엔터프라이즈 컨텍스트로 AI 가치를 창출해야 한다는 Atlan의 주장, 모델 너머로 관심 이동
Atlan은 엔터프라이즈 AI의 모델 우선 접근법에 이의를 제기하며, 유능한 시스템도 유용한 업무를 수행하는 데 필요한 비즈니스 이해가 부족하다고 주장한다. 10월 28일 MIT Technology Review Insights 기사에서 다룬 엔터프라이즈 컨텍스트로 AI 가치를 창출하는 문제는 이 주장을 면밀히 검토하게 한다. 조직에 또 하나의 인프라 계층이 필요한지, 기존 지식을 더 잘 관리해야 하는지, 혹은 둘 다 필요한지가 핵심 질문이다.
이 주장은 그 자체로 상업적 맥락을 지닌다. 해당 기사는 MIT Technology Review의 편집 뉴스룸이 아니라 맞춤형 콘텐츠 부문에서 제작했다. Atlan의 콘퍼런스 자료는 관련 연구가 회사와 함께 제작됐다고 밝힌다. 공급업체의 제품 포지셔닝도 뒷받침하는 진단을 평가할 때 이 관계는 중요하다.
Microsoft의 Work IQ는 또 다른 유용한 비교 대상이다. 이 공급업체 역시 엔터프라이즈 AI 전략을 비즈니스 컨텍스트를 중심으로 구성하고 있다. 핵심 긴장은 공급업체 간 경쟁을 넘어선다. 조직은 업무를 수행할 수 있는 AI를 원하지만, 정의와 권한, 운영 규칙은 여전히 인간의 해석을 필요로 하는 경우가 많다. 모델에 대한 접근 권한을 구매한다고 해서 이러한 문제가 해결되지는 않는다.
엔터프라이즈 컨텍스트로 AI 가치를 창출하려면 모델을 넘어야 한다
10월 28일자 엔터프라이즈 컨텍스트 분석은 Atlan이 선호하는 관점으로 익숙한 도입 문제를 제시한다. AI 도구는 빠르게 응답할 수 있지만 자신이 지원하는 비즈니스를 오해할 수 있다. Atlan 공동 창업자 Prukalpa Sankar는 컨텍스트 인프라가 이 격차를 줄이는 데 도움이 될 수 있다고 주장한다.
컨텍스트 계층은 AI 시스템이 기업 데이터를 해석하는 데 필요한 비즈니스 정의, 관계, 정책 및 기타 정보를 제공하는 인프라다. 정보를 찾는 일과 그 정보의 비즈니스적 의미를 이해하는 일은 서로 다른 작업이므로 이 개념은 중요하다. 문서에 답이 담겨 있어도 그 답이 여전히 권위 있는 정보인지는 확인되지 않을 수 있다.
이 변화는 새롭게 검증된 기술적 돌파구라기보다 엔터프라이즈 AI의 가치가 어디에서 비롯되는지에 관한 더욱 명시적인 상업적 주장이다.
이 구분은 뉴스의 비중을 적절히 유지한다. 이 기사는 컨텍스트 인프라만으로 더 높은 재무적 수익이 발생한다는 점을 입증하지 않는다. 기대에 못 미치는 도입 사례에 대한 설명과 이를 해결하기 위한 방향을 제시한다. 구매자는 이 설명을 특정 구현 방식과 분리해 평가해야 한다.
예시로 영업 워크플로를 생각해 볼 수 있다. 보조 시스템이 고객 기록을 찾아 최근 대화를 요약하고 갱신 권고안을 작성한다. 검색된 모든 문서는 각각 정확할 수 있다. 하지만 보조 시스템이 청구 법인을 모회사와 혼동하거나 승인된 예외 사항을 간과하면 권고안은 여전히 실패할 수 있다.
더 나은 모델은 모호성을 인식하고 유용한 질문을 할 수 있다. 잘 관리되는 비즈니스 정의는 생성이 시작되기 전에 그 모호성을 해소할 수 있다. 두 접근법은 상호 보완적이지만 실패의 서로 다른 부분을 다룬다. 모든 오류를 모델 문제로 취급하면 이 구분이 흐려진다.
