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

엔터프라이즈 온톨로지 AI가 필요한 이유는 분명합니다. 기업에는 이미 ERP, CRM, HR, PMS, 그룹웨어, Excel, 보고서, 규정, 프로젝트 산출물, 임직원의 경험이 존재합니다. 그러나 “이번 분기 목표 달성이 어려운 조직은 어디인가?”, “손실 위험이 높은 프로젝트는 무엇인가?”, “보고자료와 시스템 데이터가 왜 다른가?” 같은 질문에는 하나의 시스템만으로 답하기 어렵습니다. 문제는 AI 모델이 부족해서가 아니라, AI가 우리 회사의 업무와 판단기준을 모르기 때문입니다. AI 모델이 아니라 기업 지식구조가 경쟁력입니다 많은 기업이 생성형 AI를 도입하면서 먼저 챗봇, 문서검색, RAG를 검토합니다. 이 접근은 빠르게 시작할 수 있다는 장점이 있습니다. 하지만 실제 기업 업무에서는 문서만 검색해서는 부족한 질문이 많습니다. 예를 들어 경영진은 단순히 “지난달 매출이 얼마인가”를 묻지 않습니다. “목표 대비 왜 차이가 발생했는가”, “