AI는 이제 데이터를 분석하는 것을 넘어, 기업의 문제를 해결하기 시작했다

불과 몇 년 전까지만 해도 기업에서 AI를 활용한다는 것은 대체로 데이터를 분석하거나, 미래를 예측하거나, 특정 업무를 자동화한다는 의미였습니다.

2022년 ChatGPT의 등장 이후에는 상황이 조금 달라졌습니다.
보고서를 작성하고, 문서를 요약하고, 질문에 답변하는 생성형 AI가 기업의 업무 환경에 빠르게 들어오기 시작했습니다.
그런데 최근 AI 기술의 발전 방향을 살펴보면, 또 한 번의 중요한 변화가 진행되고 있다는 생각이 듭니다.
AI가 사람의 업무를 도와주는 수준을 넘어,
스스로 문제를 발견하고, 분석하고, 해결을 위한 행동까지 수행하는 방향으로 발전하고 있기 때문입니다.
최근 주목받고 있는 AI Agent, Agentic Analytics, GraphRAG, Ontology 등의 기술도 이러한 변화와 밀접하게 연결되어 있습니다.
각각 다른 기술처럼 보이지만, 기업의 혁신이라는 관점에서 바라보면 하나의 방향을 가리키고 있습니다.
AI가 기업의 업무와 데이터를 이해하고, 스스로 문제해결 과정에 참여하기 시작했다는 것입니다.
이번 글에서는 이러한 기술이 무엇이고, 기업의 일하는 방식과 데이터 분석, 그리고 AX(AI Transformation)에 어떤 변화를 가져올 수 있는지 살펴보려고 합니다.

​1. AI Agent, 이제는 질문에 답하는 것을 넘어 일을 수행합니다
AI Agent와 생성형 AI는 무엇이 다를까요?
​생성형 AI와 AI Agent의 가장 큰 차이는 무엇일까요?
저는 이를 ‘답변’과 ‘실행’의 차이로 설명하곤 합니다.
기존 생성형 AI는 사람이 질문하면 답변을 생성합니다.
반면 AI Agent는 주어진 목표를 달성하기 위해 필요한 작업을 계획하고, 도구를 활용하며, 그 결과를 확인하면서 다음 행동을 결정하도록 설계된 시스템입니다.
예를 들어 보겠습니다.
어떤 기업의 영업 담당자가 AI에게 다음과 같이 질문했다고 가정해 보겠습니다.

“이번 달 매출이 왜 감소했는지 분석해 줘.”

​기존 생성형 AI는 사용자가 제공한 데이터를 바탕으로 매출 감소 원인을 설명하거나 추가 분석 방법을 제안할 수 있습니다.

​그런데 AI Agent는 조금 다르게 작동할 수 있습니다.

​기업의 ERP나 CRM 시스템에서 데이터를 조회하고, 전월 및 전년 동기와 비교하고, 제품별·고객별·지역별 매출 변화를 분석합니다.

​필요하다면 재고 부족이나 납기 지연 같은 운영 데이터까지 확인합니다.

​그리고 매출 감소의 주요 원인에 대한 가설을 수립하고 검증한 뒤, 분석 결과와 대응 방안을 보고서로 작성할 수 있습니다.

물론 이를 위해서는 AI가 기업 시스템에 접근할 수 있어야 하고, 데이터의 의미를 정확하게 이해해야 하며, 적절한 업무 권한과 검증 절차가 마련되어 있어야 합니다.

중요한 것은 이러한 일련의 과정이 기술적으로 가능해지고 있다는 점입니다.

​AI에게 무엇을 물어볼 것인가에서, AI에게 어떤 일을 맡길 것인가로 질문이 바뀌고 있습니다.

​하나의 만능 AI보다 여러 전문 AI의 협업.​

또 하나 주목할 변화가 있습니다.

​하나의 AI에게 모든 업무를 맡기는 방식에서 벗어나, 서로 다른 전문성을 가진 AI Agent들이 협업하는 구조가 발전하고 있다는 점입니다.
​이를 Multi-Agent System이라고 부릅니다.