따라서 엔터프라이즈 컨텍스트로 AI 가치를 창출한다는 관점은 구매 논의를 바꾼다. 구매자는 어떤 시스템이 가장 강력한 답변을 만드는지만 물을 것이 아니라, 자신의 조직 안에서 답변을 유효하게 만드는 요소가 무엇인지 물어야 한다. 여기에는 누가 기본 규칙을 승인했는지, 그리고 그것이 마지막으로 언제 변경됐는지도 포함된다.
게시 관계 역시 주목할 만하다. Atlan의 컨텍스트 연구 행사는 회사와 연계해 제작된 연구의 사전 접근을 홍보했다. 이는 해당 주장을 공급업체가 뒷받침하는 논쟁 기여로 다루는 근거가 된다. 그렇다고 근본적인 문제를 일축할 이유가 되지는 않는다.
실질적 함의는 폭넓은 영업 서사보다 더 제한적이다. 컨텍스트는 엔터프라이즈 AI 실패의 신뢰할 만한 원인이지만, 그 중요성은 각 워크플로별로 확인되어야 한다. 조직은 여전히 제안된 개입과 측정 가능한 개선을 연결하는 근거가 필요하다. 그 연결이 없다면 컨텍스트는 검증하기 어려운 또 하나의 설명이 된다.
비즈니스 소유자는 AI 신뢰성 문제를 함께 떠안는다
컨텍스트 주장은 기술 팀뿐 아니라 비즈니스 소유자에게도 압박을 가한다. 보조 시스템이 승인된 정책을 오해한다면 모델을 변경하는 것이 도움이 될 수 있다. 부서들이 정책 자체에 동의하지 않는다면 조직은 소프트웨어가 이를 일관되게 적용하기 전에 그 불일치를 해결해야 한다.
엔터프라이즈 AI는 방치된 지식 소유권을 운영상의 문제로 만든다.
AI 개발자는 어떤 정책이 다른 정책을 대체하는지 결정할 권한 없이 문서 저장소를 연결할 수 있다. 보안 팀은 재무 부서가 고객을 어떻게 정의하는지 결정하지 않고도 접근 제한을 시행할 수 있다. 이러한 책임은 교차하지만 같은 사람에게 속하지는 않는다.
이는 대화형 인터페이스를 설치하는 것과는 다른 구현 부담을 만든다. 누군가는 권위 있는 출처를 식별하고, 소유자를 지정하며, 예외를 문서화하고, 그러한 결정을 관리해야 한다. 이 작업은 직원들이 이전에 비공식 대화로 처리했던 불일치를 드러낼 수 있다. 자동화는 그러한 불일치를 미해결 상태로 남겨두기 어렵게 만든다.
재무 리더에게 이 압박은 일관성과 관련된다. 매출 질문에 답하는 보조 시스템에는 적절한 회계 정의, 보고 기간, 조직 범위가 필요하다. 유창한 설명은 잘못된 측정값을 선택한 문제를 보완하지 못한다. 비즈니스 소유자는 의도된 해석을 이용 가능하고 검토 가능한 형태로 만들어야 한다.
서비스 리더에게 이 압박은 적용 가능성과 관련된다. 업무를 완료하기 위해 단계를 선택하거나 도구를 사용하는 AI 시스템인 에이전트에는 관련 고객 상황이 필요하다. 유효한 환불 정책은 계약이나 지역에 따라 달라질 수 있다. 일반 정책을 검색하는 것은 의사결정의 일부일 뿐이다.
이 사례들은 보고된 고객 성과가 아니라 설명을 위한 예시다. 소프트웨어가 언어 초안 작성에서 행동 권고로 이동할 때 컨텍스트 소유권이 왜 중요한지를 보여준다. 잘못된 요약은 수정 작업을 만든다. 잘못된 행동은 다른 팀이 되돌려야 하는 의무를 만들 수도 있다.
