안녕하세요. 기업 데이터가 AI 업무에 실제로 활용될 수 있도록 돕는 큐빅(CUBIG)입니다.
공공기관의 AI 에이전트가 내부 규정을 찾아 민원 처리 절차를 안내한다고 가정해 보겠습니다. 에이전트는 관련 문서를 검색하고, 신청 상태를 확인하고, 다음 조치를 선택할 수 있습니다.
그런데 데이터에 status = 3이라고만 적혀 있다면 에이전트는 이 값이 ‘처리 완료’인지 ‘보완 요청’인지 알 수 없습니다. 규정을 찾았더라도 현재 시행 중인 버전인지, 이 민원에 적용할 수 있는지, 에이전트가 해당 정보를 근거로 자동 조치를 해도 되는지도 판단하기 어렵습니다.
AI 에이전트가 실제 업무를 수행하려면 데이터를 검색할 수 있는 것만으로는 부족합니다. 값의 업무상 의미, 해당 값에 적용되는 사용 조건, 언제까지 유효한 정보인지가 데이터와 함께 전달돼야 합니다.
이 조건을 갖춘 데이터가 Agent-Ready 데이터입니다.
Agent-Ready 데이터의 의미
Agent-Ready 데이터는 AI 에이전트가 값을 읽는 데서 그치지 않고, 해당 값을 바탕으로 다음 행동을 결정할 수 있도록 업무 의미와 사용 조건, 최신성을 함께 전달하는 기업 데이터입니다.
AI-Ready 데이터가 모델·LLM·에이전트 전반의 활용 조건을 다룬다면, Agent-Ready 데이터는 여러 단계의 판단과 행동에 필요한 의미 맥락과 사용 조건을 더 구체적으로 봅니다.
일반적인 LLM 활용은 한 번의 질문과 답변으로 끝나는 경우가 많습니다. 사용자가 결과를 읽고 잘못된 부분을 수정하거나 다시 질문할 수 있습니다.
AI 에이전트는 다르게 움직입니다. 데이터를 읽고, 판단하고, 도구를 호출하고, 돌아온 결과를 다시 읽은 뒤 다음 행동을 선택합니다. 이 과정이 여러 단계로 이어지며 각 단계 사이에 사람이 개입하지 않을 수 있습니다.
첫 단계에서 값을 잘못 해석하면 오류가 한 번의 답변으로 끝나지 않습니다. 잘못된 판단이 다음 도구 호출과 후속 결정의 입력이 되면서 업무 흐름 전체로 이어질 수 있습니다.
한 번 답하는 모델과 행동을 이어가는 에이전트의 차이
예를 들어 정산 에이전트가 청구 데이터를 확인한다고 가정해 보겠습니다. 금액이 비어 있는 행이 ‘금액 0원’을 의미하는 것이 아니라 ‘아직 청구서가 발행되지 않음’을 뜻할 수 있습니다.
에이전트가 빈칸을 0원으로 해석하면 정산이 끝난 거래로 분류할 수 있습니다. 이후 잔액을 계산하고, 후속 안내를 발송하고, 다른 시스템의 상태까지 변경한다면 하나의 오해가 여러 단계의 잘못된 처리로 이어집니다.
데이터 형식은 정상입니다. 빠진 것은 값이 아니라 그 값을 해석하는 의미 맥락입니다.
에이전트가 읽어야 할 세 가지 맥락
Agent-Ready 데이터의 의미 맥락은 세 가지 질문으로 나눠볼 수 있습니다.
1. 업무상 의미: 이 값은 무엇을 뜻하는가
에이전트는 값과 함께 다음 정보를 읽을 수 있어야 합니다.
status = 3이 실제로 어떤 업무 상태를 뜻하는가amount의 단위가 원인지 천 원인지- 빈칸이 미수집, 해당 없음, 처리 전 가운데 무엇을 의미하는가
- 한 필드의 값이 다른 필드와 어떤 순서와 조건으로 연결되는가
- 음수값이나 극단값이 오류인지 정상적인 예외인지
사람은 조직의 업무 경험을 바탕으로 이런 의미를 자연스럽게 보완합니다. 에이전트는 데이터와 명시된 규칙에서만 의미를 읽습니다.
