The Enterprise Knowledge Layer

상황에 맞는 엔터프라이즈 AI 선언문

엔터프라이즈 AI가 실패하는 것은 모델 때문이 아닙니다. Frontier LLM은 몇 달에 한 번씩 더 저렴하고 더 우수하며 모든 사람의 손에 제공됩니다.

Enterprise AI는 비계 때문에 실패하지 않습니다. 도구, 조정, 평가, 가드레일 등 하네스가 성숙해졌습니다. 팀은 이제 에이전트를 구축하는 방법을 알고 있습니다.

그러나 동일한 모델과 동일한 하네스를 사용하더라도 회사마다 매우 다른 결과를 얻습니다. 차이점은 다른 곳에 있습니다. 실패한 AI는 자신이 수행하는 비즈니스를 이해하지 못하는 AI입니다. 우리는 수년 동안 조직이 에이전트를 배포하도록 도왔고 해당 문제를 해결하는 유일한 방법은 기업 지식이 살아 있는 공유되고 관리되는 기반이라는 것을 배웠습니다. 우리는 그 기판을 기판이라고 부릅니다.EKL(엔터프라이즈 지식 계층). 

AI가 비즈니스를 이해하지 못하는 이유는 무엇입니까? 그 의미와 제도적 지식이 결코 글로 쓰여지지 않았기 때문이다. 엔터프라이즈 데이터는 애플리케이션과 사람을 위해 구축되었으며 애플리케이션과 사람이 스스로 의미를 제공했습니다. 앱은 그걸 알고 있어요상태 = 2수단'검토 대기 중 정지됨'. 분석가도 그것을 알고 있다. 이는 애플리케이션 코드에 있고 분석가의 머리 속에 있습니다. 하지만 상담원이 읽을 수 있는 곳은 없습니다.

귀하의 에이전트는 최고의 LLM 인텔리전스에 액세스할 수 있지만 엔터프라이즈 데이터의 의미가 누락되어 있습니다. 조직의 관계, 역사, 결정을 포함하여 조직을 나머지 조직과 다르게 만드는 요소. 이는 암시적 의미론이며 모든 기업 AI 실패가 시작되는 곳입니다.

자연스러운 대응이자 대부분의 팀이 현재 구축하고 있는 것은 각 에이전트에게 필요한 지식을 에이전트 자체에 내장하여 제공하는 것입니다. 프롬프트의 정의. 상태의 의미를 캡처하는 MCP 서버의 사용자 정의 도구입니다. 올바른 컨텍스트를 가져오는 검색 파이프라인. 그리고 그것은 작동합니다. 데모는 훌륭합니다. 하지만 방금 무슨 일이 일어났는지 주목하세요. 이제 의미의 일부가 각 에이전트 내부에 존재합니다.

10명의 에이전트에 걸쳐 이를 수행하면 기업은 10개의 개인 복사본을 만들었습니다. 이는 의미론적 중복이며 중복은 필연적으로 표류합니다.“활성 고객”이번 분기에는 한 팀의 MCP 서버에서, 다음 분기에는 다른 팀의 에이전트 프롬프트에서 재정의되며, 세 번째 팀의 에이전트에서는 재정의되지 않을 수도 있습니다. 큰 소리로 깨지는 것은 없습니다. 알람이 울리지 않습니다. 기업은 자신에 대한 일관된 이해를 중단합니다.

이것이 에이전트를 만드는 데 비용이 저렴하지만 일관된 가치를 제공하는 상태에 도달하는 데 비용이 많이 드는 이유입니다. 그리고 이것이 바로 각 에이전트에 더 많은 논리와 더 많은 컨텍스트를 쌓아 문제를 해결하려는 본능이 정확히 뒤떨어지는 이유입니다. 모든 추가는 동기화를 유지하기 위한 하나의 추가 복사본입니다.

수정 사항은 반대입니다.더 똑똑한 공유 기판에 대한 더 가벼운 에이전트. 에이전트에서 의미를 추출하여 모두가 읽을 수 있는 단일 관리 위치에 넣습니다. 한 번 정의하고 팀 전체에서 합의하고 버전을 지정하고 어디에서나 활용합니다. 상담원은 의도 해석, 계획, 행동 등 자신이 잘하는 분야로 축소됩니다.에이전트가 얇아지고 기반이 더 스마트해지면 엔터프라이즈 AI가 확장됩니다.

