ATLAS

똑똑한 AI 앞에 놓인, 엉망인 창고.

어느 대기업의 임원이 최근 토로한 이야기입니다. 수억 원을 들여 최신 Local AI 시스템을 도입했는데, 막상 사용해보니 답변이 기대만큼 정확하지 않다는 것이었습니다. 원인을 추적해 들어가 보니 AI의 성능 문제가 아니었습니다. AI가 참조하는 조직 내부의 자료 자체가 엉망이었습니다. 같은 제품을 부서마다 다른 이름으로 부르고, 중요한 의사결정의 맥락은 사람의 기억에만 있고, 계약 문서는 부서별 공유 드라이브에 중복 저장되어 어느 것이 최신인지 판단할 수 없었습니다. 똑똑한 도구 앞에 놓인 엉망인 창고. 이 조합은 도구의 지능이 발휘될 여지를 원천적으로 차단합니다.

이 문제의 불편한 진실은, 대부분의 조직이 이 현실을 인지하지 못한 채 AI 도입에 먼저 자원을 투입한다는 점입니다. 모델이 좋으면 될 거라 믿고, 도구가 성숙하면 해결될 거라 기대합니다. 그러나 Deloitte의 2026 AI 리포트가 지적하듯, 많은 조직이 전략·인프라·데이터·인재 측면에서 실제로 덜 준비되어 있다고 답합니다. AI의 성능 한계가 아니라 조직의 지식 기반이 AI와 만날 준비가 되어 있지 않다는 것 — 이것이 현재 엔터프라이즈 AI 도입에서 가장 과소평가된 병목입니다.

AI가 보는 세계는, 당신이 정의한 만큼입니다.

AI의 진정한 가치는 조직의 맥락 위에서 작동할 때 비로소 드러납니다. 공개된 웹 정보만 활용하는 AI는 누구에게나 공평한 수준의 답만 줄 수 있습니다. 반면 조직 고유의 문서, 데이터, 의사결정 이력, 고객 기록이 구조화된 형태로 AI에 연결되는 순간 — 비로소 그 조직에만 유의미한 판단과 결과물이 만들어집니다.

그러나 연결은 파일을 업로드하는 일이 아닙니다. AI가 조직의 지식을 정확히 읽어내려면, 그 지식이 AI가 이해할 수 있는 구조와 어휘로 먼저 번역되어 있어야 합니다. 어느 문서가 어떤 주제에 해당하는지, 어떤 용어가 같은 개념을 가리키고 어떤 용어는 전혀 다른 것을 의미하는지, 어떤 데이터가 어떤 데이터의 상위 범주이고 어떤 관계를 맺고 있는지 — 이 구조적 정의가 바로 지식 지형(Knowledge Ontology)입니다. 이 지형이 없이 AI를 투입하면, AI는 마치 색인 없는 도서관에서 책을 찾는 것과 같은 상황에 놓입니다. 책이 많다는 것은 저주가 되고, 검색은 헤맴이 됩니다.

ATLAS가 실제로 하는 일.

ATLAS는 조직의 지식 지형을 다시 그려내는 구조화된 작업입니다. 네 개의 국면으로 구성됩니다.

첫 번째, 디스커버리와 감사(Audit). 조직 안에 흩어진 지식 자산의 전체 지형을 먼저 파악합니다. 어떤 문서 시스템이 어디에 있고, 어떤 데이터베이스가 어떤 정보를 담고 있으며, 어떤 지식이 사람의 머릿속에만 존재하는지. 여러 부서·시스템·포맷에 걸쳐 흩어진 자산을 한눈에 볼 수 있는 지형도를 그립니다. 이 단계에서 드러나는 현실은 많은 조직에게 충격적입니다. 자신들이 얼마나 많은 자산을 가지고 있는지, 그리고 그것이 얼마나 파편화되어 있는지를 처음으로 직시하게 됩니다.

두 번째, 온톨로지 설계. 파악된 지형 위에 조직 고유의 지식 구조를 정의합니다. 핵심 개념들 사이의 관계, 계층, 속성을 체계적으로 설계하는 작업입니다. 제품·고객·프로젝트·계약·정책 — 이 모든 것이 서로 어떻게 연결되는지에 대한 조직의 공식 지도가 여기서 만들어집니다. 단순한 폴더 구조가 아닙니다. AI와 사람 모두가 따라갈 수 있는 조직 고유의 의미론적 체계(Semantic Framework)가 빚어집니다.

