매 분기마다 나타나는 패턴은 다음과 같습니다. Fortune 500대 기업이 AI 전략을 발표합니다. 조달, 가격 책정, 수요 계획 및 무역 판촉 전반에 걸쳐 10~15개의 에이전트 파일럿을 가동합니다. 6개월이 지난 지금, 그 중 어느 것도 생산되지 않습니다. 하나도 아닙니다.
사후 분석에서는 항상 같은 비난을 합니다. 모델이 환각을 보이고, 데이터가 지저분하며, 팀에 더 많은 교육이 필요하다는 것입니다. 그러나 CPG, 통신 및 의료 기업 전반에 인텔리전스 인프라를 구축한 후 우리는 실제 실패가 모델이 되는 경우가 거의 없다는 사실을 알게 되었습니다. 이것이 모델이 구축되는 것입니다.
실제 문제는 컨텍스트 조각화입니다.
맥락의 분절이란 무엇인가
컨텍스트 단편화는 기업이 결정, 정의, 규칙, 임계값, 관계 및 제도적 논리를 내리는 데 필요한 지식이 통일된 구조 없이 팀, 시스템, 스프레드시트 및 개인의 머리에 분산되어 있는 상태입니다.
모든 기업에는 데이터 웨어하우스가 있습니다. 대부분은 여러 개가 있습니다. 이러한 시스템은 무슨 일이 일어났나요?라는 한 가지 유형의 질문에 매우 효과적으로 답합니다. 지난 분기 수익은 4,200만 달러였습니다. 유효노출률이 87%로 떨어졌습니다. 동남부 지역에서는 12개 SKU가 품절되었습니다.
하지만 AI 에이전트가 결정을 내려야 할 때(재고를 재할당해야 할까요? 프로모션을 가속화해야 할까요? 재주문 지점을 변경해야 할까요?) 데이터 웨어하우스에서는 답을 찾을 수 없습니다. 결정 논리는 거기에 존재하지 않습니다. 이는 조직 전체에 흩어져 있는 단편화된 컨텍스트에 존재합니다.
조각난 컨텍스트에 에이전트를 구축하는 것은 원시 CSV 파일에 대시보드를 구축하는 것과 같습니다. 데모용으로 작동하게 만들 수 있습니다. 결코 대규모로 작동하지 않습니다.
세 가지 실패 유형
컨텍스트 조각화는 세 가지 구체적인 방식으로 나타납니다. 우리가 조사한 모든 기업 AI 실패는 이들 중 하나 이상으로 거슬러 올라갑니다.
1. 공유된 온톨로지의 부재
공급망 팀에 "수익"이 무엇을 의미하는지 문의하세요. 그런 다음 영업팀에 문의하세요. 그럼 금융에 물어보세요. 당신은 세 가지 다른 대답을 얻게 될 것입니다. 공급망은 배송된 수익을 보고 있을 수 있습니다. 판매는 예약된 수익을 추적하고 있습니다. 재무는 인식된 수익을 보고합니다. 세 사람 모두 대시보드와 스프레드시트에서 이를 "수익"이라고 부릅니다.
이제 이러한 기능을 최적화해야 하는 AI 에이전트를 구축하세요. 어떤 "수익"을 사용합니까? 실제로는 먼저 연결된 데이터 소스를 사용하며 에이전트가 세 팀 중 두 팀에 의미 없는 것을 추천할 때까지 아무도 불일치를 알아차리지 못합니다.
이는 데이터 품질 문제가 아닙니다. 데이터는 정확합니다. 문제는 공유된 온톨로지가 없고 각 개념이 무엇을 의미하는지, 어떻게 계산되는지, 비즈니스의 다른 개념과 어떻게 관련되는지에 대한 단일하고 권위 있는 정의가 없다는 것입니다.
2. 구성원 안에 갇힌 암묵지
최고의 공급망 계획자는 특정 공급업체의 리드 타임이 14일을 초과하고 수요 차이가 20%를 초과하는 경우 예측 오류의 1.65배만큼 안전 재고를 늘려야 한다는 것을 알고 있습니다. 그 규칙은 어떤 시스템에도 존재하지 않습니다. 그것은 그녀의 머리 속에 살고 있습니다. 그녀가 휴가 중일 때 백업은 이를 적용하는 방법을 모릅니다. 그녀가 회사를 떠날 때, 그 지식은 문 밖으로 나갑니다.
이를 기업 전체의 모든 기능에 곱하십시오. 가격에는 경쟁 응답 임계값에 대한 규칙이 있습니다. 무역 프로모션에는 소매업체별 타이밍 창에 대한 경험적 방법이 있습니다. 수요 계획은 누구도 문서화하지 않은 날씨 패턴을 기반으로 예측을 조정합니다. 이는 실제로 비즈니스를 실행하는 의사결정 논리이며, AI 에이전트는 이 중 어느 것도 접근할 수 없습니다.
