온톨로지 시리즈 1편에서는 비정형 데이터가 어떻게 구조화되어 의미 있는 데이터 자산으로 전환되는지를 다뤘고, 2편에서는 그 온톨로지가 왜 LLM 기반 AI와 AI Agent를 실무 수준으로 끌어올리는 핵심 구조가 되는지 설명했습니다.

이번 3편은 그 마지막 단계인 의미가 정리된 데이터와 온톨로지가 실제 업무 실행까지 어떻게 이어지는가, 그리고 이를 하나의 플랫폼에서 어떻게 구현할 수 있는가에 대한 내용을 다룹니다.

‍

현업에서 문제를 해결하려면 데이터부터 액션까지 여러 단계를 거치게 됩니다.

데이터는 각기 다른 DB와 API, 파일에 흩어져 있고, 정리와 구조화가 필요하며, 그 다음에야 분석과 판단, 실행이 가능합니다.

CommerceOS(COS)는 이 전체 체인을 하나의 플랫폼에서 연결합니다.

Ontology, AI Agent 기반 End-to-End 문제 해결 플랫폼, COS는 데이터 연결부터 실행까지를 끊김 없이 이어주는 것을 목표로 합니다.

‍

‍

COS는 어떻게 데이터부터 액션까지 연결하는가

COS의 구성은 단순합니다.

데이터를 연결하고, 의미를 부여하고, 에이전트가 일을 하게 만들고, 결과를 뷰로 만들고, 마지막은 실제 실행까지 가져갑니다.

아래는 이미지의 5개 제품을 글 기준으로 풀어쓴 설명입니다.

1. Pipeline Builder, 데이터 연결/정규화 레이어

Pipeline Builder는 고객사의 DB, API, 파일을 연결해 데이터를 가져오고, 정규화해 다음 레이어가 바로 쓸 수 있도록 만드는 단계입니다.

여기서 중요한 건 “정형 데이터 ETL”만 하는 것이 아니라는 점입니다.

• 정형 데이터, ETL/정규화로 구조화
• 비정형 데이터, 텍스트/이미지/표 인식으로 구조화

그리고 결과물은 두 방향으로 흘러갑니다.

• 온톨로지 오브젝트로 적재
• 지식사전 데이터로 분리 저장

즉, Pipeline Builder는 “데이터를 가져오는 기능”이 아니라, AI가 다룰 수 있는 형태로 만드는 전처리/구조화 레이어입니다.

2. Ontology Manager, 의미/관계 설계 레이어

Ontology Manager는 데이터에 의미와 관계를 부여해 AI가 안정적으로 이해할 수 있게 만드는 단계입니다.

온톨로지를 어렵게 설명하기보다 이렇게 정의하면 정확합니다.

• Ontology Manager는 “데이터를 AI가 이해하는 언어로 번역”하는 설계 도구입니다.

이미지 기준으로 Ontology Manager는 다음을 포함합니다.

• 오브젝트 목록, 데이터를 업무 단위로 정리(필요 시 LLM이 의미 초안 생성)
• 관계 링크 관리, 오브젝트 간 관계를 지정해 탐색/질의/추론의 기준을 만듦
• 지식사전, GT/가이드라인/룰 같은 근거 자료를 관리
• 테스트케이스/데이터 검증, 실제 사용 시나리오에서 동작 안정성을 검증

여기까지가 COS가 “정답을 맞히는” 것보다 먼저, 정답이 흔들리지 않도록 기준을 만드는 방식입니다. 이는 자율적인 에이전트가 지속적으로 판단하고 실행해야 하는 Agentic AI 시스템을 가능하게 하는 전제 조건입니다.

3. Workflow Builder, 멀티 에이전트 오케스트레이션 레이어

Workflow Builder는 멀티 에이전트가 실제 업무를 수행하도록 워크플로우를 구성하는 실행 레이어입니다.

핵심은 “노드가 몇 종류냐”가 아니라, 에이전트가 무엇을 보고 어떤 툴로 실행할지를 안전하게 오케스트레이션하는 것입니다.

이미지 기준 핵심 구성은 다음과 같습니다.

