AI 에이전트 시대 기업 혁신의 핵심, 프로세스 재설계와 데이터 온톨로지
- June Park
- 3 days ago
- 6 min read
박준성 박사, 한국SW기술진흥협회 회장
AI는 결국 데이터를 처리해 기능과 지능적 행동을 구현하는 소프트웨어(SW) 기술의 진화된 형태이다. 인간은 컴퓨터가 등장한 1950년대부터 다양한 SW를 개발해 사용해 왔다. 지금의 액센츄어(Accenture)의 전신인 아서 앤더슨(Arthur Andersen)의 IT 부서는 1950년대 중반 GE를 위해 봉급 계산 및 생산 관리 시스템을 구축하며 초기 기업정보시스템 시대를 열었다. 또한 1956년에는 흔히 최초의 AI 프로그램으로 평가받는 수학 정리 증명 프로그램 'Logic Theorist'도 등장했다.
SW는 데이터를 처리해 기능(Function)과 업무 프로세스를 구현한다. SW 혁신은 새로운 데이터 유형을 처리할 수 있게 될 때마다 가속화되어 왔다. 파일과 데이터베이스(DB) 중심의 시대를 지나 데이터 웨어하우스(DW), 빅데이터, 스트리밍 데이터로 발전해 왔으며, 최근에는 자연어 텍스트와 이미지·음성·영상 같은 멀티미디어 데이터까지 직접 처리하기 시작했다
초기 기업 SW는 주로 기존 비즈니스 프로세스를 전산화·자동화하는 방식으로 개발되었으나, 1990년대 이후에는 비즈니스 프로세스를 근본적으로 재설계(Business Process Reengineering, BPR)한 후 이를 SW로 구현하는 접근이 확산되었다. BPR의 대표적 저서인 M. Hammer와 J. Champy의 『Reengineering the Corporation』(1993)에 소개된 포드(Ford) 사례가 이를 잘 보여준다. 포드는 관계형 데이터베이스 기반의 클라이언트/서버 시스템을 구축해 외상매입금 처리 프로세스를 혁신했고, 그 결과 구매 관련 업무 인력을 약 75% 감축하는 생산성 혁신을 달성했다.
이후 IT 역사에서 인터넷, 모바일, 클라우드, 빅데이터, IoT, AI 등 새로운 기술이 등장할 때마다 기업들은 이전에는 확보할 수 없었던 데이터를 수집·활용하며 비즈니스 프로세스의 와해적 혁신을 시도해 왔다. 예컨대 아마존(Amazon)은 인터넷 서점에서 기존 오프라인 서점이 확보하기 어려웠던 데이터를 축적했다. 고객별 구매 이력, 웹페이지 방문 로그, 검색 기록, 킨들(Kindle) 독서 습관, 사용자 후기 및 평가 등이다. 그리고 이 데이터를 마케팅과 판매 프로세스 혁신에 적극 활용했다.
결국 기업 혁신의 진짜 성공 요인은 새로운 기술 자체가 아니라, 그 기술이 만들어내는 새로운 데이터, 그리고 이 데이터를 활용해 업무 프로세스를 다시 설계하는 역량에 있었다.
분석형 AI의 힘과 한국 기업의 기회
아마존의 상품 추천 시스템은 지금까지 개발된 AI 애플리케이션 가운데 가장 높은 ROI를 창출한 사례 중 하나로 평가된다. 이 시스템은 고객의 상품 탐색 및 구매 의사결정 시간을 획기적으로 단축함으로써 아마존 매출의 상당 부분(약 35%, 연 2000억 달러 규모 추산)에 기여하는 것으로 알려져 있다. 상품 추천 시스템은 DB, DW, 빅데이터를 기반으로 구축된 대표적인 분석형 AI 시스템이다. AI 모델은 크게 분석형(Analytical), 지각형(Perception), 생성형(Generative) AI로 구분할 수 있다. 생성형 AI가 2022년 이후 폭발적인 관심을 받고 있지만, 실제 경영성과 측면에서는 여전히 분석형 AI의 기여가 매우 크다.
