ERP 데이터 AI 에이전트: 온톨로지로 재고를 묻는 법 [2026]
ERP 데이터 AI 에이전트를 구축할 때 필요한 온톨로지, 데이터 정합성, 질의 변환, 권한 통제와 답변 검증 구조를 설명합니다. 여러 시스템의 재고를 한 질문으로 확인한 호전실업 프로젝트 사례도 함께 정리했습니다.
이 글을 쓴 알파카랩스카카오·네이버·쿠팡 출신, 재하청 0%, 대기업·공공기관 등 18개사+ 레퍼런스
ERP 데이터 AI 에이전트는 사용자의 자연어 질문을 기업 데이터의 개념과 조회 규칙으로 변환하고, 여러 시스템에서 필요한 값을 찾아 근거와 함께 답하는 업무 도구입니다. 성패는 언어 모델보다 재고·품목·사업장처럼 회사마다 다른 용어를 연결하는 온톨로지와 데이터 품질에 달려 있습니다.
이 글은 ERP 화면과 엑셀을 오가며 재고를 확인하는 운영 담당자, 기존 ERP 데이터를 AI 검색에 활용하려는 정보전략 담당자, 사내 데이터 에이전트의 구축 범위를 정해야 하는 제품 책임자를 위한 가이드입니다. 검색 의도는 단순한 챗봇 도입이 아니라 “여러 시스템의 재고를 한 문장으로 정확하게 조회하려면 무엇을 먼저 설계해야 하는가”에 있습니다.
현재 업무가 느려지는 지점#
재고 질문 하나에도 품목 코드, 창고, 법인, 기준 시점, 발주 잔량과 출고 예정량이 얽힙니다. 담당자는 ERP에서 장부 수량을 찾고, 별도 창고 시스템에서 입출고 예정값을 확인한 뒤 엑셀로 합칩니다. 숙련자는 결과를 만들 수 있지만 어떤 화면과 필터를 사용했는지 다른 사람이 재현하기 어렵습니다.
이 상태에서 언어 모델만 붙이면 답은 빨라 보여도 의미가 달라질 수 있습니다. 사용자가 말한 “쓸 수 있는 재고”를 장부재고로 해석할지, 예약 수량을 뺀 가용재고로 해석할지 기준이 없기 때문입니다. 먼저 질문의 업무 의미를 정의하고, 그 의미가 어느 데이터와 계산식에 연결되는지 명시해야 합니다.
온톨로지가 연결하는 네 가지#
첫째는 개념입니다. 품목, SKU, 원부자재, 완제품처럼 비슷해 보이지만 다른 대상을 구분합니다. 둘째는 관계입니다. 품목이 어느 창고에 속하고 어떤 주문과 연결되는지 정의합니다. 셋째는 상태입니다. 정상, 검사대기, 보류, 출고예약 등 수량을 해석하는 조건을 고정합니다. 넷째는 출처입니다. 답변값을 만든 시스템, 테이블, 갱신 시점을 추적할 수 있게 합니다.
| 구분 | 단순 검색 챗봇 | 온톨로지 기반 에이전트 |
|---|---|---|
| 질문 처리 | 문서나 텍스트 유사도 중심 | 업무 개념과 관계로 변환 |
| 정형 데이터 | 설명 문서에 의존 | 조회 규칙과 데이터 원본 연결 |
| 복수 시스템 | 결과를 따로 제시 | 공통 개념으로 통합 해석 |
| 근거 확인 | 관련 문단 표시 | 출처·시점·필터·계산식 표시 |
| 권한 | 대화 서비스 단위 | 사용자·법인·필드 단위 통제 |
| 적합한 질문 | 규정과 사용법 | 재고·주문·운영 현황 |
구축 순서: 조회 범위를 좁혀 시작한다#
- 대표 질문을 수집합니다. 실제 담당자가 반복하는 질문과 답을 만드는 화면, 필터, 계산식을 함께 기록합니다.
- 업무 용어 사전을 만듭니다. 동의어와 약어뿐 아니라 같은 단어가 부서별로 다른 의미를 갖는 경우도 분리합니다.
- 데이터 원본을 점검합니다. 코드 중복, 누락, 갱신 주기, 시스템 간 키 매핑과 기준 시점을 확인합니다.
- 온톨로지와 조회 도구를 연결합니다. 자연어를 검증된 질의 템플릿과 필터로 변환하고 임의 쿼리는 제한합니다.
- 평가 질문 세트를 고정합니다. 정상 질문, 모호한 질문, 권한 밖 질문, 데이터가 없는 질문을 함께 시험합니다.
- 읽기 전용으로 배포합니다. 답변 피드백과 실패 로그가 쌓인 뒤에 승인 가능한 실행 업무를 검토합니다.
실제 구축 근거: 호전실업 ERP 데이터 AI 에이전트#
알파카랩스는 호전실업 프로젝트에서 기존 ERP 데이터를 전처리해 AI 에이전트가 사용할 온톨로지로 구성하고, 질문에 답하는 에이전트의 프론트엔드와 백엔드를 개발했습니다. 여러 시스템에 흩어진 재고를 한 번의 질문으로 확인하는 흐름을 구현한 사례입니다.
프로젝트 기간은 2026년 1월부터 5월까지이며 FastAPI, Node.js, Milvus, LangChain, LangGraph를 사용했습니다. 이는 특정 기업의 실제 구축 범위이고, 앞선 단계와 지표는 ERP 데이터 에이전트를 계획할 때 적용할 수 있는 일반 권고입니다. 상세 범위는 호전실업 프로젝트 페이지에서 확인할 수 있습니다.
운영 위험과 측정 지표#
가장 큰 위험은 잘못된 답보다 그럴듯한 답입니다. 데이터가 늦게 동기화됐거나 질의 범위가 모호한데도 단일 숫자를 보여 주면 현장 의사결정이 틀어집니다. 권한 누락도 중요합니다. 원래 볼 수 없던 법인이나 원가 정보가 대화 답변에 섞이지 않도록 기존 ERP 권한을 그대로 상속하거나 더 엄격하게 적용해야 합니다.
운영 대시보드에는 질문 성공률, 데이터 원본 연결률, 정답 검수 통과율, 재질문률, 응답 지연, 권한 차단 건수를 둡니다. 조회 시간을 얼마나 줄였는지도 보되, 정확도와 근거 확인률이 안정된 다음에 생산성을 평가하는 순서가 적절합니다.
핵심 요약
- ✓ERP 데이터 AI 에이전트는 언어 모델보다 업무 개념과 데이터 정합성이 먼저다
- ✓온톨로지는 서로 다른 시스템의 용어와 관계, 상태, 출처를 연결한다
- ✓재고 답변에는 수량뿐 아니라 기준 시점과 조회 범위를 함께 제시한다
- ✓초기에는 읽기 전용 질의로 시작하고 실행 업무는 승인과 감사 로그를 붙인다
- ✓성과는 사용량보다 정답 일치율과 근거 연결률, 재질문률로 평가한다
자주 묻는 질문