한 계정으로 묶은 RAG가 조직의 백도어가 되는 순간
인제스트 과정에서 문서 권한 정보가 청크에 상속되지 않으면 검색 시스템이 조직 전체를 가로지르는 접근 경로가 되며, 서비스 계정 합집합 검색과 사후 필터링은 이를 막지 못한다. 검색 단계부터 사용자 세션 기준 권한 검증과 철회 SLA 점검이 필요하다.
#지식 인프라
기업용 SQL, 언제까지 '자연어 질문'만 던질 것인가
기업용 Text-to-SQL은 검색 방식 개선보다 검색 대상이 되는 지식, 즉 실제 쿼리에서 뽑은 조인·필터·CTE 패턴을 SQL 레퍼런스 카드로 정제하는 작업이 성능을 더 크게 좌우한다.
1,000개 넘는 스킬도 가볍게.. Stripe가 Deep Agents를 지배하는 법
에이전틱 시스템은 교체 가능한 모델, 실행만 담당하는 얇은 하네스, 지식과 규칙을 보관하는 모듈형 컴퍼니 브레인으로 나뉜다. Writer·Stripe·eToro 사례로 이 구조의 비용 효율과 통제 방식을 설명한다.
최종 PR만 남기는 조직 vs 실패의 경로까지 자산화하는 조직
코딩 에이전트 세션과 GitHub 커밋 연결은 지식 보존의 출발점일 뿐, 실패 구간을 평가 자산으로 정제하는 별도 체계가 있어야 조직 학습으로 이어진다.
파산 뒤 1천만 달러, 회사의 기억은 누구 것인가?
파산한 스피릿항공의 40년치 업무 기록이 구글에 1천만 달러로 낙찰됐다. 가격을 결정한 건 데이터 양이 아니라 결정과 결과를 연결하는 맥락, 그리고 권리와 익명화를 둘러싼 불확실성이었다.
메트릭 드리프트: CFO와 AI가 매출을 다르게 측정한다면?
AI 데이터 에이전트는 SQL 문법보다 의미 해석에서 더 자주 틀리며, 지표 정의와 조인 경로를 미리 규정하는 시맨틱 레이어를 두면 실행 전에 오류를 막을 수 있다.
컨텍스트 그래프가 에이전트를 움직인다
에이전트가 판단을 내릴 때 근거를 어디에 남길지 다룬 글로, 엔티티와 소유권을 먼저 정하고 그 위에 결정 기록을 연결하는 컨텍스트 그래프 구조와 최신성 관리 문제를 짚는다.
에이전트가 만든 ‘조직 기억’이라는 인프라 카테고리
위키와 검색, 데이터 웨어하우스는 조직의 판단 근거를 남기지 못하며, 유효 기간과 권한을 붙인 사실 관리 체계가 있어야 AI 에이전트가 배경을 다시 찾지 않고 답할 수 있다.
AI 규제 기한은 미뤄졌는데, 데이터 부채는 한 걸음도 안 움직였다
EU 고위험 AI 규제 적용일은 미뤄졌지만 투명성 의무와 데이터 품질, 삭제·권한 관리 부채는 그대로 남아 있으며, 벤더 데이터 결함과 아마존 장애 사례는 작은 오류가 AI 답변 전체를 좌우하는 구조를 보여준다.
ERP 에이전트가 벡터 검색을 버린 이유… ‘업무 지도’가 전사 AI의 진짜 기억이다
기업 ERP 에이전트가 벡터 검색 대신 지식 그래프를 쓰는 이유와, SAP·Palantir 사례로 본 조직이 직접 관리해야 하는 업무 지도의 조건을 설명한다.
Langchain이 BI 대시보드를 버리고 에이전트 스택으로 갈아탄 이유
LangChain 데이터팀은 대시보드 대신 컬럼과 지표 정의를 정리해 에이전트가 같은 기준으로 답하게 했고, 시맨틱 레이어를 더하자 텍스트-투-SQL 정확도가 크게 올랐다.
찾는 RAG에서 판단하는 RAG로
검색 결과가 질문과 관련 있어도 답에 필요한 정보가 빠져 있을 수 있다. Google의 Agentic RAG는 초안을 만든 뒤 근거가 충분한지 다시 판정하고, 부족하면 빠진 부분을 검색어로 바꿔 재검색한다.
Sierra, Harvey를 나란히 깔았는데 답이 제각각.. Vertical AI의 문맥 갈라파고스 문제
기업이 여러 부서에서 각기 다른 AI 에이전트를 쓰면 같은 고객과 지표도 제품마다 다르게 정의된다. 이 정의를 하나의 컨텍스트 그래프로 묶어야 감사에 필요한 기록도 남길 수 있다.
