데스크룸은 단순한 데이터 분석 도구가 아닌 ADP(AI-driven Decision-making Platform), 즉 AI 기반 의사결정 플랫폼으로서, 조직 내부의 비정형 데이터를 누구나 알아보기 쉽게 정리해서 더 나은 의사결정을 내릴 수 있도록 도와드리는 서비스입니다. 데이터 기반 의사결정을 하기 위해서는 고객 데이터의 정제, 연결, 해석이 필요합니다. 데스크룸은 이 모든 것에 앞서 “데이터를 어떻게 해석할 것인가”의 단계부터 설계합니다.
고객에게 데스크룸이라는 플랫폼에 대해서 설명할 때 “해석”이라는 단어를 자주 씁니다. 이 단어는 단순히 기술을 설명하기 위해서 사용하는 용어가 아니라, 데스크룸이 데이터를 바라보는 철학과 방향을 담고 있습니다.
이번 글에서 데스크룸이 해결하려는 문제는 어디에서 시작되었고 어떤 철학을 담고 있는지 얘기해 보려고 합니다.
LLM은 우리 조직의 데이터를 이해하지 못합니다.
AI에 대한 접근성이 폭발적으로 증가하면서 많은 조직이 LLM(Large Language Model)을 내재화하려는 시도를 하고 있습니다. 그러나 LLM은 여러분의 조직 데이터를 잘 모릅니다. 아니, 보다 정확히 말하자면 이해하지 못합니다. 그 이유는 단순합니다. LLM에게 조직 내부의 데이터를 학습시킨 적이 없기 때문입니다.
LLM은 본질적으로 빈칸을 채우도록 만들어진 시스템입니다. 인터넷에서 수집된 방대한 데이터를 기반으로, “다음에 올 단어는 무엇인가?”를 반복적으로 맞히는 방식으로 훈련됩니다. 그렇게 훈련된 모델은 놀라울 정도로 정교하게 빈칸에 올 내용을 예측합니다.
하지만 이 모델에게 여러분의 조직 데이터는 어떤 의미일까요? 그것은, 빈칸의 위치조차 모르는 낯선 문장에 불과합니다. 내부 용어, 판단 기준, 해석 관점 등은 공개된 웹 어디에도 존재하지 않기 때문에 LLM은 빈칸에 들어가야 할 내용을 유추할 실마리를 찾을 수 없습니다.
인간조차도 하나의 데이터를 다르게 해석합니다.
아래 이미지에는 케이크, 커피, 도넛이 함께 놓여있습니다. 누군가 사람들에게 “이 이미지를 설명해 보세요”라고 요청하면 나오는 답변은 단 하나일까요?
전혀 그렇지 않겠죠. 어떤 사람은 “분위기 좋은 카페”라고 말하고, 또 어떤 사람은 “디저트 세트”라고 답변할 것입니다. 사실 둘 다 정확히 틀린 답도, 맞는 답도 아닙니다. 기준이 없다 보니 다른 관점에서의 해석이 진행되었을 뿐입니다.
하나의 이미지라도, 기준이 있느냐 없느냐에 따라, 해석하는 사람이 어떤 것에 중점을 두고 보느냐에 따라 전혀 다른 의미로 해석됩니다. 이런 일은 개인뿐만 아니라 조직에서도 동일하게 일어납니다.
조직 내부에서도 해석은 나뉩니다.
심지어 하나의 기업 안에서도, 데이터 해석은 부서별로 다르게 이뤄집니다 렌터카 회사에서, 차량의 대여와 반납을 담당하는 운영 부서, 세차를 담당하는 부서, 정비를 담당하는 부서가 있고 고객이 차를 반납할 때 촬영해서 업로드한 차량 사진이 있다고 가정해 보겠습니다.
이 경우 한 장의 사진을 보고 각 부서는 아래처럼 기록할 것입니다.
운영 부서: 차종 = 소나타, 색상 = 은색, 번호 = 123허 4567
세차 부서: 오염도 = 중간, 세차 필요 여부 = 예
정비 부서: 파손 정도 = 없음, 수리 필요 여부 = 아니요
같은 데이터를 두고 서로 다른 기록을 하는 이유는 무엇일까요? 각 부서가 수행하는 업무, 관리하는 KPI, 중요하게 여기는 정보가 다르기 때문입니다.
더 나아가, 같은 부서 안에서도 직무나 직급에 따라 데이터 해석 기준은 달라질 수 있습니다. 같은 세차 부서의 구성원인데도 차량의 얼룩을 보고 세차가 필요하다고 하는 사람과 불필요하다고 하는 사람이 나뉠 수 있는 것입니다.
