디노티시아, AI 에이전트용 업무 지식 플랫폼 ‘AKB’ 오픈소스로 공개

기업 지식을 AI 에이전트가 바로 쓰게 하겠다는 플랫폼

• 디노티시아가 AI 에이전트용 지식 관리 플랫폼 ‘AKB’를 깃허브에 오픈소스로 공개함

  • AKB는 Agent Knowledge Base의 약자임
  • 비상업적 목적 사용자는 무료로 쓸 수 있음
  • 디노티시아는 장기기억 인공지능(AI)과 반도체 기반 AI 인프라 기술을 개발하는 국내 기업임

• 핵심은 회사 안에 흩어진 지식을 AI 에이전트가 직접 활용할 수 있는 형태로 묶는 것임

  • 대상은 문서, 파일, 데이터베이스뿐 아니라 개별 구성원의 업무 기록까지 포함함
  • 개발, 영업, 인사, 마케팅처럼 실제 업무 프로세스에서 에이전트가 맥락을 이어가도록 만드는 게 목표임

• 문제의식은 꽤 현실적임. 회사 지식은 보통 한 곳에 안 모여 있음

  • 문서함, 협업 툴, 발표 자료, 데이터베이스에 조각조각 흩어져 있음
  • 그래서 사람이 이미 만든 자료를 다시 전달하거나, 담당자에게 같은 내용을 또 물어보거나, AI가 읽을 수 있게 문서를 따로 바꾸는 일이 생김
  • 다들 겪어본 그 “자료 어디 있어요?” 루프를 줄이겠다는 얘기임

단순 RAG 저장소보다 ‘조직의 장기 기억’에 가까움

• AKB가 내세우는 차별점은 기존 검색 증강 생성(RAG)식 문서 검색에 머물지 않는다는 점임

  • 일반적인 RAG 저장소는 주로 문서를 넣고, 검색해서, 답변 생성에 참고시키는 흐름에 가까움
  • AKB는 AI 에이전트가 업무 중 새로 만든 대화, 작업 기록, 판단 근거, 결과물까지 계속 축적하고 정리하게 설계됐다고 함

• 이 구조가 제대로 굴러가면 에이전트가 ‘매번 처음 보는 인턴’처럼 행동하는 문제를 줄일 수 있음

  • 이전에 어떤 결정을 했는지
  • 어떤 근거로 그 결론이 나왔는지
  • 어떤 결과물이 만들어졌는지
  • 이런 맥락을 조직 단위로 공유하는 쪽에 초점을 맞춤

기술적으로는 온톨로지, 그래프, MCP, 벡터 검색을 묶음

• AKB는 서로 다른 형태의 정보를 하나의 지식 기반으로 통합하는 구조를 지향함

  • 문서, 파일, 데이터베이스 테이블 같은 포맷이 다른 자료를 함께 다룸
  • 표준 마크다운 문서 관리도 지원함
  • SQL 데이터베이스와 오브젝트 스토리지 같은 콘텐츠 저장소도 통합 관리 대상으로 언급됨

• 온톨로지 기반 구조를 적용해 자료 간 의미 관계까지 다루려는 점이 눈에 띔

  • 단순히 “이 문서에 이 키워드가 있다”가 아니라, 문서와 데이터가 어떤 의미로 연결되는지 정의하는 방식임
  • AI 에이전트가 개별 자료만 보는 게 아니라 자료 사이의 관계까지 활용하게 하겠다는 의도임

• 모델 컨텍스트 프로토콜(MCP) 기반 연동도 지원함

  • MCP는 AI 모델과 외부 도구·데이터 소스를 연결하는 표준화 흐름으로 많이 거론되는 기술임
  • AKB가 이걸 지원한다는 건 기업 내부 시스템을 에이전트 쪽에 붙이는 확장성을 의식했다는 뜻임

• 검색 쪽은 그래프 기반 연관성 정의와 벡터 데이터베이스 검색을 결합함

  • 업무 지식 간 관계를 그래프로 연결함
  • 디노티시아의 벡터 데이터베이스 ‘씨홀스(Seahorse)’ 기반 검색과 결합함
  • 키워드만으로 찾기 어려운 업무 맥락과 관련 정보를 같이 탐색하는 게 목표임

sequenceDiagram
    participant 사용자
    participant AI에이전트
    participant AKB
    participant 기업데이터
    participant 벡터검색
    사용자->>AI에이전트: 업무 요청 전달
    AI에이전트->>AKB: 필요한 조직 맥락 요청
    AKB->>기업데이터: 문서·파일·데이터베이스 조회
    AKB->>벡터검색: 의미 기반 관련 정보 탐색
    벡터검색-->>AKB: 관련 맥락 반환
    AKB-->>AI에이전트: 권한 범위 내 지식 제공
    AI에이전트-->>사용자: 맥락 반영 결과물 생성