예를 들어 기업의 경영 문제를 해결하기 위해 다음과 같은 에이전트를 구성할 수 있습니다.

​* Define Agent: 해결해야 할 문제를 정의하고 경영 성과와 연결합니다.

* Analyze Agent: 데이터를 분석하고 문제의 핵심 원인을 검증합니다.

* Innovate Agent: 원인을 해결하기 위한 개선 대안을 도출하고 최적화합니다.

* Control Agent: 개선 결과를 모니터링하고 성과가 지속되도록 관리합니다.

​각 에이전트는 자신에게 주어진 역할을 수행하고, 그 결과를 다음 에이전트에 전달합니다.​

사람이 조직을 구성하고 역할을 분담해 문제를 해결하는 것과 유사한 구조입니다.​

다만 에이전트의 수가 많다고 반드시 성능이 좋아지는 것은 아닙니다.​

각 에이전트의 역할과 책임, 입력과 출력, 검증 기준이 명확해야 합니다. 필요할 때 사람이 개입할 수 있도록 설계하는 것도 중요합니다.

​결국 AI Agent를 잘 활용하려면 AI 기술만 이해해서는 부족합니다.​

기업의 업무 프로세스와 문제해결 구조를 얼마나 잘 이해하고 설계할 수 있는지가 더욱 중요해지고 있습니다.

1. Agentic Analytics, 데이터 분석의 역할이 달라지고 있습니다

​데이터를 보여주는 것만으로 충분할까요?​

저는 오랫동안 기업의 데이터를 활용해 문제를 해결하고, 경영 전략을 수립하는 일을 해왔습니다.​

기업의 데이터 분석 역량을 높이기 위한 교육과 컨설팅도 지속해 왔습니다.​

그 과정에서 자주 강조했던 말이 있습니다.​

“데이터는 일을 하기 위한 재료이자, 일을 수행한 흔적이다.”​

기업에서 발생하는 대부분의 데이터는 결국 누군가가 수행한 업무의 결과입니다.​

따라서 데이터를 제대로 이해하려면 숫자만 보는 것이 아니라, 그 숫자가 만들어진 업무 과정을 이해해야 합니다.​

그런데 기업의 데이터 활용 방식은 오랫동안 비슷한 구조를 유지해 왔습니다.​

데이터를 수집하고, 정제하고, 분석한 다음, 대시보드로 시각화합니다.​

현업 담당자는 대시보드를 확인하면서 문제가 발생했는지 판단합니다.​

그리고 문제가 발견되면 다시 데이터를 분석해 원인을 찾습니다.​

문제는 이 과정에서 상당한 시간이 소요된다는 것입니다.​

대시보드는 매출이 감소했다는 사실을 보여줄 수 있습니다.​

하지만 왜 감소했는지, 어떤 요인이 가장 큰 영향을 미쳤는지, 지금 무엇을 해야 하는지는 여전히 사람의 몫인 경우가 많았습니다.​

이러한 구조를 바꾸려는 기술이 바로 Agentic Analytics(에이전틱 분석)입니다.​

Agentic Analytics란 무엇인가?​

Agentic Analytics는 AI Agent가 데이터 분석 과정에 능동적으로 참여하는 접근 방식입니다.​

단순히 자연어로 데이터를 조회하거나 차트를 생성하는 기능을 넘어, 분석 목표에 따라 데이터를 탐색하고, 이상 징후를 발견하고, 원인에 대한 가설을 검증하며, 후속 조치까지 연결하는 것을 지향합니다.​

예를 들어 제조기업을 생각해 보겠습니다.​

어느 날 특정 제품의 최초수율이 평소보다 크게 떨어졌습니다.​

기존 시스템에서는 관리자가 수율 대시보드를 확인하고, 담당자에게 원인 분석을 지시합니다.​

담당자는 생산일지, 설비 가동 데이터, 원료 투입 기록 등을 수집해 분석을 시작합니다.​

Agentic Analytics가 적용된다면 어떨까요?​

시스템이 수율 변화를 감지한 뒤, 해당 생산 시간대의 설비 조건과 원료 LOT, 작업 조건 등을 자동으로 비교할 수 있습니다.