조달 팀도 관련된 과제에 직면한다. 컨텍스트 플랫폼은 공통 정의를 약속할 수 있지만, 계약이 부서들이 그 정의에 동의하도록 보장할 수는 없다. 구매자는 공급업체의 책임과 조직의 책임을 구분해야 한다. 그렇지 않으면 인프라 구매가 미완성 운영 결정을 감출 수 있다.
지식 근로자는 더 작은 규모에서 같은 문제를 경험한다. 검색 가능한 아카이브는 사람들이 자료를 찾도록 돕는 반면, 권위 있는 지식 기반은 어떤 자료가 업무를 이끌어야 하는지 확립한다. 개인의 기억이 공동 의사결정에 반영될 때 개인 지식과 팀 지식의 구분이 중요해진다.
단기 대응은 해결하려는 실패 유형을 따라야 한다. 출처 자료의 부족에는 더 나은 범위 확보가 필요하다. 상충하는 정의에는 소유권과 해결이 필요하다. 잘못된 추론에는 모델이나 애플리케이션의 변경이 필요하다. 이 범주들을 단일 정확도 점수로 결합하면 어디에 개입이 필요한지 가려질 수 있다.
시간이 지나면 압박은 유지 관리로 옮겨간다. 비즈니스 컨텍스트는 제품, 계약, 팀, 정책이 바뀔 때 변한다. 출시 시점에 잘 작동하던 배포 환경도 모델 업데이트 없이 신뢰성을 잃을 수 있다. 따라서 컨텍스트 주장은 지속적인 운영 책임에 관한 주장기도 하다.
Microsoft는 컨텍스트가 플랫폼 문제가 되는 이유를 보여준다
Microsoft는 엔터프라이즈 컨텍스트를 공유 인프라로도 설명한다는 점에서 구체적인 비교 대상이 된다. 6월 11일 공개한 내부 Work IQ 사용 사례에서 회사는 조직 정보가 어떻게 더 관련성 높은 AI 응답을 지원하는지 설명한다. Microsoft는 컨텍스트를 보조 시스템을 둘러싼 환경의 일부로 제시한다.
Microsoft는 Work IQ가 업무 환경 신호를 활용하고 기존 권한을 준수한다고 말한다. 내부 사례에는 회의 정보를 참가자와 연결하고 직원 상황을 지침에 적용하는 내용이 포함된다. 이는 비즈니스 수익에 대한 독립적인 측정치가 아니라 회사가 보고한 사례다. 그럼에도 같은 일반적 문제를 해결하려는 공급업체의 움직임을 보여준다.
경쟁의 핵심 질문은 비즈니스 이해가 어디에 존재해야 하며 얼마나 폭넓게 재사용될 수 있는가이다.
Microsoft의 업무 환경 인텔리전스 접근법은 자사 업무 환경 안에서 컨텍스트가 발전하는 방식을 설명한다. Atlan의 주장은 시스템 전반에 걸쳐 비즈니스 이해를 제공하는 데 초점을 둔다. 두 공급업체가 유사한 언어를 사용하더라도 이러한 입장은 구매자에게 서로 다른 질문을 만든다.
특정 소프트웨어 환경에 집중된 조직이라면 그 안에 내장된 컨텍스트가 자연스러운 출발점을 제공할 수 있다. 기존 문서, 신원 정보, 협업 기록이 이미 가까이에 있기 때문이다. 구매자는 여전히 어떤 출처가 포함되는지, 그에 따른 해석이 해당 환경 밖에도 적용되는지를 확인해야 한다.
여러 비즈니스 시스템을 사용하는 조직에서는 재사용이 더 중요해진다. 재무 보조 시스템을 위해 관리되는 정의가 운영 보조 시스템에서 사용하는 정의와 조용히 달라져서는 안 된다. 공유 컨텍스트는 이러한 중복을 줄이겠다고 약속한다. 성공 여부는 통합과 거버넌스의 세부 사항에 달려 있다.
