예외·판단 조건·변경 이력 관리가 'Agent-Ready Data'의 핵심
큐빅의 AI-Ready Data 플랫폼 'Syntitan', PoC와 실제 운영 간극 해소에 초점
기업의 AI 경쟁이 모델 도입에서 실제 업무 수행으로 이동하면서 데이터의 의미도 달라지고 있다. 검색과 질의응답 중심의 생성형 AI를 넘어, AI 에이전트는 여러 단계를 이어 판단하고 시스템에서 업무를 실행한다. 잘못된 답변을 검토하는 데 그치지 않고, 잘못된 실행을 사전에 막는 준비가 중요해지는 이유다. 권한이나 정책, 예외 조건 하나가 빠져도 오류가 연쇄적으로 커질 수 있다. 정제된 데이터가 곧 에이전트에 업무를 맡길 수 있는 데이터는 아니라는 의미다.
이 문제를 풀려면 기업 데이터를 AI가 업무에 활용할 수 있는 상태로 준비해야 한다. 데이터의 형식을 정리하는 데 더해 그 값이 무엇을 뜻하는지, 어떤 업무 규칙과 예외를 따라야 하는지까지 연결하는 것이다. 'Agent-Ready Data'는 그중에서도 에이전트의 판단과 실행에 필요한 조건을 갖춘 데이터를 의미한다. 준비한 데이터가 실제 결과에 도움이 되는지 확인하고, 정책이나 모델이 바뀌면 다시 검증하는 과정도 필요하다.
2026년 가트너의 에이전틱 AI 관련 보고서 세 건에 언급된 큐빅은 기업 데이터를 AI 업무에 맞게 준비·검증하는 플랫폼 'Syntitan'을 제공한다. 부족하거나 편중된 데이터를 업무에 맞게 보완하는 'DTS', 민감한 값을 업무 맥락을 유지하는 대체값으로 바꿔 AI에 전달하고 응답을 실제 업무 값으로 복원하는 'LLM Capsule'도 제공한다. Syntitan은 KOSA 인공지능 제품·서비스 확인서를 받았다. DTS는 조달청 혁신제품으로 지정됐으며, LLM Capsule은 Deutsche Telekom과 T-Mobile US가 공동 주최한 'T Challenge 2026'에서 준우승했다.
큐빅은 Syntitan을 통해 기업 데이터에 의미와 업무 지식을 연결하고, 이를 특정 모델의 설정에만 묶어두지 않는 구조를 지향한다. 사람이 반복해서 설명하고 수정하던 내용을 기업의 자산으로 쌓아 다음 업무와 모델에서도 활용하도록 하겠다는 구상이다. 전자신문인터넷은 배호 큐빅 공동대표를 만나 기업 데이터를 실제 AI 업무에 쓰려면 무엇을 바꿔야 하는지, 그 변화가 결과에 도움이 되는지는 어떻게 확인하고 다음 업무에도 활용할 수 있는지 들어봤다.
다음은 배호 공동대표와의 일문일답.
기업 고객을 만나면 먼저 세 가지를 묻는다. AI가 내놓은 결과를 사람이 검토하고 수정하는 데 여전히 많은 시간이 드는가? 데이터는 연결했지만 그 의미와 업무 규칙, 예외까지 어떻게 전달하고 있는가? 앞으로 모델을 바꾸면 지금까지 준비한 데이터와 업무 지식을 얼마나 다시 활용할 수 있는가? Syntitan은 이 세 가지 문제를 해결하기 위해 기업 데이터를 AI가 업무에 활용할 수 있는 형태로 준비하는 플랫폼이다.
PoC에서 잘 되던 에이전트라도 실제 업무에서는 다른 문제를 만난다. 같은 모델을 쓰더라도 현장의 예외와 판단 조건이 데이터에 빠져 있으면 테스트에서 확인한 성능이 업무 결과로 이어지기 어렵다. PoC는 미리 정한 범위 안에서 치르는 시험인 반면, 운영은 그 범위 밖의 문제까지 풀어야 하기 때문이다. 매뉴얼에 없는 요청, 중간에 바뀐 정책, 사용자 권한에 따라 달라지는 처리가 대표적인 범위 밖의 문제다.
에이전트에서는 이 문제가 더 커진다. 답을 찾아 보여 주는 데서 끝나지 않고 여러 단계를 이어 실행하기 때문이다. 단계마다 작은 오차가 쌓이면 마지막 결과는 크게 틀어질 수 있다. 정확한 값을 찾았더라도 그 의미를 잘못 이해하거나 사용 권한과 데이터의 유효성을 확인하지 못하면 실행 자체가 잘못된다. 데이터가 깔끔하게 정제돼 있다는 것과 업무를 맡길 준비가 돼 있다는 것은 다른 이야기다.