​그리고 수율 하락과 관련된 주요 요인을 찾아 가설을 제시합니다.​

필요하다면 통계적 검증이나 추가 데이터 조회를 수행하고, 관리자가 검토할 수 있도록 분석 결과를 정리합니다.​

여기서 한 단계 더 발전하면, 사전에 승인된 업무 규칙에 따라 담당자에게 알림을 보내거나 후속 조치를 요청할 수도 있습니다.​

물론 상관관계가 발견되었다고 해서 곧바로 원인이라고 판단해서는 안 됩니다.​

AI의 분석 결과 역시 통계적 검증과 현장의 확인을 거쳐야 합니다.​

그럼에도 중요한 변화는 분명합니다.​

사람이 데이터를 찾아 문제를 분석하는 방식에서, AI가 데이터를 살펴보고 사람에게 문제를 제기하는 방식으로 발전하고 있다는 것입니다.

​실제 기업용 Agentic Analytics 솔루션은 어디까지 발전했을까요?​

기업용 데이터 분석 플랫폼인 Tellius는 자연어 기반 데이터 분석과 AI 기반 인사이트 탐색 기능을 제공하고 있습니다.

​사용자가 질문하면 관련 데이터를 조회하고, SQL이나 Python 등을 활용해 분석을 수행하며, 주요 영향 요인을 파악하고 분석 결과를 제시하는 방식입니다.​

이러한 기술은 단순히 대시보드를 자동으로 만들어 주는 수준을 넘어, 데이터 분석 과정 자체를 AI가 수행하도록 발전하고 있다는 점에서 의미가 있습니다.​

다만 실제 분석의 정확도와 자동화 수준은 데이터 품질, 시스템 연계, 업무 규칙 등에 따라 달라집니다.​

기업이 Agentic Analytics를 도입할 때는 AI가 생성한 결과를 검증할 수 있는 체계도 함께 마련해야 합니다.

​참고: Tellius, AI Insights

https://www.tellius.com/platform/ai-insights

​데이터 분석 교육도 달라져야 하지 않을까요?

​이러한 변화를 보면서 저는 기업의 데이터 분석 교육 역시 달라져야 한다고 생각합니다.

​과거에는 데이터를 분석할 수 있는 사람이 전문가였습니다.​

SQL을 다루고, 통계 분석을 수행하고, Python을 활용하고, 시각화 도구로 대시보드를 만드는 능력이 중요한 경쟁력이었습니다.

​물론 이러한 지식이 불필요해진다는 뜻은 아닙니다.​

다만 AI가 분석 작업의 상당 부분을 수행할 수 있게 된다면, 사람의 역할도 달라져야 합니다.​

어떤 데이터를 분석해야 하는가?​

어떤 문제가 중요한가?​

어떤 가설을 검증해야 하는가?​

분석 결과를 어떻게 실제 업무 개선으로 연결할 것인가?​

이러한 질문을 던지는 능력이 더욱 중요해질 것입니다.​

저는 이를 AI Powered Data Analytics라는 개념으로 설명하고 있습니다.

​AI를 활용해 분석 작업을 더 빠르게 수행하는 데 그치지 않고, AI와 함께 문제를 정의하고 분석하고 해결하는 역량을 의미합니다.

​앞으로 기업의 데이터 분석 교육은 분석 도구를 잘 다루는 사람을 양성하는 것에서, AI를 활용해 더 큰 문제를 해결할 수 있는 사람을 양성하는 방향으로 발전해야 한다고 생각합니다.

1. GraphRAG와 Ontology, AI가 기업의 업무 맥락을 이해하기 시작합니다

​기업의 데이터는 서로 연결되어 있습니다​

기업에서 AI를 활용할 때 가장 어려운 문제 중 하나는 무엇일까요?​

저는 기업의 데이터와 업무가 가진 복잡한 관계를 AI가 얼마나 정확하게 이해할 수 있는가라고 생각합니다.

