AI PoC를 시작할 때 가장 먼저 무엇을 정해야 할까? 기업에서 생성형 AI 도입을 검토하면 비슷한 질문이 나옵니다. “어떤 LLM을 사용해야 할까?” “RAG를 구축해야 할까?” “AI Agent까지 만들어 볼까?” “ERP와 CRM을 어떻게 연결해야 할까?” 모두 중요한 질문입니다. 하지만 기술을 정하기 전에 먼저 답해야 할 질문이 있습니다. “우리 회사에서 반복해서 묻지만 답을 얻는 데 시간이 많이 걸리는 질문은 무엇인가?” GS비즈플은 기업 AI PoC의 출발점을 여기서 봅니다. 예를 들어 경영진과 현업이 매주 다음과 같은 질문에 답하기 위해 여러 시스템을 조회하고 Excel을 취합하고 담당자에게 다시 확인하고 있다면, 그 질문 자체가 좋은 AI PoC 후보가 될 수 있습니다. 이번 분기 목표 달성이 어려운 조직은 어디인가? 실제로 믿을 수 있는 영업 파이프라인은 얼마인가? 손실 위험이 높아지고 있는 프로젝트는 무엇인가? 프로젝트 종료 후

기업 AI를 검토하다 보면 왜 갑자기 ‘온톨로지’가 등장할까? 기업이 생성형 AI를 도입하기 시작하면 처음에는 대개 익숙한 기술부터 살펴봅니다. 사내 문서를 검색하고 싶으면 RAG를 검토하고 개념과 데이터의 관계를 연결하려면 Knowledge Graph라는 용어를 접하게 됩니다. 상품, 조직, 문서, 업무 유형을 분류하다 보면 Taxonomy가 등장합니다. 그리고 AI가 기업의 업무와 데이터까지 제대로 이해하게 만들려다 보면 결국 Ontology, 즉 온톨로지라는 개념을 만나게 됩니다. 문제는 이 네 가지가 비슷해 보인다는 것입니다. “온톨로지는 결국 잘 만든 분류표 아닌가?” “Knowledge Graph가 있으면 Ontology도 있는 것 아닌가?” “RAG에 문서를 많이 넣으면 굳이 온톨로지가 필요한가?” 이 질문에 답하려면 각각이 무엇을 하기 위한 구조인지부터 구분해야 합니다. 핵심부터 말하면 다음과 같습니다. Taxonomy는 ‘어떻게 분

기업에는 이미 많은 데이터와 지식이 쌓여 있습니다. ERP, CRM, HR, PMS와 같은 업무시스템에는 정형 데이터가 축적되고, 각종 규정과 보고서, 업무 매뉴얼, 프로젝트 산출물에는 회사의 업무지식이 담겨 있습니다. 여기에 임직원이 업무를 수행하면서 축적한 경험과 노하우까지 더해집니다. 그런데 실제 업무에서는 여전히 답을 찾기 어렵습니다. “믿을 수 있는 영업 파이프라인은 무엇인가?”, “손실 위험이 높은 프로젝트는 어디인가?”, “필요한 경험과 역량을 가진 사내 인재는 누구인가?” 이런 질문에 답하려면 여러 시스템과 문서를 다시 찾아보고 데이터를 대조해야 합니다. 기업 AI 도입에서 중요한 것은 단순히 데이터를 많이 확보하는 것이 아닙니다. 회사의 업무지식과 데이터의 의미, 계산식, 업무규칙과 판단기준을 AI가 이해할 수 있는 구조로 연결하는 것​이 핵심입니다. 기업 AI가 어려운 이유는 데이터보다 ‘업무 맥락’에 있습니다 생성형 AI나 LL