top of page

Databricks: Genie Ontology GA 발표, 공유 비즈니스 컨텍스트를 우선에 두다

14분 전
10분 분량

Databricks는 11월 11일 Genie Ontology의 정식 출시를 발표하며, 공유 비즈니스 정의를 자사의 엔터프라이즈 에이전트 전략 중심에 뒀다. “Announcing GA of Genie Ontology”라는 발표는 실질적인 충돌을 다룬다. 에이전트는 동일한 데이터를 조회하면서도 비즈니스의 의미에 관해 서로 다른 결론을 낼 수 있다.

온톨로지는 소프트웨어가 활용할 수 있도록 비즈니스 개념과 관계를 구조화해 표현한 것이다. Databricks는 각 어시스턴트가 회사 지식을 독립적으로 재구성하도록 두는 대신, 이 표현을 여러 에이전트가 활용하게 하려 한다.

이번 발표는 에이전트마다 별도의 컨텍스트 컬렉션을 구축하는 팀에 압박을 가한다. Palantir는 이미 온톨로지를 엔터프라이즈 인프라로 다루고 있지만, 그 구현은 운영 객체와 행동을 강조한다. Databricks는 다른 초점을 제시한다. 기존 분석 작업에서 컨텍스트를 학습하는 한편, 사람이 권위 있는 정의를 수립하도록 하는 것이다.

이 차이는 또 하나의 채팅 인터페이스보다 더 중요하다. 핵심 질문은 기업이 모든 과거 대시보드, 노트북, 문서를 의심할 여지 없는 진실로 만들지 않으면서 축적된 지식을 재사용할 수 있는지다.

Genie Ontology GA 발표, 공유 컨텍스트 계층 구축

중요한 변화는 여러 에이전트가 재사용할 수 있는 중앙 관리형 비즈니스 컨텍스트로의 전환이다.

Databricks는 Genie Ontology를 자동으로 학습한 지식과 사람이 거버넌스를 적용한 정의를 결합하는 공유 인프라로 설명한다. 11월 11일 발표에서는 Unity Catalog Domains와 Pages도 정식 출시됐다고 밝혔다. 계획 중인 시각적 큐레이션 인터페이스인 Ontology Manager는 베타로 곧 제공될 예정이다.

이러한 제공 상태의 차이는 모든 구매 논의의 초반에 다뤄야 한다. 기반 온톨로지의 정식 출시는 함께 발표된 모든 기능이 동일한 수준으로 성숙했다는 뜻은 아니다.

더 폭넓은 Genie 출시는 자율 업무와 추가 애플리케이션 경험도 포함한다. 이러한 발전은 맥락을 제공하지만, 이번 발표는 그러한 경험의 토대가 되는 비즈니스 지식에 관한 것이다.

이 아키텍처 선택은 조직이 불일치를 조사해야 하는 위치를 바꾼다. 별도의 에이전트가 상충하는 결과를 반환할 때, 개별 프롬프트는 가능한 원인 중 하나일 뿐이다. 정의, 소스 선택, 접근 권한도 함께 살펴봐야 한다.

가령 서로 다른 어시스턴트에게 활성 고객을 식별하도록 요청하는 가상의 영업 조직을 생각해 볼 수 있다. 재무 어시스턴트는 계약 상태를 사용할 수 있는 반면, 고객 성공 어시스턴트는 최근 제품 활동을 사용할 수 있다. 두 답변 모두 유효한 지역 규칙을 따를 수 있다.

공유 컨텍스트 계층이 이러한 구분을 사라지게 하지는 않는다. 대신 이를 표현하고, 소유자를 연결하며, 의도된 적용 범위를 보이게 할 장소를 만든다.

이는 에이전트를 추가 파일에 연결하는 것보다 더 까다로운 제안이다. 검색은 답이 담긴 문서를 찾아낼 수 있다. 엔터프라이즈 컨텍스트는 그 문서가 해당 질문에 적절한 답을 제공하는지도 판단해야 한다.

