ERP 데이터 AI 에이전트 구축: 온톨로지와 검증 범위부터 정하는 법
ERP 데이터 AI 에이전트의 온톨로지, 질의 범위, 출처, 권한 설계 기준을 정리하고 호전실업 공개 사례로 검증 가능한 구축 범위를 살펴봅니다.
이 글을 쓴 알파카랩스카카오·네이버·쿠팡 출신, 재하청 0%, 대기업·공공기관 등 18개사+ 레퍼런스
DX 책임자는 2026년 8월 29일 기준 ERP AI 모델보다 용어·범위·출처·권한을 먼저 고정해야 합니다. 원천 데이터 불일치는 가장 큰 예외입니다.
좋은 문장을 만드는 데모와 업무 결정을 돕는 조회 도구는 다릅니다. ERP 데이터 AI의 첫 선택은 모델이 아니라 같은 질문이 같은 범위와 근거로 재현되게 만드는 업무 개념, 질의 규칙과 권한 경계입니다.
먼저 어느 문제를 풀지 고릅니다#
- 운영 담당자가 여러 화면을 오가며 재고를 찾는다면 대표 질문과 현재 조회 절차부터 기록합니다.
- 데이터 책임자가 시스템 간 코드를 맞추는 단계라면 품목·창고·상태의 공통 정의부터 다룹니다.
- 제품 책임자가 실행형 에이전트를 검토한다면 읽기 전용 답변의 검증과 권한 차단을 먼저 통과시킵니다.
자연어 재고 조회 준비도는 무엇으로 비교하나요?#
같은 질문에 같은 범위와 근거를 돌려줄 수 있는지가 준비도를 가릅니다. 아래 표는 2026년 8월 29일 알파카랩스의 D등급 관측 가설이며, 제품 성과를 보장하는 기준이 아닙니다.
| 확인 항목 | 준비된 상태 | 미확인 시 조치 | 검증 기록 |
|---|---|---|---|
| 업무 용어 | 가용·장부·예약 재고 구분 | 뜻을 다시 질문 | 용어 사전 |
| 원천 데이터 | 시스템·갱신 시점 식별 | 소유자 확인 | 출처 목록 |
| 질의 규칙 | 허용 필터·계산식 고정 | 자유 질의 제한 | 질의 버전 |
| 권한 | 사용자·법인·필드 범위 적용 | 읽기 전용 제한 | 차단 로그 |
| 답변 근거 | 시점·범위·출처 표시 | 조회 실패 표시 | 답변 이력 |
대표 질문에서 작은 온톨로지로 좁혀 갑니다#
- 반복 질문과 답을 찾는 화면·필터·계산식을 한 묶음으로 수집합니다.
- 같은 단어가 부서마다 다르게 쓰이는 지점을 찾아 동의어와 별도 개념을 나눕니다.
- 품목·사업장·창고·재고 상태 사이 관계만 작은 온톨로지로 고정합니다.
- 자연어를 검증된 질의 템플릿으로 바꾸고 임의 질의의 허용 범위를 제한합니다.
- 모호한 질문, 권한 밖 질문과 데이터가 없는 질문을 평가 세트에 포함합니다.
데이터 이관과 갱신 기준이 먼저 필요하다면 ERP 데이터 이관 검증 절차를 함께 점검할 수 있습니다. 온톨로지 제품 범위는 Ontokit 소개에서 별도로 확인할 수 있습니다.
호전실업 공개 사례에서 확인되는 범위#
C 자기표기, 2026년 8월 29일 확인. 알파카랩스 공개 페이지에는 호전실업 ERP 데이터를 전처리해 AI 에이전트용 온톨로지를 구성하고, 에이전트의 프론트엔드와 백엔드를 개발한 범위가 적혀 있습니다. 여러 시스템의 재고를 한 질문으로 확인하는 흐름도 공개돼 있습니다.
프로젝트 기간은 2026년 1월부터 5월까지이며 공개 기술은 FastAPI, Node.js, Milvus, LangChain, LangGraph입니다. 정확도, 조회 시간 절감과 운영 성과는 미확인입니다. 공개 원문은 호전실업 ERP 데이터 AI 프로젝트에서 확인할 수 있습니다.
잘 작동하지 않는 조건#
온톨로지를 전사 범위로 크게 시작하면 실제 질문에 쓰이지 않는 분류 작업이 늘어날 수 있습니다. 실행 권한도 답변의 출처와 실패 로그가 쌓인 뒤 승인, 변경 전후 비교와 복구 절차가 있는 업무만 별도 범위로 여는 편이 낫습니다.
핵심 요약
- ✓모델보다 업무 용어·질의 범위·출처·권한을 먼저 고정한다
- ✓대표 질문이 닿는 개념부터 작은 온톨로지로 시작한다
- ✓답변에는 기준 시점·조회 범위·원천 데이터를 함께 표시한다
- ✓권한 밖·데이터 없음·모호한 질문도 평가 세트에 넣는다
- ✓호전실업의 정확도와 시간 절감 성과는 공개되지 않아 미확인이다
자주 묻는 질문