3. 의사결정 계층의 부재
데이터 웨어하우스는 사실을 저장합니다. BI 도구는 이를 시각화합니다. 하지만 두 가지 모두 사실과 행동을 연결하는 의사결정 논리를 포착하지 못합니다. "이 메트릭이 이 임계값을 초과하면 이러한 조건에서 예외가 적용되지 않는 한 올바른 응답은 이 작업입니다."를 저장하는 시스템이 없습니다.
이는 누락된 아키텍처 레이어입니다. 그것이 없으면 모든 AI 에이전트는 일반적으로 인간에게 질문하거나 합리적으로 들리는 대답을 환각하는 방식으로 처음부터 결정 논리를 재구성해야 합니다. 어느 접근 방식도 확장되지 않습니다.
실제 업무에서 나타나는 모습
추상적인 실패 모드는 무시하기 쉽습니다. 여기에 우리가 함께 일한 기업의 두 가지 실제 사례가 있습니다.
사례: Fortune 50 CPG 회사(폭염 문제)
폭염이 인도 북부를 강타했습니다. 72시간 이내에 음료 수요가 40% 급증했습니다. 공급망 팀은 일기 예보나 수요 신호나 계획 시스템이 아닌 재고 부족 보고서를 통해 급증 사실을 알아냈습니다. 품절 보고서가 나왔을 때 그들은 이미 성수기 동안 중요한 시장에서 3일간의 매출 손실을 입었습니다.
날씨 데이터가 존재했습니다. 수요 탄력성 모델이 존재했습니다. 공급망 계획 도구가 존재했습니다. 그러나 다음 논리와 연결된 시스템은 없습니다. "한 지역의 주변 온도가 Y일 연속으로 X도를 초과하면 해당 지역의 음료수 수요가 Z%만큼 증가하며 공급망 대응은 창고 A와 B의 재고를 사전 배치하는 것이어야 합니다." 이러한 결정 논리는 한 지역 관리자의 경험에서 구현되었습니다. 그는 그 주에 휴가 중이었습니다.
사례: 의료회사(모순되는 진실)
Nielsen 신디케이트 데이터에 따르면 시장 점유율은 1.2포인트 하락했습니다. 내부 판매 데이터에 따르면 청구액이 전년 대비 8% 증가한 것으로 나타났습니다. 경영진은 어떤 숫자가 틀린지 알아내기 위해 3주를 보냈습니다. 둘 다 그렇지 않았습니다.
Nielsen은 15% 확장된 카테고리의 점유율을 측정하고 있었습니다. 내부 청구에서는 전년도 대비 절대 수익을 측정했습니다. 둘 다 서로 다른 관점에서 본 현실에 대한 정확한 설명이었습니다. 그러나 카테고리 확장의 맥락에서 시장 점유율(상대 측정항목)과 청구 수익(절대 측정항목) 간의 존재론적 관계를 저장한 시스템이 없었기 때문에 이러한 숫자가 모순되는 이유를 설명할 수 있는 시스템이 없었습니다.
"우리의 시장 성과를 설명"하라는 요청을 받은 AI 에이전트는 하나의 데이터 소스를 선택하고 자신감 있고 반쯤은 맞는 대답을 제공했을 것입니다.
데이터를 더 모으는 것만으로 해결되지 않는 이유
컨텍스트 단편화에 대한 본능적인 반응은 문제에 더 많은 데이터를 제공하는 것입니다. 더 큰 데이터 레이크를 구축하세요. 더 많은 소스를 연결하세요. 의미 계층을 추가합니다. 더 많은 기업 문서에서 모델을 미세 조정하세요.
이는 작동하지 않으며 그 이유를 이해하는 것이 중요합니다.
더 많은 데이터는 상담원에게 더 많은 사실을 제공합니다. 그러나 의사결정 논리가 없는 사실은 더 큰 규모에서 동일한 실패를 낳습니다. 어떤 "수익"을 사용해야 할지 모르는 에이전트에서 "수익"에 대한 15가지 정의에 액세스할 수 있으면서도 어느 정의가 어떤 맥락에 적용되는지 여전히 모르는 에이전트로 이동합니다.
문제는 데이터의 양이 아닙니다. 원시 데이터를 실행 가능하게 만드는 것은 구조화된 컨텍스트, 온톨로지, 규칙, 관계 및 의사결정 논리가 없기 때문입니다.
차이점을 고려해보세요:
- '추가 데이터' 접근 방식: 에이전트에게 날씨 API, 수요 예측, 재고 시스템 및 공급망 계획 도구에 대한 액세스 권한을 부여합니다. 그것이 연결을 알아내기를 바랍니다.