● 분석형(Analytical) AI - 데이터를 분석해 예측·추천·이상 탐지를 수행 (예: 아마존 상품추천시스템)
● 지각형(Perception) AI - 이미지·음성·영상을 인식하고 해석 (예: 자율주행의 객체 인식)
● 생성형(Generative) AI - 새로운 텍스트·이미지·음성·영상을 생성 (예: ChatGPT)
미국의 빅테크 기업들은 이미 분석형 AI를 폭넓게 활용하고 있기 때문에 이제 생성형 AI와 AI 에이전트 중심으로 관심을 확장하고 있다. 반면 한국 기업들은 미국 기업들에 비해 분석형 AI 활용 수준이 아직 충분히 높지 않은 경우가 많아 오히려 더 큰 혁신 기회를 가질 수 있다. 생성형 AI의 가장 큰 차별점은 자연어 텍스트와 이미지·음성·영상 같은 비정형 데이터를 직접 처리할 수 있다는 점이다. (박준성, 「AI에이전트의 허와 실」, [박준성의 SW], 지디넷코리아, 2026.4.21 참조)
AI 에이전트 성공의 제1 조건: 워크플로우 재설계
그렇다면 많은 기업이 관심을 보이고 있는 생성형 AI 에이전트 개발의 성공 조건은 무엇일까? (박준성, 「AI 에이전트 성공의 핵심 조건」, [박준성의 SW], 지디넷코리아, 2026.5.1 참조) 지금까지 모든 IT 신기술의 활용이 그랬듯이, AI 에이전트 역시 새로운 데이터의 활용을 통해 비즈니스 프로세스를 재발명할 수 있을 때 비로소 실질적인 혁신 성과를 만들어낼 수 있다.
맥킨지가 다양한 AI 에이전트 구축 사례를 분석해 제시한 6가지 핵심 성공 조건 가운데 첫 번째는 “It’s not about the agent; it’s about the workflow (중요한 것은 에이전트 자체가 아니라 그것이 작동할 업무 흐름, 즉 워크플로우다.)”이다. (McKinsey, One year of agentic AI: Six lessons from the people doing the work, 2025 참조) 다시 말해, AI 에이전트를 적용할 End-to-End 비즈니스 프로세스를 근본적으로 재설계해야만 실질적인 경영성과 개선을 이룰 수 있다는 것이다. 이러한 성공 원칙은 인터넷, 모바일, 클라우드, 빅데이터, IoT, 분석형 AI 등 기존 IT 신기술을 활용해 왔던 방식과 본질적으로 크게 다르지 않다.
실제로 글로벌 시장에서도 이런 흐름이 뚜렷하게 나타난다. 액센츄어는 AI 주도 비즈니스 재발명(Business Reinvention)을 전략적 핵심 사업으로 육성하며 생성형 AI, AI 에이전트, Physical AI 분야의 서비스를 빠르게 확대하고 있다. 2023~2025년 사이 관련 수주가 급격히 증가해 100억 달러 규모의 수주 실적을 기록했다. 이 서비스는 3단계의 표준 이행 프로세스를 따르는데, 비즈니스 프로세스 재설계가 핵심 활동으로 포함되어 있다. (박준성, 「AI시대 SW산업 전망 및 정책 대응」, [박준성@TalkIT for SW, AI], TalkIT, 2026.3.20 참조)
특히 생성형 AI와 AI 에이전트는 자연어와 비정형 데이터를 직접 처리할 수 있기 때문에, 과거에는 자동화하기 어려웠던 지식 노동 중심의 프로세스(보고서 작성, 계약서 검토 등)까지 재설계 대상으로 확장시키고 있다.
맥킨지는 생성형 AI 활용의 성공 조건으로 데이터의 중요성도 강조한다. (McKinsey, Charting a path to the data- and AI-driven enterprise of 2030, 2024 참조) 기업 데이터, 기존 업무 시스템, 분석형 AI와 생성형 AI가 통합적으로 결합될 때 가장 큰 비즈니스 가치가 창출될 수 있다는 것이다. Gartner(가트너)도 Composite AI 시스템이라는 개념을 제시하는데, AI, 시맨틱 데이터 모델과 온톨로지, OR(Operations Research), 비즈니스 룰 시스템이 융합될 때 최대의 비즈니스 가치를 창출할 수 있다고 한다.
이것도 앞에서 본 IT 기반 경영혁신 패턴과 일치한다. 즉, IT 신기술은 새로운 데이터의 창출 및 활용을 가능하게 하고, 이는 비즈니스 프로세스 재발명의 원동력이라는 것이다. 생성형 AI의 경우, 종래 기업 운영에 활용하기 어려웠던 자연어 텍스트 및 멀티미디어 데이터를 활용·창출할 수 있게 해줌으로써 기존 비즈니스 프로세스의 재발명 기회를 많이 제공하고 있다.
