Ontology: 데이터가 아니라 결정을 담는 구조

"The Ontology is designed to represent the complex, interconnected decisions of an enterprise, not simply the data."

Palantir Foundry Documentation

어느 조직이든 마주치는 장면이 있습니다.

CS 팀 리더가 AI에 묻습니다. "우리 핵심 고객 A사가 최근 어떤 고민을 하고 있는지 정리해줘." AI는 지난 3개월 회의 기록을 검색합니다. 관련 회의가 7건 돌아옵니다. 그리고는 이상한 답변을 내놓습니다.

"A사는 API 연동을 원하고 있고, A Corp는 가격 할인을 요청했으며, Acme Inc는 환불을 검토하고 있습니다."

같은 회사입니다. 영업 팀은 계약서 상의 정식명(Acme Inc)을 쓰고, CS 팀은 줄임말(A사)을 쓰고, 엔지니어링 팀은 영문 약어(A Corp)를 씁니다. AI 입장에서는 세 개의 다른 엔티티로 보입니다. 회의 맥락을 아무리 많이 먹어도, 이 세 이름을 하나로 묶어줄 구조가 없으면 AI는 맥락 앞에서 길을 잃습니다.

2편에서는 회의 맥락이 LLM-Ready Data로 변환되는 파이프라인을 이야기했습니다. 전사되고, 구조화되고, 임베딩되어 데이터베이스 내 검색이 가능해집니다. 하지만 그것만으로는 부족합니다. AI는 여전히 A사와 A Corp와 Acme이 같은 회사라는 걸 모릅니다. 그것을 모른다면, AI는 지난주 영업 미팅과 이번 주 CS 미팅이 같은 고객에 대한 이야기라는 것도 모를 수밖에 없습니다.

이 연결을 담당하는 것이 온톨로지(Ontology)입니다.

Ontology는 데이터베이스가 아니다

팔란티어는 20년 동안 세계에서 가장 복잡한 조직들의 데이터를 구조화해 왔습니다. 정보 기관, 군사 작전, 글로벌 제조업. 그들이 공식 문서에서 Ontology를 정의하는 한 문장이 있습니다.

"The Ontology is designed to represent the complex, interconnected decisions of an enterprise, not simply the data."

"데이터가 아니라 결정을 표현하도록 설계되었다." 단어가 다소 구체적입니다. "데이터베이스"가 아니고, "지식 그래프"도 아닙니다. "결정을 표현하는 구조"입니다.

이 구분이 왜 중요할까요. 데이터베이스는 사실을 저장합니다. Acme Inc의 계약 금액, 계약 만료일, 담당 영업자 이름 등. 하지만 결정은 사실의 목록이 아닙니다. "왜 이 고객은 갱신을 주저하는가"는 어느 곳에도 저장되어 있지 않습니다. "어떤 대안을 검토했고 왜 기각했는가"도 마찬가지입니다. 이런 것들은 사람들의 머릿속에, 그리고 회의의 대화 속에 있습니다.

Palantir가 같은 문서에서 이어서 쓰는 문장이 있습니다. "명사(nouns)만으로는 결정을 모델링할 수 없다. 명사는 동사(verbs)와 짝지어져야 한다. Semantic은 Kinetic과 짝지어져야 한다." 이 한 줄이 2편에서 이야기한 outcome과 process의 구분과 정확히 맞물립니다. 정적인 데이터가 저장된 것만으로는 조직이 어떻게 굴러가는지 표현할 수 없습니다.

그렇다면 온톨로지가 실제로 어떻게 구성되는지 들어가보겠습니다.

The Three Layers

팔란티어의 Ontology 모델을 보면 세 개의 레이어가 함께 작동합니다. Semantic, Dynamic, Kinetic. 저희는 이 프레임을 AX 설계의 언어로 쓰고 있습니다.

Semantic Layer

조직의 어휘를 정의하는 레이어입니다. "고객"이 우리 조직에서 무엇을 의미하는지, "계약"과 "회의"가 어떤 관계에 있는지, 그리고 Acme Inc과 A사와 A Corp가 같은 엔티티인지. 조직의 개념 사전에 가깝습니다.

AI가 데이터를 읽을 수는 있어도 이해할 수 없다면, Semantic Layer가 비어 있는 것입니다. 이름만 있고 의미는 없는 상태. 이해가 없으면 AI는 검색은 해도 추론은 하지 못합니다. 앞의 장면에서 AI가 세 이름을 하나로 묶지 못한 이유가 바로 이것입니다.

Dynamic Layer

맥락이 실시간으로 흐르는 레이어입니다. 이번 주 회의에서 나온 결정이 다음 주 태스크가 되고, 그 태스크의 결과가 그다음 주 회의의 안건이 됩니다. Dynamic Layer는 이 흐름을 추적합니다.