따라서 이번 발표는 기술적 문제와 함께 조직적 문제도 제기한다. 누군가는 어떤 비즈니스 정의가 권위를 가져야 하는지, 어떤 정의가 부서에 한정돼야 하는지, 누가 이를 변경할 수 있는지 결정해야 한다.

기존 Databricks 고객에게 실질적인 매력은 재사용이다. 이들의 분석 자산에는 이미 계산, 예외, 보고 관행에 관한 결정이 담겨 있다. 새 어시스턴트마다 그러한 결정을 재구성하면 또 다른 유지보수 의무가 생긴다.

플랫폼을 평가하는 조직에는 다른 질문이 중요하다. 환경에 이미 활용 가능한 지식이 얼마나 존재하는지, 얼마나 많은 내용이 문서화되지 않았는지를 평가해야 한다.

이러한 출발 조건은 필요한 작업의 규모를 좌우한다. 컨텍스트 시스템은 아무도 기록하지 않은 정책을 복구할 수 없으며, 기록된 관행이 자동으로 승인된 정책이 되는 것도 아니다.

Genie Ontology GA 발표은 이 구분을 상업적으로 중요하게 만든다. 구매자는 이제 이 기능이 소비하는 지식에 대한 지속적인 책임과 함께, 평가할 수 있는 플랫폼 기능을 갖게 됐다.

공유 컨텍스트가 데이터 소유자에게 부담을 옮긴다

공통 지식 계층은 정의의 소유권을 에이전트 배포의 일부로 만든다.

즉각적인 부담은 데이터 리더, 비즈니스 도메인 소유자, 내부 에이전트를 유지하는 팀에 돌아간다. 이들은 기존 정의가 더 폭넓게 재사용될 준비가 됐는지 판단해야 한다.

익숙한 팀 내부에서 잘 작동하는 보고 관행도 다른 부서가 어시스턴트를 통해 접하면 모호해질 수 있다. 원래 사용자는 문서에 결코 담기지 않은 예외를 이해하고 있을 수 있다.

자동화는 그러한 예외의 중요성을 키운다. 대시보드를 검토하는 사람은 작성자에게 라벨의 의미를 물을 수 있다. 에이전트는 그러한 구분을 내릴 수 있는 접근 가능한 근거가 필요하다.

이로써 배포 논의가 달라진다. 어시스턴트가 데이터세트에 접근할 수 있는지를 묻는 것만으로는 부족하다. 구매자는 해당 데이터세트의 의도된 사용 방식을 이해하는지도 알아야 한다.

이는 과거 정보에도 적용된다. 계산은 오래된 보고서를 정확히 재현할 수 있지만, 현재의 운영 의사결정에는 부적절할 수 있다. 컨텍스트에는 출처뿐 아니라 목적에 대한 인식도 필요하다.

출처 추적은 정보가 어디에서 비롯됐고 어떻게 답변에 도달했는지에 대한 기록을 뜻한다. 이는 검토자가 추론을 조사하는 데 도움이 되지만, 근본적인 비즈니스 판단을 보증하지는 않는다.

이 구분은 도메인 전문가에게 과제를 만든다. 이들은 어떤 정의가 광범위하게 적용돼야 하는지, 어떤 정의가 더 좁은 해석을 필요로 하는지 식별해야 한다.

중앙 소유권만으로는 또 다른 문제가 생긴다. 모든 설명이 플랫폼 팀을 거쳐야 한다면, 비즈니스 컨텍스트는 인프라 유지보수 및 애플리케이션 제공과 경쟁하는 대기열이 된다.

따라서 실효성 있는 운영 모델에는 분산된 책임이 필요하다. 재무 부서는 재무 해석을 소유해야 하며, 다른 부서는 업무 고유의 개념에 대한 권한을 유지해야 한다.

공유 계층은 이러한 경계를 이해할 수 있게 해야 한다. 그렇지 않으면 단일 엔터프라이즈 지식 시스템은 유용한 정의를 중앙화하는 만큼 쉽게 혼란도 중앙화할 수 있다.