기업 지식 계층이란 무엇입니까?

엔터프라이즈지식 계층기업의 지식이 살아 있는 공유되고 관리되는 기반입니다. 에이전트, 도구 및 애플리케이션에 액세스할 수 있으며 세 가지 주요 구성 요소에서 작동하며 각 구성 요소는 모든 소비자에게 필요한 한 가지에 매핑됩니다.EKL 온톨로지원시 데이터 자산부터 해당 자산이 나타내는 비즈니스 개념 및 이를 기반으로 구축된 프로세스까지 기업의 실시간 지도를 제공합니다. 그만큼접지용, 그리고학습 및 추적성을 위해. 이 세 부분은 서로 연결되어 EKL에서 실행 가능해집니다.데이터만큼 쿼리 가능하고 코드만큼 실행 가능한 조직 지식. 

EKL은 에이전트가 질문 내용을 해석하고, 신뢰할 수 있는 데이터를 찾고, 적시에 올바른 지식을 가져오고, 정책 내에서 조치를 취하는 데 도움이 되는 서비스로 생각할 수 있습니다. 이 모든 작업은 각 에이전트가 처음부터 이해를 다시 구축하는 것이 아니라 비즈니스의 단일 관리 모델(EKL 온톨로지)에서 수행됩니다.

더 나아가기 전에 한 가지 분명히 짚고 넘어가야 할 점은 이 공간이 비슷한 용어로 가득 차 있기 때문입니다. 기업 지식 계층은 비즈니스 인텔리전스(BI) 의미 체계 계층이나 검색에 추가되는 일반 컨텍스트 계층이 아닙니다. EKL과 어떤 관련이 있는지, 그리고 두 가지 모두 왜 가치가 있는지 다시 알아보겠습니다. 그러나 둘 중 어느 것도 기업 규모의 상담원에게는 충분하지 않습니다.

The EKL 온톨로지기업 자체의 모델, 즉 비즈니스가 실제로 운영되는 방식에 대한 공식적으로 정의된 실시간 연결 지도를 포착합니다. 여기에는 비즈니스 관련 용어와 그 뒤에 있는 도메인 모델, 작업을 수행하는 사람(역할, 책임, 핸드오프), 작업이 진행되는 프로세스(은행의 신용 검토 또는 AML 심사, 통신업체의 서비스 프로비저닝, 거의 모든 곳에서 월별 마감 또는 지원 에스컬레이션) 및 이를 지원하는 시스템 및 데이터 자산이 포함됩니다. 또한 이 모든 것을 설명하고 제한하는 논리(환불은 원래 청구 금액을 초과할 수 없으며 구독은 계정에 속하며 데이터 제품은 액세스 가능한 데이터 자산으로 뒷받침되어야 함)뿐만 아니라 비즈니스 관련 요소를 기술 자산에 다시 연결하는 매핑도 보유합니다.

온톨로지에 설명된 도메인 모델을 인스턴스화하는 기반입니다. EKL은 세 가지 기존 데이터 범주(참조, 마스터 및 트랜잭션) 각각과 다르게 관련됩니다.

참조 데이터는 온톨로지의 확장으로 관리되는 경우가 많으며 개념이 취할 수 있는 제어된 값 집합을 나타냅니다. 비즈니스 관련 온톨로지가 "국가"와 같은 범주를 정의하는 경우 해당 인스턴스가 열에 나타나는 문자열이 아닌 관리되고 모호하지 않은 국가 목록으로 제한되기를 원할 것입니다.

마스터 데이터와 트랜잭션 데이터는 외부에 남아 있거나, 제자리에서 쿼리되거나, 구체화되거나 가상화된 도메인 그래프로 EKL에 그려질 수 있습니다. 두 가지 모드 중 어느 모드가 적용되는지, 어느 모드를 선택할지는 자체적으로 처리할 가치가 있는 디자인 문제입니다.

