CEO STAFF 에이전트의 온톨로지 구축기. 18개 PDF, 2회 인터뷰, 353개 사실에서 12개 문서까지.

AI 에이전트에게 "마케팅 전략 짜줘"라고 말하면, 범용 모델은 범용적인 답을 내놓는다. HubSpot 블로그에서 읽은 듯한 프레임워크, 어느 회사에나 적용 가능한 일반론이다. 회사의 누적 매출이 얼마인지, 고객 재구매율이 몇 퍼센트인지, 비즈니스 모델 전환을 준비 중이라는 것은 모델이 알 수 없다. 이런 정보의 상당수는 경영진의 머릿속, Slack 대화, 회의록 어딘가에 암묵지로 흩어져 있다. 에이전트가 회사를 이해하게 만들려면, 이 암묵지를 명시지로 바꿔서 구조화해야 한다. 온톨로지의 가장 큰 목적이 여기에 있다.

이전 회사 동료가 창업한 AI 스타트업의 경영을 돕게 됐다. 그 회사를 위한 CEO STAFF 에이전트를 설계하면서, 기업 지식을 체계적으로 정리할 필요가 생겼다. 온톨로지 공학은 전통적으로 지식 공학자나 데이터 사이언티스트의 영역이다. 하지만 LLM이 마크다운 문서를 읽고 추론할 수 있는 시점에, 형식적 온톨로지 대신 구조화된 사실 문서로도 유사한 효과를 낼 수 있다는 가설이 있었다. 결과적으로, 에이전트가 기업의 맥락을 정확히 반영한 응답을 내놓는 것을 확인하면서 이 접근이 유효하다는 확신을 얻었다. 회사의 모든 사실을 12개 문서로 구조화했다. 18개 PDF에서 시작해, CEO/CBO 인터뷰 2회를 거치고, Slack 22개 채널과 Notion 55개 페이지를 전수조사했다. 353개의 사실이 수집되고, 7개의 미확인 사항이 명시적으로 기록됐다. 이것이 온톨로지다. 이 글은 온톨로지를 쌓아가는 과정과, 그것이 에이전트 시스템에 어떤 차이를 만드는지를 기록한다.