김민수 그래파이 대표 “기업 AI 성패는 데이터…모델만 키워선 한계”

기업 AI 활용이 실제 업무로 확산되면서 모델 성능과 함께 내부 데이터의 정확한 연결·활용 중요성이 커지고 있다. 기업이 축적한 문서·업무 이력·정형·비정형 데이터의 AI 활용이 미흡하면 단순 검색을 넘어 분석·추론·업무 자동화로의 확장이 어렵다는 지적이 나온다.

이런 문제의식 아래 AI 데이터 인프라 기업 그래파이는 기업 내부 분산 데이터의 수집·구조화 기술을 개발하고 있다. 그래파이는 데이터를 DB·온톨로지를 거쳐 AI 활용 가능 형태로 연결하는 기술도 개발하고 있다. 그래파이는 설립자 김민수 카이스트 전산학부 교수가 2022년 5월 설립했다. 김민수 그래파이 대표는 기업 AI 성패의 핵심이 데이터에 있으며 모델 확대만으로는 한계가 있다는 취지로 설명했다.

그래파이는 지난 7월 '아카식DB(AkasicDB) 1.0'을 정식 출시했다. '아카식DB(AkasicDB) 1.0'은 그래프·벡터·관계형 DB와 키워드 검색 기능을 하나의 엔진에 통합한 제품이다. 이어 9월에는 '아카식DB(AkasicDB) 2.0'을 공개했다.

그래파이는 제품군도 확장하고 있다. 데이터 수집·표준화를 담당하는 '아카식IN', 온톨로지 기반 운영 플랫폼인 '아카식ON', AI 의사결정 엔진인 '아카식AI'를 제품군에 포함해 사업을 넓히고 있다.

그래파이는 데이터베이스 기술 개발에서 나아가 AI 에이전트용 데이터 인프라로 사업 영역을 확대하고 있다. 그래파이는 미국 보스턴 개최 'VLDB 2026'에서 '엔터프라이즈 에이전트 메모리'를 공개했다.

'엔터프라이즈 에이전트 메모리'는 기업용 AI 에이전트의 업무 맥락 기억을 지원하는 기술이다. 이 기술은 데이터 접근 권한 관리를 지원하고, 정책 관리도 지원한다.

김민수 그래파이 대표는 10일 테크월드 인터뷰를 진행했다. 이 인터뷰에서는 아카식DB의 기술적 차별점 설명과 기업 AI 도입 과정의 데이터 문제 설명, 산업별 적용 사례 설명, 향후 사업 전략 설명이 함께 다뤄졌다.

그래파이는 최근 170억 원 규모 시리즈 A 투자를 유치해 누적 투자액 206억 원을 기록했다. 앞선 투자 당시 평가는 벡터 DB 개발 계획을 중심으로 이뤄졌고, 이후 그래파이는 벡터 DB를 제품화했으며 그래프 DB도 제품화했다. 이어 벡터 DB와 그래프 DB를 결합한 아카식DB를 개발했고, 이후 플랫폼까지 개발 범위를 확대했다.

김민수 대표는 지난번 투자 유치 시점에는 제품 출시 이전이었고, 당시 투자 유치 배경은 벡터 DB 개발 계획이었다고 밝혔다. 그는 이후 2년도 채 안 되는 기간 내에 벡터 DB를 제품화했고, 2년도 채 안 되는 기간 내에 그래프 DB도 제품화했다고 설명했다. 이어 벡터 DB·그래프 DB를 결합한 아카식DB를 개발했고 플랫폼도 개발했으며, 이런 성과로 기대가 상승한 것 같다고 말했다.

김민수 대표는 창업 이후 고객사 미팅을 통해 기업 AI에서 데이터 활용의 중요성을 체감했다고 밝혔다. 그는 대학에서 데이터의 효율적 구조화와 질의·처리 기술을 연구했지만, 실제 기업 현장 과제는 모델 성능보다 내부 데이터를 AI에 연결·활용하는 데 있다고 설명했다.

그는 범용 대규모언어모델(LLM)이 기업 자체 보고서를 알지 못하고, 결재·승인 기록도 알지 못하며, 업무 노하우도 알지 못한다고 설명했다. 이에 따라 실제 업무에 AI를 적용하려면 여러 시스템에 흩어진 데이터를 연결해야 하고, 데이터의 관계·맥락을 파악할 수 있도록 해야 한다고 밝혔다.

발언자는 챗GPT·클로드처럼 쓸 수 있는 모델이 다수 존재한다고 봤다. 다만 그런 모델만으로는 기업의 문제를 해결하는 데 한계가 있다고 설명했다.

그는 기업의 축적 자산이 문서·노하우·보고서·결재·승인 기록이라고 설명했다. 그러나 해당 기업의 내부 자산은 AI 모델이 알지 못한다고 밝혔다. 또 형태가 다른 데이터가 기업 전반에 분산돼 있다고 덧붙였다.