이는 결국 데이터를 해석하는 기준이 사람마다 주관적이라는 것을 의미합니다.
데이터 해석의 기준이 필요합니다.
데이터는 존재만으로 의미를 갖지 않습니다. 쌓여있는 데이터를 활용해 매출을 만들거나, 비용을 줄이거나, 리스크를 관리하려면 의미 있게 활용해야 합니다. 그리고 의미는 해석을 통해 만들어집니다.
이미 많은 조직이 방대한 데이터를 수집하고 있지만 그 데이터가 실질적인 의사결정에 도움이 되지 못하는 이유는 데이터를 ‘어떻게 바라볼 것인가’, ‘어떤 기준으로 판단할 것인가’가 정해져 있지 않기 때문입니다.
데이터를 해석해 의미 있는 의사결정을 내리기 위해서는,
어떤 관점에서 볼 것인지
어떤 기준으로 판단할 것인지
이 두 가지를 명확하게 정의해야 합니다.
데이터 그 자체가 인사이트인 경우는 없습니다. 항상 해석이라는 과정을 거쳐야만 의미가 생깁니다. 그리고, 이 해석은 단순히 숫자를 정렬하거나 카테고리 태그를 다는 작업이 아닙니다. 조직의 사업모델, 목표, 내부 용어, 우선순위, 그리고 사람의 판단 기준이 복합적으로 녹아 있어야 진정한 의미의 해석이 가능합니다.
LLM에게 ‘기준’을 알려주세요.
결론적으로 LLM이 제대로 일하려면 조직에서 특정한 데이터를 어떻게 해석하는지, 그 관점과 기준을 알려줘야 합니다. 조직에 속해 있는 구성원도 하나의 데이터를 다르게 해석하는데, 조직의 비즈니스 맥락을 모르는 LLM이 조직 내부 데이터를 이해하지 못하는 것은 당연합니다.
따라서, LLM이 우리 조직을 이해하게 만드는 일은 간단합니다. 우리 회사가 데이터를 어떻게 해석할 것인지 기준을 정의하고, 그 기준을 LLM에 전달하면 됩니다. 조직에서 발생하는 데이터를 어떤 관점으로 봐야 할지, 무엇이 ‘좋은 상태’이고, ‘나쁜 상태’인지 알려주는 것입니다.
데스크룸은 ‘기준’부터 정의합니다.
앞에서 살펴본 것처럼 LLM을 조직에 내재화하고 의미 있게 활용하려면 우리가 도입한 LLM이 조직의 데이터를 정확히 해석할 수 있어야 하고 그러기 위해서는 무엇보다 조직 내부에서 데이터를 어떻게 이해하고, 어떤 기댓값을 갖는지를 명확히 정의해야 합니다. 데스크룸은 이 작업을 하나의 법전을 만드는 일이라고 생각하고, 이 법전을 온톨로지(Ontology)라고 부릅니다.
온톨로지는 데이터가 어디서 발생했고, 어디에 저장되며, 우리 조직에서는 어떤 문맥에서 어떤 방식으로 해석되어야 하는지를 정의한 규정집입니다. 쉽게 말해, 조직 내 모든 사람과 LLM이 데이터를 동일하게 해석할 수 있도록 기준을 만들어주는겁니다.
많은 기업이 ChatGPT, Claude, Gemini 등 최신 LLM을 도입해 프롬프트를 직접 설계하고, 매번 새로운 지시어를 붙여가며 원하는 출력을 만들려 합니다. 그러나 운영 정책이 바뀔 때마다 프롬프트를 수정하고, 사람이 의도하는 방향으로 출력이 나오지 않아 반복적으로 실험을 해야 하는 현실에 부딪히게 됩니다.
데스크룸은 이 방식의 비효율을 넘어서기 위해, 프롬프트에 의존하지 않고, 조직의 데이터 해석의 기준부터 정의합니다.
데스크룸의 온톨로지는 LLM이 조직의 데이터를 잘 해석할 수 있도록 의미를 구조화하고, 사람의 주관적 해석을 시스템화하며, 반복 가능하고 일관된 결과를 만들어내는 기반이 됩니다.
Next. 데스크룸이 온톨로지를 정의하고 구축하는 방법
이어지는 글에서 데스크룸이 이 문제를 기술적으로 어떻게 해결해 나가고 있는지 하나씩 짚어보려 합니다.
그 첫 번째로, LLM이 고객 데이터를 제대로 이해하기 위해 꼭 필요한 해석 기준인 ‘온톨로지’를 데스크룸은 어떻게 정의하고 구축했는지 이야기하겠습니다.