이는 중앙 집중식 아키텍처와 분산형 아키텍처의 단순한 경쟁이 아니다. 아키텍처란 구성 요소와 그 책임의 배치를 말한다. 중앙 서비스는 오래된 정의를 배포할 수 있고, 애플리케이션별 컨텍스트는 제한된 범위 내에서는 정확성을 유지할 수 있다. 위치만으로 품질이 결정되지는 않는다.
더 유용한 비교는 변화와 관련된다. 정의가 바뀔 때 어떤 애플리케이션이 업데이트를 받는가? 접근 권한이 철회될 때 어떤 저장된 표현이 정보 노출을 중단하는가? 답변에 이의가 제기될 때 검토자는 사용된 출처와 규칙을 재구성할 수 있는가? 이러한 질문은 플랫폼 설계와 운영상 결과를 연결한다.
이식성도 주목할 필요가 있다. 구매자는 소유권, 버전 이력, 접근 제한을 잃지 않고 승인된 정의를 도구 간에 옮길 수 있는지 물어야 한다. 텍스트를 내보내는 일은 그 권위를 보존하는 일보다 쉽다. 단어는 유지하지만 적용 가능성을 잃는 마이그레이션은 원래 문제를 다시 만들 수 있다.
따라서 공급업체 비교는 어느 공급업체의 접근법이 더 우수한지를 입증하지 않으면서도 더 폭넓은 판단을 뒷받침한다. 여러 애플리케이션이 동일한 비즈니스 이해를 필요로 하기 때문에 컨텍스트는 플랫폼 책임이 되고 있다. 이는 공유 인프라의 기회를 만들지만, 동시에 많은 애플리케이션이 공통된 오류에 의존하게 될 위험도 만든다.
구매자에게 유용한 대응은 실제 조직 경계를 넘는 워크플로를 검토하는 것이다. 정돈된 문서 컬렉션 안에 국한된 시연은 핵심 질문에 답하지 못한다. 관련 근거는 정보가 부서, 애플리케이션, 의사결정 소유자 사이를 이동할 때 컨텍스트가 일관성을 유지하는지 여부다.
검색 근거는 더 좁은 주장을 뒷받침한다
검색 증강 생성(RAG)은 모델이 답변하기 전에 관련 정보를 검색해 제공하는 방식입니다. 생성된 응답을 외부 지식과 연결하는 확립된 방법입니다. 그 한계는 엔터프라이즈 컨텍스트 논의가 주목받는 이유를 설명하는 데 도움이 됩니다.
Anthropic의 2024년 9월 연구는 기술적 사례를 제시합니다. Contextual Retrieval 방식은 문서 조각을 인덱싱하기 전에 설명 정보를 추가합니다. 목표는 문단이 원래 문서에서 분리될 때 사라질 수 있는 의미를 보존하는 것입니다.
Anthropic은 맥락화 기법을 결합했을 때 검색 실패가 49% 감소했고, 재순위화를 추가했을 때는 67% 감소했다고 보고했습니다. 재순위화는 검색된 자료를 관련성에 따라 다시 정렬하는 두 번째 선택 단계입니다. 이는 기업의 재무 수익을 측정한 결과가 아니라 회사 자체 평가에서 나온 결과입니다.
더 나은 검색은 컨텍스트 논지를 뒷받침하지만, 완전한 엔터프라이즈 컨텍스트 플랫폼이 필요하다는 사실을 입증하지는 않습니다.
컨텍스트 검색 연구는 문서 조각에 주변 의미가 부족해 시스템이 관련 정보를 놓치는 특정 실패를 다룹니다. 이는 서로 충돌하는 기업 정책을 해결하는 문제보다 범위가 좁습니다. 또한 사용자가 특정 조치를 수행할 권한이 있는지 판단하는 문제보다도 범위가 좁습니다.
이 구분은 구매 결정에서 중요합니다. 지원 어시스턴트가 문서 조각에 식별 정보가 부족해 답을 놓친다면, 검색 방식의 변화는 검토할 가치가 있습니다. 올바른 문구를 찾았지만 잘못 적용한다면 실패는 다른 곳에서 발생한 것입니다. 광범위한 인프라 제안은 자신이 어떤 실패를 해결하는지 설명해야 합니다.
