AI 역사의 파도타기: 에이전틱 AI의 등장!

여러분, 인공지능의 역사는 마치 파도와 같아요. 잔잔한 물결도 있고, 때로는 모든 것을 집어삼킬 듯한 거대한 파도도 있었죠. 솔트룩스 이경일 대표님은 AI의 역사를 1943년 퍼셉트론의 개념 정립부터 1980년대 논리 기반 AI, 그리고 두 번의 ‘AI 겨울’을 지나 지금의 생성형 AI 시대까지 설명해주셨습니다.

특히 두 번째 AI 겨울 동안에는 ‘시맨틱 웹’이라는 거대한 움직임이 있었어요. 웹 환경 전체를 온톨로지와 추론(Reasoning)으로 엮어보자는 비전이었죠. 하지만 이때는 큰 성과를 내기 어려웠습니다. 그러다 몇 년 전부터 ‘제3의 물결’이라고 불리는 에이전틱 AI의 바람이 불기 시작했습니다! 🌪️

그럼 에이전틱 AI가 뭘까요? 쉽게 말해, AI 에이전트가 스스로 생각하고(Reasoning), 계획을 세워서(Planning), 목표를 달성할 수 있도록 하는 자율적인 업무 처리 시스템이에요. 마치 007 영화의 요원(Agent)처럼, 주어진 미션을 스스로 분석하고, 동료들과 협력하며, 필요한 도구를 호출해서 임무를 완수하는 것과 비슷하죠. 이 에이전트들은 MCP(모델 컨텍스트 프로토콜)나 A2A(에이전트-투-에이전트 프로토콜) 같은 연결고리를 통해 서로 협력하게 됩니다.

★ 여기 별표 세 개! 에이전틱 AI의 핵심은 단순히 질문에 답변하는 것을 넘어, 깊이 사고하고, 목표 달성을 위한 계획을 세우는 능력에 있다는 점, 꼭 기억하세요!

솔트룩스의 ‘구버(Goover)’ 서비스가 대표적인 예시예요. 구버는 단순히 검색 결과를 주는 것이 아니라, 사용자의 질문을 다양한 각도에서 분석하고, 스스로 추가 질문을 만들고, 여러 문서를 읽고 추론하며, 최종적으로 보고서, 팟캐스트, 심지어 모니터링 에이전트까지 생성합니다. 이 모든 과정이 AI의 추론과 계획을 통해 자율적으로 이루어지기 때문에, 박사급 인력이 한 달 걸릴 일을 7~8분 만에 해낸다고 하니 정말 놀랍죠! 게다가 이 서비스는 운영 비용을 10분의 1로 절감하여 엄청난 경제적 효과를 창출했습니다.

데이터의 설계도, 온톨로지! 그리고 팔란티어의 비밀 병기!

자, 그럼 이 에이전틱 AI 시대에 왜 ‘온톨로지’가 다시 주목받을까요? 마치 우리 뇌가 좌뇌(논리)와 우뇌(감각)로 나뉘어 있듯이, AI에도 두 가지 접근 방식이 있습니다. ‘기호적 접근’과 ‘비기호적 접근’이죠. 뉴로-심볼릭 AI는 이 두 가지를 결합한 형태로, 설명 가능한 인공지능(Explainable AI)의 핵심으로 떠오르고 있습니다. 그리고 이 기호적 접근의 중심에 바로 온톨로지가 있습니다.

온톨로지라는 개념은 무려 2,400년 전 아리스토텔레스가 지식을 어떻게 잘 표현할까 고민하며 ‘로직’과 함께 제시했던 것입니다. 당시 아리스토텔레스는 인간의 지식을 그래프 구조로 표현하고, 그 연결 관계에 의미를 부여하는 것이 가장 효과적이라고 보았죠. 우리가 홍길동이 ‘솔트룩스’의 ‘직원’이라는 사실을 인식하는 것처럼, 온톨로지는 개념, 속성, 관계를 정의하여 지식을 체계화하고 추론을 가능하게 합니다.

★ 이거 시험에 나와요! 온톨로지는 데이터를 통합하고 지식을 추론하는 데 사용되는 지식의 설계도와 같습니다.

