기 화면을 만들어 좌석 대신 대량 크레딧을 삽니다. AI 과제가 데이터 계층에서 멈춘 Fortune 500 복합기업은 연락처 마스터 데이터 정비부터 계약했습니다. 연락처 마스터 스키마와 6주 일정을 붙였습니다.
Business Ontology: 지표의 뜻에 소유자와 승인을 붙여 사람과 에이전트가 함께 쓰게 하는 Snowflake 기능
Snowflake가 업무 용어·지표·관계마다 소유자와 승인 상태를 붙이고 실제로 계산하는 데이터에 연결하는 Business Ontology를 발표했습니다(퍼블릭 프리뷰 예정). 승인된 정의만 에이전트에 가고, AI 추론과 부딪히면 승인본이 우선합니다. 정의 기록 설계와 6주 시범안을 붙였습니다.
Finding Isn't Understanding: 데이터 인프라에 돈을 써도 AI가 데이터를 못 믿는 이유
CDO의 81%가 AI 투자를 앞세우지만 데이터가 AI 수익을 받쳐 준다고 확신하는 비율은 26%입니다. 데이터를 찾는 것과 이해하는 것은 다르다는 진단과 함께, 과제별 맥락 카드와 4주 진단안을 붙였습니다.
Agentic Analytics: 분석 에이전트 인사이트의 48%만 행동으로 이어지는 이유와 대응
Snowflake 후원 MIT Technology Review Insights 조사에서 분석 에이전트 인사이트가 개선 행동으로 이어진 비율은 48%(1년 전 37%)였습니다. 경영진 55%는 비즈니스 맥락 부족을 원인으로 꼽았고 기업들은 거버넌스(60%)와 시맨틱 레이어(45%)로 대응합니다. 전환율을 재는 기록 방식과 8주 시범안을 붙였습니다.
Knowledge Layer: 에이전트 과제의 61%를 운영까지 올린 선도 기업 13%의 데이터 연결법
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.
AI-Ready Data Backbone: 공장 AI를 20곳으로 넓힐 때 깨지는 것과 Volkswagen의 설계
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.
Alphabet Q3 2026: Google 사내 AI 코딩과 고객사 에이전트·데이터 기반 사례
Alphabet 3분기 콜에서 Pichai는 Chrome·Ads·Search 팀이 Gemini 4 Argon으로 코드를 써 출하 코드는 약 35% 늘고 오류는 약 30% 줄었다고 밝혔습니다. Kurian은 Tata Steel의 전문 에이전트 300개 이상, BNP Paribas의 6.5만 명 배포, Deutsche Telekom·Etsy의 데이터 통합을 소개했습니다. 측정 지표, 에이전트 관리, 12주 계획을 붙였습니다.
Unified Namespace: Stellantis가 공장 데이터 층부터 깔아 AI 앱 30개 이상을 올린 설계
Stellantis 브라질 Goiana 공장은 기존 Siemens 설비 위에 설비별 프로토콜을 흡수하는 층과 공통 모델로 바꾸는 층을 두고, Unified Namespace로 AI 앱 30개 이상이 같은 데이터를 다시 쓰게 했습니다. 연동 기간은 몇 달에서 몇 주로 줄었습니다. 토픽 설계, 모델 필드, 8주 파일럿안을 붙였습니다.
Business Context for AI Agents: 데이터가 정확해도 틀리는 에이전트를 지식 그래프·온톨로지로 바로잡는 SAP의 설계
SAP 후원 VentureBeat 기사에서 SAP의 Yaad Oren은 데이터가 정확해도 관계·프로세스·예외를 모르는 에이전트는 정상 인보이스 결제를 막을 수 있다고 말합니다. 지식 그래프와 온톨로지로 'invoice' 같은 용어에 전사 공통 의미를 붙이고 운영 규칙, 표 전용 모델, 범위 제한 신원을 더하는 설계입니다. 그래프 스키마, 결정 JSON, 6주 파일럿을 붙였습니다.
Kraken.: 사내 데이터로 업무 온톨로지를 자동 생성해 AI 답의 근거를 잇는 일본 플랫폼
일본 에프티의 Kraken.은 사내 정형·비정형 데이터를 문맥째 반구조화하고 사람·제품·공정·불량·문서를 잇는 온톨로지를 자동으로 만들어, AI가 답의 근거를 거꾸로 찾아가게 합니다. 관계·의미 부여 정확도는 약 85%에서 98% 이상으로 올랐다고 밝혔습니다. Mesodata 필드, 표본 검수 기준, 8주 파일럿안을 붙였습니다.
Taxonomy부터 Context Graph까지: AI 데이터 기반 다섯 층의 차이와 쌓는 순서
Julia Díez는 taxonomy, ontology, knowledge graph, semantic layer, context graph를 각자 다른 질문에 답하는 다섯 층으로 나누고 앞 층이 단단해야 다음 층이 선다고 정리합니다. 부품·설비·협력사 가상 예시, 층별 저장 형식과 검증 방법, 4주 층 진단 계획을 붙였습니다.
Agent Knowledge Foundation: 엔비디아가 회사 테이블에서 업무 개념 지도를 뽑아 에이전트에 주는 오픈소스
NVIDIA가 GTC Berlin에서 검색 모델, Auto-Ontology, Kumo 예측 모델을 묶은 Agent Knowledge Foundation을 공개했습니다. 테이블에서 업무 개념과 관계를 자동으로 뽑고 현업이 인증해 에이전트에 MCP로 주는 구조와, 한 도메인으로 시작하는 4주 파일럿안을 붙였습니다.
Morgan Stanley Wealth Semantic Layer: 고객 관계 데이터 위에 경계 정한 에이전트를 올린 방법
Morgan Stanley 자산관리 부문은 약 8년 전 데이터를 계좌 중심에서 고객 관계 중심으로 바꿨고 지금은 그 위에 에이전트가 읽는 시맨틱 레이어를 얹어 고객·서비스·어드바이저 세 영역 에이전트를 운영합니다. 에이전트마다 볼 데이터, 접근 방식, 행동, 사람 개입 시점을 경계로 정했습니다. 용어 사전 필드, 권한 표, 6주 파일럿을 붙였습니다.
AI Context Platforms: 에이전트 정확도를 데이터의 의미로 올리라는 Gartner 2027 트렌드
Gartner는 2027 전략 기술 트렌드에서 AI-ready data에 의미(semantics)를 갖춘 조직이 에이전트 정확도를 최대 80% 높이고 비용을 최대 60% 줄인다고 예측했습니다. 맥락 층, 코딩 에이전트 검증, 에이전트 ID, 자동 취약점 수정으로 에이전트를 다스리는 설계와 6주 파일럿 방법을 정리했습니다.
Data Enablement for AI: 레이크하우스를 에이전트가 믿고 쓸 데이터 기반으로 바꾸는 6가지 설계
에이전트와 RAG가 운영 단계에서 막히는 이유를 프롬프트가 아닌 데이터 기반에서 찾고, 변경분만 재임베딩하는 CDC, 표를 살리는 문서 파싱, LLM 대신 SQL을 만드는 시맨틱 레이어, 검색 전 권한 필터 등 6가지 패턴을 정리한 실무 가이드입니다. 필드 설계, 합격 시험, 6주 파일럿 순서를 덧붙였습니다.