마지막으로,합성하는 부분입니다. EKL과의 모든 에이전트 상호 작용은 결정 추적을 남깁니다. 계좌 개설 대리인의 "규정 준수 확인" 활동을 수행하십시오. 정부 발급 신분증 확인이 필요합니다. 온톨로지는 이를 충족할 수 있는 두 가지 시스템, 즉 자동차 기록과 여권 확인을 알고 있습니다. 하지만 어떤 것을 사용해야 할지 아는 것은 메모리입니다. 이 고객 부문의 경우 자동차 기록은 과거의 모든 주행에서 더 빠르고 깨끗하게 해결되었으며, 여권 확인은 신청자가 외국 태생일 때 효과가 있었던 경로였습니다. 온톨로지는 가능한 것을 담고 있습니다. 기억은 증명된 것을 담고 있습니다. 그 "왜"는 분석가의 머리 속에 있거나 매번 처음부터 다시 파생되는 닫힌 티켓에 존재하곤 했습니다. 메모리는 작업 자체의 부산물로 이를 캡처할 수 있게 하며, 이는 지난 수천 명이 이미 배운 모든 것에서 다음 계좌 개설 에이전트 실행이 시작된다는 것을 의미합니다.

EKL은 어떻게 작동하나요?

Enterprise Knowledge Layer는 데이터 카탈로그와 같은 단순한 정의가 아닙니다. 실행 가능합니다. 구조적으로 데이터 자산과 이에 액세스하는 에이전트 및 애플리케이션 사이에 위치하는 소프트웨어입니다. 상담원은 단순히 한 번만 읽고 가지고 다닐 수는 없습니다. 시작하기 위한 컨텍스트 창보다 훨씬 크고, 더 중요한 것은 기업 지식이 동적이라는 것입니다. 이는 정의가 변경되고, 소스가 이동하고, 메모리가 누적됨을 의미하므로 정적 버전이나 캐시된 복사본은 불완전하고 오래되었습니다. 에이전트는 작업하는 동안 지속적으로 EKL을 쿼리하여 각 요청에 필요한 의미, 데이터 및 정책을 정확하게 가져옵니다.

이것이 구체적으로 의미하는 바는 다음과 같습니다. 에이전트가 요청을 받습니다.“이 고객에 대한 우리의 노출은 어떻습니까?”그리고 자체적으로 모든 단어의 의미, 어떤 시스템을 공격할지, 무엇을 볼 수 있는지, 반환되는 숫자를 신뢰할 수 있는지 추측해야 합니다. EKL은 에이전트의 작업을 대신합니다. 요청이 주어지면 다음이 수행됩니다.

• 비즈니스 모델에 반대: 무엇"노출" and “이 고객”실제로 여기를 참조하세요.
• 요청 요구 사항과권위 있게 대답할 수 있는 것입니다.
• 데이터가 EKL 외부에 있는 경우 and , 비즈니스 개념을 실제 시스템에 대한 구체적인 요구로 변환합니다. EKL에서 데이터에 액세스할 수 있으면 데이터를 쿼리하고 결과를 호출 에이전트에 반환합니다.
• 정책 및 액세스 제어를 시행합니다.동일한 단계에서 나중에 생각하는 것이 아니라 요청 해결의 일부로 에이전트는 허용된 것만 볼 수 있습니다.
• 추적을 설명하고 캡처합니다.거기까지 어떻게 왔는지, 그리고그래서 다음 요청은 더 멀리 시작됩니다.

에이전트는 여전히 실행을 수행합니다. EKL은 기반을 마련하여 의도를 통제되고 소싱된 신뢰할 수 있는 실행 계획으로 전환합니다.

지식 계층을 구매하지 않습니다. 당신은 그것을 설계합니다. 대부분 상향식입니다.

