기업용 인공지능 (Enterprise AI)은 코파일럿 (copilots), 검색 증강 생성 (RAG) 시스템, 자율 에이전트 (autonomous agents), 그리고 AI 기반 비즈니스 워크플로우 전반에 걸쳐 고립된 실험 단계에서 운영 의존 단계로 이동하고 있습니다. 이러한 전환이 가속화됨에 따라, 기업의 주요 과제는 더 이상 모델 접근성이나 추론 규모(inference scale)에만 국한되지 않습니다. 이제는 거버넌스가 적용된 인텔리전스 운영 (governed intelligence operations)이 핵심입니다. 즉, 권한 부여를 강제하고, 문맥적 계보 (contextual lineage)를 보존하며, 지속적 메모리 (persistent memory)를 제어하고, 오래되거나 충돌하는 지식을 탐지하며, 에이전트 실행 (agentic execution)을 제한하고, 분산된 AI 자산 전반에 걸쳐 감사 가능한 증거 (audit-ready evidence)를 생성하는 능력을 의미합니다.

본 논문은 파운데이션 모델 (foundation models), 검색 시스템 (retrieval systems), 오케스트레이션 프레임워크 (orchestration frameworks), 기업용 메모리 (enterprise memory), 정책 엔진 (policy engines), 관측성 시스템 (observability systems), 도구 (tools), API, 그리고 비즈니스 애플리케이션 전반에서 작동해야 하는 컨트롤 플레인 (control plane)을 위한 벤더 중립적 참조 모델로서 AGL-1, 즉 기업 AI 거버넌스 계층 (Enterprise AI Governance Layer)을 소개합니다. GKS-5에서 소개된 거버넌스 지식 시스템 (governed knowledge-system) 원칙을 기반으로, AGL-1은 거버넌스 문제를 검색 특화 제어에서 전체 AI 실행 경로 거버넌스 (full AI execution-path governance)로 일반화합니다. 본 논문은 승인되지 않은 검색 (unauthorized retrieval), 오래된 근거 (stale grounding), 관리되지 않는 메모리 (unmanaged memory), 취약한 출처 (weak provenance), 정책 드리프트 (policy drift), 파편화된 관측성 (fragmented observability), 그리고 통제되지 않는 자율 실행 (uncontrolled autonomous execution)과 같은 반복적인 실패 모드들을 식별합니다.

이어 다음과 같은 7가지 거버넌스 영역을 정의합니다: 신원 인식 검색 (identity-aware retrieval), 정책 강제 (policy enforcement), 출처 관리 (provenance management), 메모리 거버넌스 (memory governance), 지식 무결성 모니터링 (knowledge integrity monitoring), 에이전트 실행 제어 (agentic execution control), 그리고 신뢰 관측성 (trust observability). 본 논문의 핵심 주장은 AI를 통한 지속 가능한 기업 가치가 대규모 인텔리전스를 거버넌스할 수 있는 능력에 점점 더 의존하게 될 것이라는 점입니다. 복잡한 기업 환경에서 신뢰는 모델 단독의 속성이 아닙니다. 신뢰는 모델을 둘러싼 시스템, 즉 신원 (identity), 지식 (knowledge), 정책 (policy), 메모리 (memory), 도구 (tools), 인간의 감독 (human oversight), 그리고 증거 (evidence)가 관리되는 컨트롤 플레인으로서 함께 작동할 때 나타나는 시스템의 속성입니다.