그렇다면 팔란티어(Palantir) 같은 글로벌 기업들은 왜 온톨로지를 핵심 기술로 사용할까요? KT 윤명호 상무님은 팔란티어가 9.11 테러 이후 CIA 펀딩으로 시작되었으며, 약 4,000명의 직원 중 3,800명이 엔지니어라고 설명했습니다. 팔란티어는 온톨로지를 통해 데이터 사일로 문제를 해결하고, 각 현장의 운영 효율성을 높이며, 궁극적으로 의사 결정을 지원합니다.

팔란티어의 ‘파운드리(Foundry)’는 단순히 데이터를 모으는 것을 넘어, 온톨로지 기반으로 데이터, 로직, 액션의 세 가지 핵심 요소를 연결하여 비즈니스 문제를 해결하는 엔터프라이즈 운영체제(OS)와 같은 역할을 합니다. 이를 통해 데이터의 해석 가능성을 높이고, 재활용성을 확보하며, 의사 결정을 지원하고, 나아가 AI의 분석 능력까지 향상시키는 것이죠.

“데이터 그라운딩”의 중요성: 현실 데이터의 도전 과제

하지만 아무리 좋은 AI 기술도 ‘데이터’가 부실하면 무용지물입니다. 중앙대학교 김학내 교수님은 온톨로지 기술이 오래되었지만, 과거에는 데이터 확보의 어려움 때문에 그 잠재력을 fully 발휘하지 못했다고 지적했습니다.

교수님은 LLM의 한계도 명확히 짚어주셨어요. LLM은 환각(Hallucination) 현상이 있고, 간단한 사실 질문에도 구글 검색보다 느린 경우가 많습니다. 심지어 LLM을 활용해 에세이를 쓴 집단이 본인이 쓴 글을 기억하지 못하거나 충성심이 낮아진다는 MIT 연구 결과도 있죠.

여기서 김학내 교수님은 ‘적정 기술’과 ‘데이터 그라운딩’의 중요성을 강조했습니다. 모든 것을 LLM으로 해결하려 할 필요는 없으며, 온톨로지 역시 처음부터 100% 완벽할 필요는 없다는 거예요. ‘굿 이너프(Good Enough)’ 수준으로 시작해서 점진적으로 발전시켜나가야 합니다.

📌 잠시, 여기서 퀴즈!

“AI는 하늘을 나는 슈퍼카처럼 멋지지만, 그 슈퍼카가 달리려면 뭐가 필요할까요?” 정답은 바로 **’마차’**에 해당하는 데이터입니다! 아무리 좋은 AI도 그 밑바탕을 이루는 데이터가 엉망이면 제대로 움직일 수 없다는 뜻이죠. 특히 공공 데이터와 기업 내부 데이터는 데이터 사일로 현상이 심하고, 품질이 낮거나 표준화되지 않은 경우가 많습니다. 결국, AI가 잘 작동하려면 ‘AI 레디 데이터’ 즉, AI가 바로 사용할 수 있도록 정규화되고 구조화된 양질의 데이터를 만드는 것이 중요합니다.

솔트룩스의 에이전틱 AI 솔루션과 성공 사례

솔트룩스는 이러한 데이터와 온톨로지의 중요성을 일찍부터 인지하고 꾸준히 연구해왔습니다. 김재은 박사님은 솔트룩스가 지난 10년 동안 엑소브레인 사업을 통해 방대한 지식 베이스를 구축하고, 지식 추출 및 지식 연결 기술에서 세계 1위를 달성하는 등 놀라운 성과를 거두었다고 강조했습니다.

솔트룩스의 ‘루시아 온톨로지’는 데이터 변환, 저장, 추론, 관리 기능을 제공하며, ‘루시아 오케스트레이션’은 LLM이 온톨로지를 참고하여 더 정확하고 효율적으로 작업할 수 있도록 돕습니다. 이를 통해 LLM의 환각 현상을 줄이고, 추론 비용을 10분의 1로 절감하는 데 성공했죠.

정용일 상무님은 솔트룩스가 수립한 SBM 5(Semantic Business Methodology)라는 온톨로지 개발 방법론과 함께 다양한 산업 분야의 성공 사례를 소개해주셨습니다.