지식 계층은 특정 비즈니스를 인코딩하므로 실행되는 인프라와 달리 구매할 버전이 없습니다. 벤더는 그래프 플랫폼, 카탈로그, 정책 엔진 등 모든 구성 요소를 판매할 수 있지만 여기에는 귀하의 비즈니스가 전혀 포함되지 않습니다. 내용은 수익 정의, 데이터 자산, 거버넌스 모델, 에이전트의 행동 허용 방식 등 귀하의 의미입니다. 인코딩하는 내용은 자연스럽게 연결되어 있기 때문에 그래프는 자연스러운 기반입니다. 즉, 개념과 관련된 개념, 시스템에 매핑되고 정책으로 포장되고 계보 및 메모리로 연결됩니다. 그렇기 때문에 Neo4j와 같은 플랫폼은 EKL에 구축하고 추론할 수 있는 기반과 프레임워크를 제공하지만 지식 획득 노력은 여전히 ​​귀하의 몫입니다. 이를 다루기 쉽게 만드는 것은 방법입니다. 많은 고객 참여에 걸쳐 개선된 반복 가능한 모범 사례와 전체 프로세스를 가속화하는 LLM이 결합되어 최종적으로 기업 규모에서 지식 획득이 가능해집니다.

왜냐면 그게 원래 힘든 부분이었거든요. 기존 방식은 위원회가 정의를 작성하고, 분석가가 손으로 매핑을 작성하고, 에이전트가 비즈니스를 건드리기 전에 비즈니스를 문서화하는 다년간의 프로젝트를 의미했습니다. 개념은 프로세스에서 가져와 시스템에 매핑하고 손으로 모순을 조정해야 하며 결코 끝나지 않습니다. 이것이 바로 LLM이 잘하는 일입니다. 그리고 그들은 실제 스키마를 읽고, 각 테이블의 의미를 제안하고, 매핑을 제안하고, 두 팀이 동일한 단어를 다르게 정의하는 위치에 플래그를 지정하는 등 실제 정보로부터 상향식으로 작업합니다.

그러나 LLM은 다음과 같이 제안합니다. 인간은 비준한다. 권위 있는 수익 항목을 제안할 수 있지만 그 결정의 주인은 누군가입니다. 영업과 지원이 정의하는 것이 표면화될 수 있습니다.“활성 고객”다르지만 어느 것이 정식인지는 비즈니스 통화입니다. 따라서 접근 방식은 사실상 하이브리드입니다. LLM이 인수를 가속화하는 상향식 검색과 조직이 권위 있는 항목을 정의하는 하향식 거버넌스를 충족합니다. 이 하이브리드 모델은 재사용을 통해 강화됩니다. 업계별 모델, 공식 표준, 수백 건의 배포를 통해 학습한 패턴은 빈 시트가 아닌 강력한 출발점을 제공합니다. 모든 조직은 고유하지만 도메인의 개념적 백본은 대부분 공유됩니다. 이러한 핵심 요소를 재사용하는 것은 EKL을 채우는 데 중요한 가속기가 되는 동시에 각 조직이 비즈니스에 중요한 차이점을 정의할 여지를 남겨두는 것입니다.

그리고 레이어는 사용될 때마다 계속해서 개선됩니다. 해결된 모든 쿼리, 모호한 것으로 입증된 모든 정의, 놀라운 결과를 반환하는 모든 매핑은 레이어가 얇거나 잘못되었음을 나타냅니다. 모든 결정은 추적되고 피드백되므로 출시일부터 부패하는 대신 이미 수행 중인 작업의 부산물로 개선됩니다. EKL은 지식을 데이터만큼 쿼리 가능하고 코드만큼 실행 가능하게 하며 이를 통해 소프트웨어 개발 실무를 가능하게 한다는 점을 기억하십시오. 과거의 느리고 바다를 끓이는 거버넌스가 아닙니다. 상향식, 고도로 자동화되고 지속적이며 관리되지만 항상 전문가가 참여합니다.

온톨로지 기반 의미 계층

EKL을 구현할 때 고객은 종종 우리가 말하는 것부터 시작합니다.온톨로지 기반 의미 계층(OBSL). EKL의 핵심은 온톨로지와 참조 데이터, 그리고 이를 작동하는 도구입니다. 데이터는 외부에 보관되고 제자리에서 쿼리됩니다. 요청이 있으면 OBSL은 비즈니스 모델에 대한 의도를 해석하고, 관련 정보를 보유하는 데이터 자산과 이를 호스팅하는 플랫폼(Snowflake, Oracle, Salesforce, S3)을 결정하고, 정책을 적용하고, 에이전트가 쿼리하도록 지시합니다. 어떤 것도 이동되거나 복사되지 않습니다. 지식은 레이어에 있고 데이터는 해당 위치에 유지됩니다. OBSL은 지도이자 나침반입니다. OBSL은 상황이 중요한지, 어디서 왔는지, 어떻게 사용할 수 있는지를 결정합니다. 에이전트가 나머지 작업을 수행합니다.