이 레이어가 가장 이해하기 어려운 부분이기도 합니다. 대부분의 기업이 데이터가 '저장'되는 것은 생각하지만, 데이터가 '흐른다'는 개념에는 익숙하지 않습니다. 그러나 조직은 원래 흐르는 체계입니다. 월요일 회의에서 결정된 것이 화요일에 태스크가 되고, 금요일에 결과 데이터가 쌓이고, 다음 월요일 회의에서 그 결과를 놓고 다시 논의합니다. AI가 이 흐름을 따라가지 못하면, AI는 각 지점의 스냅샷만 볼 뿐입니다.

Kinetic Layer

AI가 실제로 행동을 취하는 레이어입니다. 에이전트가 태스크를 생성하고, 데이터를 수집하고, 실험을 설계하고, 결과를 검증합니다.

다만 한 가지를 분명히 해야 합니다. Dynamic Layer에서 올바른 맥락이 흐르지 않는 상태에서 Kinetic Layer만 열심히 돌아가면, 그것은 지도 없이 달리는 자동차와 같습니다. 맥락 없이 빠르게 움직이는 에이전트는, 엉뚱한 방향으로 빠르게 갈 뿐입니다.

Palantir가 이 세 레이어를 "조직의 디지털 트윈"이라고 부릅니다. 조직의 쌍둥이를 디지털로 만든다는 표현이 조금 거창하게 들릴 수 있지만, 실제 작동은 단순합니다. 명사가 있고(Semantic), 그 명사들이 시간에 따라 흐르고(Dynamic), AI가 그 흐름 위에서 행동합니다(Kinetic). 셋이 모두 있을 때야만 AI는 조직을 "읽을" 수 있습니다.

The Dashboard Trap

대부분의 기업이 AX라고 부르는 것은 Semantic Layer에서 멈춥니다.

데이터를 연결하고, 공통 어휘를 정의하고, 대시보드를 만들고, 보고서를 자동화합니다. 결과물은 예쁜 대시보드, 그것 하나뿐입니다. "Activation Rate", "NRR", "CAC" 같은 지표가 실시간으로 업데이트됩니다. 임원 회의에서 큰 화면에 띄워놓고 봅니다.

대시보드는 유용합니다. 다만 한 가지 질문을 해볼 만합니다. 그 대시보드가 실제로 조직의 행동을 바꾸는 경우는 얼마나 될까요.

지표가 하락한다는 사실을 더 빠르게 볼 수 있게 됐을 뿐, 왜 하락했는지를 진단하고 어떤 행동을 취해야 할지를 결정하는 과정은 여전히 사람의 몫입니다. 그리고 사람이 그 과정을 회의에서 수행하는데, 그 회의 맥락은 다시 어디에도 기록되지 않습니다. 루프가 닫히지 않는 것입니다.

이것을 "대시보드 함정(dashboard trap)"이라고 부를 수 있습니다. 조직이 AX 투자를 했다고 말할 수 있는 근거는 얻었지만, 실제 의사결정의 질은 별로 바뀌지 않은 상태. Semantic은 구축했지만 Dynamic과 Kinetic은 비워둔 결과입니다.

왜 Dynamic에서 많은 기업이 멈출까요. 기술적으로 더 어려운 문제라서가 아닙니다. 조직적으로 더 어려운 문제이기 때문입니다. Semantic Layer는 데이터 팀이 주도할 수 있습니다. 어휘 정의, 마스터 데이터 관리, 엔티티 해소는 데이터 거버넌스 영역입니다. Dynamic Layer는 데이터 팀 혼자 할 수 없습니다. 회의 맥락이 CRM에 연결되고, CRM 변화가 다시 회의 안건으로 돌아오려면, 비즈니스 프로세스 자체가 재설계되어야 합니다.

1편에서 이야기한 Paul David의 공장 비유가 여기서 다시 떠오릅니다. 증기 엔진을 전기 모터로 바꾸는 것은 기술 교체였습니다. 공장을 재설계하는 것은 조직 변화였습니다. Semantic은 기술 교체에 가깝고, Dynamic은 공장 재설계에 가깝습니다. 그래서 오래 걸리고, 그래서 많은 조직이 거기서 멈춥니다.

When the Loop Closes

세 레이어가 함께 작동하면, 하나의 순환이 만들어집니다. 맥락을 읽고(Read), 추론하고(Reason), 행동하고(Act), 결과에서 배웁니다(Learn).

이 루프는 에이전트 연구 커뮤니티에서 오랫동안 논의되어 왔습니다. Anthropic이 2025년 9월에 공개한 Context Engineering 가이드는 에이전트를 " 루프에서 도구를 자율적으로 사용하는 LLM"이라고 정의합니다. 한 번의 프롬프트가 아니라, 환경과 상호작용하며 학습하는 순환입니다. 이 루프가 닫히려면 세 가지가 다 있어야 합니다. 정확한 맥락(Semantic), 맥락의 흐름(Dynamic), 실행(Kinetic).

한 가지 시나리오로 구체적으로 그려보겠습니다.

