생성형 AI가 보편화되면서 기업 내부에서도 이런 말이 자주 들립니다. “이제 AI로 문서도 자동화하고, 검색도 되고, 요약도 되잖아.” 하지만 실제 현장에서는 곧 다른 질문이 따라옵니다.
왜 같은 질문인데 답이 매번 달라질까?
왜 문서를 많이 넣을수록 AI 답변이 더 불안해질까?
왜 AI 에이전트는 데모에서는 똑똑해 보이는데, 운영에 들어가면 조심스러워질까?
한국딥러닝이 수많은 문서 AI 프로젝트를 통해 반복적으로 마주한 결론은 명확합니다.문서 AI의 다음 병목은 모델 성능이 아니라 ‘의미가 고정되지 않은 데이터’라는 점입니다. 그리고 그 병목의 한가운데에, 다시 등장한 개념이 바로 온톨로지(Ontology)입니다.
온톨로지란 무엇인가: 개념부터 다시 짚어보면
온톨로지는 원래 철학에서 출발한 개념입니다. “세상에 존재하는 것은 무엇인가”를 다루는 학문이죠. 이 개념이 IT와 데이터 영역으로 들어오면서 의미가 이렇게 바뀌었습니다.
온톨로지란, 특정 도메인에서 사용되는 개념과 그 개념들 사이의 관계를 기계가 오해 없이 이해하도록 정의한 체계입니다. 즉, ‘세상에 있는 것들에 이름 붙이고, 관계를 정리한 지도’입니다.
중요한 점은 온톨로지가 용어집이나 데이터 스키마와 다르다는 것입니다.
용어집은 “이 단어의 뜻이 무엇인가”를 설명합니다.
데이터 모델은 “어디에 어떻게 저장할 것인가”를 정의합니다.
온톨로지는 “이 데이터가 무엇을 의미하며, 다른 데이터와 어떤 관계인가”를 규정합니다.
즉, 온톨로지는 데이터를 보관하기 위한 구조가 아니라, 사용하기 위한 규칙입니다.
시장에서 말하는 온톨로지: 지식 표현의 언어
시장과 학계에서 온톨로지는 오랫동안 지식 표현과 추론의 영역에서 발전해 왔습니다. 시맨틱 웹, RDF, OWL, 지식 그래프 같은 키워드들이 이 흐름을 대표합니다.
이 접근의 목적은 분명합니다. 세상의 개념을 논리적으로 정의하고, 관계를 따라 기계가 추론하도록 만드는 것.
이 방식은 검색 엔진, 추천 시스템, 대규모 지식 탐색에는 매우 효과적입니다. 하지만 기업 문서 자동화 현장에 그대로 가져오면, 종종 이런 일이 벌어집니다.
개념 정의는 훌륭한데, 실제 문서 항목과 연결되지 않습니다.
온톨로지는 존재하는데, PDF 한 장을 어떻게 처리할지는 설명하지 않습니다.
이론적으로는 맞지만, 자동화 속도는 거의 달라지지 않습니다.
문제는 온톨로지가 틀렸다는 게 아닙니다. 출발점이 ‘문서’가 아니었다는 점이 문제입니다.
기업 현실: 모든 문제는 문서에서 시작된다
기업과 공공기관의 핵심 정보는 여전히 문서에 있습니다. 계약서, 정산서, 보고서, 품질 문서, 신청서, 원가계산서 같은 문서들은 사람이 읽기에는 친절하지만, 시스템과 AI에게는 극도로 자유롭고 불규칙합니다.
그래서 문서 AI를 도입한 조직들은 이런 상황을 마주합니다.
OCR 정확도는 95%를 넘는데, 여전히 사람이 다시 봅니다.
RAG를 붙였더니 답은 나오지만, 근거가 불안합니다.
AI 에이전트는 일을 “할 수는 있는데”, 맡기기엔 불안합니다.
한국딥러닝이 이 상황을 이렇게 정의합니다.
문서는 읽혔지만, 그 의미가 업무 기준으로 고정되지 않았다.
기업과 업무의 구조를 그대로 디지털로 옮겨야한다.
이 직원은 → 이 부서에 속해 있고
이 부서는 → 이 프로젝트를 현재 진행중이고
이 프로젝트는 → 목표는 무엇이며, 예산은 얼마이다이것이 구현되면 복잡한 의사결정 과정을 구조화할 수 있다.