개발자 역시 관련된 변화를 맞는다. 이들의 업무는 지침과 도구 접근을 제공하는 데서, 서로 다른 사용자 조건에서 에이전트가 올바른 해석을 검색하는지 점검하는 일로 확장된다.

유용한 평가 질문은 권위 있는 정의를 변경했을 때 이를 소비하는 에이전트 전반에서 예상된 변화가 일어나는지다. 또 다른 질문은 부서별 정의가 의도된 범위 내에 머무르는지다.

이는 보고된 Genie 결과가 아니라 제안된 수용 기준이다. 재사용 가능한 컨텍스트라는 약속에서 도출된다. 업데이트는 예측 가능하게 전파돼야 하며, 예외는 의도적으로 유지돼야 한다.

지식 노동자도 여기에 이해관계가 있다. 인용된 답변은 부서들이 근본 용어에 동의하지 않을 때도 확정된 것처럼 보일 수 있다.

더 넓은 구분은 개인 지식과 팀 지식의 차이와 닮아 있다. 한 사람에게 유용한 정보는 그 범위와 유지보수가 명확할 때에만 공유 인프라가 된다.

조달팀에게 이는 제품 기능과 함께 구현 책임도 평가해야 함을 뜻한다. 소프트웨어는 컨텍스트를 정리할 수 있지만, 기업에는 여전히 불일치를 해결할 권한을 부여받은 사람이 필요하다.

운영상의 이점은 그 작업이 재사용 가능한지에 달려 있다. 새 에이전트마다 정의 정리 작업을 다시 해야 한다면, 조직은 중복을 줄인 것이 아니라 옮긴 셈이다.

학습된 지식에는 명시적인 권한 모델이 필요하다

Databricks의 접근 방식은 폭넓은 지식 추출과 의도적으로 거버넌스를 적용한 소규모 정의 집합을 결합한다.

회사의 문서는 학습된 지식과 모델링된 지식을 구분한다. 학습된 지식은 기존 자산과 사용 현황에서 추출한 스니펫으로 구성된다. 모델링된 지식에는 명시적으로 관리되는 지표, 개념, 조직 그룹이 포함된다.

문서화된 컨텍스트 권한 모델에서는 모델링된 지식이 충돌하는 학습된 지식보다 우선한다. 사용자는 근거가 되는 스니펫과 그 소스를 확인할 수 있다. 학습된 스니펫은 직접 편집할 수 없으며, 수정하려면 소스를 변경하거나 권위 있는 모델링 정의를 추가해야 한다.

Unity Catalog는 데이터 및 관련 자산을 위한 Databricks의 거버넌스 시스템이다. 의미 체계 도구에는 거버넌스가 적용된 계산을 위한 Metric Views, 비즈니스 그룹화를 위한 Domains, 정의된 개념을 위한 Pages가 포함된다.

이 설계는 익숙한 유지보수 딜레마를 다룬다. 모든 세부 사항을 모델링하려면 지속적인 노력이 필요하지만, 추출된 자료에만 전적으로 의존하면 우발적이거나 오래된 관행을 보존할 위험이 있다.

가상의 매출 질문은 양측이 왜 중요한지 보여준다. 대시보드에는 지역 영업 회의를 위해 설계된 계산이 포함될 수 있다. 회계팀은 재무 보고를 위해 다른 정의를 관리할 수 있다.

대시보드의 로직을 자동 추출하면 유용한 지식을 복구할 수 있다. 이를 보편적으로 권위 있는 것으로 취급하면 적용 범위의 오류가 발생한다.

따라서 중요한 메커니즘은 추출과 권한의 관계다. 시스템에는 구체적인 질문에 답할 수 있을 만큼의 학습된 세부 정보와, 어떤 정의가 다른 정의보다 우선하는지를 정한 명시적 규칙이 모두 필요하다.