국방 분야: 복합 체계 분석 및 다출처 정보 융합을 위한 상황 온톨로지 구축. 적 활동 징후 식별, 전략 정보 생산, 작전 계획 시각화 등에 활용되어 복잡한 정보를 한눈에 파악하고 의사 결정을 지원합니다.
부산시: 지역 전문가 정보를 온톨로지로 구축하여 항만 물류 등 특정 분야의 전문가와 그 관계를 쉽게 찾을 수 있도록 했습니다.
한국관광공사: 관광 정보를 표준화된 관광 온톨로지로 개방하여 지도 기반 관광 정보 검색 및 활용을 용이하게 했습니다.
KT 기가지니: 솔트룩스의 ‘아담 온톨로지’ 기반 지의응답 엔진이 KT 기가지니 스피커에 적용되어 사용자 질문에 대한 정확한 답변을 제공했습니다.
KB국민은행: 금융 상품 정보를 온톨로지 기반 지식 그래프로 통합하고, ‘스타 기업 뱅킹 앱’의 상품 검색 서비스에 적용하여 LLM의 환각 현상을 줄이는 데 기여했습니다.

이처럼 솔트룩스는 온톨로지와 LLM을 결합하여 실제 산업 현장에서 환각 없는 정확한 지의응답과 효율적인 의사 결정을 가능하게 하는 혁신적인 솔루션을 제공하고 있습니다.

한국형 소버린 AI, 우리가 가야 할 길!

이경일 대표님은 팔란티어와 같은 외산 솔루션의 높은 비용(국방 분야에 연간 3천억 원 요구)을 지적하며, ‘소버린 AI(Sovereign AI)’ 즉, 대한민국이 주도하는 AI 기술 확보의 중요성을 강조했습니다. 우리 안전, 제조업, 국방에 이르기까지 모든 것을 외국 기술에 의존할 수는 없기 때문이죠.

이를 위해 대표님은 다음과 같은 6가지 중요한 제언을 해주셨습니다.

데이터 패브릭/매시업을 통한 온톨로지 모델링: 모든 데이터를 온톨로지로 변환하려기보다, 필요한 데이터만 의미적으로 연결하고 통합하는 유연한 접근이 필요합니다.
에이전틱 AI 지원과 온프레미스 파운데이션 모델 결합: 기업 내부에 파운데이션 모델(LLM)을 설치하고 온톨로지와 연계하여 자율화를 실현해야 합니다.
데이터 소스별 MCP(모델 컨텍스트 프로토콜) 체계 구축: 다양한 데이터 사일로를 직접 연결하기보다, 그 위에 MCP를 구성하여 온톨로지 레이어와 연결함으로써 보안과 의미적 상호 운용성을 동시에 확보해야 합니다.
문제 정의부터 시작하는 접근: 기술 플랫폼 구축에 앞서, 해결할 비즈니스 문제를 명확히 정의하고, 이를 해결할 데이터와 온톨로지, LLM 활용 방안을 모색해야 합니다.
구축 비용만큼 중요한 총 운영 비용 최적화: 단순히 도입 비용뿐 아니라, 장기적인 운영 비용 절감에 초점을 맞춰야 합니다.
4개월 단위의 작고 빠른 프로젝트 수행: MVP(최소 기능 제품)를 통한 지속적인 검증과 내부 역량 강화를 위한 ‘쉐도우 프로젝트’를 병행해야 합니다.

오늘의 정리

오늘 솔트룩스 세미나를 통해 에이전틱 AI와 온톨로지의 세계를 탐험했습니다. 핵심은 다음과 같아요.

에이전틱 AI는 AI가 스스로 생각하고 계획하며 목표를 달성하는 자율적인 시스템입니다.
온톨로지는 AI가 데이터를 더 잘 이해하고 활용하도록 돕는 ‘지식의 설계도’이며, 특히 LLM의 환각을 줄이는 데 큰 역할을 합니다.
성공적인 AI 도입을 위해서는 양질의 ‘AI 레디 데이터’를 구축하고, 문제를 명확히 정의하며, 운영 비용까지 고려하는 전략적 접근이 필수입니다.

특히 이경일 대표님이 강조하신 “문제를 정의하고, 그 문제를 해결할 데이터를 찾고, 그 데이터를 학습할 방법과 융합할 온톨로지 체계를 봐야 한다”는 메시지는 AI 혁신을 꿈꾸는 모든 분들께 등대와 같은 역할을 해줄 거예요!

여러분도 오늘 배운 내용을 바탕으로 우리 기업과 사회의 ‘데이터 마차’를 꼼꼼히 점검하고, AI라는 ‘슈퍼카’가 힘껏 달릴 수 있는 튼튼한 기반을 만들어보시길 추천드립니다!