따라서 AI 에이전트를 개발할 때 핵심 기반 요소 중 하나는 메타데이터 관리와 의미론적 데이터 구조(Semantic Modeling)를 확립하는 것이다. 온톨로지(Ontology), 지식그래프(Knowledge Graph), 데이터 카탈로그, Taxonomy, Vector DB Tagging, API/Tool Schema 등 다양한 메타데이터가 정교하게 정의되어 있어야 한다. 그래야 AI 에이전트가 데이터의 정확한 의미와 개념적 관계, 용도, 정책 및 제약 조건을 이해할 수 있다.
이를 통해 상황적 지능(Contextual Intelligence)을 강화하고 환각(Hallucination), 잘못된 툴 사용, 정책 위반 가능성을 줄일 수 있다. 즉, 메타데이터와 온톨로지(Ontology)는 AI 에이전트가 단순한 프롬프트 기반 응답 시스템을 넘어 실제 기업 운영 환경에서 신뢰성 있게 작동하도록 하는 핵심 제어 계층(Semantic Control Layer) 역할을 한다. (박준성, 「AI Agent Coding Patterns」, KOSTA Online, 2026: https://www.kosta-online.com/post/ai-agent-coding-patterns)
온톨로지가 AI 에이전트에 가져오는 4가지 효과
● 상황적 지능 강화
● 환각 발생 가능성 감소
● 잘못된 툴 사용 방지
● 정책 위반 가능성 축소
에어버스(Airbus)는 팔란티어(Palantir)의 파운드리(Foundry)/온톨로지 프레임워크를 활용해 항공기 제조, 유지보수, 공급망 운영 데이터를 통합하고, 이를 기반으로 AI 기반 워크플로우 운영 역량을 강화했다. 분산된 생산, 유지보수, 공급망 데이터를 시맨틱하게 통합함으로써 생산 병목 분석, 유지보수 계획 최적화, 공급망 차질 진단, 운영 옵션 평가, 공장 간 워크플로우 조정 능력을 강화했다. 이 온톨로지 기반 통합 시스템은 기술자, 운영 관리자, 준법감시인 등 인간 전문가와 협업하며 생산 공정 모니터링, 문제 진단, 해결안 추천, 운영 조정 등을 지원한다.
과거 전사적자원관리(ERP, Enterprise Resource Planning) 시대에 관계형 데이터 모델이 기업 운영의 핵심 기반이었다면, AI 에이전트 시대에는 온톨로지와 시맨틱 메타데이터가 새로운 운영 기반으로 부상하고 있다. 이는 기업 의사결정자와 IT·AX 실무진이 향후 AI 도입 전략을 세울 때 반드시 짚어야 할 변화의 핵심 축이다.
자주 묻는 질문 (FAQ)
Q1. AI 시대에도 비즈니스 프로세스 재설계(BPR)가 중요한 이유는 무엇인가요?
A. AI 기술 자체를 도입하는 것만으로는 실질적인 경영 성과를 내기 어렵습니다. 인터넷, 모바일, 클라우드, 빅데이터 등 과거 IT 신기술이 그랬듯 AI 역시 새로운 데이터를 확보하고 End-to-End 프로세스를 재설계할 때 와해적 혁신이 일어났습니다. 1993년 포드(Ford)의 외상매입금 BPR 사례에서는 관계형 DB 기반 시스템으로 구매 인력을 약 75% 감축한 바 있습니다. 맥킨지가 제시한 AI 에이전트 6가지 성공 조건 중 첫 번째도 "It's not about the agent; it's about the workflow"입니다.
Q2. 데이터 온톨로지(Ontology)란 무엇이고, 왜 지금 AI 시대에 다시 주목받나요?
A. 온톨로지는 데이터의 의미와 개념적 관계, 정책, 제약 조건을 정의한 의미론적 데이터 구조입니다. 단순한 데이터 사전을 넘어 AI가 데이터를 '이해'할 수 있게 만드는 기반 체계입니다. 과거 ERP 시대에는 관계형 데이터 모델이 기업 운영의 핵심이었지만, AI 에이전트 시대에는 자연어·이미지·음성 같은 비정형 데이터까지 통합 관리해야 하기 때문에 온톨로지와 시맨틱 메타데이터가 새로운 운영 기반으로 부상하고 있습니다.
Q3. 생성형 AI가 화제인 지금, 왜 여전히 분석형 AI가 중요한가요?