검색 알고리즘이 아니라 ‘검색 인터페이스’가 승부를 결정한다
검색 결과 양을 늘려도 정확도는 오르지 않았고, 무엇을 찾고 읽을지 모델이 직접 정하는 구조에서 토큰을 적게 쓰고도 더 정확한 답이 나왔다.
GraphRAG, 확장보다 압축이 먼저다
AWS와 Cisco가 아홉 가지 RAG 방식을 비교한 결과, 검색은 정답의 83.5%를 찾았지만 답변에 반영된 비율은 47.9%에 그쳤다. 컨텍스트 앞부분 정보만 주로 쓰였고 관계를 압축해 걸러낸 GraphRAG는 토큰을 줄이면서도 성능을 유지했다.
AI에 쓴 돈은 누구의 지식이 되는가
AI 주권은 모델 선택이 아니라 프롬프트와 승인 기록, 온톨로지를 자사 저장소에 남겨 공급자가 바뀌어도 같은 판단을 재현할 수 있는지로 갈린다.
도메인 지식베이스의 병목
유사도 검색은 관련 문서를 찾아내지만 그 조항이 지금도 유효한지는 확인하지 못한다. 법률, 의약품, 사내 문서 사례에서 답변 근거는 발효일과 승인 주체, 대체 관계를 갖춘 항목으로 따로 관리한다.
컨텍스트 다이어트의 함정
에이전트 메모리는 통째로 요약해 덮어쓰면 정확도가 오히려 떨어진다. ACE 연구는 항목 단위로 추가하고 성공률을 기록해 만료시키는 방식이 정확도와 비용을 함께 지킨다는 결과를 보여준다.
에이전트가 그래프를 대신 짜면, GraphRAG는 여전히 필요한가
GraphRAG는 여러 문서의 근거를 연결하는 multi-hop 질의에서 강점을 보이지만 단순 사실 확인에는 비용이 과하다. 그래프는 구축비를 먼저 내고 재사용하는 구조라 자료 변경 빈도와 질의 반복도, 근거 소급 설명 필요성에 따라 선택이 갈린다.
하이브리드 검색 라우터 시대, 그래프는 롱컨텍스트 앞에서 자리를 지킬 수 있는가
롱컨텍스트 비용이 계속 떨어지는데도 기업은 왜 그래프 인덱스를 유지하는가. 검색 성능 축에서는 과도기적 수단이지만, 감사·책임 축에서는 장기 기반으로 남는다 — 라우터가 그 경계를 조직 구조 위에 그린다.
설명할 수 있다고 이해한 것은 아니다
스타킹 선택부터 트랜스포머의 경사하강법까지, 이해는 설명 가능성이 아니라 낯선 조건 앞에서도 스스로 갱신되며 버티는 능력으로 검증돼야 한다는 논증.
프롬프트-컨텍스트-하네스-루프, 다음은 무엇인가
프롬프트→컨텍스트→하네스→루프→그래프로 6주 만에 3번 바뀐 이름을 통해, 인간의 개입 지점이 실행에서 판단으로 옮겨가는 구조를 짚는다.
에이전트는 마법이 아니다. 대규모 증류일 뿐이다
카파시가 말한 에이전트의 본질은 신비한 지능이 아니라 데이터 증류이며, 기업은 모델 크기보다 데이터 품질과 폐쇄 루프 설계에 집중해야 한다는 시사점을 정리한다.
Cerebras의 지식베이스가 주는 교훈
Cerebras가 데이터 이동 대신 검색 레이어로 하루 1만5000건 질문을 처리한 내부 지식베이스 사례에서 국내 기업이 얻을 구조화 우선순위의 교훈.
브라우저 안의 AI에서, AI 안의 브라우저로
Claude Code 인앱 브라우저를 계기로 살펴본, 에이전틱 웹이 광고·트래픽·발행자 보상 구조를 어떻게 재작성하는지에 대한 분석.
AI 주권은 SOTA를 쓰지 않는 것을 의미하는가? 아니면 또 다른 무언가를 의미하는가? 그것의 명확한 정의는 무엇인가?
팰런티어의 AI 주권 선언을 분석해, 진짜 주권은 SOTA 모델 회피가 아니라 배포·맥락·가중치의 통제권을 누가 쥐고 있는지에 달려 있음을 보여준다.
에이전트, '일'을 아는가, '일의 방향'을 아는가?
에이전트는 일의 실행은 빠르게 흡수하지만 그 일이 무엇으로 이뤄졌는지는 모른다. 카프와 에이전트 맥시멀리스트의 논쟁은 시간이 아니라 '층'이 가른다.
