생성형 AI (Generative AI)와의 협업은 종종 짧은 프롬프트 (prompt)로 시작하여 불투명한 출력물 (output)로 끝나며, 이 과정에서 누가 참여했는지, 어떤 작업이 수행되었는지, 어떤 자원이 사용되었는지, 그리고 어떤 제약 조건이 프로세스를 형성했어야 하는지가 암시적인 상태로 남게 됩니다. 이러한 제한적인 컨텍스트 명시성 (contextual explicitness)은 특히 검색, 질의, 프로필 관리와 같이 정보 집약적인 워크플로 (workflows)에 생성형 AI가 내장될 때 신뢰성, 추적 가능성 (traceability), 그리고 책임성 (accountability)을 저해합니다. 본 논문은 인간-생성형 AI 협업을 표현하기 위한 온톨로지 (ontology) 기반 프레임워크인 'From Prompts to Context'를 소개합니다. 이 프레임워크의 핵심 구성 요소인 컨텍스트 협업 AI 온톨로지 (Contextual Collaboration AI Ontology, CCAI)는 작업 (tasks), 에이전트 역할 (agent roles), 자원 (resources), 제약 조건 (constraints)을 포함한 협업의 주요 요소들을 공유된 기계 해석 가능 어휘 (machine-interpretable vocabulary)로 모델링합니다. 운영 워크플로에서 데이터가 채워진 CCAI 인스턴스 (instances)를 SPARQL 기반의 컨텍스트 검색 (context retrieval)과 결합함으로써, 이 프레임워크는 휘발성인 프롬프트-응답 상호작용을 프롬프트, 출력물, 그리고 이를 둘러싼 컨텍스트를 연결하는 구조화되고 쿼리 가능한 (queryable) 협업 흔적 (collaboration traces)으로 전환합니다. 이 접근 방식은 학습자 역량 프로필을 조회하고 업데이트하기 위한 역량 기반 교육 기능을 구축하는 소프트웨어 개발 팀을 포함하는 사례 연구를 통해 설명됩니다. 사례 연구는 이 프레임워크가 요구사항 분석, 설계, 구현 및 테스트에 걸친 협업 에피소드 (collaboration episodes)의 표현과 문서화를 어떻게 지원할 수 있는지 보여줍니다. 이러한 환경 내에서, 결과는 명시적인 협업 모델링이 작업 컨텍스트를 더욱 명확하게 만들고, AI 생성 기여도의 추적 가능성을 개선하며, 더욱 투명하고 책임 있는 인간-생성형 AI 관행을 지원하는 데 도움이 된다는 것을 나타냅니다. 우리는 출력 품질뿐만 아니라 출력이 생성되는 협업 컨텍스트의 명시적 표현을 강조하는 미래의 인간-생성형 AI 시스템을 위한 설계 원칙을 제안하며 결론을 맺습니다.