현대적인 기업들은 지식을 단 한 곳에 보관하지 않습니다. 고객, 계약, 재무 성과에 관한 핵심 사실들은 행과 열로 구성된 구조화된 데이터베이스에 살아 있습니다. 반면, 그 숫자 뒤에 숨겨진 이야기들—사고 보고서, 정책 문서, 운영 로그 등—은 비구조화된 텍스트 파일, 스프레드시트, PDF 파일 속에 존재합니다. 수십 년 동안 인공지능 시스템은 이 간극을 메우기 위해 고군분투해 왔습니다. 검색 증강 생성(RAG)으로 알려진 한 유형의 시스템은 방대한 텍스트 라이브러리 내에서 답을 찾는 데는 뛰어나지만, 데이터베이스가 요구하는 정밀한 계산을 수행할 수는 없습니다. 반대로 데이터베이스 쿼리로 인간의 질문을 변환할 수 있는 또 다른 유형은 숫자를 계산할 수는 있지만, 정책 매뉴얼을 읽거나 서사적 보고서 내의 사건 순서를 이해할 수는 없습니다. 이러한 분리는 기업들로 하여금 정확성과 문맥 사이에서 하나를 선택하게 만들며, 종종 두 가지 모두를 필요로 하는 복잡한 질문에 대해 불완전한 답변만을 남기게 합니다.

Sliced Health의 Harsher Lodhiya가 최근 연구에서 상세히 밝힌 새로운 접근 방식은 기업 지식을 고립된 사일로(silo)의 집합이 아닌, 하나의 연결된 생태계로 취급하는 통합 솔루션을 제안합니다. 연구자는 '자기 최적화 엔터프라이즈 RAG+SQL 지식 에이전트(Self-Optimizing Enterprise RAG+SQL Knowledge Agent)'라고 불리는 시스템을 소개합니다. 이것은 단순히 텍스트를 검색하거나 코드를 작성하는 도구가 아닙니다. 이는 다양한 정보원을 조율하는 중앙 지휘자 역할을 하도록 설계된 미들웨어 아키텍처입니다. 이 시스템은 자연어 질문을 받아 이를 구체적인 작업으로 분해한 다음, 일련의 행동을 조율합니다. 즉, 관련 문서를 검색하고, 사건 간의 관계 지도를 탐색하며, 정밀한 데이터베이스 쿼리를 실행하는 것입니다. 결정적으로, 이 시스템은 답변을 생성하는 데서 멈추지 않습니다. 시스템은 자신의 성능을 지속적으로 모니터링하며, 도구 선택, 정보 검색, 작업 검증 방식을 개선하기 위해 모든 상호작용으로부터 학습합니다. 그 결과, "지난주 발생한 장애의 영향을 받은 고객 중 프리미엄 지원 계약을 보유한 고객은 누구인가?"와 같은 질문에 대해 사고 보고서를 읽고, 영향을 받은 계정을 확인하기 위해 데이터베이스를 체크하며, 계약 조건을 검증하는 과정을 동시에 수행하여 안전하고 정확하며 완전히 출처가 명확한 최종 답변을 제공할 수 있습니다.

핵-심 혁신은 시스템이 작업을 시작하기 전에 어떻게 계획을 세우는지에 있습니다. 단일 인공지능 모델에게 답을 추측하게 하는 대신, 에이전트는 먼저 사용자의 질문을 '타입화된 증거 계획(typed evidence plan)'으로 분해합니다. 이 계획은 숙련된 조사관의 체크리스트와 유사한 구조화된 작업 순서입니다. 복잡한 쿼리의 경우, 에이전트는 먼저 로그에서 특정 사고를 식별한 다음, 그 정보를 사용하여 관련 고객 이름을 찾고, 마지막으로 그 이름들을 사용하여 계약 세부 정보를 필터링하기 위해 데이터베이스를 조회할 수 있습니다. 이 계획의 각 단계에는 특정 도구가 할당됩니다. 텍스트를 읽기 위한 도구, 관계 그래프를 탐색하기 위한 도구, 그리고 데이터베이스 명령을 작성하고 실행하기 위한 도구가 각각 배정됩니다. 계획 단계와 실행 단계를 분리함으로써, 시스템은 수집하는 모든 정보가 관련성이 있는지 확인하고 그들을 연결하는 논리가 감사 가능한지 보장합니다. 이러한 구조는 시스템이 사실을 환각(hallucination)하거나 근거 없는 비약을 하지 않도록 방지하는데, 이는 최종 답변의 모든 주장이 프로세스 중에 수집된 특정 증거에 의해 뒷받침되어야 하기 때문입니다.

방대하고 다양한 기업 데이터를 처리하기 위해, 시스템은 세 가지 뚜렷한 방법을 결합한 하이브리드 검색 전략을 채택합니다. 먼저 밀집 벡터 검색(dense vector search)을 사용하여 단어가 정확히 일치하지 않더라도 질문과 의미론적으로 유사한 텍스트를 찾습니다. 또한 특정 코드나 이름에 필수적인 렉시컬 매칭(lexical matching)을 사용하여 정확한 용어를 찾습니다. 가장 중요한 것은 관계를 이해하기 위해 그래프 기반 접근 방식을 활용한다는 점입니다. 이 그래프에서는 이벤트, 문서, 데이터베이스 레코드가 서로 연결되어 있습니다. 만약 질문이 실패의 원인이 된 사건의 연쇄를 묻는다면, 시스템은 단순히 키워드를 검색하는 대신 이 그래프를 탐색하여 초기 오류로부터 최종 영향에 이르는 인과 경로를 따라갈 수 있습니다. 이를 통해 에이전트는 로그 항목, 정책 위반, 특정 데이터베이스 행 사이의 점들을 연결함으로써, 결제 배치 실패의 배경이 되는 복잡한 서사를 재구성할 수 있습니다.