​예를 들어 어떤 제조기업에서 특정 제품의 수익성이 악화되었다고 가정해 보겠습니다.

​이 문제를 분석하려면 단순히 제품의 매출이나 원가 데이터만 확인해서는 충분하지 않습니다.​

제품은 여러 원료로 구성되어 있고, 원료는 공급업체에서 구매합니다.​

제품은 특정 생산라인에서 생산되며, 생산 과정에는 설비와 작업 조건이 영향을 미칩니다.​

완제품은 물류센터를 거쳐 다양한 유통 채널로 판매됩니다.​

고객별 판매가격과 할인 조건도 다릅니다.​

결국 제품의 수익성을 제대로 이해하려면 이처럼 서로 연결된 데이터와 업무 관계를 함께 이해해야 합니다.​

이러한 관계를 명시적으로 표현하는 기술이 Knowledge Graph이며, 그 의미와 구조를 체계적으로 정의하는 데 활용되는 개념이 Ontology입니다.

​RAG에서 GraphRAG로

​RAG(Retrieval-Augmented Generation)는 AI가 외부 문서나 데이터에서 관련 정보를 검색한 뒤, 그 정보를 참고해 답변하도록 하는 기술입니다.​

기업 내부 문서를 활용하는 AI 시스템에서 널리 사용되는 접근 방식입니다.​

그런데 일반적인 RAG는 복잡한 관계를 파악해야 하는 질문에서 한계를 보일 수 있습니다.​

예를 들어 다음과 같은 질문입니다.​

“최근 3개월 동안 수익성이 악화된 제품 중 특정 공급업체의 원료를 사용하고, 동일한 생산라인에서 제조된 제품은 무엇인가?”​

이 질문에 답하려면 제품, 원료, 공급업체, 생산라인, 원가 데이터를 연결해야 합니다.​

관련 문서를 단순히 유사도 기준으로 검색하는 것만으로는 정확한 답변을 구성하기 어려울 수 있습니다.​

GraphRAG는 이러한 문제를 해결하기 위한 접근 방식 중 하나입니다.​

문서와 데이터에 등장하는 개체(Entity)와 관계(Relationship)를 그래프로 표현하고, 이를 검색과 답변 생성에 활용합니다.​

예를 들어 다음과 같은 관계를 구성할 수 있습니다.​

* 제품 A → 원료 B를 사용한다.

* 원료 B → 공급업체 C에서 구매한다.

* 제품 A → 생산라인 D에서 생산된다.

* 생산라인 D → 설비 E를 사용한다.​

이렇게 관계가 정의되면 AI는 개별 문서에 흩어져 있는 정보를 연결해 보다 복합적인 질문에 답할 수 있습니다.​

여기에 Agentic RAG를 결합하면, AI가 검색 결과의 충분성을 평가하고 추가 검색을 수행하거나 다른 데이터 소스를 확인하는 방식으로 발전시킬 수 있습니다.

​실제로 Microsoft는 GraphRAG라는 오픈소스 프로젝트를 공개하고, 비정형 텍스트에서 개체와 관계를 추출해 지식 그래프 기반 검색에 활용하는 접근 방식을 제시했습니다.​

다만 GraphRAG가 모든 상황에서 일반 RAG보다 우수한 것은 아닙니다.​

관계 데이터를 구축하고 유지하는 비용이 발생하며, 데이터의 품질과 질문 유형에 따라 적합한 구조가 달라집니다.​

그럼에도 기업의 복잡한 업무 관계를 AI가 활용할 수 있도록 만든다는 점에서 중요한 기술적 의미가 있습니다.

​

참고: Microsoft GraphRAG

https://github.com/microsoft/graphrag

​

Ontology가 중요한 이유

​

여기서 한 가지 더 생각해 볼 부분이 있습니다.​

기업마다 사용하는 용어와 데이터 구조가 다르다는 점입니다.​

같은 ‘고객’이라는 단어도 영업부서와 재무부서에서 정의하는 기준이 다를 수 있습니다.​

‘매출’이라는 지표 역시 주문 기준인지, 출하 기준인지, 회계 인식 기준인지에 따라 값이 달라집니다.​

AI가 이러한 차이를 이해하지 못한다면 아무리 뛰어난 모델을 사용하더라도 잘못된 분석 결과를 생성할 수 있습니다.​

Ontology는 기업의 핵심 개념과 관계를 명확하게 정의하고 공유할 수 있도록 돕습니다.​

제품이란 무엇인가?

