정확도 70%에 머문 AI, 그래프 기술로 근본부터 해결한다

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

기업 AI가 70% 정확도와 환각에 머무는 근본 원인은 파편화된 데이터이며, 인포시즈는 그래프·온톨로지로 관계를 복원해 이를 해결하려 한다.

📌 핵심 요점

1. 초기 생성형 AI 도입에 널리 쓰인 벡터 검색만으로는 흩어진 기업 데이터의 관계와 문맥을 충분히 복원하기 어려워, 검색 품질과 답변 정확도가 약 70% 수준에 머문다는 것이 인포시즈의 문제 진단이다.
2. 인포시즈는 문서에서 개념과 대상을 추출해 온톨로지 레이어로 연결하고, 이 구조에서 먼저 답변 경로를 찾는 방식으로 정확도·설명 가능성·운영 편의성을 높이려 한다.
3. 보험 약관, 공공기관 비정형 문서, 반도체 보안, 생산계획, 석유화학 도면처럼 단순 SaaS나 사내 개발만으로 풀기 어려운 산업 문제에 그래프 기술을 적용해 왔다.
4. 정확도가 절대적으로 중요한 업무에서는 AI의 자유도를 줄이는 DSL과 OQL 같은 중간 언어를 도입하고, 현업과 엔지니어가 함께 데이터 품질을 정제하는 접근을 택했다.
5. 장기적으로 수백·수천 개의 기업 에이전트와 현장 로봇이 작동하려면 업무 지식의 구조화와 전달이 필요하며, 그래프·온톨로지가 이를 관리하는 핵심 기반이 될 것이라는 전망이다.

🧩 배경과 문제 정의

• 기업들은 생성형 AI를 도입하고 있지만 내부 데이터가 여러 문서와 시스템에 파편화되어 있어 기본 검색부터 기대한 수준으로 작동하지 않는 문제를 겪는다.
• 영상은 벡터 검색이 관련 문서를 찾는 데는 유용하지만 문서 사이의 개념, 대상, 인과관계와 참조 구조까지 표현하기에는 부족하다고 진단한다.
• 인포시즈가 제안하는 해법은 기업 데이터를 그래프와 온톨로지로 연결하고, AI가 이 구조 위에서 근거 경로를 탐색하도록 만드는 것이다.
• 적용 대상은 보험 약관과 공공 문서부터 반도체 보안, 생산계획, 플랜트 도면, 시뮬레이션 에이전트까지 오류 비용과 도메인 복잡도가 큰 업무다.

🕒 시간순 섹션별 상세정리

1. 기업 AI의 70% 정확도 문제

• 기업 데이터가 흩어지고 파편화돼 기본 검색도 제대로 작동하지 않으며, 벡터 중심 도입 이후에도 환각과 약 70% 수준의 정확도가 남았다고 진단한다. [01:02]
• 데이터를 모아 관계로 연결하고 분석하는 그래프 기술이 근본 해법이며, 네트워크로 연결될수록 더 큰 힘을 발휘한다고 보여준다. [01:42]

2. 산업 적용 영역과 그래프 기술의 출발

• 반도체 보안·생산계획, 공공기관 정보 구조화, 석유화학·에너지 도면 인식 등 여러 산업 프로젝트를 보여준다. [02:13]
• 보안 빅데이터에서 기존에 보이지 않던 정보의 연결을 탐색하다 그래프 이론을 발견했고, 벡터 RAG 이후의 대안으로 관심이 커졌다고 드러낸다. [02:54]

3. 기술 주권을 선택한 계약 포기

• 국내 대형 투자사로부터 투자받은 사실과 함께, 과거 대기업 프로젝트 계약 단계에서 솔루션의 모든 소유권을 넘기라는 요구를 받은 일을 회고한다. [03:24]
• 재정적 충격을 감수하고 계약을 포기했으며, 자체 기술 주권을 지킨 결정이 이후 인포시즈의 기술적 모태가 됐다고 평가한다. [04:01]

4. 3,000장 도면 인식 도전

• 고객이 6개월 넘게 해결하지 못했던 약 3,000장의 도면 인식 문제에 그래프 데이터베이스를 적용하겠다고 제안했지만, 당시 회사에는 비전 기술이 없었다. [04:51]
• 관련 논문과 기존 시도를 전면 조사해 기술을 구현했고, 글로벌 대기업의 기존 방식과 다른 그래프 접근이 고객 선택의 계기가 됐다. [05:17]