월요일 주간 미팅에서 팀이 "지난주 Activation Rate가 5% 하락했다"는 논의를 합니다. CI 도구가 이 논의를 LLM-Ready Data로 변환합니다 (Context Source 레이어). Ontology의 Semantic Layer가 "Activation Rate"의 정의, "지난주"가 가리키는 정확한 기간, 이 지표의 기준 세그먼트를 명확히 해줍니다. Dynamic Layer는 이 맥락을 실제 지표 시스템과 연결해서, 논의에서 나온 가설 세 개를 태스크로 변환합니다. Kinetic Layer에서 에이전트가 "지난 2주간의 온보딩 퍼널 데이터를 수집하고, 단계별 이탈률을 분석하라"는 태스크를 자동으로 실행합니다. 결과가 다음 월요일 미팅 직전에 정리되어 안건으로 올라옵니다. 팀은 지난주의 가설을 검증하며 다음 논의를 시작합니다.

한 바퀴 돌았습니다. 그리고 이 한 바퀴가 끝난 뒤 조직은 조금 더 영리해집니다. 다음 주 논의의 출발점이 이전 주의 결과이기 때문입니다. 루프가 닫혀 있기 때문입니다.

이 시나리오에서 AI가 중요한 역할을 합니다. 그런데 주목할 점이 하나 있습니다. 모델의 지능이 아니라 맥락의 연결이 이 시나리오를 작동하게 만든다는 것입니다. Semantic이 없으면 "Activation Rate"가 어떤 지표인지 모릅니다. Dynamic이 없으면 회의 맥락과 태스크가 분리됩니다. Kinetic이 없으면 실행이 없습니다. 셋 중 하나라도 빠지면 루프는 끊깁니다.

그리고 여기서 2편에서 이야기한 Conversation Intelligence가 다시 등장합니다. 이 루프의 가장 풍부한 입력은 회의에서 나옵니다. 회의 맥락이 정확하게 구조화되지 않으면, Semantic Layer도 흔들리고 Dynamic Layer도 흔들립니다. 맥락의 품질이 루프의 품질을 결정합니다. 저희가 티로를 만들면서 "정확성"에 집착하는 이유가 여기에 있습니다. 부정확한 회의록은 잘못된 Semantic을 만들고, 잘못된 Semantic은 엉뚱한 태스크를 만듭니다. 루프의 시작점이 오염되면, 나머지 레이어가 아무리 잘 구축되어 있어도 조직은 잘못된 방향으로 빠르게 달려갑니다.

다음 질문

지금까지 세 편에서 AX의 앞 두 레이어를 다뤘습니다. Context Source와 Ontology. 이 두 레이어가 비어 있으면 모델도 에이전트도 인터페이스도 공회전한다는 이야기였습니다.

다음 4편에서는 그 위의 세 레이어로 올라갑니다. AI Model, Agentic Workflow, User Interface. 각 레이어의 2026년 현재 성숙도, 어떤 조합이 실제로 작동하는지, 그리고 조직이 이 스택을 만들 때 어떤 순서로 투자하는 것이 합리적인지를 짚어보겠습니다.

FAQ

Semantic Layer만으로 AX라고 부르는 건 왜 부족한가요?

Semantic Layer는 조직의 어휘를 정리하고 대시보드를 만들 수는 있습니다. 하지만 대시보드는 본질적으로 스냅샷입니다. "지표가 하락했다"는 사실은 보여주지만, "왜 하락했고 어떻게 대응할 것인가"는 보여주지 않습니다. 그 질문에 답하려면 맥락이 시간에 따라 흐르고(Dynamic), 결정이 실제 행동으로 이어져야(Kinetic) 합니다. 대부분의 "AX 이니셔티브"는 Semantic에서 멈추고 나머지 두 레이어를 비워둡니다.

기존 지식 그래프(Knowledge Graph)와 Ontology는 어떻게 다른가요?

지식 그래프는 엔티티 간의 관계를 저장하는 구조입니다. 정적인 설계입니다. Palantir가 정의하는 Ontology는 "결정을 표현하는 구조"입니다. 명사와 동사가 함께 있고, 시간에 따라 상태가 변화하며, 그 변화에 AI가 개입할 수 있습니다. 기능적으로 말하면 지식 그래프가 Semantic Layer에 해당하고, Ontology는 그 위에 Dynamic Layer와 Kinetic Layer를 포함하는 더 넓은 개념입니다.

우리 조직이 어디에서 멈춰 있는지는 어떻게 판단하나요?

한 가지 간단한 질문이 있습니다. "지난주 우리 팀이 내린 의사결정이 이번 주 AI 시스템에 반영되었는가." 대시보드의 숫자가 업데이트된 것 말고, 그 결정의 맥락(왜 그 결정을 내렸는지, 어떤 대안을 기각했는지)이 AI가 읽을 수 있는 형태로 어딘가에 저장되어 있는지입니다. 답이 "아니오"라면 Semantic Layer까지만 있는 것이고, "예"에 가까워질수록 Dynamic과 Kinetic이 작동하기 시작한 것입니다.

시작하기