이러한 구성은 피드백 기회도 만든다. 반복되는 모호성은 공식적인 소유권이 필요한 개념을 식별할 수 있다.

그러나 정의를 공식화하려면 비즈니스 결정이 수반돼야 한다. 반복 사용이 계산을 올바르게 만들지는 않으며, 인기가 승인을 입증하지도 않는다.

수정 경로도 그만큼 중요하다. 소스에 오류가 있다면, 조직은 소스를 변경하기 전에 어떤 하류 답변이 그 소스에 의존하는지 이해해야 한다.

권위 있는 재정의는 즉각적인 해석 문제를 해결할 수 있지만, 원래 자산도 여전히 살펴볼 필요가 있다. 그렇지 않으면 사람과 에이전트 모두 서로 다른 경로를 통해 상충하는 버전을 계속 접할 수 있다.

공유 컨텍스트 전략이 유지보수 전략이 되는 지점이 바로 여기다. 가치는 반복적인 발견을 줄이면서도 시스템이 학습한 내용에 이의를 제기할 수 있는 능력을 보존하는 데서 나온다.

경쟁 비교는 범위를 명확히 하는 데 도움이 된다. Palantir의 운영 온톨로지는 워크플로를 지원하는 행동 및 기능과 함께 객체, 속성, 연결을 통해 비즈니스 엔터티를 표현한다.

이는 온톨로지를 주로 질문에 답하기 위한 컨텍스트로 다루는 방식보다 더 광범위한 운영 중심의 틀이다. 겹치는 용어가 구현과 의도된 사용의 차이를 가려서는 안 된다.

구매자는 구체적인 워크플로를 비교해야 한다. 각 플랫폼이 이견이 있는 지표를 어떻게 표현하는지, 책임을 어떻게 기록하는지, 비즈니스 행동을 어떻게 제어하는지, 답변을 어떻게 설명하는지 물어볼 수 있다.

‘온톨로지’라는 공유 용어가 동등한 기능을 입증하지는 않는다. 이번 출시가 Databricks와 Palantir 간의 일반적인 성능 순위를 확립하는 것도 아니다.

Databricks의 차별화된 제안은 기존 분석 작업과 재사용 가능한 비즈니스 이해의 연결이다. 그 성공은 추출된 컨텍스트가 검사 가능하고, 수정 가능하며, 거버넌스가 적용된 정의에 적절히 종속된 상태를 유지하는지에 달려 있다.

Genie Ontology의 GA 발표 이후 평가할 가치가 있는 메커니즘은 이것이다. 플랫폼이 축적된 작업을 모든 아티팩트에 동일한 권한을 부여하지 않으면서 재사용 가능한 근거로 전환하는 방식이다.

벤치마크는 완전한 에이전트 구성을 테스트한다

보고된 성능 격차는 추가 평가를 뒷받침하지만, 온톨로지의 기여도를 분리해 보여주지는 않는다.

Databricks는 가상의 영국 에너지 공급업체인 Calderwick Energy를 중심으로 Turing과 함께 벤치마크를 개발했다. 각 에이전트는 동일한 워크스페이스에서 모든 작업을 다섯 번씩 실행했다.

공개된 엔터프라이즈 에이전트 벤치마크는 Genie의 통과율이 91%, Agent A가 45%, Agent B가 58%라고 보고한다. 평균 토큰 사용량은 각각 431,829개, 889,019개, 1,051,070개였다. 토큰은 모델이 처리하는 텍스트 단위다.

Genie는 네이티브로 실행됐으며, 이름이 공개되지 않은 대안들은 Genie MCP 접근을 제외한 Databricks 도구 세트를 사용했다. MCP(Model Context Protocol)는 AI 애플리케이션과 외부 도구 간 연결을 표준화한다.

이는 완전한 구성에 대해 벤더가 보고한 결과다. 온톨로지 접근 유무만 다른 동일 시스템을 비교하거나, 보편적인 엔터프라이즈 정확도를 입증하는 결과는 아니다.