이에 따라 발언자는 분산된 이질 데이터와 AI 모델을 이해·활용 가능하게 잇는 별도 레이어가 필요하다고 주장했다. 그래파이의 역할은 그 연결 지점을 해결하는 데 있다고 소개했다.

아카식DB가 그래프·벡터·관계형 DB의 통합을 추진하는 배경도 같은 문제의식에 있다고 설명했다. 그는 벡터 검색의 강점은 의미 유사 정보 탐색에 있고, 데이터 간 관계를 따라가는 추론에는 그래프가 필요하며, 정확한 수치·조건 처리에는 관계형 DB 기능이 필요하다고 밝혔다.

김 대표는 초기에는 벡터만으로 데이터 접근이 가능하다고 판단했다고 밝혔다. 다만 질문의 복잡성이 증가함에 따라 그래프의 필요성이 확대됐다고 설명했다. 이어 숫자 정확성을 확보하고 데이터 접근 조건을 처리하기 위해서는 관계형 DB를 병행할 필요가 있다고 강조했다.

김 대표는 기업의 직원 AI 활용 확대 추세를 언급했다. 기업 현장에서는 AI 사용량이 증가하고 있으며, 이에 따라 토큰 비용 부담도 확대되고 있다고 전했다. 또 높은 정확도 확보를 위해 고성능 상용 모델을 사용할 수 있지만, 직원 단위로 AI 활용이 확대될 경우 비용이 급증할 수 있다고 말했다. 아울러 기업의 비용 부담이 크다고 설명했다.

이에 그래파이는 데이터 구조화 방식으로 대응하고 있다고 밝혔다. 비교 대상 1은 다양한 산업 데이터를 대상으로 한 기존 벡터 DB+고성능 상용 모델 조합이었다. 비교 대상 2는 아카식으로 데이터를 구조화한 뒤 상대적으로 저렴한 모델을 적용한 방식이었다.

비교 결과 후자가 더 높은 성능을 보인 사례가 있다는 설명이다. 김 대표는 데이터 구조화를 할 경우 고가 모델의 성능에 의존하지 않고도 높은 성능이 가능하다는 점을 확인했다고 밝혔다.

그래파이는 국방·제조·금융·통신 분야에서 실증·사업을 진행하면서 산업별 기업 데이터 문제가 서로 다른 점을 고려해 각 산업 데이터 환경에 맞춘 기술을 적용하고 있다.

이 과정에서 국방 분야는 온프레미스 환경이라는 제약이 있고, 외부 클라우드 활용이 어렵고 상용 LLM도 자유롭게 활용하기 어려운 제약이 두드러진다.

제조 분야에서는 여러 공정·시스템 간 데이터 연결이 핵심 과제로 제시된다. 김 대표는 제조업 데이터가 파편화돼 있거나 일부 누락된 사례가 많다고 설명했다.

김 대표는 이런 환경에서 통합 데이터와 AI 모델을 연결하는 수단이 필요하다고 밝혔다. 이에 따라 그래파이는 숙련자 경험·판단과 데이터를 연결하는 작업을 진행하고 있다.

김 대표는 조선업계 대기업과 실증을 진행했으며, 현장 암묵지를 반영해 답변 품질을 높였다고 전했다. 또 다른 제조 현장에서도 숙련자 판단의 AI 지원 가능성을 확인했다고 밝혔다.

그는 데이터가 완전히 연결되지 않은 상태에서도 숙련자 판단의 일부에 대해서는 추론 결과를 도출할 수 있다고 설명했다. 이어 데이터를 추가로 수집하고 연결할 경우 전문가 역할의 일부에 대해서도 AI 지원을 기대할 수 있다고 밝혔다.

산업별로 보면 금융 분야는 활용 데이터의 출처가 다양하다고 설명됐다. 금융 데이터의 출처 예시로는 뉴스·공시·각종 지표·내부 보고서가 제시됐다. 통신 분야는 네트워크 자체의 연결 관계를 보유한 데이터 특성이 있으며, 장애 원인 추적 과정에서 그래프 DB를 활용할 수 있다는 분석이 제시됐다.

기업들은 그래프 기반 검색증강생성(RAG)·온톨로지의 필요성에 공감하면서도 실제 도입에는 신중한 태도를 보이고 있다. 이는 도입 결과가 공급사별 기술 수준·구축 방식에 따라 달라질 수 있기 때문이다. 이 때문에 기업들은 실증을 통해 실제 효과를 확인한 뒤 본사업으로 전환하려는 경향이 강한 것으로 나타났다.