EKL 온톨로지에는 무엇이 있나요?

온톨로지는 여러 계층에 걸쳐 기업의 연결된 표현을 캡처합니다.

• The 시스템, 데이터 소스 및 데이터 자산에 대한 모든 세부 정보를 캡처합니다. 이는 메타데이터 카탈로그, 데이터 소스 직접 검사 또는 쿼리 로그 구문 분석을 통해 구축됩니다.
• The 도메인(또는 비즈니스) 온톨로지비즈니스의 주요 엔터티와 이들 간의 관계를 포착합니다. 고객은 금융 서비스의 FIBO, 생명과학의 SNOMED와 같은 업계 표준을 따르는 경우가 많지만, 대부분의 경우 자체 표준을 사용하며 때로는 부분적으로 이러한 표준을 따르기도 합니다. 고객이 이미 OWL, RDFS 또는 SKOS와 같은 W3C 표준을 기반으로 구축된 TopQuadrant 또는 Protege와 같은 전문 도구에서 도메인 온톨로지를 관리하고 있는 경우 EKL은 직접 가져오기를 통해 채워집니다. 그러한 관행이 존재하지 않는 경우 LLM 지원 도구는 기업 자체 자료(비즈니스에 필요한 답변이 필요한 역량 질문, 기술 온톨로지 시스템의 샘플 데이터 및/또는 스키마 정보, 온톨로지 엔지니어링 모범 사례에 기반한 기존 용어집 및 모델)에서 이를 부트스트랩할 수 있습니다.

기술 및 비즈니스 온톨로지는 데이터 제품 정의를 통해 연결됩니다. 이미 관리되는 경우(예: MS Purview, Databricks Unity Catalog 또는 DPROD 설명) 매핑을 직접 가져옵니다. 그렇지 않은 경우 동일한 LLM 지원, 사람이 관리하는 접근 방식이 적용됩니다. 즉, 사람이 비준할 연결을 제안하는 것입니다.

• The 비즈니스 프로세스 온톨로지기업의 주요 프로세스(과제, 활동, 의사결정 지점 및 이들 사이의 흐름)에 대한 자세한 설명을 포착합니다. 조직이 Celonis, Camunda, SAP Signavio 또는 자체 개발 플랫폼과 같은 프로세스 플랫폼을 실행하는 경우 이 레이어는 이들 플랫폼에서 가져와서 구축됩니다. 그렇지 않으면 동일한 접근 방식이 적용되어 지식 획득을 위한 프로세스 공식화 기술과 방법론을 적용하여 흐름을 재구성합니다.
• 마지막으로,그리고그림을 완성하세요. 정책 온톨로지는 액세스 및 사용을 관리하는 규칙, 즉 누가 무엇을, 어떤 조건에서 볼 수 있는지, 에이전트가 이를 통해 무엇을 할 수 있는지를 파악하므로 거버넌스는 모델에 고정되지 않고 모델에 표현됩니다. 조직 온톨로지는 기업의 구조(단위, 역할, 소유권, 책임)를 포착하여 모든 개념, 자산 및 정책에 조직 내 위치를 제공하고 이를 책임지는 당사자에게 제공합니다.

접근 방식은 모듈식이므로 조직은 첫 번째 계층에서만 가치를 얻고 사용 가능한 다른 계층을 추가하며 이는 조직의 데이터 성숙도에 따라 결정되는 경우가 많습니다. 프레임워크 자체: 온톨로지를 구성하는 계층 구조와 해당 부분이 연결되는 방식은 많은 고객과 업종에 걸쳐 수년간의 작업을 통해 정제되었습니다. 이것이 구축을 가속화하는 것입니다. 지식의 형태를 처음부터 디자인하는 것이 아니라 입증된 지식을 채우는 것입니다.

