최근 기업 환경에서 검색 증강 생성(RAG)과 에이전트 프레임워크를 활용한 인공지능(AI)의 도입이 활발합니다. 하지만 기존의 AI 에이전트들은 사용자가 특정 질문을 해야만 작동하는 수동적인 방식에 머물러 있었습니다. 아비나쉬 쿠마르(Avinash Kumar)의 새로운 연구는 이러한 한계를 극복하고, 직원들이 필요로 하는 정보를 미리 파악하여 능동적으로 제공하는 '컨텍스트 그래프(Context Graph)' 기반의 기업용 AI 에이전트 개념을 제시했습니다.
이 연구에서 제안하는 컨텍스트 그래프는 기업 내의 다양한 개체(entity), 이들 간의 관계, 그리고 시간 경과에 따른 상태 변화를 실시간으로 모델링하는 관계형 데이터 구조입니다. 이 그래프를 기반으로 '델타 감지 엔진(Delta Detection Engine)'이 지속적으로 상태 변화를 모니터링하고, '능동성 평가기(Proactivity Scorer)'가 긴급성, 관련성, 사용자 적합성 등을 기준으로 통찰력의 우선순위를 매깁니다. 최종적으로 '표면화 계층(Surfacing Layer)'은 대규모 언어모델(LLM)의 도움을 받아 순위가 매겨진 알림과 함께 근거 있는 설명을 직원에게 전달합니다. 연구진은 네트워크X(NetworkX)와 앤트로픽 클로드(Anthropic Claude) API를 활용한 파이썬(Python) 구현을 통해 이 시스템의 효과를 입증했습니다.
이 능동형 에이전트 시스템은 계약 수명 주기 관리, 엔지니어링 사고 대응, 영업 파이프라인 관리 등 세 가지 기업 활용 사례에서 평가되었습니다. 그 결과, 컨텍스트 그래프 기반의 능동형 에이전트는 Precision@5에서 0.83의 높은 정확도를 보였고, 오탐율(false positive rate)은 0.11에 불과했습니다. 특히, 정보 표면화에 걸리는 평균 시간(mean time to surface)을 기존 수동형 방식의 47분에서 30초 미만으로 획기적으로 단축시키는 성과를 보여, 기업 생산성 향상에 큰 잠재력을 가지고 있음을 시사합니다. 이는 직원들이 정보를 찾기 위해 소모하는 시간을 줄이고, 더 중요한 업무에 집중할 수 있도록 돕는다는 점에서 기업 운영 방식에 근본적인 변화를 가져올 수 있습니다.