[태그:] 컨텍스트 레이어

설문에 응한 기업은 한 곳도 빠짐없이 AI를 쓰고 있었다. 그 투자에서 ‘변혁적 가치’를 얻고 있다고 답한 곳은 16%. 다섯 곳 중 한 곳에도 못 미친다. MIT Technology Review의 맞춤형 콘텐츠 조직인 Insights(편집국과 별개 조직)가 실시한 설문 결과다. 한 회사 안에서 고객 응대 플랫폼, 대화형 어시스턴트, 업무 자동화 도구가 동시에 돌아간다. 도구 하나하나는 정교하고 응답도 빠르다. 막상 실제 업무에 투입하면 결과물이 틀리거나, 도구끼리 서로 엇갈리거나, 회사 사정을 모르는 채로 만들어진다. Insights는 이 현상이 기업이 AI 투자에서 수익을 거두지 못하는 핵심 이유 중 하나일 수 있다고 본다.

ERP·CRM과 AI 에이전트 사이에 놓이는 번역층

컨텍스트 레이어(context layer)는 조직의 업무 시스템과 AI 플랫폼 사이에 들어가는 아키텍처 인프라다. 한쪽에는 ERP·CRM 같은 기록 시스템(system of record)과 각종 데이터 저장소가 있다. 반대쪽에는 AI 에이전트와 모델. Atlan 공동창업자 프루칼파 산카르는 이 계층이 기업 안에 쌓인 지식을 ‘거버넌스가 적용된, 기계가 사용할 수 있는 맥락’으로 바꿔 AI에 넘기고, 그렇게 축적된 지식이 계속 불어나도록(compound) 돕는다고 설명한다.

이 정의에는 핵심 표현이 세 개 들어 있다. 하나씩 떼어 보면 계층이 맡는 역할이 선명해진다.

• 거버넌스가 적용된(governed): 어떤 데이터가 공식 기준인지, 누가 볼 수 있는지, 그 정의를 누가 승인했는지가 맥락에 함께 붙어 다닌다는 뜻이다. AI가 손에 잡히는 아무 문서나 끌어와 답하는 상태와는 다르다.
• 기계가 사용할 수 있는(machine-usable): 사람이 읽으라고 만든 위키나 회의록과는 다르다. 에이전트나 모델이 조회하고 해석할 수 있는 구조로 정리돼 있어야 한다.
• 지식이 누적된다(compound): 한 번 정리한 정의와 수정 사항이 특정 도구 하나에 갇히지 않는다. 같은 계층을 쓰는 다른 AI 도구도 그 결과를 그대로 재사용한다.

산카르는 이 계층이 없는 상태를 “세상에서 가장 똑똑한 인턴을 뽑아 눈을 가린 채 조직에 던져 넣는 것”에 빗댄다. 인턴의 지능은 문제가 아니다. 회사의 용어와 규칙, 데이터가 어디 있는지를 알려 주지 않고 일부터 시키는 구조가 문제라는 지적이다. 모델을 바꿔 성과를 끌어올리려는 시도가 어디서 막히는지 이 비유가 잘 보여 준다.

비슷해 보이는 개념과는 선을 그어 둘 필요가 있다. 검색 증강 생성(RAG)은 질문과 관련된 문서를 찾아 모델에 붙여 주는 기법이다. BI 분야의 시맨틱 레이어는 지표 계산식을 한곳에서 통일하는 계층을 가리킨다. 컨텍스트 레이어가 관리 대상으로 삼는 범위는 이 둘보다 넓다. 검색 대상 문서는 물론이고 용어 정의, 데이터 출처, 권한, 업무 규칙까지, AI가 받아 쓰는 맥락 전체가 대상이다. 두 개념을 포괄하는 상위 설계로 보는 편이 자연스럽다. RAG는 컨텍스트 레이어가 맥락을 전달하는 여러 방법 중 하나에 해당한다.