문서 AI의 흐름에서 온톨로지는 어디에 놓이는가
문서 AI는 보통 다음 흐름으로 발전합니다.
OCR: 문서에서 글자를 읽습니다.
Parser: 문단과 표 구조를 살립니다.
KIE: 필요한 항목과 값을 추출합니다.
여기까지 오면 “이제 자동화가 됐다”끼기 쉽습니다. 하지만 실제 업무에서는 이 지점에서 새로운 문제가 시작됩니다.
같은 항목인데 문서마다 이름이 다릅니다.
같은 숫자인데 문맥에 따라 의미가 달라집니다.
부서마다 같은 개념을 다른 기준으로 사용합니다.
이때 필요한 것이 바로 온톨로지입니다. 그리고 이 온톨로지는 학술적 개념 모델이 아니라, 실무 규칙이어야 합니다.
한국딥러닝이 말하는 온톨로지: ‘실무형 의미 고정 장치’
한국딥러닝의 온톨로지는 이렇게 정의할 수 있습니다.
문서에서 추출된 항목과 값이 RAG, AI 에이전트, 업무 시스템 전반에서 항상 같은 의미로 해석되도록 고정하는 규칙 체계
이 온톨로지는 몇 가지 분명한 특징을 가집니다.
첫째, 추상 개념보다 문서 항목이 중심입니다.
둘째, 완벽한 이론보다 일관성과 재현성을 중시합니다.
셋째, 데이터 저장이 아니라 업무 활용을 목표로 합니다.
예를 들어 문서에는 이렇게 다양한 표현이 등장합니다.
“공급가액”
“공급금액”
“금액(부가세 제외)”
사람은 자연스럽게 같은 의미로 이해합니다. 하지만 AI는 그렇지 않습니다.
한국딥러닝의 온톨로지는 이 표현들을 하나의 업무 개념으로 묶어 고정합니다. 그래야 문서가 많아져도, AI의 판단이 흔들리지 않습니다.
RAG와 AI 에이전트 시대, 온톨로지가 없으면 생기는 문제
RAG는 내부 문서를 기반으로 답변을 생성합니다. 하지만 온톨로지가 없는 상태에서는, 문서를 많이 넣을수록 오히려 혼란이 커질 수 있습니다.
같은 개념이 다른 표현으로 흩어져 있으면 AI는 매번 다른 근거를 선택하고, 답변의 기준이 바뀝니다.
AI 에이전트는 더 엄격합니다. 에이전트는 요약이 아니라 행동을 합니다. 값을 비교하고, 조건을 판단하고, 시스템에 입력합니다.
그래서 에이전트 시대의 온톨로지는 지식 표현이 아니라 업무 가드레일에 가깝습니다.
한 문장으로 정리하면 이렇습니다.
온톨로지가 없는 RAG는 ‘찾는 AI’에 머물고
온톨로지가 있는 RAG는 ‘이해하고 설명하는 AI’가 됩니다.
온톨로지가 없는 AI 에이전트는 위험하고
온톨로지가 있는 AI 에이전트는 규칙 안에서 움직입니다.
RAG, AI 에이전트, 지능형 검색에서 그 바닥에 반드시 탄탄하게 깔려있어야 하는 개념이 바로 ‘온톨로지’입니다.
정리하며: 온톨로지는 문서 AI의 마지막 병목이다
온톨로지는 새로운 기술이 아닙니다. 하지만 문서 AI의 맥락에서는 이제야 제자리를 찾고 있습니다.
한국딥러닝이 말하는 온톨로지는 지식을 설명하기 위한 구조가 아니라, 문서 자동화가 실제로 멈추지 않고 흘러가게 만드는 의미의 고정 장치입니다.
문서를 구조화했고
항목과 값을 추출했고
이제 그 데이터를 진짜 쓰고 싶다면
그 다음 단계는 온톨로지입니다.
생성형 AI 시대의 경쟁력은 모델의 크기보다, 문서를 얼마나 정확히 이해하고 그 의미를 얼마나 일관되게 유지하는지에서 갈립니다. 그리고 그 마지막 연결 고리가 바로, 문서 AI 관점에서 다시 정의된 온톨로지입니다.