A. AI 모델은 분석형, 지각형, 생성형으로 구분됩니다. 2022년 이후 생성형 AI가 주목받고 있지만, 실제 경영 성과에는 여전히 분석형 AI의 기여가 큽니다. 아마존의 상품 추천 시스템은 DB·DW·빅데이터 기반의 분석형 AI로, 아마존 매출의 약 35%(연 2,000억 달러 추산)에 기여하는 것으로 알려져 있습니다. 미국 빅테크는 분석형 AI 활용도가 이미 높지만, 한국 기업은 아직 충분하지 않은 경우가 많아 오히려 더 큰 혁신 기회를 가질 수 있습니다.
Q4. 온톨로지 구축은 AI 에이전트의 환각(Hallucination)을 줄이는 데 어떻게 기여하나요?
A. 환각이란 AI가 사실이 아닌 내용을 사실처럼 답하는 현상을 말합니다. 이를 줄이려면 AI 에이전트가 데이터의 정확한 의미와 관계, 정책·제약 조건을 이해할 수 있어야 합니다. 온톨로지·지식그래프·데이터 카탈로그·분류체계(Taxonomy)·벡터 DB 태깅 등 메타데이터가 정교하게 정의되어 있을 때, 상황적 지능이 강화되고 환각·잘못된 툴 사용·정책 위반 가능성이 줄어듭니다. 가트너(Gartner)도 AI·온톨로지·OR·비즈니스 룰이 결합된 컴포지트 AI(Composite AI) 시스템에서 최대의 비즈니스 가치가 창출된다고 밝혔습니다.
Q5. 팔란티어 온톨로지로 AI를 운영한 글로벌 기업 사례가 있나요?
A. 대표적인 사례가 에어버스(Airbus)입니다. 에어버스는 팔란티어(Palantir)의 파운드리(Foundry)/온톨로지 프레임워크로 항공기 제조·유지보수·공급망 데이터를 통합하고, 이를 기반으로 AI 워크플로우 운영 역량을 강화했습니다. 분산된 데이터를 시맨틱하게 통합해 생산 병목 분석, 유지보수 계획 적화, 공급망 차질 진단, 공장 간 워크플로우 조정 능력을 강화했으며, 기술자, 운영 관리자, 준법감시인 등 전문가와 협업하는 운영 체계를 구현했습니다.
Q6. 우리 기업도 AI 에이전트 도입 전에 어떤 준비를 해야 하나요?
A. 세 가지 출발점을 권장합니다. 첫째, "어떤 새로운 데이터를 확보·활용할 수 있는가"라는 질문부터 시작하시기 바랍니다. 둘째, 분석형 AI 활용 수준을 함께 점검하시기 바랍니다. 재고·수요 예측, 추천, 이상 탐지 등 분석형 AI 활용도가 낮은 영역에서도 큰 ROI를 만들 수 있습니다. 셋째, AI 에이전트 도입 대상 도메인의 온톨로지·메타데이터 정비를 별도 트랙으로 추진하시기 바랍니다. 데이터 기반 없이 모델만 도입하면 환각·정책 위반 등의 리스크가 커질 수 있습니다.
참고문헌
● McKinsey & Company. (2025). 『One year of agentic AI: Six lessons from the people doing the work』.
● McKinsey & Company. (2024). 『Charting a path to the data- and AI-driven enterprise of 2030』.
● Hammer, M., & Champy, J. (1993). 『Reengineering the Corporation: A Manifesto for Business Revolution』. HarperBusiness.
● 박준성. (2026a). 'AI 에이전트의 허와 실'. [박준성의 SW], 지디넷코리아, 2026.4.21.
● 박준성. (2026b). 'AI 에이전트 성공의 핵심 조건'. [박준성의 SW], 지디넷코리아, 2026.5.1.
● 박준성. (2026c). 'AI 시대 SW 산업 전망 및 정책 대응'. [박준성@TalkIT for SW, AI], TalkIT, 2026.3.20.
● 박준성. (2026d). 'AI Agent Coding Patterns'. KOSTA Online. https://www.kosta-online.com/post/ai-agent-coding-patterns
필자 약력
박준성 | 한국SW기술진흥협회(KOSTA) 회장. 기업 정보시스템과 AI 기반 SW 혁신, 비즈니스 프로세스 재설계(BPR) 분야를 연구하며, 국내외 기업의 AX(AI Transformation) 전략과 AI 에이전트 도입 자문을 수행해 왔다.
Comments