큐빅이 말하는 AI-Ready Data는 특정 모델이나 에이전트가 기업의 업무를 수행하는 데 필요한 데이터의 준비 상태다. Agent-Ready Data는 그중에서도 에이전트의 판단과 실행에 필요한 업무 규칙과 예외까지 준비한 상태를 뜻한다. 구체적으로는 세 가지를 갖춘 상태다. 첫째, 권한과 조건을 지키면서 특정 업무에 필요한 구조와 의미, 예외를 담고 있어야 한다. 둘째, 동일한 업무와 평가 조건에서 준비 전후의 결과를 비교해 해당 업무의 기준을 충족하는지 확인해야 한다. 셋째, 데이터나 업무 조건이 바뀌었을 때 어디를 다시 확인해야 하는지 추적할 수 있어야 한다.
따라서 AI-Ready는 한 번 점검하고 끝나는 인증 개념이 아니라 운영하는 동안 유지해야 하는 상태다. 이 상태가 PoC에서 확인한 가능성을 실제 운영으로 옮기는 다리가 된다.
데이터를 연결하면 AI가 자료를 읽을 수는 있다. 하지만 그 자료를 어떤 의미로 해석하고 어떤 기준으로 업무에 사용해야 하는지까지 자동으로 알게 되는 것은 아니다. 예를 들어 같은 '매출'이라는 항목도 부가세를 포함하는지, 취소 건을 제외하는지, 어느 시점을 기준으로 집계하는지에 따라 판단이 달라진다. 문서에 적힌 환불 규정도 적용 대상과 예외 조건을 함께 이해해야 실제 업무에 사용할 수 있다.
Syntitan은 데이터의 상태를 진단하고, 업무에 필요한 구조와 의미에 맞게 처리한 결과를 별도 버전으로 남긴다. 모델 업무에서는 준비 전후의 데이터를 같은 평가 조건으로 비교해 어떤 처리가 결과에 도움이 됐는지 확인한다. 에이전트 업무에서는 매뉴얼과 규정의 판단 조건을 검증 케이스와 근거로 만들고, 고객이 쓰던 에이전트에서 직접 확인할 입력도 제공한다. 고객이 얻는 것은 데이터 상태에 대한 설명뿐 아니라, 업무에 사용할 데이터와 무엇을 보완해야 하는지 판단할 구체적인 결과다.
현장의 예외가 업무 데이터에 충분히 담기지 않는 이유는 두 가지다. 실제 사례가 부족할 수도 있고, 사례는 있어도 판단 조건이 자료에 드러나 있지 않을 수도 있다. 숙련된 담당자는 요청자의 권한, 처리 순서, 시점 차이에 따라 다르게 판단하지만 그 기준은 대개 사람의 경험에만 남아 있다.
Syntitan의 Ready for Agent는 고객이 가진 업무 매뉴얼과 규정에서 출발한다. 먼저 에이전트에 맡길 업무와 판단 조건을 정리하고, 그 조건이 바뀌거나 빠졌을 때 판단이 어떻게 달라지는지를 검증 케이스로 만든다. 고객 이름이나 표현만 바꾸는 방식으로는 판단 기준의 빈틈을 찾는 데 한계가 있다. 반면 권한이 중간에 철회되거나 요청이 일부만 처리된 상황처럼 조건이 바뀌면 에이전트는 전혀 다른 판단을 내려야 한다. 우리가 만드는 것은 이런 조건의 변화다.
이때 문서에 명시된 기준과 문서만으로 판단하기 어려운 상황을 구분하는 것이 중요하다. 기준이 없는 부분은 고객 담당자가 확인하고 보완해야 할 항목으로 남겨야 한다. 모든 예외를 끝없이 만들려는 것은 아니다. 담당자가 미처 떠올리지 못한 상황을 운영 전에 찾아 검토하게 하는 것이 목적이다. 이 과정은 외주 컨설팅이 아니라 고객이 플랫폼에서 직접 사용하는 제품 기능이다.
Ready for Agent는 결과를 채점하는 단계에 앞서, 무엇을 검증해야 하는지 정리하는 데 초점을 둔다. 담당자가 빈 화면에서 예외 상황을 하나씩 떠올리는 대신, 자신의 업무 자료에서 나온 검증 케이스와 근거를 함께 검토할 수 있다. 검토용 케이스와 실행용 입력, 실행 가이드를 받아 기존에 사용하던 에이전트에서 직접 확인할 수도 있다.
중요한 것은 질문을 많이 만드는 데 그치지 않고, 어떤 업무 조건이 빠졌고 무엇을 보완해야 할지 판단할 출발점을 제공하는 것이다. 합성데이터 기술은 큐빅의 기반 기술이지만, Ready for Agent의 목적은 데이터의 양을 늘리는 것이 아니라 업무에 필요한 조건을 채우는 데 있다.