​고객은 어떻게 정의하는가?

​정상재고와 비정상재고는 어떤 기준으로 구분하는가?

​제조이익률에 영향을 미치는 주요 업무 요소는 무엇인가?

​이러한 개념과 관계를 체계적으로 정의하면 AI가 기업의 데이터를 보다 일관된 의미로 해석하도록 지원할 수 있습니다.

​저는 앞으로 기업의 AX를 추진할 때, 단순히 어떤 AI 모델을 도입할 것인가보다 우리 기업의 업무와 데이터를 AI가 이해할 수 있도록 어떻게 구조화할 것인가라는 질문이 중요해질 것이라고 생각합니다.​​

1. AI Agent 시대, 작은 업무 자동화만으로 충분할까요?​

최근 기업에서 AI를 활용하는 사례를 살펴보면 문서 작성, 회의록 정리, 이메일 자동화, 보고서 생성 등 개인 업무의 생산성을 높이는 활동이 많습니다.​

이러한 시도는 매우 중요합니다.

​AI를 처음 도입하는 기업이라면 작은 업무 자동화부터 시작하는 것이 현실적인 접근일 수 있습니다.

​하지만 기업의 AX가 개인의 업무 자동화에만 머물러서는 안 된다고 생각합니다.

​개인의 업무가 자동화되는 것과 기업의 경영 성과가 개선되는 것은 서로 다른 문제이기 때문입니다.

​예를 들어 구매 담당자가 AI를 활용해 발주서를 자동으로 작성하게 되었다고 가정해 보겠습니다.​

업무 시간은 줄어들 것입니다.​

하지만 발주량이 적정한지, 재고가 과잉으로 쌓이고 있는지, 불용재고로 인한 손실이 증가하고 있는지에 대한 문제는 여전히 남아 있을 수 있습니다.​

기업의 입장에서 더 중요한 문제는 발주서를 얼마나 빨리 작성하는가가 아니라, 어떻게 하면 재고 운영을 최적화하고 재고손실을 최소화할 것인가일 수 있습니다.​

이러한 문제를 해결하려면 구매, 생산, 영업, 물류, 재무 등 여러 부서의 업무와 데이터를 함께 살펴봐야 합니다.​

AI Agent 역시 하나의 업무를 자동화하는 수준을 넘어, 여러 업무와 기능을 연결하는 방향으로 설계되어야 합니다.​

저는 기업의 AX를 다음과 같은 단계로 바라보고 있습니다.

​IMAGINE FACTORY의 Enterprise AX Roadmap

​

1단계. Task Automation — Just My Desk

​

개인 업무를 자동화하는 단계입니다.

​문서 작성, 데이터 정리, 보고서 생성 등 개인이 수행하는 반복적인 업무를 AI로 자동화합니다.

​

2단계. Workflow Transformation — Team Flow

​팀의 업무 흐름을 혁신하는 단계입니다.

​여러 업무를 연결하고 AI Agent를 활용해 업무 프로세스 전체의 효율성을 높입니다.

​

3단계. Cross-functional Transformation — Cross Function

​부서 간 협업을 통해 문제를 해결하는 단계입니다.

​영업, 생산, 구매, 물류, 재무 등 서로 다른 조직의 업무와 데이터를 연결해 기능 간 문제를 해결합니다.

​

4단계. Organizational Transformation — Big Problem

​기업 전체의 경영 성과를 개선하는 단계입니다.

개별 업무의 생산성 향상을 넘어 수익성, 품질, 재고, 고객가치 등 기업의 핵심 경영 문제를 해결합니다.

여기서 중요한 것은 단순히 AI의 적용 범위가 넓어진다는 사실이 아닙니다.

