기술 요약: X-SYNTH — 관찰된 인간 주의를 기반으로 한 기업 컨텍스트 합성

1. 문제 정의

기업 운영에서 AI 에이전트가 복잡한 작업을 완료하는 데 필요한 컨텍스트는 기록 시스템, 정적 저장소, 통신 채널에 흩어져 있습니다. 현재 주류 접근 방식은 요청 콘텐츠를 저장된 데이터와 매칭하는 **검색 증강 생성 (RAG)**에 의존합니다. 이는 "청구서 INV-34231 찾기"와 같은 좁고 콘텐츠 중심의 쿼리에는 효과적이지만, 분산된 행동 증거로부터의 합성이 필요한 복잡한 에이전트 작업에는 실패합니다.

핵심 실패 모드는 원칙적인 관련성 신호의 부재입니다. 표준 검색 시스템은 데이터를 정적 텍스트로 취급하여, 실제 업무가 어떻게 수행되는지를 인코딩하는 "행동의 순차적 배열"과 "암묵적 보상 신호"를 놓칩니다. 결과적으로 에이전트는 조직, 팀 또는 개인에 특화된 소음과 인과적으로 관련된 행동 패턴을 구분하지 못해 낮은 True Lead Rate(TLR, 실제 리드율) 와 높은 False Lead Rate(FLR, 오보 리드율) 를 겪습니다. 본 논문은 기업 컨텍스트 합성이 검색 문제가 아니라 관련성 문제이며, 여기서 인간 주의가 기준 진실 (ground truth) 로 작용한다고 주장합니다.

2. 방법론: X-SYNTH 프레임워크

X-SYNTH 는 컨텍스트 합성을 인간 주의—즉, 근로자의 디지털 관찰 가능 상호작용 서명—에 기반한 4 단계 에이전트 파이프라인입니다. 이 시스템은 각 개인의 행동 기준선을 **디지털 트윈 서명 (DTS)**으로 모델링하고, 학습된 라우터를 사용하여 7 가지 고유한 주의 필터 중 하나를 선택합니다.

핵심 구성 요소

A. 디지털 트윈 서명 (DTS)
각 개인 $u$에 대해 시스템은 윈도우 $\tau$ 동안 롤링 행동 프로파일 $DTS(u, \tau)$를 유지합니다. 이는 다음 5 가지 구성 요소로 이루어집니다:

1. $v_{dom}$ (도메인 주의): 업무 도메인 전반에 걸친 주의 집중도.
2. $v_{rhythm}$ (행동 리듬): 머무는 시간, 재방문, 전환에 대한 통계.
3. $v_{base}$ (기준선): 개인의 "정상"을 확립하는 확장된 후방 조회 통계.
4. $v_{resp}$ (책임 프로파일): 활동에서 추론된 도메인 소유권 (선언된 역할이 아님).
5. $v_{div}$ (편차): 최근 주의 패턴과 장기 기준선 간의 차이.

B. 7 가지 주의 필터
학습된 모달리티 선택기 $f_\theta$(3 층 MLP) 는 쿼리 $q$와 사용자의 DTS 를 7 가지 질적으로 구별되는 필터에 대한 확률 분포로 매핑합니다:

1. 비례형: 긴 머무는 시간은 중요성 (예상 주의) 을 신호합니다.
2. 역형: 예상 주의의 부재는 중요성을 신호합니다.
3. 차분형: 개인의 기준선에서의 편차는 중요성을 신호합니다.
4. 반복형: 아티팩트로의 빈번한 복귀는 중요성을 신호합니다.
5. 비교형: 유사한 아티팩트 간의 빠른 교대는 능동적 평가를 신호합니다.
6. 순차형: 예상 워크플로우 시퀀스에서의 편차.
7. 집단형: 코호트 전반의 주의를 집계하여 합의나 이상치를 찾습니다.

C. 4 단계 파이프라인

1. 주제 범위 설정: 쿼리에 기반하여 대상 개인 집합 $U_q$를 식별합니다.
2. 모달리티 선택: 각 $(q, u)$ 쌍에 대해 시스템은 $m(q, u) = \text{softmax}(f_\theta([q; DTS(u, \tau)]))$를 계산하여 적절한 필터를 선택합니다.
3. 검색 및 가중치 부여: 아티팩트는 결합 가중치 $w(a_j, q, u) = I_{attn}(a_j, q, u) \cdot I_{content}(a_j, q)$로 순위가 매겨집니다. 이는 아티팩트가 콘텐츠 관련성과 행동적 중요성을 모두 갖도록 보장합니다.
4. 합성: LLM 은 순위가 매겨진 증거와 모달리티 주석을 사용하여 응답을 합성합니다.

