개요

ChatGPT 이후 AI는 빠르게 대중화되었습니다. 처음에는 질문에 답하고, 문장을 다듬고, 코드를 제안하는 도구로 받아들여졌습니다. 하지만 기업 안에서 일어나는 변화는 그보다 훨씬 큽니다.

AI는 이제 단순한 답변 도구를 넘어 데이터를 읽고, 맥락을 이해하고, 판단을 보조하고, 실제 실행에 참여하는 새로운 지능이 되고 있습니다. 기업 안에는 더 이상 사람만 일하지 않습니다. 사람과 함께 일하는 또 하나의 지능이 등장했습니다.

이 변화의 핵심은 "AI를 어떻게 잘 쓰는가"가 아닙니다. 더 중요한 질문은 이것입니다.

기업은 새로운 지능이 실제 업무에서 일할 수 있도록 어떤 운영 체계를 가져야 하는가?

저는 이 운영 체계를 AI Work OS라고 정의합니다.

AI Work OS는 AI가 기업 안에서 이해하고, 실행하고, 통제받으며 일할 수 있도록 만드는 기반입니다. AI가 이해할 수 있는 데이터와 맥락, 실제 업무를 수행할 수 있는 실행 구조, 그리고 그 실행을 안전하게 운영하기 위한 통제 구조를 함께 갖춘 체계입니다.

발표 자료

이 글의 기반이 된 발표 자료는 OpenAI Founder Day - AI Work OS (PDF)에서 확인할 수 있습니다.

새로운 지능의 등장

지금까지 기업의 업무 시스템은 사람을 중심으로 설계되어 왔습니다.

사람이 시스템에 로그인하고, 데이터를 조회하고, 문서를 작성하고, 결재를 올리고, 권한을 요청하고, 실행 결과에 책임을 졌습니다. 접근 통제와 감사도 기본적으로 사람의 계정, 사람의 권한, 사람의 행위를 중심으로 만들어졌습니다.

하지만 AI Agent가 기업 업무에 들어오면 이 전제가 바뀝니다.

AI는 단순히 사용자의 질문에 답하는 것이 아니라 다음과 같은 일을 수행합니다.

• 여러 시스템에서 필요한 데이터를 찾습니다.

• 문서와 대화, 정책, 과거 이력을 함께 읽습니다.

• 판단에 필요한 근거를 정리합니다.

• 보고서, 견적서, 분석 문서 같은 산출물을 만듭니다.

• 승인 요청이나 업무 실행까지 이어지는 흐름을 만듭니다.

이때 AI는 독립적인 직원처럼 일하는 것은 아니지만, 분명히 기업 업무의 일부를 수행하는 지능이 됩니다. 따라서 기업은 AI를 단순한 SaaS 도구나 챗봇으로만 볼 수 없습니다. 새로운 지능이 기업 데이터와 시스템에 접근하고 실행에 참여하는 구조로 봐야 합니다.

생각하는 도구의 등장과 기업의 운영, 통제 질문

AI Work OS가 필요한 이유

새로운 지능과 함께 일하려면 기업에는 세 가지가 필요합니다.

첫째, AI가 이해할 수 있는 데이터와 맥락입니다.

기업의 데이터는 대부분 흩어져 있습니다. 데이터베이스, SaaS, 파일, 문서, 메신저, 결재 시스템, 업무 히스토리, 담당자의 암묵지 안에 나뉘어 존재합니다. AI가 의미 있는 판단을 하려면 단순히 데이터에 접근하는 것만으로는 부족합니다. 데이터가 어떤 업무 맥락에서 만들어졌고, 어떤 정책과 프로세스에 연결되어 있으며, 어떤 예외와 도메인 지식을 포함하는지 이해할 수 있어야 합니다.

둘째, 실제 업무를 수행할 수 있는 실행 구조입니다.

AI가 분석 결과를 말로만 제안하는 단계에 머물면 기업 생산성은 제한적으로만 올라갑니다. 업무는 결국 실행되어야 합니다. 필요한 데이터를 조회하고, 시스템을 호출하고, 문서를 만들고, 담당자에게 승인 요청을 보내고, 결과를 기록하는 흐름이 있어야 합니다. AI Agent는 이 실행 흐름 안에서 판단과 작업을 연결해야 합니다.

셋째, 실행을 안전하게 운영하기 위한 통제 구조입니다.

AI가 데이터를 보고 시스템을 호출하며 실행에 관여하는 순간, 가장 중요한 문제는 성능만이 아닙니다. 어떤 권한으로 움직였는지, 무엇을 실행했는지, 누가 승인했는지, 어떤 기록이 남았는지, 민감한 데이터는 보호되었는지가 핵심이 됩니다.