AI가 해결하는 문제의 크기가 점점 커진다는 것입니다.

​Agentic Analytics와 GraphRAG, Multi-Agent System 같은 기술은 이러한 변화를 가능하게 하는 중요한 구성 요소가 될 수 있습니다.

​

1. AI 도입의 성과는 기술이 아니라 경영지표로 평가해야 합니다

​AI 기술이 빠르게 발전하면서 기업에서는 새로운 고민이 생기고 있습니다.

​어떤 AI 솔루션을 도입해야 할까요?

어떤 AI Agent를 만들어야 할까요?

어떤 LLM을 사용해야 할까요?

물론 필요한 질문입니다.

​

하지만 저는 그보다 먼저 물어야 할 질문이 있다고 생각합니다.

“우리는 AI를 활용해 어떤 문제를 해결하려는 것인가?”

​예를 들어 고객 상담 업무에 AI Agent를 도입한다면, 단순히 챗봇을 구축했다는 사실만으로 성공했다고 평가할 수는 없습니다.

​고객 문의의 1차 해결률이 얼마나 높아졌는지, 고객 응답 시간이 얼마나 단축되었는지, 고객 만족도가 개선되었는지를 확인해야 합니다.

​제조기업의 데이터 분석 에이전트라면 어떨까요?

​분석 보고서를 자동으로 생성했다는 사실보다 이상 징후를 발견하는 시간이 얼마나 단축되었는지, 문제의 원인을 얼마나 정확하게 파악했는지, 실제 손실비용을 얼마나 줄였는지가 중요합니다.

​재고 운영을 최적화하는 AI라면 재고회전율, 불용재고율, 재고손실금액 같은 경영지표로 성과를 평가해야 합니다.

​AI의 성능과 기업의 성과를 연결해야 한다는 의미입니다.

이러한 관점에서 AI 프로젝트를 추진할 때는 처음부터 명확한 목표와 측정 가능한 성과지표를 정의할 필요가 있습니다.

기술을 먼저 도입하고 나중에 활용 방안을 찾는 방식보다는, 해결할 문제를 먼저 정의하고 필요한 AI 기술을 선택하는 방식이 더 바람직합니다.

AX의 성공은 얼마나 많은 AI를 도입했는가가 아니라, AI를 통해 얼마나 중요한 문제를 해결했는가로 평가해야 합니다.

​

1. AI 시대에도 변하지 않는 것

​이번 주 AI 기술 동향을 살펴보면서 한 가지 생각을 다시 하게 됩니다.

​AI 기술은 놀라운 속도로 발전하고 있습니다.

​과거에는 전문 개발자가 상당한 시간을 투자해야 구현할 수 있었던 기능들을 이제는 훨씬 짧은 시간에 만들 수 있게 되었습니다.

​데이터 분석도 마찬가지입니다.

​과거에는 전문적인 분석 지식과 도구 활용 능력이 필요했던 작업들을 AI가 점점 더 많이 수행하고 있습니다.

​그렇다면 앞으로 기업에서 사람의 역할은 무엇일까요?

​저는 기술을 활용하는 능력도 중요하지만, 그보다 무엇을 해야 하는지 생각하고, 어떤 문제를 해결해야 하는지 정의하는 능력이 더욱 중요해질 것이라고 생각합니다.

​AI Agent는 일을 수행할 수 있습니다.

​Agentic Analytics는 데이터를 분석하고 문제의 징후를 발견할 수 있습니다.

​GraphRAG와 Ontology는 기업의 복잡한 데이터 관계를 이해하는 데 도움을 줄 수 있습니다.

​하지만 어떤 문제가 기업에 가장 중요한지, 어떤 성과를 만들어야 하는지, 그리고 그 성과가 기업의 전략과 어떻게 연결되는지를 판단하는 일은 여전히 매우 중요합니다.

​저는 오래전부터 이런 말을 해왔습니다.

“생각할 수 있는 만큼 분석할 수 있다.”

​그리고 IMAGINE FACTORY의 모토이기도 한 또 하나의 말이 있습니다.

​“상상할 수 있는 만큼 혁신할 수 있다.”