가장 많은 응답은 ‘특정 팀에서만 중간 성과’ 40%

Insights는 성과 수준과 활용 단계를 별개 질문으로 물었다. 두 질문의 응답을 나란히 놓아야 간극의 모양이 드러난다.

질문	응답 항목	비율
AI에서 얻는 성과	변혁적 가치	16%
	의미 있는 성과	21%
	특정 업무·팀에 한정된 중간 수준 성과	40%
	성과가 미미하거나 없음	23%
AI 활용 단계	사용 사례 파일럿 중	38%
	코파일럿·채팅 어시스턴트로 직원 업무 보조	35%
	AI 에이전트를 운영 환경에 배치	12%
	핵심 프로세스 업무 대부분을 AI가 수행	3%

응답이 가장 몰린 항목은 ‘특정 업무나 팀에서 중간 수준의 성과’(40%)다. 쓰고는 있는데 회사 전체로는 번지지 않는 상태가 가장 흔하다는 얘기다. 활용 단계 쪽은 파일럿(38%)과 직원 보조(35%)가 대부분을 차지한다. 에이전트를 운영 환경에 올린 기업은 12%, 핵심 프로세스의 대부분을 AI에 맡긴 곳은 3%에 그친다.

두 결과를 이어 붙이면 하나의 해석이 가능하다. 코파일럿처럼 사람이 결과를 검토하는 방식에서는 AI가 회사 사정을 몰라 내는 오류를 사람이 중간에서 걸러 낸다. 에이전트가 직접 주문을 처리하거나 고객에게 답하는 단계로 가면 그 검토 단계가 줄어든다. 맥락 부족이 곧장 잘못된 실행으로 이어지는 구조다. 에이전트 운영 비율이 12%에 머무는 배경에 이런 구조적 부담이 깔려 있을 가능성이 높아 보인다. 산카르는 이를 “모델이 할 수 있는 일과 조직 안에서 실제로 쓸모 있는 일 사이의 큰 격차”라고 표현한다. 한발 더 나가 “실질적인 목적으로 보면 범용 인공지능(AGI)은 이미 와 있지만, 대부분의 기업에서 아직 쓸모가 없을 뿐”이라고도 말한다. AGI라는 단어 선택은 과감하다. 요지는 병목이 모델이 아니라 조직 쪽에 있다는 주장이다.

더 큰 모델로도 안 고쳐지는 오류 세 가지

모델 성능이 좋아져도 사라지지 않는 오류가 있다. 회사 고유의 정보는 애초에 모델 학습 데이터에 들어 있지 않기 때문이다. 아래는 이해를 돕기 위한 가상의 예다.

1. 같은 단어, 다른 정의: 영업팀은 ‘활성 고객’을 일정 기간 안에 구매한 고객으로 센다. 마케팅팀의 기준은 앱에 로그인한 고객이다. 두 팀이 각자 도입한 AI 도구에 ‘활성 고객 수’를 물으면 서로 다른 숫자가 나온다. 어느 쪽이 틀렸다고 말하기도 어렵다. 정의가 시스템 어디에도 명시돼 있지 않아서다.
2. 기준 데이터를 모름: 고객 주소가 CRM과 청구 시스템에 서로 다르게 저장돼 있다고 하자. 사람 담당자는 ‘청구 주소는 청구 시스템이 기준’이라는 관행을 안다. 이 우선순위를 모르는 AI는 먼저 검색된 쪽을 쓴다.
3. 권한과 절차를 모름: 인사 정보나 거래처별 계약 조건처럼 일부만 볼 수 있는 데이터가, 권한 없는 직원의 질문에 대한 답변에 섞여 나온다. 사내 승인 절차를 건너뛴 자동화가 실행되기도 한다. 데이터 자체는 정확한데 쓰는 방식이 회사 규칙을 어기는 경우다.

세 경우 모두 더 큰 모델로 바꾼다고 해결되지 않는다. 필요한 건 정의, 우선순위, 권한이라는 회사 고유의 정보를 AI가 받아 쓸 수 있게 만드는 일이다. 컨텍스트 레이어는 이 작업을 도구별로 반복하지 말고 한 계층에서 처리하자는 설계다. 도구마다 정의를 따로 넣고 따로 고치는 방식이라면, 도구가 늘수록 서로 어긋나는 지점도 함께 는다.