전체 EKL은 OBSL을 두 방향으로 확장합니다. 데이터를 레이어로 가져와 단순히 답변을 가리키는 것이 아니라 직접 답변을 제공할 수 있습니다. 대출, 담보, 상대방 데이터(및 결과에 대한 일부 그래프 분석) 전반에 걸쳐 반복적으로 노출이 필요한 신용 위험 대리인은 모든 통화에서 세 가지 시스템을 다시 연합해서는 안 됩니다. 해당 슬라이스를 레이어 내부의 도메인 데이터 제품으로 구체화하면 느린 다중 소스 쿼리가 빠른 로컬 쿼리로 전환됩니다.

그리고 각 요청이 마지막 요청보다 더 멀리 시작될 수 있도록 하는 추론 추적, 기록 및 축적된 컨텍스트와 같은 메모리를 추가할 수 있습니다. 에이전트가 처음으로 AML 에스컬레이션을 수행할 때 경로를 단계별로 추론합니다. 해당 추적을 캡처하고 EKL이 반복 패턴을 재사용 가능한 프로세스로 추출하면 다음 에스컬레이션은 첫 번째 원칙 대신 알려진 플레이북에서 시작됩니다. 의미, 접지, 시간이 지남에 따라 복합적인 경험.

EKL 온톨로지는 관리되고, 동기화되고, 버전이 관리됩니다. 작동 방식과 주요 액세스 패턴 등에 대해서는 이후 게시물에서 다루겠습니다.

기업 지식 계층이 아닌 것

두 가지가 착각할 만큼 가까이 붙어 있습니다. 첫 번째는BI 의미 계층: Looker, dbt 또는 PowerBI와 같은 도구의 측정항목 계층입니다. 측정항목이 계산되는 방식을 고정하므로"수익"재무 대시보드와 보드 데크의 숫자는 같습니다. 유용하지만 메트릭은 단독으로 존재하는 원자, 단일 값입니다.

메트릭이 자체적으로 답변할 수 없는 질문을 상담원에게 묻는 경우 어떤 일이 발생하는지 생각해 보세요."위험에 처한 기업 고객 중 다음 분기에 공개 갱신을 하는 고객은 누구이며, 이를 소유한 고객은 누구입니까?"BI 의미 계층은 다음을 정의할 수 있습니다.“위험에 처해 있다” and “갱신 가치”명확하고 합의된 측정항목이지만에 연결, 구독에는그리고, 저것"기업"정의된 세그먼트(영업 부문과 재무 부문) 또는 이탈했지만 재활성화된 계정이 다음과 같이 계산되는지 여부입니다.“위험에 처해 있다”관리되는 비즈니스 규칙입니다. 측정항목은 설명하는 엔터티 없이 떠다니는 숫자일 뿐입니다. 온톨로지는 고객이 무엇인지, 구독에 어떻게 연결되는지, 프로세스를 생성하는지, 환불을 제한하는 규칙, 각 정의를 소유하는 사람 등 원자가 내부에 존재하는 모델입니다. 메트릭 레이어는 숫자를 제공합니다. 온톨로지는 주변 비즈니스에서 그것이 무엇을 의미하는지 알려주고, 그 질문에 대한 실제 대답에는 두 가지가 모두 필요합니다.BI는 상담원이 아닌 보고서용으로 구축되었습니다.

두 번째는: 구조화되지 않은 데이터로 확장된 의미 계층으로, 에이전트가 메트릭과 함께 문서를 가져올 수 있습니다. 더 가깝고 개선되었지만 여전히 잘못된 목표를 겨냥했습니다. 모델이 보는 것을 풍부하게 하고 기업의 내용을 통제하지 않습니다.. 

둘 다 동일한 것이 부족합니다. 즉, 권위 있는 소스, 계보, 현재 시행되는 정책, 실제 시스템에 대한 매핑이 부족합니다. 어느 레이어에서도 이러한 항목을 찾을 수 없습니다. 컨텍스트 레이어는 모델에 더 나은 자료를 제공합니다. BI 의미 계층은 보고를 위한 측정항목을 조화시킵니다. 기업 지식 계층은 해당 자료의 의미와 사용 방법을 결정하고 뒷받침합니다.