​AI 기술이 발전할수록 이 두 문장의 의미는 더욱 중요해지는 것 같습니다.

​기술이 부족해서 실행하지 못했던 많은 아이디어를 이제는 현실로 만들 수 있는 시대가 되었기 때문입니다.

​AI 시대의 경쟁력은 단순히 새로운 기술을 얼마나 빨리 도입하느냐에 달려 있지 않을 것입니다.

어떤 문제를 상상하고, 그 문제를 얼마나 구체적으로 정의하며, AI를 활용해 실제 성과로 만들어 낼 수 있는가.

저는 그것이 앞으로 기업 AX의 경쟁력을 결정하는 중요한 차이가 될 것이라고 생각합니다.

기술은 점점 더 쉬워지고 있습니다.

​이제 우리에게 필요한 것은 더 큰 문제를 해결하려는 상상력입니다.

​

자주 묻는 질문 (FAQ)

​

Q1. AI Agent와 생성형 AI는 무엇이 다른가요?

​생성형 AI는 주로 사용자의 입력에 따라 텍스트, 이미지, 코드 등의 결과물을 생성합니다. AI Agent는 목표 달성을 위해 작업을 계획하고, 외부 도구를 사용하고, 결과를 확인하며 여러 단계를 수행하도록 설계된 AI 시스템입니다.

​Q2. Agentic Analytics란 무엇인가요?

​Agentic Analytics는 AI Agent가 데이터 탐색, 이상 징후 감지, 가설 수립, 원인 분석, 결과 보고 및 후속 조치 등에 능동적으로 참여하는 데이터 분석 접근 방식입니다. 기존의 정적 대시보드나 자연어 기반 BI보다 넓은 분석 업무 수행을 지향합니다.

​Q3. RAG와 GraphRAG의 차이는 무엇인가요?

​일반적인 RAG는 주로 관련 문서나 데이터 조각을 검색해 답변 생성에 활용합니다. GraphRAG는 개체와 관계를 표현한 지식 그래프를 활용해 서로 연결된 정보의 검색과 추론을 지원합니다. 다만 GraphRAG의 성능과 효율성은 데이터 구조 및 질문 유형에 따라 달라집니다.

​Q4. 기업 AX에서 Ontology가 중요한 이유는 무엇인가요?

Ontology는 기업에서 사용하는 핵심 개념과 관계를 명확하게 정의하는 데 도움을 줍니다. 이를 통해 서로 다른 시스템과 부서에서 사용하는 데이터의 의미를 일관되게 해석하고, AI가 업무 맥락을 이해하도록 지원할 수 있습니다.

Q5. 기업은 AI Agent 도입을 어디서부터 시작해야 할까요?

처음에는 성과를 측정하기 쉬운 반복 업무부터 시작할 수 있습니다. 이후 업무 흐름 전체를 개선하고, 부서 간 데이터를 연결하며, 궁극적으로 재고손실 감소나 생산성 향상처럼 경영 성과에 직접 영향을 미치는 문제로 확대하는 것이 효과적입니다.

​

참고자료

​

1. KPMG — AI Quarterly Pulse Survey

기업의 AI 및 AI Agent 도입 현황과 조직의 AI 활용 전략에 관한 조사

https://kpmg.com/us/en/articles/2025/ai-quarterly-pulse-survey.html-.html

1. Tellius — AI Insights

자연어 기반 데이터 분석 및 Agentic Analytics 플랫폼의 기술과 활용 사례

https://www.tellius.com/platform/ai-insights

1. Microsoft — GraphRAG

지식 그래프 기반 검색 증강 생성 아키텍처 및 오픈소스 프로젝트

https://github.com/microsoft/graphrag

IMAGINE FACTORY | Management Innovation & AI Transformation

​

상상할 수 있는 만큼 혁신할 수 있습니다.

​

#AI Agent #Agentic Analytics #GraphRAG #Ontology #MultiAgent #AgenticRAG #AX #기업AX #AITransformation #AI Powered Data Analytics #AI Powered Problem Solving #이매진팩토리