5. 프로젝트 경험을 플랫폼 자산으로 전환

• 플랫폼 리드는 여러 온톨로지 프로젝트의 공통 요구와 FDE의 판단 과정을 모아, 다음 프로젝트가 더 앞선 지점에서 시작하도록 경험을 자산화한다. [05:55]
• 보험 약관의 여러 참조 문단을 그래프로 모델링해 함께 답변하게 만들었고, 벡터 RAG보다 처리할 수 있는 질문 범위가 넓어졌다고 보여준다. [06:27]
• 질문과 대상 문서가 정해지지 않은 공공 프로젝트를 수행한 뒤, 문제를 먼저 명확히 정의하고 그에 맞는 방법을 찾는 원칙을 세웠다. [07:07]

6. 도면·문서·시뮬레이션을 잇는 설계 에이전트

• 현재는 도면과 비정형 문서를 연결하고 시뮬레이션까지 수행하는 설계 에이전트를 개발하며, 피지컬 세계에 가까워지는 중요한 분기점으로 본다. [07:31]
• 기술 리드는 한 문제만 보지 않고 주변과 상하위 맥락을 탐색하며 진짜 문제가 무엇인지 재정의하는 태도를 강조한다. [08:05]

7. 벡터 검색을 넘어선 온톨로지 레이어

• 정형 데이터와 달리 이메일·계약서·도면 같은 비정형 데이터는 기계가 직접 다루기 어려워 일반적으로 벡터 RAG로 관련 자료를 찾아 넣는다. [08:53]
• 인포시즈는 문서의 개념과 대상을 추출해 같은 개념의 문서를 연결하고, 이를 온톨로지 레이어로 추상화한다. [09:20]
• 온톨로지에서 먼저 경로를 찾은 뒤 답변을 생성하므로 정확도가 높아지고, 근거가 나온 경로를 확인할 수 있어 운영도 쉬워진다고 보여준다. [09:38]

8. DSL과 데이터 품질로 AI 자유도 제한

• 절대 틀리면 안 되는 프로젝트에서 AI의 자유도를 줄일수록 정확도가 높아진다고 판단해 도메인 특화 언어인 DSL을 플랫폼에 반영했다. [10:12]
• 에이전트 성능을 좌우하는 핵심은 데이터 품질이며, 현업과 엔지니어가 한 몸처럼 일해야 업무 지식을 AI가 이해할 형태로 정제할 수 있다고 드러낸다. [10:38]

9. 현장에 들어가는 FDE와 OQL

• FDE는 문제 발굴과 워크숍부터 구현까지 담당하며, 고객의 도메인을 이해한 뒤 생산량·원가·영업이익을 시뮬레이션하는 에이전트를 구축한다. [11:19]
• 복잡한 SQL을 LLM이 직접 만들게 하는 대신 사람이 이해하기 쉬운 OQL 중간 계층을 두어 환각률을 거의 제로에 가깝게 낮췄다고 주장한다. [11:41]
• 중요한 산업·국가 데이터를 외부로 유출할 수 없는 대기업의 특성 때문에 현장 배치형 엔지니어 수요가 늘어날 것으로 전망한다. [12:22]

10. 장기 행동을 포착하는 그래프 보안

• 기존 규칙 기반 보안과 달리 평소 업무 행동에서 크게 벗어난 이상을 탐지한 뒤 LLM으로 위협 여부를 걸러 보안 분석가에게 전달한다. [13:35]
• 30일 동안 데이터를 조금씩 반출하는 공격은 짧은 로그로 찾기 어렵고, 장기간 로그를 그래프로 연결해야 탐지할 수 있다고 보여준다. [14:02]
• 그래프 기반 이상 탐지를 대규모 반도체 기업에 적용해 기존 제품이 찾지 못한 위협을 탐지했다고 보여준다. [14:15]

11. 도면 인식의 자동화와 정밀 추론

• 사람이 최소 8시간 수행하던 도면 인식을 5분 이내로 단축했으며, 학계에서도 어려웠던 복잡한 연결 관계 복원을 상용 수준으로 끌어올렸다고 주장한다. [14:45]
• 외국인 연구원은 범용 GPT가 이해하기 어려운 부품 연결과 배관 흐름을 저수준의 정밀 인식 도구와 데이터 구조로 변환해 추측이 아닌 정확한 추론을 지원한다고 보여준다. [16:36]
• 외국인 구성원의 시각에서는 인포시즈가 위계보다 평등한 협업 관계를 중시하는 조직으로 묘사된다. [17:06]

12. 조직 문화와 산업 AI 기술 주권

• 구성원들은 대표가 어려운 상황에서도 급여와 직원을 우선하고, 모르는 분야로의 진입과 피벗을 두려워하지 않으며 팀을 신뢰한다고 평가한다. [18:31]
• 정답과 레퍼런스가 없는 도면 인식·비정형 온톨로지 문제를 실제 매출과 연결된 프로젝트에서 해결하며 공동 자산을 축적한 것이 차별점이라고 드러낸다. [19:47]
• 설비 도면, 센서, 공정 데이터를 의미론적으로 연결하면 산업 시뮬레이션이 가능하며, 해외 기술을 활용하되 자체 AI 인프라와 방법론의 주권을 확보해야 한다고 주장한다. [20:24]