용어집부터 MCP까지, 컨텍스트 레이어의 다섯 구성 요소

산카르의 정의는 역할 수준에서 멈춘다. 구체적으로 무엇으로 구성되는지는 업체와 조직마다 설명이 다르다. 데이터 관리 분야에서 통상 거론되는 요소를 역할별로 묶으면 다섯 가지다.

• 비즈니스 용어집과 지표 정의: ‘매출’, ‘이탈’, ‘활성 고객’ 같은 용어의 공식 정의와 계산식. 그 정의를 책임지는 담당자도 여기에 포함된다.
• 메타데이터와 데이터 계보(lineage): 각 데이터가 어느 시스템에서 왔는지, 어떤 가공을 거쳤는지, 언제 갱신됐는지에 대한 기록. AI가 오래된 표나 임시 사본을 기준으로 답하는 일을 줄여 준다.
• 접근 정책: 사람에게 적용되는 열람 권한을 AI 응답에도 똑같이 적용하는 규칙. 질문한 사람의 권한 범위 안에서만 맥락을 넘긴다.
• 업무 규칙과 의사결정 기록: 승인 단계, 예외 처리 기준, 과거에 내린 판단과 그 이유. 문서보다 사람 머릿속에 있던 지식이다.
• 전달 인터페이스: 정리된 맥락을 여러 AI 도구가 같은 방식으로 가져가게 하는 통로. 문서 검색(RAG), API, MCP(Model Context Protocol) 같은 연결 표준이 여기에 속한다.

앞의 네 가지는 AI 이전부터 데이터 거버넌스라는 이름으로 다뤄 온 영역이다. 컨텍스트 레이어라는 개념이 새로 더한 것은 이 결과물의 최종 사용자를 사람에서 AI 에이전트로 넓혔다는 점이다. 용어집과 계보 관리를 이미 해 온 조직이라면 출발선이 그만큼 앞에 있는 셈이다. 짚어 둘 이해관계도 있다. 산카르가 공동 창업한 Atlan은 데이터 카탈로그·메타데이터 관리 소프트웨어를 만드는 회사다. ‘빠진 층은 맥락’이라는 진단이 자사 사업 영역과 겹친다는 점은 감안하고 읽을 필요가 있다.

HWP 문서와 개인정보보호법, 국내 조직이 먼저 풀 과제

Insights 설문은 국내 기업만 따로 집계한 결과가 아니다. 그래도 맥락 부족이라는 문제 구조는 한국 조직에도 그대로 들어맞고, 몇 가지는 더 두드러질 수 있다. 아래는 국내 업무 환경을 근거로 한 판단이고, 일부는 추측이다.

• 문서 형식 정리가 선행 과제가 된다: 국내 기업과 공공기관은 업무 지식이 한글(HWP) 문서, 스캔 PDF, 사내 메신저 대화에 흩어진 경우가 많다. 이를 기계가 읽을 수 있는 형태로 바꾸는 작업이 컨텍스트 레이어 구축의 첫 비용이 될 가능성이 크다.
• 용어집의 중요도가 더 클 수 있다(추측): 거래처명·제품명의 한글·영문 혼용, 부서별 약어, 사내 은어. 이런 요소가 많을수록 AI가 같은 대상을 서로 다른 것으로 인식할 여지도 커진다.
• 권한 연동이 규제 대응과 맞닿는다: 개인정보보호법은 개인정보를 수집 목적 범위 안에서만 이용하도록 요구한다. AI가 사람과 같은 권한 체계 안에서 데이터에 접근하도록 설계하는 일은 성과 문제이기 전에 준법 문제다.
• ‘정리하는 일’의 평가가 달라질 수 있다(추측): 지표 정의를 확정하고 데이터 담당자를 지정하는 작업이 AI 성과로 바로 이어진다면, 그동안 부수 업무 취급을 받던 데이터 관리 직무의 비중이 커질 것으로 보인다.

