AI 시대, 승부는 온톨로지에서 갈린다
패션 브랜드 온톨로지 설계를 위한 다섯가지 질문

요즘 AI 강의를 하면 자주 나오는 질문이 있다. 챗GPT가 좋은지, 제미나이가 좋은지, 클로드가 좋은지와 같이 어떤 생성형 AI를 써야 하느냐는 질문이다. 그래서인지 새로운 모델이 발표될 때마다 사람들은 앞다투어 성능평가 점수를 보고, 더 긴 문맥을 처리하는지, 추론 능력이 얼마나 좋아졌는지 확인한다.
물론 어떤 AI 모델을 선택하느냐는 중요한 문제다. 하지만 AI를 실제 업무에 깊숙이 활용하기 시작하면 조금 다른 문제와 마주하게 된다. 아무리 똑똑한 AI를 가져다 놓아도 정작 ‘우리 회사를 모른다’는 것이다. 우리 회사가 말하는 ‘고객’이 정확히 누구인지 모르고, 어떤 상품을 핵심 상품으로 분류하는지 모르며, 어느 정도 재고가 쌓여야 ‘재고 위험’이라고 판단하는지도 모른다.
패션 브랜드라면 문제는 더 복잡해진다. 우리 브랜드가 말하는 ‘미니멀’이 무엇인지, 어느 정도의 오버사이즈까지 우리 브랜드다운지, 어떤 색상 조합은 허용하고 어떤 조합은 피해야 하는지 AI는 알지 못한다.
브랜드 가이드와 과거 룩북, 상품 정보와 고객 리뷰를 잔뜩 넣어주면 어느 정도는 이해할 수 있다. 최근에는 검색증강생성(RAG)을 이용해 사내 문서에서 필요한 정보를 찾아 AI에게 제공하는 방법도 널리 쓰인다. 하지만 필요한 문서를 찾아주는 것과 우리 회사에 무엇이 존재하고 그것들이 어떤 관계를 맺으며 어떤 규칙에 따라 움직이는지를 이해하는 것은 조금 다른 문제다.
데이터가 많다는 것과 AI가 그 데이터의 의미와 관계를 이해한다는 것은 같지 않다. 바로 여기서 앞으로 기업의 AI 경쟁력을 좌우할 수 있는 중요한 개념 하나가 등장한다. 온톨로지(Ontology)다.
# 팔란티어가 온톨로지를 중요하게 보는 이유
온톨로지는 처음 들으면 상당히 어려운 단어처럼 느껴진다. 원래 철학에서도 사용되고 컴퓨터과학에서도 오랫동안 쓰여온 개념이다. 하지만 기업 경영의 관점에서 조금 단순하게 풀면 ‘우리 회사라는 세계에는 무엇이 존재하고, 그것들이 서로 어떻게 연결되어 있으며, 어떤 규칙에 따라 움직이는지를 정의하는 것’ 정도로 이해할 수 있다.
이 개념을 기업 운영과 적극적으로 연결해온 대표적인 회사가 팔란티어(Palantir)다. 팔란티어는 온톨로지를 조직의 데이터와 모델을 현실 세계의 대상과 연결하는 핵심 운영 구조로 설명한다. 팔란티어는 이를 조직의 ‘디지털 트윈(Digital Twin)’이라고도 표현한다.
예를 들어 현실의 고객이나 상품, 주문, 매장 같은 대상을 객체(Object)로 정의할 수 있다. 가격, 색상, 재고량 같은 특징은 속성(Property)이 되고, 고객이 특정 상품을 구매했다거나 특정 상품이 하나의 컬렉션에 포함된다는 관계는 연결(Link)이 된다.
여기에 발주를 변경하거나 가격을 수정하는 것처럼 실제로 무엇을 할 수 있는지는 행동(Action)으로 정의한다. 팔란티어는 이렇게 객체와 속성, 관계와 행동을 기업의 실제 데이터에 연결함으로써 회사의 운영 세계를 구조화한다.