13. 수천 개 에이전트와 사람 중심의 미래

• 기업 업무를 수행하는 에이전트가 수백·수천 개로 늘어나면 정보 전달과 관리가 핵심이 되고, 온톨로지 구축 과정도 상당 부분 자동화돼야 한다고 전망한다. [21:08]
• 현장 로봇에도 업무 지식과 기업 구조가 전달돼야 하며, 이를 가능하게 하는 핵심 기술로 그래프와 온톨로지를 다시 강조한다. [21:39]
• AI는 깊이 생각하는 사람을 대체하기보다 불필요한 일을 줄여야 하며, 어려운 문제를 회피하지 않는 사람과 신뢰의 조직이 인포시즈의 최대 강점이라는 메시지로 마무리한다. [23:55]

🧾 결론

• 이 영상의 핵심은 더 큰 언어모델만으로 기업 AI의 정확도를 해결하려 하지 말고, 기업 내부 데이터의 의미와 관계를 먼저 구조화해야 한다는 주장이다.
• 그래프와 온톨로지는 검색 결과를 추가하는 보조 기술이 아니라, AI가 어떤 정보와 경로를 따라 추론했는지 통제하고 추적하는 중간 지식 계층으로 제시된다.
• 인포시즈의 차별화 논리는 고난도 산업 현장에 직접 들어가는 FDE, 축적된 온톨로지 프로젝트 경험, 도면·로그·문서를 연결하는 자체 기술의 결합에 있다.
• 기술 주권을 지키기 위해 대형 프로젝트를 포기한 사례는 단기 매출보다 핵심 지식재산과 장기 제품화를 우선한 회사의 전략을 보여준다.

📈 투자·시사 포인트

• 기업 AI 시장의 경쟁축이 범용 모델 성능에서 데이터 품질, 온톨로지 구축, 추론 경로 통제와 같은 적용 계층으로 이동할 가능성을 보여준다.
• 반도체 보안과 엔지니어링 도면처럼 오류 비용이 큰 분야는 높은 정확도와 현장 통합 역량에 비용을 지불할 유인이 큰 시장이다.
• 온톨로지 구축을 자동화할 수 있다면 대기업 중심이던 기업용 에이전트 도입 비용을 낮추고 적용 범위를 넓힐 수 있다.
• 다만 영상에 제시된 70%, 100%, 환각률 제로에 가까운 수준과 같은 수치는 비교 기준과 외부 검증이 없어 상용 경쟁력을 판단하기 위한 추가 자료가 필요하다.

⚠️ 불확실하거나 확인이 필요한 부분

• 생성형 AI 정확도가 약 70%에 머문다는 수치에는 평가 데이터셋, 업무 유형, 비교 모델, 정확도 정의가 제시되지 않았다.
• DSL 적용으로 정확도 100%를 달성했다는 사례와 OQL로 환각률을 거의 제로에 가깝게 만들었다는 설명은 고객별 결과인지 반복 가능한 일반 성능인지 확인이 필요하다.
• 그래프 기반 이상 탐지의 국내 최초 실증 및 도면 연결 관계 복원의 세계적 희소성은 인터뷰 참여자의 인식과 회사 측 설명이므로 독립적인 검증이 필요하다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 벡터 RAG와 그래프·온톨로지 방식의 정확도, 근거 추적성, 구축비, 유지비를 동일한 기업 데이터셋으로 비교한다.
• 인포시즈 사례의 고객 산업, 운영 기간, 처리 규모, 오탐·미탐률, 도입 전후 업무시간을 확인한다.
• DSL과 OQL이 AI의 자유도를 어떤 규칙으로 제한하며 예외 업무와 스키마 변경을 어떻게 처리하는지 검토한다.
• 온톨로지 자동 생성 이후 사람이 검수해야 하는 범위와 현업·FDE·ML 엔지니어 사이의 운영 책임을 정리한다.

❓ 열린 질문

• 그래프·온톨로지의 정확도 이점이 구축·갱신 비용을 상쇄하는 최소 데이터 규모와 업무 복잡도는 어느 수준인가?
• 비정형 문서와 도면에서 자동 생성된 관계가 잘못됐을 때 이를 탐지하고 수정하는 품질 관리 체계는 어떻게 설계되는가?
• 수천 개의 에이전트가 하나의 온톨로지를 공유할 때 권한, 버전, 충돌, 감사 추적을 어떤 방식으로 관리할 것인가?