조직 단위 권한 관리까지 전제로 잡음

• AKB는 개인용 노트 앱이 아니라 조직 운영을 전제로 설계됐다고 함

  • 부서별 권한 관리
  • 역할별 접근 제어
  • 프로젝트별 접근 경계 제어가 주요 설계 요소로 들어감

• 이 부분이 기업 도입에서는 핵심임

  • AI 에이전트가 회사 지식을 잘 쓰는 것도 중요하지만, 민감한 정보를 아무나 보게 만들면 바로 사고임
  • AKB는 지식 공유와 보안 요구를 동시에 맞추는 구조를 내세움

• 기사에서는 LLM Wiki, GBrain 같은 장기 기억·지식 저장소 흐름도 함께 언급함

  • AI 에이전트가 일회성 챗봇을 넘어서려면 기억과 맥락 관리가 필요하다는 분위기가 커지고 있음
  • AKB는 그 흐름을 기업 환경에 맞춘 플랫폼으로 포지셔닝하는 셈임

디노티시아가 보는 방향은 ‘모델보다 데이터 활용력’

• 디노티시아는 개발자와 실무 사용자 피드백을 받아 AKB를 계속 고도화할 계획이라고 밝힘

  • 오픈소스로 공개한 만큼 실제 업무 환경에서 어떤 요구가 나오는지가 중요해질 듯함
  • 특히 기업별 문서 구조, 권한 체계, 데이터베이스 연결 방식이 제각각이라 이 부분이 관건임

• 정무경 대표는 기업의 AI 경쟁력이 “어떤 모델을 도입했느냐”에서 “조직 데이터를 AI가 얼마나 잘 활용하느냐”로 옮겨가고 있다고 설명함

  • 요즘 기업들이 대규모 언어 모델(LLM)을 붙여도 기대만큼 성과가 안 나는 이유와도 연결됨
  • 모델은 좋아졌는데, 정작 회사 내부 맥락과 데이터가 AI에게 제대로 안 들어가면 결과물 품질은 금방 한계에 부딪힘

• 한국 개발자 입장에서는 꽤 직접적인 뉴스임

  • 국내 기업이 AI 에이전트 지식 인프라를 오픈소스로 공개했다는 점
  • MCP, RAG, 벡터 검색, 권한 관리처럼 지금 기업 AI 도입에서 자주 부딪히는 요소를 한 번에 다룬다는 점
  • 실제로 써볼 수 있는 형태로 공개됐다는 점에서 그냥 보도자료로만 넘기기엔 아까움

기술 맥락

• AKB가 풀려는 문제는 “AI가 답을 잘하느냐”보다 “AI가 우리 회사 일을 아느냐”에 가까워요. 대규모 언어 모델(LLM) 자체는 범용 지식에는 강하지만, 사내 문서와 업무 이력, 의사결정 맥락은 기본적으로 모르거든요.

• 기존 검색 증강 생성(RAG)은 문서를 찾아 답변에 붙이는 데 강점이 있지만, 업무 중 새로 생기는 판단 근거와 결과물까지 계속 기억하는 구조로 쓰려면 부족할 수 있어요. AKB가 대화, 작업 기록, 결과물까지 저장 대상으로 잡은 이유가 여기에 있어요.

• 온톨로지와 그래프 기반 관계 정의를 넣은 것도 같은 맥락이에요. 기업 지식은 단일 문서 하나보다 “이 문서가 어떤 프로젝트, 고객, 데이터베이스 테이블과 연결되는지”가 더 중요한 경우가 많거든요.

• MCP 지원은 에이전트와 외부 시스템을 붙이는 연결부를 의식한 선택이에요. 기업 내부 데이터가 SQL 데이터베이스, 오브젝트 스토리지, 마크다운 문서처럼 여러 형태로 흩어져 있으니, 표준화된 연동 방식이 없으면 매번 커스텀 통합 비용이 커져요.

• 권한 관리가 설계 요소로 들어간 것도 중요해요. 조직 전체 지식을 AI가 활용하게 만들수록 보안 리스크가 같이 커지기 때문에, 부서·역할·프로젝트 단위 접근 제어가 없으면 실제 기업 도입에서는 바로 막힐 가능성이 높아요.