김 대표는 본사업 전환을 위해서는 고객 측의 실제 효과가 필요하다고 언급했다. 또 성공 사례가 충분히 축적되면 기업·공공의 도입 적극성이 확대될 것으로 전망했다.

그래파이는 온톨로지 구축 과정에서 사람의 개입을 축소하는 기술을 개발하고 있다. 기존 방식은 엔지니어가 기업 데이터를 개별 분석하고 구조를 설계하는 형태다. 반면 그래파이 방식은 실제 데이터를 기반으로 관계와 체계를 형성하는 방식이다.

김 대표는 창업 초기부터 그래파이가 팔란티어와 유사한 역할을 할 수 있다고 판단했다고 밝혔다. 그는 국방·제조 현장에서 데이터와 업무 체계를 연결하려는 수요를 확인했다고 설명했다.

김 대표는 팔란티어의 경우 파견 엔지니어(FDE)가 고객 현장에 깊게 들어가 데이터와 업무 프로세스를 온톨로지로 연결한다고 설명했다. 이에 비해 그래파이는 실제 데이터에서 구조와 관계를 추출하는 방식이라고 밝혔다.

그래파이는 온톨로지 구축에 필요한 인력과 시간을 절감하는 기술로 적용 범위를 확대하고 있다. 김 대표는 그래파이의 초점이 온톨로지 구축·유지 과정에서 자동화 비중을 확대하는 데 있다고 설명했다.

그래파이는 온톨로지 구축·유지 과정의 인적 개입을 대폭 축소하는 방향으로 제품 개발에 초점을 맞추고 있다. 관련 제품은 조만간 공개할 계획이다.

이어 그래파이는 데이터 수집·DB·온톨로지·에이전틱 AI로 구분된 제품을 단일 연결하는 풀스택 전략을 추진하고 있다고 밝혔다. 이와 함께 구축형 사업을 병행하고 있으며, 기업의 일반 업무용 소프트웨어로 활용할 수 있는 형태의 엔드투엔드 솔루션을 클라우드·온프레미스로 지원할 계획이다.

그래파이는 이 같은 제품 전략 속에서 AI 투자 균형의 필요성도 함께 설명했다. 개별 영역에만 치우치기보다 데이터부터 에이전틱 AI까지 이어지는 전 과정을 하나로 연결하는 엔드투엔드 솔루션은 하반기에 출시할 계획이다.

김 대표는 교수와 기업 대표를 겸임하고 있다. 그는 연구와 산업 현장 사이의 간극을 줄이기 위해 두 역할을 함께 맡고 있으며, 원천기술 개발 이후 기업의 실제 업무 적용 단계에서 단절되는 사례가 다수 있었기 때문에 그 단절을 직접 연결하기 위해 창업을 선택했다고 밝혔다.

또한 김 대표는 창업 이후 산업 현장의 문제가 다시 연구 주제로 환류되고 있다고 설명했다. 그는 실제 기업의 문제를 확인하는 과정에서 연구 범위가 더 구체화됐고, 그 결과 논문 수가 증가했다고 밝혔다.

김 대표는 국내 AI 산업에서 데이터 인프라에 대한 관심이 상대적으로 부족하다고 판단했다. 그는 한국 AI 투자의 편중 대상이 반도체 칩·모델이라고 봤고, 투자 초점도 모델·컴퓨팅 인프라에 편중돼 있다고 분석했다. 이에 따라 기업·기관 데이터의 실제 AI 활용 연결 영역까지 투자를 확대할 필요가 있다고 밝혔다.

김 대표는 세상에는 모델이 학습하지 않은 데이터가 다수 존재하며, 그런 데이터를 잘 활용하게 만드는 영역이 데이터 인프라라고 설명했다. 그는 한국에서 데이터 인프라 관련 논의가 부족하다고도 짚었다.

공공 분야와 관련해서는 기관별 SI를 반복 구축하기보다 쉽게 도입 가능한 제품형 데이터 인프라가 필요하다고 제안했다. 아울러 데이터 수집·연결 후 AI 모델·에이전트까지 이어지는 엔드투엔드 솔루션이 필요하다고 밝혔다. 이를 통해 공공·제조·민간의 데이터 활용 문턱을 완화하는 것이 목표라고 설명했다.

김 대표는 미국 대비 데이터 인프라 분야의 격차가 크다고 진단했다. 그러면서 모델뿐 아니라 데이터 분야도 함께 강화할 필요가 있다고 밝혔다. 그는 모델·데이터의 균형이 확보되는 시점을 3~5년 뒤로 보며, 그 경우 한국 AI 산업 경쟁력 제고를 기대했다.

출처: 테크월드뉴스 · 김승기 기자
원문: https://www.epnc.co.kr/news/articleView.html?idxno=406814

참고자료

• https://www.epnc.co.kr/news/articleView.html?idxno=406814