확인된 것과 아직 불확실한 것

확인된 것

• 설문에 응한 모든 조직이 어느 정도 AI를 사용 중
• 성과 응답: 변혁적 가치 16%, 의미 있는 성과 21%, 특정 업무·팀 한정 중간 성과 40%, 미미하거나 없음 23%
• 활용 단계 응답: 파일럿 38%, 직원 보조 35%, 에이전트 운영 12%, 핵심 프로세스 대부분 AI 수행 3%
• 산카르가 정의한 컨텍스트 레이어: 업무 시스템과 AI 플랫폼 사이에서 기업 지식을 거버넌스가 적용된 기계용 맥락으로 변환하는 아키텍처 인프라
• 해당 보고서는 MIT Technology Review 편집국이 아닌 맞춤형 콘텐츠 조직 Insights가 제작

아직 불확실한 것

• 설문 응답 기업 수와 국가·업종·규모 구성
• 국내 기업에서 같은 성과 분포가 나타나는지 여부
• 컨텍스트 레이어 도입 전후의 성과 차이를 보여 주는 정량 데이터
• 컨텍스트 레이어의 업계 공통 정의와 표준 구성
• 보고서 제작 후원사의 존재 여부

도입은 업무 하나의 용어 정의에서 출발한다

컨텍스트 레이어는 제품 하나를 사서 끝나는 대상이 아니다. 설계 방향에 가깝다. 지금 우리 조직에 필요한지는 네 가지 기준으로 가늠해 볼 수 있다.

• 동시에 돌아가는 AI 도구 수: 둘 이상의 도구가 같은 데이터를 쓰면서 서로 다른 답을 낸 적이 있다면, 도구별 설정으로 풀 문제가 아니다. 공용 계층이 필요하다는 신호다.
• AI의 역할 단계: 사람이 결과를 검토하는 보조 단계라면 우선순위가 낮을 수 있다. 에이전트가 직접 실행하는 단계로 넘어갈 계획이 있다면 넘어가기 전에 갖춰야 한다. 검토 단계가 빠지는 순간 맥락 부족이 곧 실행 오류가 되기 때문이다.
• 지표 정의의 일관성: 같은 이름의 지표를 부서마다 다르게 계산하고 있다면 AI 도입보다 정의 통일이 먼저다.
• 규제·보안 요구 수준: 금융·의료처럼 데이터 접근 통제가 엄격한 업종일수록 권한 연동을 처음부터 설계에 넣어야 한다.

시작 범위는 작게 잡는 편이 현실적이다.

1. 성과를 측정할 수 있는 업무 하나를 고른다. 고객 문의 응대처럼 질문과 정답을 비교하기 쉬운 영역이 적합하다.
2. 그 업무에서 쓰이는 핵심 용어와 지표를 목록으로 만들고, 정의마다 책임자를 지정한다.
3. 용어별로 기준이 되는 데이터 출처를 정한다. 사람에게 적용되는 열람 권한은 AI 접근 규칙에 그대로 옮긴다.
4. AI 도구 하나에 연결해 오답 사례를 모은다. 오답의 원인이 정의·출처·권한 중 어디에 있는지 분류하고, 그 결과에 맞춰 계층을 고친다.
5. 고친 정의를 두 번째 AI 도구에 그대로 재사용한다. 산카르가 말한 ‘지식의 누적’이 실제로 일어나는지는 이 단계에서 확인된다.

성과 상위 16%와 나머지를 가른 요인은 공개된 설문 요약만으로 확정하기 어렵다. 그래도 모델을 바꿔도 남는 오류의 상당수가 정의·출처·권한에서 나온다는 점을 고려하면, AI 예산의 일부를 모델 교체가 아니라 맥락 정비에 쓰는 쪽이 투자 회수로 가는 더 직접적인 경로로 보인다.

출처: MIT Tech Review AI