안전성과 정확성은 최종 답변이 사용자에게 제시되기 전 엄격한 검증 단계를 통해 강제됩니다. 시스템이 데이터베이스 쿼리를 생성할 때, 단순히 실행하는 것이 아니라 먼저 사용자가 접근할 수 있는 권한이 있는 테이블과 컬럼만을 포함하도록 축소된 버전의 데이터베이스 스키마와 대조하여 확인합니다. 그다음 쿼리는 데이터를 변경하거나 삭제할 위험 없이 실행할 수 있는 보안 환경인 읽기 전용 샌드박스(read-only sandbox)에서 테스트됩니다. 시스템은 쿼리가 구문론적으로 올려바른지, 그리고 결과가 질문의 맥락 내에서 타당한지를 검증합니다. 만약 쿼리 검증에 실패하거나 수집된 증거가 불충분할 경우, 시스템은 추측하는 대신 답변을 유보하도록 설계되었습니다. 대신 어떤 정보가 누락되었는지 또는 왜 진행할 수 없는지를 설명할 것인데, 이는 금융이나 컴플라이언스와 같은 고위험 환경에서 신뢰를 유지하는 데 매우 중요한 기능입니다.

이 아키텍처의 가장 역동적인 측면은 자기 최적화 능력입니다. 시스템은 현실 세계의 피드백을 바탕으로 동작을 끊임없이 조정하는 폐쇄 루프 제어 문제(closed-loop control problem)로서 작동합니다. 시스템은 수천 개의 쿼리를 처리하면서 의사 결정의 비용, 속도 및 정확성에 관한 텔레메트리 데이터를 수집합니다. 어떤 모델이 특정 유형의 작업에 가장 적합했는지, 어떤 검색 방식이 가장 관련성 높은 문서를 찾아냈는지, 그리고 검증 임계값을 어디에 조정해야 하는지를 추적합니다. 이 데이터를 사용하여 시스템은 내부 정책을 자동으로 업데이트합니다. 만약 특정 인공지능 모델이 시간이 지남에 따라 느려지거나 정확도가 떨어지면, 시스템은 해당 모델로 전달되는 작업의 양을 줄이도록 학습합니다. 특정 유형의 문서 검색이 지속적으로 올바른 정보를 찾지 못한다면, 시스템은 다른 방식을 우선시하도록 검색 가중치를 조정합니다. 이러한 지속적인 학습 사이클은 에이전트가 정체되어 있지 않고, 변화하는 기업 데이터, 사용자 요구, 가용 기술의 지형과 함께 진화하도록 보장합니다.

연구는 기존의 견고한 기술들을 사용하여 이러한 시스템을 구축하는 실질적인 청사진을 제시합니다. 메타데이터와 그래프 구조를 저장하기 위해 표준 관계형 데이터베이스를 사용하고, 텍스트 임베딩을 관리하기 위해 벡터 데이터베이스를 병행 사용할 것을 제안합니다. 이 아키텍처는 모듈식으로 설계되어, 조직이 전체적인 자기 최적화 루프를 통합하기 전에 스키마 인식 쿼리 번역이나 이벤트 그래프 추론과 같은 개별 구성 요소를 먼저 도입할 수 있습니다. 이러한 유연성 덕분에 부분적인 구현만으로도 데이터베이스 보고서 생성이나 사고 로그 요약과 같은 특정 작업의 정확도를 높임으로써 상당한 가치를 제공할 수 있습니다. 궁극적인 목표는 인간 분석가를 대체하는 것이 아니라, 현대 기업 지식의 복잡성을 탐색하여 파편화된 데이터를 일관되고 실행 가능한 통찰력으로 전환할 수 있는 강력하고 신뢰할 수 있는 조수를 제공하는 것입니다.

이 연구 결과는 기업의 질의응답을 단순한 텍스트 검색이 아닌 다중 도구 제어 문제로 취급하는 것이 신뢰할 수 있는 비즈니스 인공지능을 향한 길을 제시한다고 시사합니다. 텍스트 검색, 그래프 추론, 데이터베이스 실행의 강점을 단일한 자기 수정 프레임워크 내에서 결합함으로써, 이 시스템은 기존 방식의 근본적인 한계를 해결합니다. 이 시스템은 단일 모델이나 방법이 모든 문제를 해결할 수 없음을 인정하고, 대신 통합된 결과를 도출하기 위해 다양한 도구를 조율하는 데 집중합니다. 연구는 엄격한 검증, 액세스 제어, 지속적인 최적화를 포함한 세심한 설계가 뒷받침된다면, 지능적일 뿐만 아니라 안전하고 투명하며 시간이 지남에 따라 스스로 발전할 수 있는 에이전트를 구축하는 것이 가능하다는 것을 입증합니다. 이러한 접근 방식은 인공지능이 현대 기업의 복잡하고 다면적인 현실을 진정으로 이해하고 상호작용할 수 있는 잠재력을 실현하는 데 있어 중요한 진전입니다.