이러한 한계가 평가를 무의미하게 만들지는 않는다. 기업은 모델, 도구, 권한, 축적된 컨텍스트를 포함한 시스템을 배포한다. 결합된 결과를 측정하면 실질적인 구매 의사결정 질문에 답할 수 있다.

이는 단일 구성요소에 대한 통제 실험과는 다른 질문에 답한다. 구매자는 제공되는 시스템의 성능과 그 우위에 대해 제시된 설명을 구분해야 한다.

벤치마크의 과업 설계도 중요하다. 비즈니스 분석에서는 가장 눈에 띄는 테이블 밖에 있는 해석을 찾아야 하는 경우가 많다.

공개된 워크스루에서는 겉보기에는 단순한 과거 계획 요율 질문이 노트북 컨텍스트를 참조해야 한다. 보이는 테이블 값만 읽으면 잘못된 해석으로 이어진다.

일반적인 교훈은 유용하다. 정확한 쿼리 실행이 정확한 비즈니스 답변을 보장하지는 않는다. 에이전트는 실제 값을 검색하고도 전혀 다른 질문에 답할 수 있다.

그러나 벤치마크는 그 환경의 범위 안에서 해석해야 한다. 가상의 에너지 워크스페이스가 모든 기업의 문서, 권한 구조, 정의 품질을 대표할 수는 없다.

축적된 지식을 갖춘 기존 환경은 새로 연결된 워크스페이스와도 다르다. 구매자는 보고된 측정 이전에 어떤 준비 단계가 필요한지 이해해야 한다.

토큰 효율성에도 비슷한 주의가 필요하다. 답변 중 토큰 사용량이 적은 것은 가치 있을 수 있지만, 운영 노력에는 주변 지식을 준비하고 유지하는 일도 포함된다.

완전한 평가는 응답 품질과 함께 이러한 유지관리도 고려해야 한다. 그렇지 않으면 조직은 눈에 보이는 추론 작업을 최적화하면서 이를 가능하게 하는 노동을 간과할 위험이 있다.

이름이 공개되지 않은 경쟁 에이전트는 해석을 더욱 제한한다. 독자는 공개된 라벨만으로 특정 상용 어시스턴트의 성능이 더 낮다고 결론지을 수 없다.

이름이 없다고 해서 추측해서도 안 된다. 관련 있는 비교는 벤더가 설명한 구성과 접근 조건을 갖춘, 문서화된 비교다.

엔터프라이즈 파일럿에서는 더 강력한 현지 테스트에 논쟁이 있는 정의, 오래된 자산, 제한된 소스, 과거 해석이 필요한 질문을 포함해야 한다. 이런 사례는 단순한 조회가 놓칠 수 있는 약점을 드러낸다.

검토자는 오답도 살펴봐야 한다. 잘못된 정의에 근거한 자신감 있는 오류는 접근 권한 부족으로 인한 거부와는 다른 해결책이 필요하다.

이 벤치마크는 Databricks의 주장을 검증할 이유를 제공한다. 그러나 구매자의 자체 비즈니스 안에서 시스템이 어떻게 작동하는지 측정할 필요를 없애지는 않는다.

더 폭넓은 소스 범위는 새로운 거버넌스 경계를 만든다

더 많은 연결 지식은 접근, 최신성, 권한을 이해할 수 있을 때에만 유용성을 높인다.

Databricks의 엔터프라이즈 검색 설정 문서는 Google Drive, Jira, Confluence, Workday를 지원 소스로 나열한다. 콘텐츠와 권한이 공유 인덱스에 들어간다고 설명한다.

문서는 인덱싱된 검색과 실시간 커넥터를 구분한다. 검색은 인덱스 새로고침 이후 변경사항을 반영하며, 커넥터는 현재 애플리케이션 상태를 검색하고 허용된 작업을 수행할 수 있다. 초기 인덱싱에는 수시간 또는 수일이 걸릴 수 있다.