계약의 예를 들면 이 구분이 더 명확해집니다. 한 문구에는 고객이 예외 대상이라고 쓰여 있지만, 고객 이름은 앞선 페이지에 나옵니다. 이 관계를 보존하면 검색을 개선할 수 있습니다. 하지만 그 예외가 여전히 유효한지 확인하려면 날짜, 수정 사항, 권한에 관한 추가 정보가 필요합니다.
따라서 시스템은 정확하게 검색하고도 잘못된 비즈니스 권고를 낼 수 있습니다. 반대로 범위가 좁고 잘 관리되는 소스를 사용하는 워크플로는 광범위한 공유 컨텍스트 서비스 없이도 충분히 작동할 수 있습니다. 적절한 개입은 실제 작업, 정보 요구사항, 실패의 결과에 따라 달라집니다.
엔터프라이즈 컨텍스트로 AI 가치를 창출하는 일은 이러한 의존성 사슬을 통해 평가해야 합니다. 소스 범위는 시스템이 무엇을 찾을 수 있는지에 영향을 줍니다. 소스 해석은 시스템이 무엇을 이해하는지에 영향을 줍니다. 의사결정 규칙은 시스템이 무엇을 권고하는지에 영향을 줍니다. 조치 통제는 시스템이 무엇을 실행할 수 있는지에 영향을 줍니다. 한 부분의 개선이 전체의 개선을 자동으로 입증하지는 않습니다.
이러한 논리는 데모를 해석하는 방식도 바꿉니다. 성공적인 답변은 특정 구성이 특정 조건에서 특정 질문을 처리했다는 사실을 보여줍니다. 부서 전반에서의 일반적인 신뢰성을 입증하지는 않습니다. 구매자는 모호한 입력, 변경된 정책, 충돌하는 소스를 포함한 증거를 필요로 합니다.
가장 강력한 기술적 근거는 원래의 실패, 컨텍스트 개입, 그리고 그에 따른 차이를 식별합니다. 모델과 작업을 비교 가능한 상태로 유지하면 무엇이 바뀌었는지 분리하는 데 도움이 됩니다. 검색 성공을 의사결정 정확도와 별도로 보고하면 결과를 더 쉽게 해석할 수 있으며, 제한적인 개선이 더 광범위한 주장으로 확대되는 것을 막을 수 있습니다.
더 많은 컨텍스트는 잘못된 답을 더 널리 퍼뜨릴 수 있다
회의적인 관점은 단순한 문제에서 시작합니다. 비즈니스 컨텍스트는 잘못될 수 있습니다. 공유된 정의가 오래되었거나 불완전하거나 논쟁의 대상일 수 있습니다. 이를 일관되게 제공하면 출력은 일치하게 만들 수 있지만, 여전히 잘못된 상태로 남을 수 있습니다. 일치는 일관성의 유용한 증거이지만, 진실의 충분한 증거는 아닙니다.
컨텍스트 계층은 그 권한이 정당한지 확립하지 않은 채 권위를 배포할 수 있습니다.
이는 조직이 비공식 지식을 관리되는 규칙으로 전환할 때 중요합니다. 숙련된 직원은 문서화된 절차가 특정 상황에 맞지 않는 경우를 알기도 합니다. 그러한 판단을 인코딩하려면 어떤 예외가 정당한지 결정해야 합니다. 대화에서 문장을 자동으로 추출한다고 해서 그것이 정책이 되어야 하는지까지 결정되는 것은 아닙니다.
회의 참가자가 임시 해결책을 설명할 수 있습니다. 다른 직원은 오래된 관행을 반복할 수 있습니다. 프로젝트 문서에는 폐기된 제안이 기록되어 있을 수 있습니다. 각 소스는 정보를 제공하지만, 각각 다른 수준의 권위를 지닙니다. 이를 동등하게 취급하면 생성이 시작되기 전부터 거버넌스 문제가 생깁니다.