• 온톨로지 오브젝트 연결, 어떤 데이터를 근거로 삼는지 명확히 함
• 지식사전 연결, 운영 기준/룰을 근거로 반영
• MCP/Tool 연결, 외부 시스템 조회/실행을 붙여 실제 업무 수행
• 조건 처리, HITL/조건문으로 예외 흐름을 안전하게 처리

정리하면 Workflow Builder는 멀티 에이전트가 “할 수 있는 것”을 늘리는 도구가 아니라, 현업에서 “해도 되는 방식”으로 실행되게 만드는 도구입니다.

4. Dashboard Generation, 온톨로지 기반 뷰/대시보드 생성 레이어

Dashboard Generation은 온톨로지와 사용자 자연어 쿼리를 기반으로 필요한 대시보드를 즉시 생성하는 기능입니다.

여기서 방향성은 단발성 생성보다 “운영”입니다.

• 온톨로지/자연어 쿼리 기반으로 대시보드 생성
• 생성된 뷰를 편집하고, 배포해 재사용 가능한 형태로 운영

즉, COS는 대시보드를 “만들어주는 것”에서 끝나지 않고, 자산으로 쌓이게 만드는 구조를 지향합니다.

5. ACT-2, Computer Use Agent 기반 실행 레이어

ACT-2는 화면을 보고 이해하고 판단해 실제 액션을 실행하는 Computer Use Agent(CUA)입니다.

대부분의 분석 도구가 “인사이트”에서 멈추는 반면, COS는 “실행”까지 포함시키는 것을 제품 구성에 넣었습니다.

‍

‍

COS의 End-to-End 아키텍처 구조

앞의 5개 제품을 “아키텍처 관점”으로 다시 보면 아래처럼 정리됩니다.

• Data Layer
  
  • 데이터 입력(DB/API/파일/수집) → 정형 ETL/정규화, 비정형 텍스트/이미지/표 인식 → 온톨로지 오브젝트/지식사전으로 적재
• Ontology Layer
  
  • 온톨로지 매니저가 의미/관계를 설계하고, 지식사전과 테스트케이스/데이터 검증으로 신뢰성을 확보
• Agent Layer
  
  • 워크플로우 빌더가 멀티 에이전트 오케스트레이션을 담당하고, 온톨로지/지식사전/MCP/Tool을 연결하며 조건 처리(HITL 포함)로 안정성을 확보
• Action Layer
  
  • ACT-2(CUA)가 실제 실행을 담당하고, 상위의 Decision Making 영역에서 실행 자동화/시뮬레이션 같은 의사결정 기능으로 확장 가능

이 구조 덕분에 COS는 데이터 연결부터 실행까지를 한 번에 이어갈 수 있고, 각 단계가 서로의 전제(데이터 구조, 의미 기준, 실행 안전장치)를 공유할 수 있습니다.

‍

‍

Ontology에서 실행까지, COS가 지향하는 AI의 최종 형태

온톨로지 시리즈를 통해 일관되게 이야기한 핵심은 하나입니다.

AI의 성능은 모델이 아니라, 데이터와 의미 구조, 그리고 실행 방식에서 결정된다는 점입니다.

COS는 이 구조를 하나의 플랫폼 안에 구현합니다.

‍

데이터를 연결하고 정리하는 단계부터,

의미와 관계를 설계하는 단계,

멀티 에이전트를 실제 업무 프로세스로 묶는 단계,

대시보드를 일회성이 아닌 운영 자산으로 만드는 단계,

그리고 최종 실행까지.

COS는 “좋은 AI를 쓰는 제품”이기보다,

AI가 현업에서 안전하고 일관되게 실행되도록 설계된 플랫폼에 가깝습니다.

‍

이 3부작의 마지막에서 COS를 소개한 이유도 여기에 있습니다.

온톨로지는 더 이상 개념 설명으로 끝나는 기술이 아니라, AI Agent와 결합되어 실제 비즈니스 실행으로 이어질 수 있는 구조이며, COS는 그 구조를 end-to-end로 구현한 하나의 답안입니다.

‍

커머스와 리테일 데이터를 연결하고 정리하는 단계부터, 의미와 관계를 설계하는 단계, 멀티 에이전트를 실행 프로세스로 묶는 단계, 대시보드를 운영 자산으로 만드는 단계, 그리고 최종 실행까지.

이 모든 과정을 COS 하나의 플랫폼에서 해결하는 것이 디지털 노동을 자동화하는 것을 바라보는 인핸스의 지향점입니다.

‍