Thinner Agents on a Smarter Substrate: The Ontology-based Semantic Layer — Emil Eifrem, Neo4j

한 줄 핵심

대규모 조직의 에이전트는 개별적으로 데이터 소스를 다시 연결하는 방식이 아니라, 비즈니스 온톨로지·기술 온톨로지·실행 흔적을 묶은 공유 의미 계층 위에서 더 얇게 동작해야 확장성과 학습 효과를 얻는다.

시간별 요약

1. 0:01
   은행 계좌 개설 같은 업무를 에이전트로 자동화하려면 의도 해석과 실행 루프만으로는 부족하고, 적절한 데이터 소스를 적절한 시점에 연결하는 설계가 함께 필요하다. 스타트업처럼 데이터가 단순한 환경에서는 쉽지만, 엔터프라이즈에서는 수많은 데이터베이스와 저장소 때문에 매번 수동으로 연결해야 하는 구조가 곧 문제로 드러난다.
2. 2:02
   개별 팀이 에이전트를 만들 때마다 데이터 위치를 다시 찾고, 중복 데이터의 진위·버전·권한을 매번 확인해야 하며, 변경이 생기면 모든 에이전트를 다시 손봐야 한다. 코드와 프롬프트에만 연결 로직이 박혀 있으면 조직 전체에 지식이 쌓이지 않아, 내일의 에이전트가 오늘보다 더 똑똑해지지 않는다.
3. 4:00
   확장 가능한 방식은 'thin agents on a smarter shared substrate'이며, 그 기반은 세 가지다. 먼저 customer, accounts, debit cards처럼 사람이 이해하는 이름으로 표현된 business-facing ontology가 있고, 그다음 14 Oracle databases, Snowflake, Databricks, S3 buckets 같은 실제 데이터 자산을 담는 technical ontology가 있으며, 마지막으로 실행 중 에이전트의 traces가 어떤 시도가 성공했는지 기록한다.
4. 6:01
   은행 계좌 개설 에이전트의 예시에서는 비즈니스 온톨로지에 process와 business concept가 들어가고, compliance check에 필요한 government issued ID는 기술 온톨로지에서 motor vehicle records와 passport verification 같은 실제 데이터 소스로 연결된다. 에이전트가 실행하면서 남긴 execution traces는 어떤 경로가 실제로 잘 작동했는지 학습 신호가 되어 다음 실행의 선택을 더 좋게 만든다.
5. 8:01
   세 가지 축이 결합되면 데이터 소스 탐색, 신뢰성 판단, 변경 전파, 자기 학습이 한곳에서 가능해진다. 결과적으로 조직은 thick agents를 하나씩 다시 만드는 대신, 공유 의미 계층 위에 더 많은 에이전트를 빠르게 얹고 지속적으로 개선할 수 있다.
6. 9:01
   이 접근은 그래프와 AI를 결합하는 여러 패턴 중 하나이며, 특히 데이터 소스가 많고 에이전트가 여러 개인 대규모 조직에서 효과가 크다. 스타트업이라도 Neo4j 기반으로 데이터 모델링과 성능 튜닝을 지원받을 수 있어, 초기부터 의미 계층 중심 설계를 고려할 만하다.

실무 인사이트

• 에이전트 설계의 병목은 모델 성능보다 데이터 연결의 중복과 불신에 있으므로, 먼저 공통 의미 계층을 만들어 재사용 가능한 매핑을 중앙화하는 것이 효과적이다.
• 실행 흔적을 단순 로그가 아니라 학습 신호로 축적하면, 에이전트별 최적화가 아니라 조직 전체의 선택 품질을 함께 끌어올릴 수 있다.
• 비즈니스 용어와 기술 스키마를 분리해 관리하되 둘 사이의 매핑을 명시적으로 유지하면, 데이터 변경이 여러 에이전트에 미치는 영향을 크게 줄일 수 있다.