AI Work OS는 이 세 가지를 하나의 운영 체계로 묶는 개념입니다. 맥락, 실행, 통제가 분리되어 있으면 AI는 업무에 깊이 들어갈 수 없습니다. 반대로 세 가지가 함께 설계되면 AI는 기업 안에서 책임 있게 일할 수 있습니다.

QueryPie AI Work OS의 맥락, 실행, 통제 구조

핵심 과제는 실행과 통제다

많은 기업이 AI 도입을 이야기할 때 모델 성능, 답변 품질, RAG 정확도부터 고민합니다. 물론 중요합니다. 하지만 기업 환경에서는 그 다음 문제가 더 어렵습니다.

AI가 검색, 분석, 문서 작성, 승인 요청, 실행까지 하게 되면 기업은 다음 질문에 답해야 합니다.

• AI가 어떤 데이터에 접근할 수 있는가?

• 어떤 시스템을 호출할 수 있는가?

• 어떤 권한으로 실행하는가?

• 실행 전 승인이나 검토가 필요한가?

• 실행 과정과 결과는 어디에 기록되는가?

• 문제가 생겼을 때 누가 책임지고 추적할 수 있는가?

이 질문에 답하지 못하면 AI는 실험실과 개인 생산성 도구에 머물게 됩니다. 기업의 핵심 업무로 들어오려면 실행에 따르는 책임과 통제가 반드시 필요합니다.

AI 시대의 핵심 과제는 AI를 더 똑똑하게 만드는 것만이 아닙니다. AI가 무엇을 할 수 있고, 무엇을 하면 안 되며, 무엇을 했는지 설명할 수 있게 만드는 것입니다.

AI Agent 시대의 새로운 문제: 답변 생성을 넘어 업무 실행으로

QueryPie가 보는 세 가지 축: AIP, ACP, FDE

QueryPie는 AI Work OS를 세 가지 축으로 다루고 있습니다.

첫 번째 축은 AIP(AI Platform)입니다. AIP는 AI를 실제로 일하게 만드는 실행의 기반입니다. 기업이 AI Agent를 만들고, 업무 흐름을 구성하고, LLM, RAG, MCP, Skills, Agent를 조합해 실제 업무 실행을 실험하고 구현할 수 있는 플랫폼입니다.

두 번째 축은 ACP(Access Control Platform)입니다. ACP는 권한, 감사, 기록을 다루는 통제의 기반입니다. AI가 어떤 리소스에 접근하고, 어떤 권한으로 시스템을 호출하며, 그 과정이 어떻게 기록되고 감사되는지를 리소스별로 통제합니다.

세 번째 축은 FDE(Field Domain Engineering)입니다. FDE는 고객 현장의 업무를 이해하고, 도메인 지식을 구조화해, AI가 실제 성과를 만들 수 있는 형태로 바꾸는 적용의 축입니다.

이 세 가지는 각각 별도의 제품이나 기능으로만 볼 수 없습니다. AI Work OS라는 관점에서 보면 AIP는 실행을 만들고, ACP는 실행을 통제하고, FDE는 실행이 실제 업무 가치로 연결되도록 만듭니다.

AIP, ACP, FDE가 구성하는 Enterprise AI Work OS

QueryPie의 진화: 사람의 접근통제에서 지능의 접근통제로

QueryPie는 원래 사람, 즉 인간지능을 대상으로 하는 접근통제 회사였습니다.

사람이 데이터베이스, 서버, 쿠버네티스, 클라우드 리소스에 접근할 때 누가, 언제, 어떤 권한으로, 무엇을 했는지 통제하고 기록하는 것이 QueryPie의 출발점이었습니다.

하지만 AI가 기업 데이터와 시스템에 접근하는 시대가 되면서 통제 대상이 확장되었습니다. 이제는 사람뿐 아니라 인공지능도 통제 대상이 되었습니다.

AI를 제대로 통제하려면 AI가 어떻게 일하는지 이해해야 합니다. 단순히 "접근을 막는다"는 방식만으로는 부족합니다. AI가 어떤 맥락을 보고, 어떤 도구를 호출하고, 어떤 순서로 판단하고, 어떤 실행으로 이어지는지 알아야 합니다.

그래서 QueryPie는 AIP를 만들었습니다. AIP를 통해 AI Agent가 실제 업무에서 어떻게 움직이는지 실험하고, 고객 현장에서는 FDE를 통해 어떤 도메인 지식과 업무 구조가 필요한지 경험을 쌓았습니다. 그리고 이 경험을 다시 ACP로 가져와 AI의 접근과 실행을 통제하는 구조로 확장하고 있습니다.

이것이 QueryPie가 AI Work OS로 진화하는 방향입니다.

QueryPie의 회사 소개 및 AI Work OS 확장 흐름

AIP: 실행의 기반

AIP는 기업이 AI Agent를 만들고 실행해보는 플레이그라운드입니다.