상담 에이전트는 기업이 많이 시도하는 적용 분야 중 하나다. 답변이 고객에게 회사의 공식 안내로 받아들여진다는 점에서 위험도 크다. 환불 조건이나 약관을 잘못 안내하면 고객 불만과 분쟁으로 이어질 수 있다. 운영 전에 이런 예외를 찾아 두는 것이 중요한 이유다.
최근 한 기업과 상담 업무 적용 가능성을 검토하면서 고객이 제공한 가상 업무 문서로 내부 검증을 진행했다. 예를 들어 고객이 예약한 두 객실 중 한 곳만 이용할 수 없게 됐는데 시스템에는 전체 취소 기능만 있는 상황이 있었다. 정상적으로 이용 중인 객실까지 취소하지 않으려면 무엇을 확인하고 어떤 판단이 필요한지 검토해야 한다. Syntitan은 이런 상황을 검증 케이스로 제시해 담당자가 대응 기준의 빈틈을 살펴보도록 돕는다.
현재 Ready for Agent에서는 케이스와 함께 근거가 된 문서 원문도 확인할 수 있다. 이 내부 검증에서는 '일부 취소가 필요한 업무'와 '전체 취소만 가능한 시스템' 사이의 빈틈을 검토했다. Syntitan은 해당 상황과 근거 문서를 함께 제시해, 담당자가 어느 규정과 처리 절차를 확인하고 보완해야 하는지 구체적으로 살펴볼 수 있게 했다.
먼저 AI가 업무 기준에 맞는 결과를 내는지 봐야 한다. 정상 요청을 제대로 처리하는지, 예외 상황에서 잘못 실행하지 않는지, 사람에게 확인을 요청해야 할 상황을 구분하는지가 중요하다. 그다음 같은 평가 조건에서 사람의 검토·수정 비율과 소요 시간이 얼마나 달라졌는지 확인해야 한다. 생성한 케이스 수보다 실제 업무에서 놓치던 조건을 얼마나 발견하고 보완했는지가 중요하다. 정책이나 모델이 바뀌었을 때 이전 데이터와 기준을 얼마나 재사용할 수 있고, 무엇을 다시 확인해야 하는지도 함께 봐야 한다.
데이터의 준비 상태는 업무 조건이 바뀌면 다시 확인해야 한다. 매뉴얼이나 정책이 바뀌면 지난번 검증 결과가 현재 업무에는 맞지 않을 수 있다. 그렇다고 바뀔 때마다 전체 검증을 처음부터 다시 하면 운영 부담을 감당하기 어렵다. 핵심은 무엇이 바뀌었는지 정확히 찾아 다시 확인할 범위를 좁히는 것이다.
소프트웨어 개발에서는 코드가 바뀌면 회귀 테스트로 영향을 받는 기능을 다시 확인한다. 에이전트도 마찬가지다. 바뀐 규정과 연결된 케이스를 우선 확인하고 다른 업무에 미치는 영향까지 살펴 재검증 범위를 정해야 한다. Syntitan은 원본 데이터를 보존하고 업무별로 준비한 버전으로 남긴다. Ready for Agent의 검증 케이스에서는 근거가 된 문서 원문도 확인할 수 있다.
현재 Syntitan은 AI 모델 업무에서 동일한 조건으로 데이터 준비 전후의 결과를 비교하는 기능을 제공한다. Ready for Agent는 업무 자료에서 검증 케이스를 만들고, 고객이 이를 내려받아 자신의 에이전트에서 직접 실행해 볼 수 있다. 케이스의 근거가 된 문서 원문도 확인할 수 있다. 다음 단계로는 에이전트의 실행 결과를 받아 업무 문서의 기준으로 평가하고, 준비 전후 결과를 비교하는 기능을 더할 계획이다.
나아가 변경된 자료와 검증 케이스를 연결해 재검증이 필요한 범위를 제시하는 방향으로 확장하려 한다. 핵심은 준비한 데이터와 업무 지식을 특정 모델의 설정에만 묶어두지 않고 기업의 자산으로 쌓는 것이다. 모델을 교체할 때도 그 자산을 재사용하고, 같은 업무와 평가 조건에서 새 모델의 결과를 비교할 수 있도록 발전시키고 있다. 모델마다 입력 방식과 동작이 다르므로 추가 조정과 검증은 필요하지만, 업무 지식까지 처음부터 다시 정리하는 부담은 줄이려 한다.
준비한 데이터와 업무 지식이 실제 AI 활용에 어떻게 연결됐는지도 볼 수 있어야 한다. 이를 위해 어떤 데이터와 업무 지식을 함께 사용했는지 그래프로 보여주는 구조를 개발하고 있다. 결과가 기대에 못 미치면 연결된 자료와 판단 기준을 따라가며 보완할 부분을 살펴보도록 하려 한다. 이후에는 성과가 좋은 활용 사례에서 어떤 데이터 조합이 쓰였는지 분석해, 추가하면 도움이 될 데이터를 추천하는 방향으로 확장할 계획이다.