2. 사용 조건: 이 값을 어떤 행동에 사용할 수 있는가
데이터를 읽을 수 있다는 사실과 그 값을 근거로 행동할 수 있다는 사실은 다릅니다.
예를 들어 담당자는 특정 기록을 조회할 권한이 있지만, 해당 기록만으로 자동 승인을 내릴 권한은 없을 수 있습니다. 민감 등급의 문서를 요약할 수는 있어도 외부 시스템으로 전달하거나 후속 조치를 자동 실행해서는 안 될 수 있습니다.
에이전트가 다음 행동을 선택하려면 접근 권한뿐 아니라 다음 조건이 데이터와 함께 전달돼야 합니다.
- 어떤 사용자와 에이전트가 값을 읽을 수 있는가
- 어떤 업무 목적에 사용할 수 있는가
- 자동 조치가 가능한가, 사람의 검토가 필요한가
- 결과를 어느 시스템과 채널로 전달할 수 있는가
- 예외 상황에서 업무를 중단하고 누구에게 넘겨야 하는가
3. 최신성: 지금도 이 값을 근거로 행동할 수 있는가
RAG가 관련 문서를 찾았다고 해도 그 문서가 현재 유효하다는 뜻은 아닙니다. 이전 버전의 지침, 만료된 계약 조건, 갱신 전 가격표가 검색 결과에 포함될 수 있습니다.
에이전트가 실시간 업무를 수행하려면 다음 정보가 필요합니다.
- 데이터가 생성되거나 마지막으로 변경된 시점
- 규정과 기준정보의 시행일·만료일·폐지 여부
- 최신본과 이전 버전을 구분하는 식별자
- 특정 업무에서 허용되는 데이터의 최대 경과 시간
최신성 신호가 없다면 에이전트는 오래된 정보를 정확하게 읽고도 잘못된 행동을 선택할 수 있습니다.
의미 맥락이 사라지는 지점
업무 데이터는 원천 시스템에서 수집된 뒤 정제, 통합, 검색 색인 등의 단계를 거칩니다. 이 과정에서 값은 남지만 의미가 분리되는 경우가 많습니다. 정제 데이터와 AI-Ready 데이터의 차이는 이 지점에서도 드러납니다.
- 결측값을 같은 숫자로 채울 때: ‘측정하지 않음’, ‘해당 없음’, ‘확인 중’이 모두 0이나 평균값으로 바뀌면 에이전트는 세 상황을 구분할 수 없습니다.
- 코드를 넓은 범주로 통합할 때: 세부 상태 코드를 상위 분류로 합치면 보고는 간결해지지만, 에이전트가 다음 업무를 분기하는 데 필요한 차이가 사라질 수 있습니다.
- 스키마를 정리하면서 필드 관계를 남기지 않을 때: 열 이름을 바꾸거나 여러 필드를 합친 뒤 변환 규칙과 관계를 기록하지 않으면, 에이전트는 값이 어떤 과정을 거쳐 만들어졌는지 알 수 없습니다.
- 문서 본문만 검색 색인에 넣을 때: 본문은 검색되지만 문서의 시행일, 권한, 적용 대상과 폐지 여부가 메타데이터로 연결되지 않으면 에이전트는 검색된 문장을 현재 업무에 적용해도 되는지 판단하기 어렵습니다.
이 과정 자체가 잘못된 것은 아닙니다. 문제는 제거하거나 분리한 맥락을 에이전트가 읽을 수 있는 형태로 다시 연결하지 않는 데 있습니다.
RAG 검색과 Agent-Ready 판단의 차이
행정안전부의 ‘공공부문 AI 도입·활용 가이드’는 기관 내부의 최신 문서를 우선 참조하도록 RAG 우선 전략을 제시합니다. RAG는 에이전트가 필요한 문서와 정보를 찾는 범위를 넓히는 데 중요한 역할을 합니다.
다만 검색과 행동은 서로 다른 단계입니다.
RAG는 관련 문장을 가져올 수 있습니다. 그러나 검색된 정보가 현재 유효한지, 이 에이전트가 해당 값을 사용할 수 있는지, 자동 행동의 근거로 삼아도 되는지까지 자동으로 결정하지는 않습니다.
