AI Ready Data: 야자키가 모은 트러블 기록 2,432건 중 AI가 쓴 27건, 온톨로지로 다시 짓는다
와이어 하니스 대기업 야자키는 국내 직원 97%가 생성형 AI를 쓰지만 전사 성과는 보이지 않았습니다. 과거 트러블 기록 2,432건을 모았더니 AI가 쓸 수 있는 것은 27건뿐이었고, 원인은 데이터 양이 아니라 표기와 의미가 제각각인 데 있었습니다. 야자키는 DB를 먼저 만들고 그 위에 온톨로지를 세우며, ERP를 Oracle Fusion으로 옮깁니다.
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.
Unvarnished Truth: Databricks CEO가 1만 2천 명 회사의 나쁜 소식을 Genie 에이전트로 듣는 법
Databricks CEO 알리 고스디는 직원이 1만 2천 명으로 늘자 실패 소식이 위로 올라오지 않는다고 보고, 사내 에이전트 Genie에게 만족도 조사 약점 분석, 임원 개선안 평가, 실패한 영업 피치 요약을 맡깁니다. 경영진용 나쁜 소식 브리프에 필요한 데이터, 출력 형식, 4주 계획을 붙였습니다.
국내 기업 AX 소식: 이미 가진 데이터와 시스템 위에 AI를 올려 업무 시간을 줄인다 (11월 9일 묶음)
11월 3~6일 기사 4건입니다. LG이노텍은 공정 조건이 바뀔 때 약 300시간 걸리던 대응을 최대 50시간으로 줄였고 CJ대한통운 북미 법인은 쓰던 TMS 벤더 Infios와 운송사 상태 확인 에이전트를 약 두 달 만에 배치했습니다. 포스코홀딩스는 그룹 표준 온톨로지 PFO와 SLM·LLM 분업 설계를 내놨고 CJ올리브네트웍스는 엔터프라이즈 AX 매출이 제자리였습니다.
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.
Signal to Lever: Heineken이 품절 같은 신호를 조치로 바꿔 거래 시스템에 심는 법
Heineken 미국 CIO Frank Iannella는 품절 같은 신호를 찾아 배송 앞당기기 같은 조치와 짝짓고 이를 거래 시스템에 넣은 뒤 결과로 다시 맞추는 틀을 2년 넘게 다듬었습니다. 설정 작업 대부분은 기계가 읽는 온톨로지 계층에 있습니다. 신호·조치 등록부 JSON, 데이터 최신성 점검, 12주 계획을 붙였습니다.
Ontology for Multi-Agent: 벤더마다 다른 에이전트가 같은 업무 용어를 쓰게 하는 설계
ERP·CRM 벤더가 저마다 에이전트를 내놓으면서 같은 업무 용어가 시스템마다 다른 뜻을 갖는 문제가 다시 커졌습니다. Druid AI 공동창업자 Andreea Pleșea와 CEO Joe Kim은 공통 온톨로지, 한곳의 오케스트레이션과 평가, 쓰기는 결정적 시스템으로 보내는 원칙을 답으로 듭니다. 용어 카드와 6주 시범안을 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.
System of Record for Agents: 에이전트가 일하는 회사를 받칠 데이터 기반, Databricks의 네 가지 질문
a16z가 Databricks CEO Ali Ghodsi의 이야기를 바탕으로, 에이전트가 사람보다 많아질 회사에는 사실·의미·권한·평가를 한곳에 담은 기록 시스템이 필요하다고 정리했습니다. 회사 온톨로지에 묶자 에이전트 답변 정확도가 약 50%에서 84.5%로 올랐다는 Databricks 자체 테스트도 실었습니다. 정의 필드, 권한 기록, 6주 파일럿을 붙였습니다.
China Construction Bank AskAudit: 온톨로지 감사 에이전트로 여신 감사 보고서를 며칠에서 10분 안으로
중국건설은행(CCB) 내부감사팀이 LLM·RAG·온톨로지·에이전트를 4계층으로 묶은 AskAudit으로 여신 감사 보고서 초안을 3~5일에서 5~10분으로 줄이고 종단간 정확도를 86.73%에서 93.88%로 올렸다고 보고한 사례입니다. 제조 대기업 감사실이 구매 감사에 옮기는 스키마, 근거 검사, 8주 파일럿을 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.
Inventory, Contracts, Maintained Context: 에이전트를 늘리기 전에 갖출 목록·계약·맥락 관리
데이터 거버넌스 기업 Collibra의 CEO가 에이전트를 몇 개에서 수십 개로 늘릴 때 필요한 세 가지로 에이전트 목록, 실행 전에 결정론적 규칙으로 검사하는 계약, 모델과 독립된 맥락 계층의 지속 관리를 꼽았습니다(벤더 관점). 맥락을 붙인 분석 에이전트가 두 달 만에 정답률 90%에서 60%로 떨어진 사례를 근거로, 맥락도 데이터 파이프라인처럼 운영하라고 말합니다.