이러한 분리는 실질적인 결과를 낳는다. 프로세스를 설명하는 문서와 현재 상태를 보여주는 티켓은 비즈니스 질문의 서로 다른 부분에 답한다.

가상의 출시 검토에서 에이전트는 둘 다 필요할 수 있다. 설계 문서는 의도된 동작을 설명하고, 현재 티켓은 해결되지 않은 작업을 기록한다.

광범위한 검색 결과가 현재 운영 점검을 조용히 대체해서는 안 된다. 반대로 실시간 상태 업데이트에는 그 의미를 해석하는 데 필요한 논리가 빠져 있을 수 있다.

따라서 구매자는 답변이 시간을 어떻게 전달하는지 살펴봐야 한다. 인용은 소스를 식별하지만, 사용자는 그 내용이 여전히 적용되는지 판단할 수 있을 만큼의 맥락도 필요하다.

권한은 또 다른 경계를 만든다. 정보 접근은 누가 볼 수 있는지를 정하고, 권위는 언제 해당 정보가 답변을 이끌어야 하는지를 정한다.

이러한 통제는 연관된 문제를 해결하지만 서로 다른 문제다. 널리 접근 가능한 문서는 오래됐을 수 있다. 제한된 문서는 이를 참조할 권한이 있는 사용자에게는 권위 있는 자료일 수 있다.

비즈니스 로직이 애플리케이션 경계를 넘을 때도 같은 구분이 적용된다. 계산을 가져온다고 해서 원래 작성자가 의도한 운영 조건이 사라져서는 안 된다.

Databricks의 11월 10일 발표는 별도의 Power BI 게시 기능을 설명한다. 이는 Unity Catalog Metric Views를 Power BI 시맨틱 모델에 게시하며, 현재 비공개 프리뷰 상태다.

이 흐름은 기존 BI 자산에서 컨텍스트를 학습하는 것과 다르다. 거버넌스가 적용된 정의를 외부로 게시하는 일과 기존 비즈니스 로직을 내부로 가져오는 일은 소유권 및 검증 요건이 다르다.

온톨로지의 정식 출시가 이 게시 통합의 제공 상태를 바꾸지는 않는다. 구매자는 주변 출시를 근거로 준비 상태를 추정하지 말고 각 기능을 독립적으로 추적해야 한다.

이 구분은 더 넓은 구현 질문도 드러낸다. 여러 도구가 하나의 정의를 사용할 수 있게 되면 조직은 그 정의를 어디에서 유지해야 하는가?

팀이 권위 있는 원본에 합의할 때에만 마이그레이션은 중복을 줄일 수 있다. 어디에나 편집 가능한 버전을 유지하면 기존의 조정 문제가 지속된다.

그렇다고 모든 비즈니스 개념을 즉시 하나의 애플리케이션으로 옮겨야 하는 것은 아니다. 전환 기간에 어떤 버전이 어떤 워크플로를 통제하는지 알아야 한다는 뜻이다.

플랫폼 팀의 우선순위는 명확한 책임 사슬이다. 누가 소스 접근, 소스 품질, 정의 승인, 다운스트림 동작을 담당하는지 알아야 한다.

비즈니스 사용자의 우선순위는 이해 가능성이다. 전체 통합 아키텍처를 재구성하지 않고도 왜 답변이 특정 정의를 사용했는지 이해할 수 있어야 한다.

연결 범위가 넓어질수록 이러한 책임은 더 시급해진다. 에이전트가 사용할 수 있는 근거는 확장되지만, 오래된 가정이 발생할 수 있는 장소도 늘어난다.

큐레이션, 독립 재현, 공동 사용을 지켜보라

다음으로 유용한 신호는 컨텍스트가 어떻게 유지되는지, 결과가 어떻게 재현되는지, 여러 에이전트가 실제로 이를 재사용하는지에 관한 것이다.

첫째, Ontology Manager의 출시와 실질적 범위를 지켜봐야 한다. Databricks는 향후 베타를 온톨로지를 검사하고 큐레이션하는 장소로 제시해 왔다.

