구축Technical Architecture

실증Agent Showcase

직접 설계하고 작동시킨 8개 에이전트 — 만들었다는 가장 강한 증거

고객 접점에서 발견-상담-전환까지 E2E 세일즈 워크플로우

복수 이해관계자·다단계 거래를 멀티에이전트가 조율

데이터 조회→분석→스코어링→의사결정 지원

비정형 정보에서 구조화된 답변·학습 경험 생성

소프트웨어를 넘어 물리 세계와 상호작용하는 에이전트

설계Agent Design

싱글/멀티 에이전트, 오케스트레이션, 메모리, 도구 사용

2026년 9월 25일

벤치마크는 만점, 현장은 40%

에이전트 메모리 벤치마크에서 거의 만점을 받은 모델이, 실제 업무를 흉내 낸 다중 세션 과제에서는 40~60%로 떨어진다. 메모리는 무엇을 저장하느냐의 문제가 아니다. 언제 무엇을 불러올지 판단하는 문제다. 지금 벤치마크는 저장과 회수만 재고 판단을 재지 않는다. 벤치마크 점수로 메모리 구조를 고른 조직은 운영에서 다시 고르게 된다. 재선택 비용은 설계 비용보다 크다. 이미 쌓인 기억을 옮겨야 하기 때문이다. 평가 기간을 늘리면 메모리 구조의 순위가 뒤집힌다는 관찰도 나왔다. 짧게 재면 다른 답이 나온다는 뜻이다. 에이전트가 여러 날에 걸친 업무를 맡으려면 기억이 필요하다. 기억을 재지 못하면 그 업무를 맡길 근거도 없다. 저장 구조를 고르기 전에 평가 과제를 먼저 정의한다. 자사 업무에서 기억이 실패하는 장면을 과제로 만들어야 한다.

2026년 8월 8일

LLM 하나로는 부족하다

LLM(Large Language Model, 대규모 언어 모델)은 강력하지만, 기업 현장에서 단독으로 쓰기에는 한계가 뚜렷하다. 환각, 비용, 감사 불가능성이 대표적이다. Composite AI는 LLM을 포함한 여러 AI 기법을 결합해 이 한계를 넘는 접근법이다. Gartner는 이를 2024년 AI 핵심 트렌드로 선정했다.

맥락Context Engineering

RAG, GraphRAG, 프롬프트 설계, 컨텍스트 윈도우 관리

2026년 9월 25일

AI는 문서를 잘 찾아도 왜 틀린 답을 할까?

AI가 기업 문서를 정확하게 검색하더라도 최종 답변까지 정확해지는 것은 아니다. 2026년 연구에서는 문서 분할 방식을 바꾸는 것만으로 검색 점수가 크게 개선됐지만, 별도의 정책 문서 연구에서는 검색 성능의 개선이 최종 답변 품질 향상으로 일관되게 이어지지 않았다. 문제는 검색 모델 하나에 있지 않다. 문서를 어떤 단위로 나누는지, 어떤 근거를 최종적으로 전달하는지, 답이 없는 질문을 어떻게 처리하는지, 인용한 문서를 실제로 사용했는지가 모두 결과에 영향을 준다. 기업용 RAG의 평가 기준은 검색 정확도에서 멈춰서는 안 된다 — 필요한 근거를 찾고, 최종 맥락에 보존하며, 근거가 없을 때는 답을 유보하고, 제시한 인용을 검증할 수 있어야 한다.

2026년 9월 25일

AI는 문서의 관계를 미리 알아야 할까?

AI가 여러 문서의 관계를 이해하려면, 그 관계를 지식그래프로 미리 정리해야 할까? 2026년 비교 연구에서 그래프 기반 검색은 일반 질문에서 평균 0.47점의 작은 이득을 보였지만, 여러 근거를 연결해야 하는 질문에서는 평균 27.23점 앞섰다. 그러나 AI 에이전트가 질문을 나누고 검색을 반복하면 그래프가 없는 시스템도 일부 격차를 줄일 수 있다. 반대로 그래프를 미리 만드는 데는 구축·검증·갱신 비용이 발생한다. 기업의 결정 기준은 그래프 기술의 우열이 아니다 — 질문이 요구하는 관계의 복잡도, 문서의 연결 구조, 정보의 변경 빈도, 반복 질의의 규모를 함께 평가해야 한다.

2026년 9월 25일

AI 검색, 더 많이 찾는다고 더 정확해지지는 않는다

2026년 금융 문서 연구에서 키워드 검색과 의미 검색을 결합하고 검색 결과의 순서를 다시 평가하자, 필요한 근거를 상위 5개 결과에서 찾아내는 비율이 81.6%에 도달했다. 반면 기업 지식베이스 연구에서는 기존 검색에 질문을 바꿔 다시 검색하는 절차를 추가했는데, 일부 구성에서 상위 10개 결과에 정답 문서가 포함되는 비율이 약 51%에서 48%로 낮아졌다. 두 연구의 실험 조건과 평가 지표는 다르다. 서로 모순된 결과라기보다, 검색 경로를 추가하는 방식에 따라 성능이 달라진다는 증거로 읽어야 한다. 기업이 확인해야 할 것은 세 가지다 — 검색 경로가 서로 다른 정답을 찾아내는가, 제한된 정보 처리 예산 안에서 중요한 근거가 살아남는가, 검색 경로를 선택할 것인가 결과를 결합할 것인가.

지식Data & Models

파운데이션 모델 비교, 파인튜닝, 지식그래프, 데이터 전략

2026년 9월 30일

승자가 패자의 기술을 불러들였다

1956년 이후 인공지능은 기호주의와 연결주의로 갈렸다. 2012년에 신경망이 이겼다고들 말한다. 승부는 그렇게 끝나지 않았다. 이긴 쪽이 진 쪽의 기술을 다시 불러들였다. 답을 만드는 능력과 그 답이 옳다는 사실은 다른 문제다. 생성만으로는 그 간격을 메우지 못한다. 1980년대에도 둘을 결합하려 했다. 그때는 규칙이 답을 만들었고, 지금은 규칙이 답을 검사한다. 딥마인드가 국제수학올림피아드에서 은메달 성적을 냈다. 신경망이 탐색하고 기호 체계가 검증하는 구조였다. 뉴로심볼릭의 가치는 기술을 붙였다는 데 있지 않다. 검증할 수 있는 영역을 얼마나 넓혔는가에 있다.