기업 업무에 맞는 AI Agent를 만들려면 여러 요소가 필요합니다. LLM은 판단과 언어 이해를 담당합니다. RAG는 기업 내부 문서와 지식을 검색해 답변의 근거를 제공합니다. MCP는 AI가 외부 시스템과 도구를 호출할 수 있는 연결 구조를 제공합니다. Skills는 특정 업무를 수행하기 위한 절차와 능력을 정의합니다. Agent는 이 요소들을 조합해 목적을 가진 실행 흐름을 만듭니다.

AIP: 기업 업무 시스템을 AI Agent와 연결하는 실행 플랫폼

구조적으로 보면 Agent는 LLM을 기반으로 판단하고, MCP Gateway를 통해 DB, SaaS, 내부 시스템, API 같은 기업 리소스를 호출합니다. 그리고 이 실행은 ACP의 통제 아래에서 이루어져야 합니다.

MCP Gateway를 중심으로 여러 LLM과 업무 도구를 통제하는 구조

즉 AIP는 AI가 "생각하고 답하는 공간"이 아니라, AI가 기업 업무의 실행 흐름을 구성하고 검증하는 기반입니다.

Apps: 실행을 업무 경험으로 바꾸는 접점

AIP는 강력하지만 모든 고객이 MCP, Skills, RAG, Agent를 직접 이해하고 조합하기를 원하는 것은 아닙니다.

고객이 궁금한 것은 기술 구조 자체가 아닙니다. 고객이 알고 싶은 것은 훨씬 현실적입니다.

"내 업무에서 어떻게 쓰이는가?"

그래서 QueryPie는 AIP 위에서 업무 단위의 Apps를 만들고 있습니다. Lingo, YuhoNavi, NotePie, Outbound Agent 같은 Apps는 AI의 실행 능력을 회의, 재무 분석, 문서 산출, 영업 실행 같은 일상 업무 안에서 체감하게 만드는 접점입니다.

AIP Apps가 업무 자동화 경험으로 연결되는 방식

이 Apps는 단순한 데모가 아닙니다. AI Agent가 실제 업무의 시작점과 결과물, 승인 흐름, 기록 구조 안에 들어갈 때 어떤 사용자 경험이 필요한지 검증하는 장치입니다.

AI Work OS에서 Apps는 기술을 업무 언어로 바꾸는 계층입니다.

회의, 재무, 지식, 세일즈 업무에서 실행되는 AIP Apps 사례

Lingo를 활용한 글로벌 고객, 파트너 커뮤니케이션 사례

FDE: 고객 현장의 실제 가치를 구현하는 일

기업 고객은 AI 자체를 원하는 것이 아닙니다. 고객이 원하는 것은 자기 업무에서의 효과입니다.

하지만 실제 기업 업무는 문서만 읽어서 이해하기 어렵습니다. 문서에 없는 예외가 있고, 담당자의 암묵지가 있고, 오래된 업무 히스토리가 있으며, 고객별 특수 조건이 있습니다. 같은 용어라도 부서마다 의미가 다르고, 같은 프로세스라도 현장에서는 다르게 운영됩니다.

FDE는 이 복잡한 업무를 이해하고, 도메인 지식을 구조화해, AI가 실행 가능한 형태로 바꾸는 역할을 합니다.

FDE가 고객 도메인과 데이터 파이프라인을 실행 프로토타입으로 바꾸는 흐름

예를 들어 Payroll 업무에서는 급여 계산의 예외와 검증 절차를 AI가 다룰 수 있는 구조로 바꾸는 것이 중요했습니다. Toyota 사례에서는 복잡한 사양서 분기를 사람이 오래 해석하던 업무에서 AI가 빠르게 판단 가능한 흐름을 만들었습니다. 견적서 Agent는 숙련 영업 담당자의 암묵지를 조직의 실행 자산으로 전환하는 방향을 보여주었습니다. 재무 자동화는 한 달 가까이 걸리던 경쟁사 리포트 작성 업무를 몇 분 안에 처리 가능한 구조로 바꾸었습니다.

Payroll, Toyota T-Connect, AI 견적서 Agent, 재무 자동화 등 FDE 사례

여기서 핵심은 제품 설치가 아닙니다. 핵심은 실제 업무가 바뀌는가입니다.

FDE는 AI Work OS가 추상적인 플랫폼에 머무르지 않고 고객 현장의 성과로 이어지게 만드는 중요한 축입니다.

온톨로지: 개인 생산성을 조직 생산성으로 확장하는 기반

AI가 개인의 생산성을 높이는 것과 조직 전체가 더 잘 일하게 되는 것은 다릅니다.