그 중요성은 어떤 작업을 가능하게 하는지에 달려 있다. 모호한 개념을 발견하는 일은 담당자가 이를 조사하고 통제된 방식으로 수정할 수 있을 때에만 가치가 있다.

간결한 검토와 수정의 증거는 공유 인프라 주장을 강화할 것이다. 일상적인 변경에도 계속 전문가 개입이 필요하다면 실질적인 적용 범위는 좁아질 것이다.

둘째, 독립적으로 재현된 평가를 지켜봐야 한다. 가장 강력한 증거는 조직이 자체 질문을 테스트하고 결과를 설명할 수 있을 만큼 충분한 세부사항을 공개하는 데서 나올 것이다.

유용한 공개 내용에는 준비 노력, 소스 범위, 실패 사례, 경쟁 시스템의 구성이 포함될 것이다. 헤드라인 통과율만으로는 이러한 조건을 입증할 수 없다.

서로 다른 환경에서 반복적으로 성과가 나타난다면 이 접근 방식이 벤더의 사례를 넘어 적용된다는 신뢰가 커질 것이다. 결과가 매우 가변적이라면 현지 지식 품질에 더 크게 의존한다는 뜻일 수 있다.

두 결과 모두 유익한 정보가 될 것이다. 구매자는 정식 출시가 조직 전반의 균일한 준비 상태를 의미한다고 가정하기보다, 어떤 전제조건이 성공을 예측하는지 알아야 한다.

셋째, 동일한 거버넌스 컨텍스트가 정의 작업을 반복하지 않고 여러 에이전트 경험을 지원하는지 지켜봐야 한다. 재사용은 핵심 아키텍처 약속이다.

설득력 있는 도입 사례는 조직이 비즈니스 정의를 업데이트한 뒤 이를 사용하는 워크플로 전반에서 적절한 동작을 관찰하는 모습을 보여줄 것이다. 또한 예외가 어떻게 통제됐는지도 설명해야 한다.

이는 조정 작업이 줄었다는 근거를 제공할 것이다. 더 많은 어시스턴트를 연결하는 것만으로는 적용 범위를 입증할 뿐, 유지관리 주장은 해결되지 않은 채 남는다.

이러한 신호는 향후 몇 달간 주목할 방향을 제시해야 한다. 제품 출시 아래의 운영 모델을 검증하기 때문에, 추가 기능 이름보다 더 많은 것을 보여준다.

Genie Ontology의 GA 발표는 엔터프라이즈 구매자에게 지속적인 에이전트 문제를 검토할 구체적인 방법을 제공한다. 정보에 접근할 수 있다고 해서 공유된 비즈니스 이해가 보장되는 것은 아니다.

현재 답변을 두고 의견 불일치가 생기는 비즈니스 질문부터 시작하라. 승인된 정의, 상충하는 과거 해석, 충돌 해결을 담당하는 사람을 식별하라. 그런 다음 에이전트가 올바른 근거를 선택하고 그 선택을 이해할 수 있게 만드는지 평가하라. 변경된 정의와 제한된 소스를 포함하라. 둘 다 깔끔한 데모가 숨길 수 있는 동작을 드러내기 때문이다. 플랫폼이 제거하는 작업과 팀에 남는 책임이 무엇인지 물어보라. 결정은 공유 컨텍스트가 수정 관리를 가능하게 유지하면서 반복 해석을 줄이는지에 달려야 한다. 여러 에이전트가 재사용하도록 조직이 충분히 신뢰할 정의는 무엇인가?

 
 

무료로 시작하세요

개인 지식 관리 기능을 갖춘 로컬 우선 AI 어시스턴트

더 나은 AI 경험을 위해

현재 remio는 Windows 10+ (x64) 및 M-Chip Macs만 지원합니다.

업무를 위한 AI 파트너
remio와 더 많은 일을 해내세요

계획하고, 만들고, 완성하세요
모든 일을 한곳에서

bottom of page