실행 가이드auto2026-10-14

잠자는 기업 지식을 행동으로 전환하는 플레이북: AI 에이전트와 지식 순환의 새로운 융합

한 줄 답변

회사에 축적된 방대한 지식이 실제 업무에서 제대로 활용되지 못하고 있다면, 이제 AI 에이전트를 통해 지식을 살아있는 자산으로 바꾸고 행동으로 연결할 때입니다. 단순히 정보를 저장하는 것을 넘어, 능동적으로 학습하고 업무에 개입하는 AI 에이전트의 시대가 열리고 있습니다. 이 글은 AI 에이전트 기반 지식 순환을 통해 기업 지식을 실질적인 성과로 전환하는 전략적 접근법을 제시합니다.

회사에 쌓인 수많은 문서와 데이터가 정작 필요할 때 찾아지지 않거나, 담당자가 바뀌면 그 노하우가 함께 사라지는 경험, 해본 적 있을 것이다. 같은 질문이 반복되고, 매번 처음부터 정보를 찾아야 하는 비효율은 기업의 성장 동력을 갉아먹는 주범이다. 이러한 기업 지식을 행동으로 전환하는 것은 이제 선택이 아닌 필수가 되었으며, AI 에이전트의 등장은 이 문제에 대한 근본적인 해결책을 제시한다. 더 이상 지식은 수동적인 아카이브가 아니라, 능동적으로 학습하고 업무에 개입하며 비즈니스 가치를 창출하는 핵심 동력으로 재정의되고 있다.

지식 순환: AI 에이전트 시대의 새로운 패러다임

전통적인 지식 관리 시스템은 주로 지식의 저장과 검색에 초점을 맞췄다. 하지만 급변하는 비즈니스 환경에서 지식은 단순히 보관되는 것을 넘어, 끊임없이 업데이트되고, 검증되며, 새로운 행동으로 이어져야 한다. 여기서 AI 에이전트가 핵심적인 역할을 수행한다.

최근 OpenAI와 Atlassian의 파트너십 확장 사례에서 보듯이, 산업 리더들은 AI 모델을 기업 플랫폼에 통합하여 팀의 업무 계획, 구축, 전달을 돕는 AI 경험을 구현하고 있다. 이들은 Atlassian의 'Teamwork Graph'라는 기업 문맥 계층과 OpenAI의 첨단 모델을 결합하여, AI가 회사의 업무 방식을 깊이 이해하고 사람, 프로젝트, 문서, 의사결정을 연결하여 실행 가능한 통찰을 제공하게 한다 ([출처 1]). 예를 들어, 제품 관리자가 출시 준비 상황을 물었을 때, AI 에이전트는 Jira 티켓, Confluence 문서, 관련 논의를 연결하여 잠재적 문제를 파악하고 권장 조치를 제안함으로써, 팀이 정보를 취합하는 시간을 줄이고 핵심 업무에 집중하게 한다.

이러한 움직임은 지식이 단순히 '존재하는 것'을 넘어 '순환하며 행동을 유발하는 것'으로 진화하고 있음을 보여준다.

전통적인 지식 관리 vs. AI 에이전트 기반 지식 활성화

구분	전통적인 지식 관리 시스템 (KMS)	AI 에이전트 기반 지식 활성화 (AKA)
목표	지식의 저장, 검색, 공유	지식의 자동 학습, 큐레이션, 능동적 행동 전환
지식의 형태	정적 문서, 매뉴얼, FAQ 등	동적 데이터, 실시간 업무 흐름, 경험 데이터
주요 역할	정보 접근성 향상, 업무 효율성 지원	업무 분석, 문제 예측, 해결책 제시, 자동화된 실행
학습 방식	수동 업데이트, 관리자 지정	자동 학습, 피드백 기반 지속적 개선
한계	최신성 유지 어려움, 문맥 이해 부족, 수동적 활용	학습 데이터의 품질 의존, 초기 구축 복잡성
궁극적 가치	지식 소실 방지, 정보 공유 촉진	지식의 자산화, 비즈니스 의사결정 고도화, 혁신 가속

기업 지식을 행동으로 전환하는 AI 에이전트 플레이북

지식이 단순히 저장되는 것을 넘어 실제 행동으로 이어지기 위해서는 AI 에이전트가 지식을 효과적으로 '학습하고', '큐레이션하며', '활용'하는 과정이 필수적이다. 최신 연구 동향은 이러한 에이전트의 지능을 고도화하는 방법을 제시한다.

1단계: 검증된 지식 기반 구축과 학습 (문서화된 경험 → AI 학습)

기업 내 지식은 파편화되어 있거나, 담당자 개인의 경험에 묶여 있는 경우가 많다. AI 에이전트가 효과적으로 작동하려면, 이 파편화된 지식을 학습 가능한 형태로 구조화해야 한다.

