네오포제이(Neo4j)는 기업 AI 에이전트가 데이터뿐 아니라 업무 규칙과 개념, 절차를 함께 이해하도록 공통 지식 계층을 구축해야 한다고 제안했다. 네오포제이의 생성 AI 현장 최고기술책임자 헤수스 바라사(Jesús Barrasa)는 그래프서밋(GraphSummit) 인터뷰에서 에이전트 간 지식 공유가 일관성과 설명 가능성을 높일 수 있다고 말했다고 실리콘앵글이 9월 25일 보도했다.
에이전트마다 다른 기업 지식 문제
바라사는 기업이 에이전트를 만드는 데는 익숙해졌지만, 결과의 차이는 기업 지식을 어떻게 전달하느냐에서 생긴다고 설명했다. 데이터에 접근할 수 있게 하는 것만으로는 충분하지 않으며, 데이터가 기업 안에서 어떤 의미를 지니고 업무 규칙·절차와 어떻게 연결되는지도 에이전트가 알아야 한다는 것이다. 이런 맥락 정보가 제대로 정리되거나 표현되지 않는 경우가 있다고 그는 말했다.
현재 기업들은 특정 업무에 필요한 지식을 각 에이전트 안에 프롬프트나 스킬 형태로 넣는 경우가 많다. 그러나 두 번째 에이전트를 만들 때 같은 작업을 반복하면 지식이 서로 이어지지 않을 수 있다. 바라사는 이를 과거 여러 보고 시스템에서 각기 다른 자료를 만들어 결과가 엇갈렸던 문제와 비교하며, 에이전트마다 별도 지식을 쌓는 방식이 과거의 불일치를 되풀이할 수 있다고 지적했다.
지식 그래프로 맥락과 근거 공유
바라사가 제시한 지식 계층은 기업의 데이터 자산과 개념, 정책, 업무 절차를 관리되는 형태로 표현한 것이다. 지식 그래프는 데이터와 업무상 개념·관계 사이를 연결해 에이전트가 정보를 해석하는 데 필요한 맥락을 제공한다. 답변을 만들 때 어떤 데이터와 요소를 활용했는지 살펴볼 수 있어, 에이전트가 대화형 응답을 넘어 실제 업무를 수행할 때 중요한 설명 가능성도 지원할 수 있다고 그는 설명했다.
기업 전체 지식을 처음부터 한꺼번에 모델링하기보다 활용 사례 하나에서 출발해 다음 사례를 앞선 지식에 맞춰 확장하는 접근이 제안됐다. 바라사는 사례를 하나씩 적용해 가치를 확인하고, 이를 토대로 지식 계층을 넓혀야 한다고 말했다. 대규모 언어 모델(LLM)은 이 과정에서 온톨로지 구축을 크게 앞당길 수 있지만, 여러 업무 사례의 개념과 관계를 연결해 지식을 점진적으로 쌓는 접근 자체를 대신한다는 설명은 아니다.
성과 측정도 개별 에이전트의 결과에만 한정하지 말아야 한다는 게 바라사의 주장이다. 공통 지식이 축적될수록 두 번째, 세 번째, 네 번째 에이전트를 만드는 작업이 얼마나 수월해지는지 살펴볼 수 있다. 반대로 두 에이전트가 서로 다른 답을 내거나 다르게 행동할 때 결과를 조정하는 데 드는 ‘지식의 이탈’ 비용도 따져야 한다고 그는 말했다. 인터뷰에서 구체적인 도입 일정이나 가격은 제시되지 않았다.