지식층을 공유 인프라로 운영

지식 계층은 한 팀의 프로젝트가 되는 순간 실패합니다. 데이터 팀이 단독으로 구축한 이 뷰는 자신의 뷰를 인코딩하며 다른 누구도 이를 신뢰하지 않습니다. 중앙 모델링 그룹이 소유하고 있기 때문에 자신이 살고 있지 않은 도메인과 보조를 맞출 수 없습니다. 공유 인프라로만 작동합니다. 데이터에 대해 배운 동일한 교훈 데이터 메시가 이제는 의미 자체에 적용됩니다. 소유권은 중앙 병목 현상이 아닌 가장 가까운 사람들에게 속합니다.

따라서 노동 분업은 데이터 메시의 원칙에 명확하게 매핑됩니다. 도메인 팀은 의미, 이를 실현하는 데이터 제품 및 매핑 등 엔드 투 엔드를 소유합니다. 왜냐하면 도메인 팀만이 자신의 세계에서 "활성 고객"이 무엇을 의미하는지 말하고 잘못했을 때의 결과를 감수할 수 있기 때문입니다. 플랫폼 팀은 공유 기반을 소유하여 안정성, 쿼리 가능 및 버전 관리를 유지합니다. 거버넌스는 중앙 집중화되지 않고 연합됩니다. 교차 도메인 기능은 계층의 일관성을 유지하는 전역 규칙을 설정합니다. 신뢰할 수 있는 소스, 액세스, 위험 경계는 도메인이 자체 정의에 대한 로컬 제어를 유지하는 반면 해당 정책은 전산 방식으로 월별 검토가 아닌 쿼리 시 레이어에서 시행됩니다. 에이전트를 구축하는 AI 엔지니어는 모든 애플리케이션에서 이를 다시 구축하는 대신 모든 것을 소비합니다.

지식 계층이 데이터 메시를 넘어서는 곳은 연합되는 것입니다. 즉, 데이터 제품이 아니라 해당 제품의 의미와 사용 방법을 알려주는 의미, 매핑 및 정책입니다. 같은 베팅, 한 레벨 업. 이로 인해 계층은 항상 서로 떨어져 있던 비즈니스, 데이터, AI 등 일반적으로 서로 이야기하는 그룹 간의 계약이 됩니다. 의미가 하나의 통제된 장소에 존재할 때 각 그룹은 자신의 몫을 소유하고 이는 모든 프로젝트에 대해 재협상하는 대신 명시적이고 버전이 지정되고 공유되는 합의 자체가 됩니다. 한 번만 구축하면 뒤따르는 모든 에이전트가 이를 재구성하는 대신 정렬을 상속받습니다.

지능은 상품이다

지능은 상품이다. 지식은 해자입니다. 모든 기업이 토큰을 통해 동일한 프론티어 모델을 임대할 수 있을 때 유일하게 지속 가능한 이점은 항상 귀하의 것이었고 결코 판매되지 않았던 한 가지입니다. 바로 귀하의 비즈니스에 대한 충실하고 통제된 이해입니다.

향후 10년 동안 AI에서 승리할 조직은 에이전트가 자신이 수행하는 비즈니스를 실제로 이해하고 있는 조직입니다. 왜냐하면 이러한 회사는 모든 에이전트가 설 수 있는 장소에서 기업 지식을 공식화하는 눈에 띄지 않는 작업을 한 번 수행했기 때문입니다.

따라서 문제는 기업 지식 계층을 구축할지 여부가 아닙니다. 여전히 유리할 때 지금 시작할 것인지, 아니면 나중에 게임을 유지하는 데 드는 비용만 들이고 시작할 것인지의 문제입니다.

---

에이치시스템즈의 LogTree는 Neo4j 기반 GraphRAG 플랫폼으로, 데이터를 자동으로 지식그래프화하고 자연어 질의로 즉시 답을 제공합니다.

👉 에이치시스템즈 홈페이지