모델 수준의 한계도 있습니다. NIST의 생성형 AI 위험 프로필은 자신감 있게 생성된 거짓 또는 오류 콘텐츠를 의미하는 환각을 고유한 위험으로 설명합니다. 또한 생성된 설명과 인용이 사용자를 오도할 수 있다고 지적합니다. 관련 소스 자료가 있다고 해서 출력 평가의 필요성이 사라지는 것은 아닙니다.
NIST의 분석은 컨텍스트 논지에 대한 신중한 해석을 뒷받침합니다. 더 나은 정보는 누락된 지식을 보완할 수 있지만, 올바른 추론을 보장하지는 않습니다. 시스템은 유효한 규칙을 잘못 적용하거나 불확실한 추론을 과장할 수 있습니다. 컨텍스트 품질과 출력 신뢰성은 서로 관련되어 있지만 구별되는 검토가 필요합니다.
권한은 또 다른 압박 지점입니다. 직원이 문서를 읽을 수 있다고 해서 자동화 시스템이 그 내용에 따라 행동할 권한까지 갖는 것은 아닙니다. 컨텍스트 서비스는 후속 조치를 통제하는 제어 체계와 명확한 관계를 가져야 합니다. 그렇지 않으면 정확한 정보가 승인되지 않은 의사결정을 뒷받침할 수 있습니다.
재무적 근거 역시 여전히 불확실합니다. 정의를 유지하고, 분쟁을 해결하고, 권한을 확인하고, 실패를 검토하는 일에는 모두 직원 시간이 소요됩니다. 그중 일부는 AI를 넘어 기존 프로세스도 개선할 수 있습니다. 구매자는 배포의 경제성을 판단할 때도 이를 고려해야 합니다.
조직은 더 나은 답변을 얻으면서도 이를 만드는 데 필요한 총작업량을 늘릴 수 있습니다. 다른 조직은 검토 노력을 충분히 줄여 상당한 유지보수를 정당화할 수도 있습니다. 의미 있는 비교에는 생성 속도라는 눈에 보이는 부분이 아니라 전체 워크플로가 포함됩니다. 이는 분석적 요구사항이지 원문 기사에서 보고된 결과가 아닙니다.
엔터프라이즈 컨텍스트로 AI 가치를 창출하려면 한계도 받아들여야 합니다. 정책 충돌이 해결되지 않은 경우, 유용한 어시스턴트는 그 충돌을 드러내야 합니다. 권한이 불분명한 경우에는 결정을 적절한 곳으로 넘겨야 합니다. 항상 자신감 있는 답을 내놓는 시스템은 컨텍스트 인프라가 드러내야 할 바로 그 조직적 불확실성을 감출 수 있습니다.
따라서 회의적인 입장은 컨텍스트 투자 자체를 거부할 필요가 없습니다. 대신 그 투자가 무엇을 바꾸는지에 관한 더 구체적인 주장을 요구합니다. 공급업체는 어떤 오류가 덜 자주 발생하는지, 어떤 책임이 고객에게 남는지, 어떤 실패 방식이 지속되는지를 식별해야 합니다. 그래야 제안을 검증할 수 있습니다.
다음 증거는 컨텍스트와 완료된 업무를 연결해야 한다
향후 몇 달 동안 가장 유용한 신호는 새로운 용어보다 배포 증거와 관련될 것입니다. 10월 논의는 명확한 명제를 제시합니다. 비즈니스 이해는 모델 역량과 함께 더 큰 주목을 받을 가치가 있습니다. 다음 단계는 그 명제가 어디에서 측정 가능한 이점을 내는지 판단하는 것입니다.
유지되는 비즈니스 지식이 변화하는 조건에서 완료된 업무를 개선할 때 컨텍스트 논지는 더 강해집니다.