세 번째, 택소노미와 메타데이터 프레임워크. 온톨로지가 뼈대라면, 택소노미와 메타데이터는 그 뼈대에 붙는 살과 근육입니다. 각 자산을 어떻게 분류하고, 어떤 태그를 붙이고, 어떤 권한을 할당하고, 어떤 수명 주기를 관리할지에 대한 구체적 규칙을 만듭니다. AI가 조직의 자산을 정확히 읽어내려면, 자산 자체가 명확한 꼬리표를 달고 있어야 합니다.

네 번째, 구현 파트너십. 설계된 지형도가 실제 시스템 안에 구현되는 과정까지 함께 진행합니다. 기존 문서 시스템, 데이터베이스, 협업 도구 안에 새로운 구조가 적용되고, 검색·RAG·에이전트 등 AI 기능이 이 구조 위에서 작동하기 시작하는 순간까지 — 필요한 경우 파트너사나 내부 엔지니어링 팀과의 협업 아래 배포를 지원합니다.

사람의 머릿속에만 있는 것도, 지식입니다.

조직 지식의 가장 큰 비극은 가장 가치 있는 것이 대개 문서화되지 않는다는 점입니다. 왜 10년 전 그 고객 계약에 그 조항이 들어갔는지, 왜 어떤 제품군은 특정 지역에서 판매하지 않는지, 어떤 공정에서는 반드시 어떤 순서를 지켜야 하는지 — 이런 맥락과 판단은 시니어의 머릿속에만 있습니다. 그 사람이 퇴사하는 순간 조직은 그 지식을 영영 잃어버립니다.

ATLAS의 중요한 역할 중 하나는 이 암묵지(Tacit Knowledge)를 조직의 공식 지식 지형 안으로 끌어들이는 것입니다. 인터뷰와 워크숍, 기존 의사결정 기록의 분석, 그리고 AI 자체를 활용한 맥락 추출 — 이런 기법들을 통해, 사람의 머릿속에만 있던 것을 조직이 계속 참조할 수 있는 자산으로 전환합니다. AI 시대에 이 작업이 특별히 중요한 이유는, 일단 구조화된 암묵지는 AI가 읽고 활용할 수 있는 형태가 되기 때문입니다. 조직의 가장 깊은 지혜가, 사람을 넘어서 계속 작동할 수 있게 됩니다.

왜 이 작업이 지금 필요한가.

AI 에이전트와 자동화의 시대가 본격화되면서, 조직의 경쟁력은 “얼마나 많은 AI 도구를 썼는가”에서 “AI가 활용할 수 있는 조직 고유의 지식 자산을 얼마나 잘 구조화했는가”로 이동하고 있습니다. 누구나 같은 모델을 쓸 수 있지만, 그 모델이 읽어낼 수 있는 조직의 지식은 각 조직에만 고유합니다. 이 고유 자산을 AI가 이해할 수 있는 구조로 먼저 정돈한 조직은, 이후 어떤 AI 도구가 출시되어도 즉시 그 위에 얹어 활용할 수 있는 지속 가능한 경쟁력을 확보하게 됩니다.

반대로 이 작업을 미뤄둔 조직은 새로운 AI 도구를 도입할 때마다 같은 문제에 반복해 부딪히게 됩니다. “AI가 우리 자료를 제대로 못 읽는다”, “검색 결과와 참조 결과가 부정확하다”, “에이전트가 엉뚱한 답을 한다” — 이 모든 증상의 밑에는 정돈되지 않은 지식 지형이라는 공통 원인이 놓여 있습니다. 도구를 바꿔도 증상은 사라지지 않습니다. 기반이 바뀌어야 증상이 사라집니다.

ATLAS와 다른 ENTERPRISE 서비스의 관계.

ENTERPRISE 카테고리의 세 서비스는 서로 다른 층위를 다룹니다.

ATLAS는 지식의 구조 — 조직의 자산이 AI가 읽을 수 있는 형태로 정돈된 상태를 만드는 기반 작업입니다.

SWARM은 자동화의 실행 — ATLAS가 구축한 지식 지형 위에서 실제로 작동하는 AI 에이전트와 자동화 파이프라인을 설계·구축합니다.

FORWARD는 현장의 밀착 — 조직 내부에 전문가가 상주하며 AI 도입의 장기적 운영과 진화를 함께 책임지는 파트너십입니다.

많은 조직이 ATLAS에서 출발해 SWARM으로 확장하는 경로를 택합니다. 지식이 먼저 정돈되어야 그 위에서 자동화가 의미 있게 작동하기 때문입니다. 반대 순서는 대개 큰 재작업 비용을 만들어냅니다. 건물을 먼저 짓고 나서 기초공사를 다시 하는 것과 같은 상황이 되기 때문입니다.