더 큰 모델을 사용해도 데이터에 없는 의미를 자동으로 복구할 수는 없습니다. 모델은 주어진 맥락을 더 잘 해석할 수 있지만, 기록되지 않은 사용 조건과 최신성을 사실처럼 만들어서는 안 됩니다.
공공·엔터프라이즈·금융에서 필요한 의미 맥락
같은 값도 업무와 권한, 시점에 따라 의미가 달라집니다. Agent-Ready 데이터는 모든 정보를 한 문장에 넣는 방식이 아니라, 에이전트가 각 단계에서 필요한 조건을 데이터와 함께 확인할 수 있도록 만드는 접근입니다.
의미 맥락과 재현성의 연결
의미 맥락이 있으면 에이전트는 현재 실행에서 데이터를 올바르게 읽을 가능성이 높아집니다. 그러나 에이전트의 결정이 문제가 됐을 때는 한 가지 조건이 더 필요합니다.
당시 에이전트가 어떤 데이터와 맥락을 읽었는지 다시 확인할 수 있어야 합니다.
규정이 바뀌고, 문서가 갱신되고, 권한 정책이 수정된 뒤 현재 데이터만 보면 과거 결정의 원인을 알기 어렵습니다. 실행 시점의 데이터 상태가 고정돼 있어야 다음을 확인할 수 있습니다.
- 에이전트가 참조한 문서와 데이터는 무엇이었는가
- 어떤 버전과 시행일이 적용됐는가
- 당시 사용 조건과 권한은 무엇이었는가
- 어떤 도구 호출과 판단을 거쳐 결과가 만들어졌는가
- 정상 실행과 문제 실행 사이에 어떤 상태가 달라졌는가
CUBIG의 AI-Readiness 여섯 축 가운데 맥락성(Context)은 에이전트가 현재 데이터를 어떻게 읽을지를 다룹니다. 재현성(Reproducibility)과 추적성(Traceability)은 그 판단이 질문받았을 때 당시 상태로 돌아가 확인할 수 있는지를 다룹니다.
Agent-Ready 데이터를 확인하는 여섯 가지 질문
에이전트에 업무를 맡기기 전에 다음 질문을 확인해 보세요.
- 에이전트가 데이터만 보고 빈칸과 코드, 단위의 의미를 구분할 수 있습니까?
- 규정과 문서의 시행일, 만료일, 폐지 여부가 함께 전달됩니까?
- 읽기 권한과 행동 권한이 구분돼 있습니까?
- 자동 실행이 불가능한 예외와 사람에게 넘겨야 할 조건이 명시돼 있습니까?
- RAG가 가져온 정보가 현재 유효하고 해당 업무에 적용 가능한지 확인할 수 있습니까?
- 특정 에이전트 결정에 사용된 데이터와 맥락의 상태를 다시 구성할 수 있습니까?
답하기 어려운 항목이 있다면 에이전트의 추론 능력과 함께 데이터의 의미 맥락도 점검해야 합니다.
Syntitan: Agent-Ready 데이터의 맥락과 상태 확인
Syntitan은 기업 데이터를 특정 AI 업무에 맞게 준비·검증하고, 이후 변경과 결과 근거까지 관리하는 AI-ready data platform입니다.
Ready for Raw Data에서는 사용성, 무결성, 맥락성, 일관성, 재현성, 추적성의 여섯 축으로 데이터를 진단하고, 처리안을 적용·보류·제외해 새 버전(Version)으로 남깁니다. Ready for Agent에서는 업무 자료를 에이전트가 수행할 Task·Case로 정리합니다.
고객 에이전트의 실행 결과를 버전과 연결하고, 같은 기준으로 비교해 보완·재검증하는 기능은 12월 예정입니다. 지금은 버전마다 직전 상태와 비교해 무엇이 달라졌는지 확인할 수 있습니다.
Agent-Ready 데이터는 에이전트가 단순히 읽을 수 있는 데이터에 그치지 않습니다. 에이전트가 의미와 조건을 이해하고, 그 판단을 나중에 다시 확인할 수 있는 데이터입니다.
에이전트에게 업무를 맡기기 전에, 데이터가 행동에 필요한 맥락을 함께 전달하는지 확인하세요.