개인이 AI로 빠르게 문서를 만들고 분석을 수행해도, 그 과정에서 만들어진 지식과 맥락이 조직 안에 쌓이지 않으면 생산성은 개인 안에 머물게 됩니다. 조직 생산성으로 이어지려면 데이터, 프로세스, 정책, 도메인 지식, 암묵지가 서로 연결되어야 합니다.

이때 필요한 것이 온톨로지입니다.

온톨로지는 AI가 기업 업무를 이해하기 위한 의미 지도입니다. 어떤 데이터가 어떤 업무와 연결되어 있는지, 어떤 정책이 어떤 실행을 제한하는지, 어떤 역할이 어떤 책임을 갖는지, 어떤 예외가 어떤 판단으로 이어지는지를 구조화합니다.

AI Work OS에서 온톨로지는 단순한 지식 그래프가 아닙니다. 개인의 AI 활용을 조직의 생산성으로 확장하기 위한 기반입니다.

온톨로지가 조직의 업무 의미 지도를 구성하는 방식

응급의료 사례: 연결된 맥락 위의 추론

응급의료를 생각해보면 이 원리가 명확해집니다.

응급환자, 구급차, 병원, 병상, 의료진, 장비, 이동 경로가 각각 따로 존재한다면 AI가 할 수 있는 일은 제한적입니다. 하지만 이 정보들이 하나의 맥락으로 연결되면 AI는 실행 가능한 판단을 지원할 수 있습니다.

어떤 환자를 어느 병원으로 보내야 하는지, 어떤 병상과 의료진이 가능한지, 이동 경로와 시간은 어떤지, 필요한 장비가 준비되어 있는지 같은 판단은 단일 정보에서 나오지 않습니다. 연결된 맥락 위에서 나옵니다.

응급의료 맥락에서 병상, 중증도, 이동 경로를 함께 계산하는 추론 예시

이 원리는 병원에만 적용되지 않습니다. 제조, 공급망, 항공우주, 금융, 공공 서비스 등 복잡한 산업일수록 중요한 판단은 데이터 하나가 아니라 연결된 맥락에서 나옵니다.

AI Work OS는 이런 연결된 맥락을 기반으로 AI가 판단하고 실행할 수 있게 만드는 구조입니다.

ACP: 지능을 통제하는 기반

AI가 여러 데이터를 보고, 시스템을 호출하고, 실행에 관여하게 되면 사람 중심의 접근통제만으로는 부족합니다.

기존 접근통제는 사람이 어떤 시스템에 접근하는지를 중심으로 설계되었습니다. 하지만 AI Agent는 사용자를 대신해 여러 리소스를 호출하고, 여러 단계를 거쳐 실행하며, 때로는 승인 요청이나 자동화된 작업까지 수행합니다.

따라서 이제는 AI라는 새로운 지능의 접근과 실행도 통제해야 합니다.

AI Agent와 업무 시스템 접근을 통제하는 QueryPie ACP

ACP는 AI가 어떤 리소스에 접근하는지, 어떤 권한으로 실행하는지, 그 과정이 어떻게 기록되고 감사되는지를 리소스별로 통제합니다. 데이터베이스, SaaS, API, 내부 시스템, 파일, 업무 도구 등 AI가 호출하는 모든 리소스는 권한과 감사의 대상이 되어야 합니다.

데이터베이스부터 MCP까지 확장되는 Enterprise Access Control

AI 시대의 통제는 단순히 접속을 허용하거나 차단하는 문제가 아닙니다. 실행의 맥락, 권한의 범위, 승인 조건, 기록과 감사 가능성을 함께 설계하는 문제입니다.

제품 보안, 운영 신뢰성, 감사 추적성, 컴플라이언스 인증을 갖춘 플랫폼

결론: AI 도입의 핵심은 운영 체계다

AI 도입의 핵심은 단순히 AI 툴을 쓰는 것이 아닙니다.

새로운 지능이 일할 수 있도록 맥락을 연결하고, 실제 업무에서 실행되게 만들고, 그 실행을 안전하게 통제하는 것이 핵심입니다.

AI Work OS는 이 세 가지를 함께 다루는 운영 체계입니다.

• AIP는 AI가 일할 수 있는 실행 기반을 만듭니다.

• Apps는 실행 능력을 실제 업무 경험으로 바꿉니다.

• FDE는 고객 현장의 복잡한 지식을 AI가 실행 가능한 구조로 바꿉니다.

• 온톨로지는 개인의 AI 활용을 조직 생산성으로 확장합니다.

• ACP는 새로운 지능의 접근과 실행을 안전하게 통제합니다.

기업 안에 새로운 지능이 들어오고 있습니다. 이제 필요한 것은 더 많은 AI 도구가 아니라, 이 지능이 책임 있게 일할 수 있는 운영 체계입니다.

그 운영 체계가 바로 AI Work OS입니다.