개요

최근 전사적인 생성형 AI (LLM) 도입이나, RAG (검색 증강 생성)를 이용한 사내 지식 집약이 급속도로 진행되고 있다. 하지만 엔터프라이즈 아키텍처 (EA)의 역사적 변천을 통해 조망하면, 현재의 AI 붐은 20년 전 기업 정보 시스템을 기능 부전에 빠뜨렸던 'EUC (엔드 유저 컴퓨팅) 지옥'의 구조적 반복에 불과하다. 본고에서는 정보 공학에서의 DIKW 피라미드 관점에서, LLM 이용이 초래하는 '컨텍스트 (Context)의 사유화'라는 병리를 특정하고, DMBOK과 DDD (도메인 주도 설계)의 융합을 통한 데이터 거버넌스의 재구축을 논한다.

1. EUC 지옥의 회고: 데이터 모델의 분열과 사이로화 (Silo)

과거 EUC 문제의 본질은 정보 시스템 부서의 거버넌스 밖에서 현장이 각자의 로컬 환경 (Excel/Access)에 로직을 구축한 결과, 데이터 모델이 사이로화(Silo)되었다는 점에 있다.

이 구조는 우선 고객 정의나 상품 코드와 같은 '마스터 데이터 (Master Data)'의 분열을 일으켰다. 마스터가 분열되면 그에 연결된 매출 실적이나 KPI 등의 '트랜잭션 데이터 (Transaction Data)'도 부서마다 서로 다른 수치를 산출한다. 결과적으로 전사적인 '수치의 진실 (Single Source of Truth)'이 상실되었고, 기업의 의사결정층은 데이터의 정합성을 담보하는 기능을 상실했다. 이것이 EUC 지옥의 구조이다.

2. DIKW 피라미드로 풀어내는 'AI의 질적 저하'

현재의 생성형 AI 이용은 이 EUC 문제를 더욱 높은 레이어에서, 더욱 심각한 형태로 반복하고 있다. 이를 정보 공학의 DIKW 피라미드 (Data → Information → Knowledge → Wisdom) 계층론으로 재해석한다.

방치된 Excel (과거의 EUC): 파괴한 것은 피라미드의 하층부인 'Data (단순 수치)'와 'Information (집계된 정보)'이었다. '수치가 맞지 않는다'는 물리적인 부정합에 머문다.

고립된 프롬프트 환경 (현재의 EUC): LLM이 생성하고 블랙박스화하는 것은 피라미드의 상층부인 'Knowledge (지식)'와 'Wisdom (지혜·판단 근거)'이다.

현장 담당자가 사내에서 고립된 프롬프트 환경 (로컬에 폐쇄된 LLM 이용)에서 업무를 완결할 때, '왜 그런 판단에 이르렀는가', '어떤 사내 정보를 참조하여 어떻게 해석했는가'라는 '컨텍스트 (Wisdom에 이르는 문맥)' 자체가 개인의 프롬프트 이력 속에 사유화된다.

결과 (아웃풋으로서의 텍스트)만이 공유 드라이브에 남고, 그곳에 도달하기까지의 의미 구조 (프로세스)는 조직으로 환원되지 않는다. 상층의 Knowledge나 Wisdom이 국소적으로 생성·오염되기 때문에, 과거의 데이터 부정합보다 조직에 주는 데미지는 더 깊으며 복구는 극도로 어렵다.

3. 패러독스: 개인의 생산성 최적화가 조직 지식을 분해한다

아키텍처 관점에서 직시해야 할 위기는 'AI가 일자리를 빼앗는가'가 아니라, 'AI가 조직의 지식 기반을 분해 (Decompose)한다'는 패러독스이다.

개인의 작업 효율 (생산성)은 LLM에 의해 극적으로 향상된다. 하지만 각자가 고립된 AI 어시스턴트와만 대화하며 업무를 완결하게 된다면, 조직이라는 네트워크에 '판단의 프로세스'가 흐르지 않게 된다. 개인 최적화의 추구가 전사 데이터 자산 (Knowledge)의 파괴를 초래한다. 이것이 현재 AI 도입이 안고 있는 구조적 모순이다.

4. '일단 RAG'의 기만: 도메인 간의 의미적 괴리

현재의 엔터프라이즈 IT 시장에서는 사내 사양서나 규정 PDF를 데이터 클렌징도 하지 않은 채 그대로 벡터 DB (AI용 검색 데이터베이스)에 집어넣어 사내 전용 AI를 만들어내는 '안이한 RAG (검색 증강 생성) 구축'이 횡행하고 있다.