기존 문서의 통합 학습: PDF, 워드, TXT 파일, 웹페이지 등 다양한 형식의 문서들을 AI가 학습할 수 있도록 통합한다. 단순히 파일만 올리는 것을 넘어, 문서 간의 관계를 이해하고 문맥을 파악하도록 설계해야 한다.
경험 기반 지식의 디지털화: 반복되는 고객 문의, 업무 처리 노하우, 예외 상황 처리 기록 등 담당자의 머릿속에만 있는 지식을 Q&A 형태로 직접 학습시키거나, 업무 기록을 통해 AI가 패턴을 인식하게 한다. 이는 '도입 첫 주와 한 달 뒤의 응답 범위가 달라지는' AI의 성장 기반이 된다.

2단계: 에이전트 기반의 능동적 지식 큐레이션 및 학습 피드백 루프 설계 (AI-for-AI)

AI 에이전트가 단순히 지식을 찾아주는 것을 넘어, 지식을 스스로 개선하고 발전시키는 능동적인 역할을 하도록 시스템을 구축해야 한다. 이는 최신 AI 연구에서 'Agentic Data Engineering (ADE)'로 불리는 개념과 맞닿아 있다 ([출처 2]).

반복적 학습 및 개선: 에이전트는 답하지 못한 질문이나 부정확했던 답변을 학습 대상으로 인식하고, 피드백을 통해 스스로 지식 엔지니어링 전략을 개선한다. 이는 LLM이 데이터 선택, 보상, 교육 과정을 통해 학습 효율을 높이는 과정과 유사하다.
지식의 검증과 구조화: 과학 문헌에서 실험 데이터를 큐레이션하는 'SciCurateBench'와 같은 연구 사례는 복잡하고 이질적인 정보 속에서 정확한 지식을 검증하고 구조화하는 에이전트의 중요성을 보여준다 ([출처 3]). 에이전트는 근거 문서가 없으면 답변하지 않고 사람에게 연결하거나, 사람의 승인을 거친 내용만을 지식으로 승격시켜 잘못된 정보가 축적되는 것을 방지해야 한다. 모든 답변에 출처를 명시하여 신뢰도를 확보하는 것도 중요하다.

3단계: 지식과 업무 흐름의 통합 및 사람의 역할 재정의 (지식을 행동으로)

AI 에이전트가 학습하고 큐레이션한 지식은 실제 업무 흐름 속에 녹아들어 행동으로 전환되어야 한다.

업무 툴과의 연동: AI 에이전트를 기존의 업무 관리 시스템(CRM, 협업 툴 등)과 연동하여, 단순히 정보 제공을 넘어 실제 업무를 할당하고 진행 상황을 추적하며, 의사결정을 기록할 수 있도록 한다.
사람과 AI의 협업: 반복적인 상담과 단순 지식 검색은 AI 에이전트에게 맡기고, 사람은 판단, 관계 형성, 전략 수립과 같이 더 가치 있는 일에 집중하도록 한다. 에이전트는 사람이 더 나은 결정을 내릴 수 있도록 실행 가능한 통찰을 제공하는 조력자 역할을 수행해야 한다.
측정 및 평가: AI 에이전트 도입이 개발 속도, 주기 시간, 개발자 경험 등 비즈니스 지표에 미치는 영향을 측정하고 평가하여, AI의 가치를 지속적으로 증명하고 개선해 나간다.

Key Insight

기업 지식의 역할 재정의: 지식은 더 이상 수동적인 보관물이 아닌, 능동적으로 학습하고 업무에 개입하며 비즈니스 가치를 창출하는 핵심 동력이다.
AI 에이전트의 핵심 가치: 단순히 정보를 검색하는 것을 넘어, 문맥을 이해하고, 능동적으로 지식을 큐레이션하며, 실행 가능한 통찰을 제공하여 실제 업무 행동으로 이어진다.
지식 순환의 중요성: 에이전트는 답하지 못한 질문을 학습 대상으로 삼아 스스로 지식 엔지니어링 전략을 개선하고, 사람의 피드백과 승인을 통해 검증된 지식을 축적하며 신뢰를 쌓아간다.
사람과 AI의 시너지: AI 에이전트가 반복적이고 지식 집약적인 업무를 처리하여 사람은 더 복잡하고 전략적인 가치 창출에 집중함으로써, 기업의 전반적인 생산성과 혁신 역량을 높일 수 있다.

참고자료

Atlassian and OpenAI expand partnership to turn enterprise knowledge into action
[2610.14238] Agentic Data Engineering for LLMs: System Design and a Controlled Empirical Study](https://arxiv.org/abs/2610.14238)
[2610.14393] SciCurateBench: Curating Experimental Data from Heterogeneous Scientific Literature with Verbal-Action Agents](https://arxiv.org/abs/2610.14393)