첫 번째 신호는 실제 워크플로 내에서 문서화된 비교입니다. 구매자는 정의된 컨텍스트 개입 전후에 어떤 일이 일어났는지 보여주는 결과를 찾아야 합니다. 비교에는 소스 오류, 의사결정 오류, 사람의 수정, 완료된 작업이 포함되어야 합니다. 개선을 분리해 보여주는 결과는 논지를 강화할 것입니다.
선별된 성공 답변만 제시하는 데모는 핵심 불확실성을 그대로 남길 것입니다. 모델, 인터페이스, 소스 수집, 검토 프로세스를 동시에 변경하는 비교도 마찬가지입니다. 이러한 변경은 제품을 개선할 수 있지만, 엔터프라이즈 컨텍스트의 기여를 분리하기 어렵게 만듭니다.
다음 신호는 비즈니스 변화 이후의 신뢰할 수 있는 동작입니다. 개정된 정책, 철회된 권한, 이름이 변경된 고객은 유용한 관찰 지점을 만듭니다. 시스템은 영향을 받는 애플리케이션 전반에서 변화를 반영하는가? 이전 답변을 설명할 수 있을 만큼 충분한 이력을 보존하는가? 일관된 동작은 공유 인프라의 근거를 뒷받침할 것입니다.
지속적인 모순은 그 근거를 약화할 것입니다. 모든 애플리케이션이 여전히 수동 수리를 필요로 한다면, 제안된 공통 계층은 중복된 유지보수를 제거하지 못한 것입니다. 오래된 정보가 파생 저장소에 남아 있다면, 조직은 수정 사항이 어떻게 전파되는지 이해해야 합니다. 초기 설정의 품질만으로는 이러한 질문에 답할 수 없습니다.
마지막 신호는 총운영 부담입니다. 조직은 컨텍스트 유지보수를 고려한 뒤 검토자가 출력 수정에 쓰는 시간이 줄어드는지 살펴봐야 합니다. 해결되지 않은 사례가 적절한 사람에게 도달하는지도 추적해야 합니다. 숨겨진 준비 작업이 더 빠르게 늘어난다면, 눈에 보이는 검토 업무의 감소는 큰 의미가 없습니다.
이러한 신호는 특정 공급업체의 승리에 의존하지 않습니다. Microsoft, Atlan, 애플리케이션 개발자는 서로 다른 접근 방식을 통해 증거를 제공할 수 있습니다. 유용한 구분은 사용 가능한 역량에 관한 주장과 지속적인 사용에 관한 관찰 사이에 있습니다. 구매자에게는 둘 다 필요하지만, 둘을 혼동해서는 안 됩니다.
지식 근로자에게 즉각적인 관련성은 실용적입니다. 정보가 어디에 있는지 아는 어시스턴트는 검색 시간을 줄일 수 있습니다. 어떤 정보가 적용되는지 이해하는 어시스턴트는 의사결정을 지원할 수 있습니다. 그러한 추가 이해의 가치는 사용자가 이를 검토하고, 이의를 제기하고, 유지할 수 있는지에 달려 있습니다.
잘못된 답변이 식별 가능한 재작업을 초래하는 워크플로부터 시작하십시오. 모든 수정을 프롬프팅 문제로 취급하지 말고, 기본 정책을 담당하는 사람들과 함께 실패를 검토하십시오. 누락된 정보와 충돌하는 정의, 추론 오류, 부적절한 조치를 구분하십시오. 그런 다음 제안된 컨텍스트 투자가 그 구체적인 실패를 해결하는지 살펴보십시오. 개인 업무의 경우, 관리되는 개인 지식 시스템은 관련 자료를 정리하는 데 도움이 될 수 있지만, 공동 의사결정에는 여전히 공동의 권한이 필요합니다. 이러한 구분이 배포 이후에도 유지될 때, 엔터프라이즈 컨텍스트로 AI 가치를 창출한다는 명제는 신뢰할 수 있게 됩니다. 다음 공급업체에게는 변경된 규칙, 논쟁의 여지가 있는 소스, 그리고 해결하지 않은 채 남겨야 하는 의사결정을 시스템이 어떻게 처리하는지 보여달라고 요청하십시오.