이 접근 방식이 결정적으로 간과하고 있는 것은 도메인 (부문·문맥)별 의미론 (Semantic)의 괴리이다.

예를 들어, '고객'이라는 일견 단순한 개념이라도 도메인이 바뀌면 그 정의는 일변한다.

• 영업 도메인: 향후 계약 가능성이 있는 '잠재 고객'을 포함한다.
• 경리 도메인: 신용 심사를 통과하여 실제로 청구 및 입금이 발생하는 '엄격한 거래 대상'만을 지칭한다.

이러한 정의의 차이를 정리하지 않고 공통의 벡터 공간에 전사 데이터를 무분별하게 밀어 넣은 RAG는, 영업의 컨텍스트로 작성된 문서를 경리의 컨텍스트로 오연결한다. 결과적으로 AI는 '그럴듯하지만 업무상으로는 치명적인 버그 (Hallucination)'를 양산하게 된다. 개념 데이터 모델이 없는 AI 이용은 데이터의 사유화를 가속화할 뿐만 아니라, 조직 내 의미 정의의 붕괴를 초래한다.

5. DMBOK와 DDD라는 두 바퀴: 의미의 통합과 변환 규칙 (Context Mapping)

AI에게 올바른 "컨텍스트 (Context)"를 이해시키고 엔터프라이즈 IT (Enterprise IT)로서 성립시키기 위해서는, 탑다운 (Top-down) 방식의 데이터 거버넌스 (DMBOK)와 바텀업 (Bottom-up) 방식의 도메인 모델링 (DDD)이라는 두 바퀴를 통한 통제가 필수적이다.

전사의 공통 어휘를 통제하는 "DMBOK"

DAMA가 제창하는 DMBOK (데이터 관리 지식 체계)에 기반하여, 비즈니스 글로서리 (Business Glossary, 용어 정의집)나 메타데이터 (Metadata), MDM (Master Data Management)을 정비한다. 이는 "AI에게 전사의 올바른 마스터 데이터의 시맨틱 (Semantic)을 가르치기" 위한 공통 언어의 토대가 된다. -
경계의 정의와 변환 규칙을 확립하는 "DDD"

공통 어휘의 정의만으로는 각 부문의 구체적인 업무 로직 (Business Logic)을 다룰 수 없다. 여기서 현장의 모델링 기법인 DDD (도메인 주도 설계, Domain-Driven Design)의 지견이 필요하다.

DDD에서의 "경계가 있는 컨텍스트 (Bounded Context)"를 사용하여, 각 도메인 (영업, 경리 등)마다 개념이 성립하는 경계선을 명확히 긋는다. 그 위에서 도메인 간에 데이터가 오갈 때의 "변환 규칙 (Context Mapping)"을 시스템 구조로서 확립한다.

DMBOK를 통해 전사의 "의미의 핵심 (Core of Meaning)"을 직렬화 (Serialize)하고, DDD를 통해 도메인별 "경계와 변환 규칙"을 캡슐화 (Encapsulate)한다. 이 고전적이면서도 실질적인 데이터 모델링의 이층 구조 (Architecture)를 확립하지 않는 한, 아무리 고성능의 LLM (Large Language Model)을 도입하더라도 시스템이 조직의 공유 지식으로서 기능할 수는 없다.

마치며

역사는 반복된다. 생성형 AI는 강력한 도구이지만, 동시에 "개인과 조직의 지식 분단"을 가속화하는 양날의 검이다.

표층적인 보안이나 할루시네이션 (Hallucination) 대책에 눈이 팔려 있을 때가 아니다. 지금 즉시 전사의 개념 데이터 모델을 다시 그리고, 도메인 간의 변환 규칙을 시스템적으로 정비하는, 투박하지만 본질적인 데이터 거버넌스 (Data Governance)로 회귀해야 한다.

20년 전 "방치된 엑셀 (Wild Excel)"의 패배 구조로부터, 현대의 아키텍처는 이제 그만 배울 만큼 배워야 한다.

※ 본고는 엔터프라이즈 IT의 역사적 구조와 생성형 AI의 한계에 대해, LLM과의 대화 및 검증 프로세스를 거쳐 로직을 정리하고 언어화한 것입니다.

끝까지 읽어주셔서 감사합니다. 만약 본고의 고찰이 데이터 거버넌스 구조를 재고하는 데 도움이 되었다면, 배지를 통해 후원해 주시면 감사하겠습니다.

Discussion