D. 피드백 루프
시스템은 최종 피드백을 단계별 실패 확률로 분해합니다. 모달리티 선택기는 **2 단계 (모달리티 선택)**에서 실패가 귀속될 때만 업데이트되며, 이를 통해 검색 또는 합성 오류로 인한 학습 신호의 오염을 방지합니다.

3. 주요 기여

본 논문은 네 가지 주요 기여를 제시합니다:

1. 행동적 기준 진실로서의 인간 주의: 외부 레이블 없이 DTS 를 통해 인코딩된 학습 가능한 차별적 관련성 신호로서 인간 주의를 운영화합니다.
2. 7 필터 주의 모달리티 프레임워크: 경량 라우터를 통해 개인 및 쿼리별로 동적으로 선택되는 질적으로 구별되는 필터의 구조화된 세트.
3. 4 단계 에이전트 합성 파이프라인: 주제 범위 설정, 개인화된 모달리티 선택, 주의 가중치 검색, 합성을 통합한 워크플로우.
4. 신용 귀속 피드백 루프: 모달리티 오분류에 특정될 때만 모달리티 선택기를 격리하고 업데이트하는 메커니즘으로, 깨끗한 학습 신호를 보장합니다.

4. 평가 및 결과

이 프레임워크는 포춘 500 대 기업의 5 명 지식 근로자의 실제 디지털 상호작용 흔적에서 파생된 302 건의 벤치마크에서 평가되었습니다 (210 건의 긍정적 비즈니스 기회 사례, 92 건의 부정적 사례).

기준선 성능:

• raw 상호작용 시퀀스에서 직접 작동하는 최첨단 모델 (Claude Opus 4.6) 은 **True Lead Rate(TLR) 9.5%**와 **False Lead Rate(FLR) 90.5%**를 달성했습니다.
• 더 작은 모델 (GPT-4o-mini) 은 TLR 0% 를 달성했습니다.

X-SYNTH 성능:

• 최첨단 모델 + X-SYNTH: TLR 이 **61.9%**로 증가 (6.5 배 개선) 하여 210 개의 실제 리드 중 130 개를 포착했습니다. FLR 은 **18.8%**로 감소했습니다.
• 소형 모델 + X-SYNTH: TLR 이 0% 에서 **57.1%**로 증가하여, 이 프레임워크가 복잡한 작업을 위해 더 작은 모델을 기능적으로 만들 수 있음을 입증했습니다.

정성적 발견:

• 어휘 격차: X-SYNTH 는 DTS 를 활용하여 "FZ"를 "Formal Zone"으로 해석하는 등 조직 특약 약어를 성공적으로 해석한 반면, 직접 추론은 조직 사전 지식의 부재로 인해 실패했습니다.
• 규모 및 선택성: 토큰 볼륨 (판매자당 하루 최대 250 만 토큰) 으로 인해 규모 확장 시 직접 추론은 불가능합니다. X-SYNTH 의 선택적 검색은 평가를 실현 가능하게 만듭니다.
• 시간적 통합: X-SYNTH 는 여러 날과 개인에 걸친 신호를 성공적으로 통합한 반면, 단일 일 윈도우는 중요한 컨텍스트를 놓쳤습니다.

5. 중요성 및 주장

본 논문은 기업 컨텍스트 합성이 검색 문제가 아니라 관련성 문제라고 주장합니다. 인간 행동에 기반한 관련성 신호의 부재는 기본 LLM 의 추론 능력이 아니라 기업 AI 에이전트의 주요 병목 현상입니다.

X-SYNTH 는 개별 행동 기준선 (DTS) 을 모델링하고 주의 필터를 동적으로 선택함으로써 시스템이 다음을 수행할 수 있음을 보여줍니다:

• 분산된 행동 증거에서 인과적 관련성을 복원합니다.
• 축적된 조직 사전 지식을 기반으로 추론을 근거화하여 "기업 어휘 격차"를 극복합니다.
• 키워드 매칭이 아닌 행동 기반 압축을 통해 고볼륨 상호작용 스트림으로 확장합니다.

저자들은 인간 주의가 기업 관련성을 위한 가장 신뢰할 수 있는 기준 진실이며, X-SYNTH 가 이 신호를 운영화하는 원칙적인 메커니즘을 제공하여 복잡한 기업 워크플로우에서 AI 에이전트의 유용성을 크게 향상시킨다고 결론지었습니다.