능동적 기업용 에이전트를 위한 컨텍스트 그래프

1. 한줄 요약

RAG와 에이전트 프레임워크가 기업용 AI를 발전시켰지만, 에이전트는 여전히 사용자 질의 전에는 움직이지 않는 반응형(reactive)입니다. 본 논문은 컨텍스트 그래프(Context Graph)라는 새로운 메모리 구조를 제안해, 에이전트가 사용자 질의 이전에도 기업 맥락을 추적·행동할 수 있게 합니다.

2. 왜 등장했는가 (Background)

현재의 RAG/agent 시스템은 본질적으로 pull-based입니다.

사용자가 질의해야 → 검색 → LLM 추론 → 답변

이 사이에 기업 환경은 계속 변합니다: 메일 도착, 캘린더 변경, 신규 문서, 시스템 알림

에이전트는 이 변화를 모르고, 다음 질의가 와서야 뒤늦게 인지

실제 기업 환경에서 가치 있는 에이전트의 70%는 사용자가 묻기 전에 먼저 행동해야 만들어진다는 문제의식입니다. 예: "다음 주 화요일 회의 안건이 아직 안 정해졌으니 초안을 만들어두자", "CEO가 외부 공시 직전이라 사전 보고서를 준비하자".

3. 핵심 아이디어 — Context Graph

엔티티(사람, 프로젝트, 문서, 이벤트)와 그 관계를 시계열 그래프로 유지하고, 변화가 감지되면 능동적으로 트리거되는 액션 플랜을 생성합니다.

Graph = (Entities, Edges, Time, Provenance)

  Entity: { id, type, attributes[], source, last_updated }
  Edge:   { source_id, target_id, relation, weight, valid_from, valid_to }

비유: 에이전트의 뇌 안에 "우리 회사 상태에 대한 실시간 지도"가 깔려있고, 지도 위의 특정 노드가 변하면 자동으로 후속 액션 큐에 등록되는 구조입니다. 사람의 비서가 사내 캘린더·이메일·문서를 계속 모니터링하며 사전 준비하는 것과 비슷합니다.

4. Model Architecture

Ingestion Layer: 메일/캘린더/Slack/문서/DB에서 엔티티·관계 추출 (LLM + NER)

Graph Store: 시계열 property graph (Neo4j + time-series extension), 변경 이벤트마다 새 버전 스냅샷

Proactive Engine: 미리 정의된 트리거 규칙(IF-THEN-WITH) + LLM 기반 의미론적 매칭

Action Dispatcher: 이메일·메시지 초안 작성, 캘린더 등록, 문서 생성 등 멀티모달 출력

Feedback Loop: 사용자가 dismiss/approve 한 패턴을 학습해 다음번 자동 액션 정확도 향상

5. Training & Data

엔티티/관계 추출: GPT-4 + 자체 fine-tuned BERT를 hybrid 사용 (정확도 92%, latency 200ms)

트리거 학습: 사내 6개월치 액션 로그(약 50K 이벤트) + 사용자 피드백으로 supervised fine-tuning

Hallucination 억제: 그래프 노드의 source 링크를 강제 노출 + 모든 추론에 citation 의무화

6. Result

파일럿 5개 Fortune 500 기업(금융·제조·컨설팅)에서 4주 평가:

Pre-action 정확도 (사용자 질문 전에 의미 있게 행동한 비율): 68% (baseline 12%)

사용자 만족도: 4.1/5 (baseline agent 3.4/5)

False alarm rate: 18% (사용자가 dismiss한 비율 — 개선 여지)

추론 latency: 1.2s 평균 (트리거 감지→액션 초안)

7. 한국 독자 적용 사례

삼성전자·SK 등 대기업: 사내 그룹웨어 통합 → 결재 지연, 보고 누락, 회의 충돌 사전 알림

중소 영업사: CRM에 매핑 → 고객 이메일/뉴스 변화 감지 → 영업 기회 알림

스타트업 PM: GitHub + Slack + Linear 통합 → 배포 직전 자동 리뷰 요청, 백로그 충돌 감지

8. 한계 + 후속 영향

한계:

엔티티 추출 오류가 한 번 발생하면 잘못된 트리거가 cascade로 이어짐

사생활·감시 우려 — "에이전트가 내 모든 이메일을 본다"는 사용자 신뢰 문제

기업마다 그래프 schema가 달라 통합 비용 높음

후속 영향:

Microsoft Copilot, Google Workspace Duet AI 등 2세대 어시스턴트의 설계 청사진

단순 RAG → 능동형 memory + planning 으로 패러다임 전환 가속화

"AI가 먼저 말한다"는 UX가 일상이 되는 첫 단계