- '구조화된 컨텍스트' 접근 방식: 날씨 패턴과 수요 탄력성 사이의 관계를 인코딩하고, 이를 재고 임계값 및 공급망 응답 프로토콜에 연결하고, 따라야 할 결정 논리에 대한 순회 가능한 그래프를 상담원에게 제공합니다.
첫 번째 접근 방식은 인상적인 데모를 생성합니다. 두 번째 접근 방식은 생산 시스템을 생성합니다.
아키텍처 차원의 해결책
필요한 것은 데이터 웨어하우스와 AI 에이전트 사이에 위치하며 발생한 일이 아니라 비즈니스에서 결정하는 방법을 저장하는 새로운 인프라 계층입니다.
이것이 Intelligence Warehouse™가 하는 일입니다. 이는 데이터 웨어하우스가 결코 보관하도록 설계되지 않은 세 가지를 구성합니다.
- 온톨로지: 모든 비즈니스 개념에 대한 권위 있는 단일 정의: "수익"의 의미, "주문 충족률" 계산 방법, "수요"가 "예측"과 "재고 현황"와 어떻게 관련되는지. 모든 팀, 모든 에이전트, 모든 업무 흐름은 동일한 정의를 참조합니다.
- 계산 로직이 포함된 측정항목: 숫자뿐만 아니라 각 측정항목 뒤에 있는 수식, 세부 사항, 측정기준 및 비즈니스 의도도 포함됩니다. 상담원은 유효노출률이 87%라는 것만 보는 것이 아니라 이것이 무엇을 의미하는지, 어떻게 계산되었는지, 어떤 조건이 그 숫자를 중요하게 만드는지 이해합니다.
- 결정 규칙: 추출되고 구조화된 부족 지식: 임계값, 조건, 응답 프로토콜, 예외. 최고의 운영자가 머릿속에 갖고 있는 것과 동일한 논리를 이제 AI 에이전트가 기계 속도로 통과할 수 있습니다.
이 세 가지 레이어가 탐색 가능한 그래프로 통합되면 에이전트는 추측을 멈추고 최고의 직원이 사용하는 것과 동일한 결정 경로를 따르기 시작합니다. 인도 북부의 폭염은 며칠이 아닌 몇 분 만에 공급망 대응을 촉발합니다. 시스템이 상대 측정과 절대 측정 사이의 존재론적 관계를 이해하기 때문에 모순되는 의료 측정 지표가 즉시 설명됩니다.
우리 조직의 맥락 분절 점검하기
프로덕션에 도달하지 않은 AI 에이전트 파일럿을 실행하는 경우 이 진단을 실행하세요. 각 질문에 0(전혀 아님)부터 3(완전히 시행됨)까지 정직하게 점수를 매기세요.
컨텍스트 조각화 스코어카드
온톨로지 정렬: 세 개의 서로 다른 팀이 "수익"을 끌어내고 동일한 정의에서 동일한 방식으로 계산된 동일한 수치를 얻을 수 있습니까? 에이전트가 분석가가 사용하는 것과 동일한 측정항목 정의를 사용합니까?
지식 접근성: 상위 3명의 도메인 전문가가 내일 떠나더라도 AI 에이전트가 여전히 오늘과 동일한 결정을 내릴 수 있을까요? 기계가 통과할 수 있는 모든 위치에 논리가 문서화되어 있습니까?
결정 레이어 존재: 스택의 시스템에 데이터나 대시보드가 아닌 측정항목을 작업에 연결하는 실제 로직이 아닌 결정 규칙이 저장되어 있나요? 상담원이 "X가 발생하면 어떻게 해야 하나요?"라고 질문할 수 있나요?
교차 기능 순회: 공급망 이벤트가 발생하면 시스템이 가격 책정, 판촉 및 판매를 통해 영향을 자동으로 추적할 수 있습니까? 아니면 점들을 연결하려면 인간이 필요합니까?
점수: 총점이 12점 중 6점 미만이면 AI 에이전트가 단편화된 컨텍스트를 기반으로 구축되고 있는 것입니다. 모델은 병목 현상이 아닙니다. 인프라는.
컨텍스트 조각화는 새로운 문제가 아닙니다. 기업은 수십 년 동안 경험이 풍부한 인력과 제도적 기억을 활용하여 이를 해결해 왔습니다. 하지만 AI 에이전트는 패치를 할 수 없습니다. 구조가 필요합니다. 명시적이고, 연결되고, 탐색 가능하도록 하려면 인간이 암시적으로 전달하는 컨텍스트가 필요합니다.
데이터 웨어하우스는 데이터 단편화를 해결하고 BI 도구 세대를 열었습니다. Intelligence Warehouse™는 컨텍스트 단편화를 해결하고 기업이 구축하려는 자율 AI 에이전트 생성을 활성화합니다.
문제는 AI 모델이 충분히 좋은지 여부가 아닙니다. 그렇습니다. 문제는 실제로 작동하는 데 필요한 기반을 구축했는지 여부입니다.
