홉피아의 라이브 온톨로지가 배포되었습니다

AI 플랫폼에서 가장 어려운 일은 그럴듯한 답변을 만드는 것이 아닙니다. 정말 어려운 일은 수많은 정보 가운데 중요한 것을 골라내는 일입니다. 관련된 자료를 찾고, 서로 다른 출처를 비교하고, 숫자와 맥락을 확인한 뒤 실제 의사결정에 사용할 수 있는 형태로 정리해야 합니다.

문제는 정보가 많아질수록 이 과정이 더 어려워진다는 데 있습니다. 에이전트에게 일을 맡기면 답은 나오지만, 자료가 늘어나고 업무가 복잡해질수록 필요한 내용이 묻히거나 앞뒤 맥락이 빠질 수 있습니다. 서로 다른 문서에서 가져온 숫자가 맞지 않는 경우도 생깁니다.

겉으로는 답변 하나의 문제처럼 보이지만, 실제로는 에이전트가 기업의 정보를 어떤 구조로 이해하고 있는지에 대한 문제입니다. 이번 홉피아의 대규모 업데이트는 화면을 새로 꾸미는 데 그치지 않고, 에이전트가 기업의 데이터와 업무를 이해하는 방식을 다시 만들었습니다. 그리고 그 결과물인 라이브 온톨로지 기술이 실제 서비스에 배포되었습니다.

기업의 지식은 고정되어 있지 않습니다

온톨로지는 기업 안에 어떤 개념이 있고, 그것들이 어떻게 연결되어 있는지 정의하는 구조입니다. 고객과 계약, 제품과 매출, 공급사와 원가, 위험과 근거가 서로 어떤 관계에 있는지를 표현합니다. 여기에 실제 데이터와 문서, 원문 출처를 연결하면 에이전트가 업무를 이해하는 데 필요한 비즈니스 컨텍스트가 만들어집니다.

하지만 기업의 지식은 한 번 만들어두고 끝나는 것이 아닙니다. 새로운 계약이 생기고, 조직이 바뀌고, 업무 규칙이 달라집니다. 이전에는 없던 예외가 생기기도 하고, 실제 업무를 진행하면서 기존에 정의하지 못했던 관계가 드러나기도 합니다. 그래서 온톨로지도 업무와 함께 계속 변해야 합니다.

홉피아가 말하는 라이브 온톨로지는 바로 이 변화를 다루는 기술입니다. 정적인 지식 구조를 만들어두는 것이 아니라, 새로운 데이터와 업무 결과에서 변화의 후보를 찾고, 근거를 확인한 뒤 승인된 내용만 지식 구조에 반영합니다.

에이전트가 알아서 사실을 바꾸는 것은 아닙니다

라이브 온톨로지라는 말을 들으면 에이전트가 기업의 지식을 마음대로 수정하는 모습을 떠올릴 수도 있습니다. 하지만 홉피아가 구현한 방식은 그렇지 않습니다.

에이전트는 새로운 정보나 실행 결과에서 관계의 변화, 불일치, 예외와 같은 지식 후보를 발견합니다. 이후 원문 근거와 평가 기준을 확인하고, 필요한 검토와 승인을 거친 내용만 온톨로지와 지식 그래프에 반영합니다.

즉, 에이전트가 기업을 임의로 다시 쓰는 것이 아닙니다. 업무에서 실제로 발견된 변화가 근거와 함께 남고, 검증된 내용만 다음 업무에서 사용할 수 있는 맥락으로 쌓이는 구조입니다.

이 차이는 중요합니다. 기업용 AI에서 필요한 것은 무제한적인 자동화가 아니라, 어떤 정보가 왜 반영되었는지 확인할 수 있는 변화입니다.

같은 회사를 매번 처음부터 설명하지 않도록

기존의 에이전트는 새로운 업무를 맡을 때마다 많은 정보를 다시 찾아야 했습니다. 고객이 누구인지, 어떤 계약이 연결되어 있는지, 이 숫자가 어디에서 왔는지, 특정 판단에 어떤 규칙이 적용되는지 매번 새롭게 해석해야 했습니다.

이 방식은 작은 업무에서는 큰 문제가 되지 않을 수 있습니다. 하지만 에이전트의 수가 늘어나고 다루는 데이터가 많아지면 같은 조사가 반복됩니다. 에이전트마다 서로 다른 맥락을 사용하거나, 같은 용어를 다르게 해석하는 일도 생깁니다.

라이브 온톨리지가 필요한 이유가 여기에 있습니다. 한 번 연결하고 검증한 기업의 개념과 관계, 업무 규칙과 출처는 다음 에이전트와 다음 업무에서 다시 사용할 수 있습니다. 새로운 에이전트를 추가할 때마다 회사를 처음부터 가르칠 필요가 줄어듭니다.

에이전트가 만든 결과 역시 일회성 답변으로 끝나지 않습니다. 검토와 승인을 거친 결과는 기업의 지식 구조를 더 정확하게 만드는 데 사용될 수 있습니다.

이번 배포가 바꾸는 것

이번 업데이트의 핵심은 새로운 기능 하나를 추가한 것이 아닙니다. 홉피아는 이제 기업의 비즈니스 컨텍스트가 업무 실행과 함께 계속 관리되고, 검증된 변화가 다시 에이전트의 다음 판단에 사용되는 기반을 갖추게 되었습니다.

이를 통해 에이전트는 단순히 문서를 검색하고 요약하는 수준을 넘어 다음과 같은 질문을 더 일관되게 다룰 수 있습니다.

이것이 홉피아가 말하는 Live Ontology 기반 Self-Evolving Agent입니다. 여기서 ‘스스로 진화한다’는 말은 모델이 고객 데이터를 임의로 학습한다는 뜻이 아닙니다. 업무 속에서 새로운 관계와 변경 후보를 찾고, 검증되고 승인된 내용이 기업의 온톨로지와 지식 그래프에 축적되어 다음 업무의 맥락으로 사용된다는 뜻입니다.

답변보다 중요한 것

AI의 성능을 이야기할 때 우리는 보통 답변의 속도나 표현의 자연스러움을 먼저 봅니다. 하지만 기업의 업무에서는 답변이 나온 뒤가 더 중요합니다.

그 답변이 어떤 자료를 바탕으로 만들어졌는지 확인할 수 있어야 하고, 다른 사람이 같은 맥락에서 검토할 수 있어야 합니다. 이후 새로운 정보가 들어왔을 때 무엇이 달라졌는지도 알 수 있어야 합니다. 그리고 검증된 결과가 다음 업무의 출발점이 되어야 합니다.

홉피아의 라이브 온톨로지는 이 과정을 위한 기술입니다. 기업의 데이터와 업무 맥락을 연결하고, 변화가 생겼을 때 이를 검토 가능한 형태로 남기며, 승인된 지식을 다음 에이전트와 업무에서 다시 사용할 수 있도록 합니다.

답변을 한 번 잘 만드는 것에서 끝나지 않고, 업무가 반복될수록 기업의 지식과 에이전트의 판단이 함께 나아가도록 하는 것. 이번 라이브 온톨로지 배포는 홉피아가 그 방향으로 한 단계 더 나아갔다는 의미입니다.