소규모 기업을 위한 온톨로지 및 CEO STAFF 에이전트 서비스

문제 정의

CTO가 나가고 3개월간 제품 개발이 멈췄다

서치라이트 AI에는 PM/PO가 없었다. CEO가 PM 출신이라 전략 문서와 기획안을 직접 작성해야 개발팀이 움직이는 구조였는데, CEO는 다른 업무가 많아 실무와 거리가 멀어지면서 병목이 됐다. 이 역할을 보완하던 CTO가 퇴사한 뒤, 약 3개월간 제품 개발이 완전히 멈췄다. 전략과 기획 산출물이 없으면 개발팀이 다음 스프린트를 시작할 수 없는 구조적 의존이 문제였다. GPT나 클로드를 써보기도 했지만, 기업 맥락이 없는 범용 AI는 산출물의 검수 리소스만 증가시켰고, 결국 사람이 처음부터 다시 쓰는 것과 다를 바 없었다.

가설 수립

기업 온톨로지를 구축하면 범용 AI가 실무 AI로 전환된다

물론 PM/PO를 채용하는 방법도 있었으나, 10인 미만 소규모 스타트업 상황에서 현실적이지 않았다. CEO와 조직 모두 AX 경험이 없었기 때문에 본인이 직접 제안한 프로젝트였다. 웨딩스튜디오 프로젝트에서 암묵지를 온톨로지로 전환해본 경험이 있었고, IT 스타트업이라 사업계획서, IR덱 등 기존 문서가 풍부하다는 점이 유리한 조건이었다. AI로 온톨로지를 구축하면 기업 맥락 파악이 빨라진다는 학습을 바탕으로, 기업 데이터로 온톨로지를 구축하고 도메인별 에이전트에 학습시키면 일반 LLM 대비 검수 없이 실무에 바로 활용 가능한 품질을 달성할 수 있을 것으로 보았다.

솔루션 도출

PDF 학습부터 경영진 교차검증, 라이브 데이터 연결까지 3단계로 온톨로지를 구축했다

먼저 사업계획서와 IR덱 등 기초 PDF 자료를 기반으로 1차 온톨로지를 구축했다. 비어있는 정보를 채우기 위해 CEO와 CBO를 각각 개별 인터뷰하고, 1차 온톨로지를 기반으로 두 경영진의 답변을 상호 교차검증하는 2차 인터뷰를 진행하여 정보의 정확도를 높였다. 마지막으로 Slack과 Notion을 MCP로 연결하여 라이브 데이터까지 반영하는 구조를 완성했다. 이렇게 만든 온톨로지 위에 본인이 개인 프로젝트로 구축한 business-ai-team을 이 회사에 맞게 커스텀하여 17개 도메인별 에이전트를 배치했다. RLVR과 피드백 루프를 훅으로 구현하여, 사용할수록 에이전트가 자동으로 고도화되는 구조를 설계했다.

결과 & 배운 점

대표도, 구성원도 "와우"한 결과

CEO는 체감 업무 속도가 300% 이상 향상됐다고 피드백했다. 다른 구성원들에게도 확장 적용했을 때 전원이 높은 만족도를 보였고, 전 도메인에 걸쳐 있던 의사결정 병목이 해소됐다. 범용 AI를 쓸 때와는 확연히 다른 수준의 기업 맥락 이해와 산출물 품질이 핵심 차이였다.

이 프로젝트에서 온톨로지의 강력함을 확실히 체감했다. 범용 AI와 실무 AI의 차이는 기업 온톨로지의 유무에 달려 있었다. 맥락을 학습한 에이전트는 신규 사원 이상의 효용을 만들어냈고, 검수 리소스를 줄이는 것을 넘어 산출물 자체의 수준을 끌어올렸다. 특히 RLVR과 피드백 루프를 훅으로 구현하여 에이전트를 지속적으로 고도화하는 구조를 만든 것이, 이전 프로젝트에서의 학습을 실제 시스템으로 구현해낸 성과라는 점에서 개인적으로 가장 큰 성장 포인트였다.