이 흐름이 갖춰지면 담당자는 변경이 생길 때마다 케이스와 판단 기준을 처음부터 다시 만들 필요가 줄어든다. 이전에 확인한 자료와 기준을 가져오고 이번에 바뀐 조건부터 검토할 수 있다. 무엇을 왜 다시 확인했는지 기록이 남기 때문에 검증과 재검토의 근거를 내부와 외부 이해관계자에게 설명하기도 쉬워진다.
나는 데이터 보안과 프라이버시를 연구하면서 가치 있는 데이터일수록 규제와 보안 때문에 쓰지 못하는 현실을 오래 봐 왔다. 큐빅은 그 데이터를 쓸 수 있는 상태로 만드는 기술에서 출발했다. 그런데 연구와 사업을 함께 하며 더 큰 문제를 발견했다. 쓸 수 있게 된 데이터라도 특정 업무에 맞게 준비돼 있는지는 별개의 문제였다.
고성능 프론티어 모델이 빠르게 발전하면서 대부분의 기업이 비슷한 수준의 모델을 쓸 수 있게 됐다. 하지만 좋은 모델을 도입하는 것만으로 그 회사의 업무까지 준비되는 것은 아니다. 차이는 현장의 예외와 판단 조건까지 데이터가 준비돼 있느냐에서 생긴다.
에이전트가 등장하면서 이 차이는 더 선명해졌다. 많은 현장에서 AI의 답이 그럴듯해 보여도 현업 전문가가 일일이 확인하고 고친다. 업무 판단에 필요한 조건이 데이터와 평가 기준에 충분히 반영되지 않으면, 전문가의 반복 검토가 AI 확산의 병목이 된다. 내가 Agent-Ready Data라고 부르는 것은 이 판단 조건까지 데이터와 평가 기준에 담아 에이전트에 업무를 맡길 수 있도록 준비한 상태다. 전문가가 매번 보충하던 판단 조건을 회사의 자산으로 남기면 같은 검토를 처음부터 반복하는 부담이 줄어든다. 여기에 기회가 있다고 봤다.
큐빅은 기업 데이터를 AI 업무에 맞게 준비하고 보완하며, 그 변화가 실제 결과에 도움이 되는지 확인하는 제품을 만든다. 대상은 에이전트에만 한정되지 않는다. AI 모델을 활용하는 다양한 업무에서 데이터의 의미와 판단 조건을 이어 쓸 수 있도록 하는 것이 방향이다. 고객이 사용하던 데이터 플랫폼이나 모델부터 바꾸라고 요구하지 않는다. 이미 가진 자료와 맡기려는 업무 하나에서 시작한다.
AI모델은 계속 바뀐다. 그때마다 기업이 데이터와 업무 지식을 처음부터 다시 준비해야 한다면 비용과 운영 부담이 반복될 수밖에 없다. 한 번 정리한 데이터의 의미와 업무 기준, 확인한 결과가 회사에 남아 다음 모델과 다음 업무에도 쓰이도록 만드는 것이 중요하다. 대기업뿐 아니라 작은 팀도 하나의 업무에서 시작해 이러한 자산을 쌓고 활용 범위를 넓힐 수 있는 제품으로 키우고 싶다.
배호 대표가 제시하는 방향은 기업 데이터를 업무에 맞게 바꾸고, 그 변화가 AI 결과에 도움이 되는지 확인하는 것이다. 민감한 정보, 부족한 사례, 문서에 드러나지 않은 판단 조건처럼 AI 활용을 가로막는 데이터 문제를 다루고, 준비한 데이터와 기준을 다음 업무에서도 활용하도록 한다.
큐빅의 강점은 데이터 보안과 합성데이터에서 축적한 기술을 Syntitan의 데이터 준비와 검증 기능으로 연결하고 있다는 점이다. 민감정보와 희소 사례 때문에 데이터 활용이 어려운 금융·공공·통신·헬스케어 같은 규제 산업에서는 DTS와 LLM Capsule까지 아우르는 포트폴리오가 차별화 요소가 될 수 있다.
모델이 바뀌어도 기업이 쌓은 데이터와 업무 지식은 계속 활용할 수 있어야 한다. 큐빅은 준비한 자산을 특정 모델의 설정과 분리해 쌓고, 데이터나 업무 조건이 달라지면 필요한 부분을 다시 보완·검증하는 방향으로 제품을 확장하고 있다. 같은 모델을 쓰더라도 자사의 데이터와 업무 조건을 얼마나 잘 반영하느냐가 기업 AI 활용의 차이를 만든다는 설명이다.
류지영 국장, 유은정 기자 judy6956@etnews.com