챗GPT로 제작
예를 들어 데이터베이스 어딘가에 ‘A123’, ‘32’, ‘BLACK’, ‘RETURN’이라는 값이 있다고 해보자. 그 자체로는 각각 하나의 데이터에 불과하다. 하지만 온톨로지와 연결되면 A123은 특정 재킷이고, 32는 현재 재고량이며, BLACK은 해당 상품재고단위(SKU)의 색상이라는 의미를 갖는다. RETURN 역시 단순한 문자열이 아니라 특정 고객이 특정 주문에서 이 상품을 반품했다는 사건으로 이해할 수 있다.
여기서 한발 더 나아갈 수 있다. 이 재킷은 어떤 컬렉션에 속하는가. 어떤 고객군이 많이 구매하는가. 어느 매장에서 잘 팔리는가. 어떤 이유로 반품되는가. 재고가 어느 수준까지 떨어지면 재주문해야 하는가. 재주문 권한은 누구에게 있는가. 이런 관계와 규칙까지 하나의 구조 안에 연결하는 것이다.
그래서 팔란티어가 말하는 온톨로지는 단순한 데이터 사전이나 분류표가 아니다. 최근 팔란티어는 이를 데이터(Data), 논리(Logic), 행동(Action), 보안(Security)을 함께 연결하는 구조로 설명한다. 데이터가 무엇을 뜻하는지 정의하는 데서 끝나는 것이 아니라, 그 데이터를 토대로 어떤 판단을 내리고 어떤 행동까지 할 수 있는지를 함께 구조화하는 것이다.
쉽게 비유하면 이렇다. AI 모델이 아무리 뛰어난 두뇌라 해도 회사라는 세계의 지도와 언어, 규칙을 모르면 매번 처음 온 외부인처럼 일할 수밖에 없다. 온톨로지는 AI에게 우리 회사의 세계가 어떻게 생겼는지를 알려주는 지도에 가깝다. 다시 말해 AI가 매번 처음 온 외부인이 아니라, 회사에서 30년 이상 근속한 직원처럼 일할 수 있게 만드는 기반이다.
# 패션기업 C&A는 팔란티어를 어떻게 활용했을까
팔란티어가 온톨로지로 설명하는 이런 운영 구조는 패션산업에서도 확인할 수 있다. 실제로 2023년 C&A 브라질(C&A Brasil)은 팔란티어와 함께 팔란티어 파운드리(Palantir Foundry)를 활용한 통합 관리 흐름을 개발했다. 목표는 베스트셀러 상품의 구매와 재고 보충 과정을 더 빠르고 정확하게 만드는 것이었다.
팔란티어가 공개한 자료에 따르면 약 3개월 동안 데이터 수집과 처리부터 베스트셀러와 신규 상품의 구매 추천까지 이어지는 흐름을 구축했다. 장기 재고 계획과 판매의 계절성, 상품별 실적 변화, 재무 기준 등 여러 변수를 함께 반영했다. C&A 측은 이를 통해 초기 구매 계획부터 실제 상품을 매장으로 보내는 과정까지 구매 업무 전반을 효율화했으며, 보유 재고의 판매율을 높이는 동시에 불필요한 과잉재고를 줄였다고 설명했다.
이 사례에서 중요한 것은 AI가 “이 상품을 몇 장 더 주문하세요”라고 알려줬다는 사실만이 아니다. 그런 판단이 가능하려면 상품, 상품재고단위(SKU), 매장, 판매량, 재고, 주문, 계절성 같은 서로 다른 정보가 무엇을 의미하고 서로 어떻게 연결되는지가 먼저 정리되어 있어야 한다.
팔란티어는 이를 회사 물류 체인의 디지털 트윈(Digital Twin)이라고 말했다. 기획 담당자가 상품 하나의 판매량만 보는 것이 아니라 구매에서 매장까지 이어지는 전체 흐름을 같은 구조 안에서 보고, 새로운 규칙이나 상황을 빠르게 모의실험할 수 있도록 한 것이다.
이것이 왜 AI 시대에 중요할까. 예를 들어 대표가 AI에게 “이번 시즌 블랙 재킷의 판매가 예상보다 부진한 이유를 알려줘”라고 묻는다고 해보자.
판매량 데이터 하나만 읽어서는 제대로 답하기 어렵다. 해당 상품의 사이트 유입은 줄었는지, 광고 노출은 어땠는지, 특정 사이즈의 재고가 부족하지 않았는지, 경쟁 브랜드가 비슷한 상품을 할인하고 있는지, 고객 리뷰에서 핏이나 소재에 관한 불만이 늘지는 않았는지, 반품률은 이전 상품보다 높은지까지 함께 봐야 한다.
지금은 사람이 각각의 시스템을 돌아다니며 자료를 모으고 엑셀에 붙여 넣은 뒤 AI에게 질문하는 경우가 많다. AI는 똑똑해졌지만 매번 사람이 밥상을 차려줘야 하는 셈이다. 문제는 데이터가 없는 것이 아니다. 오히려 대부분의 기업에는 데이터가 너무 많다. 전사적자원관리(ERP) 시스템에는 매출과 재고가 있고, 쇼핑몰에는 주문 정보가 있으며, 고객관계관리(CRM) 시스템에는 고객 정보가 쌓인다. 고객서비스(CS)팀에는 문의와 반품 이유가 있고, 마케팅팀에는 광고 데이터가 있으며, 디자인팀에는 시즌별 룩북과 브랜드 가이드가 있다.
하지만 이 정보들이 서로 어떤 관계를 가지는지 제대로 정의되어 있지 않으면 AI 역시 회사를 조각조각 이해할 수밖에 없다. 온톨로지가 필요한 이유는 데이터를 더 많이 쌓기 위해서가 아니라 이미 가지고 있는 데이터 사이의 의미와 관계를 연결하기 위해서다.
# 패션의 온톨로지에는 ‘브랜드다움’도 들어가야 한다

출처: ChatGPT를 활용해 생성한 AI 이미지
여기서 패션산업은 일반적인 제조업과 조금 다른 문제와 마주한다. 패션 브랜드의 경쟁력에는 숫자로만 설명하기 어려운 것이 많기 때문이다.
어떤 브랜드가 스스로를 ‘미니멀’하다고 정의한다고 해보자. 하지만 미니멀이라는 단어 하나를 AI에게 알려주는 것만으로는 부족하다. 우리 브랜드가 사용하는 색상의 범위는 어디까지인지, 로고는 어느 정도로 노출하는지, 실루엣은 얼마나 여유 있게 가져가는지, 어떤 소재를 선호하고 어떤 스타일링은 우리답지 않다고 판단하는지까지 훨씬 구체적인 기준이 존재한다. ‘오버사이즈’, ‘클래식’, ‘프리미엄’, ‘스트리트’ 같은 단어도 브랜드마다 전혀 다른 의미를 가진다.
이런 미적 기준도 데이터와 연결되고 개념과 관계, 판단 규칙으로 구조화된다면 온톨로지의 일부가 될 수 있다. 예를 들어 색상과 실루엣, 소재, 로고 노출 수준 같은 기준을 실제 상품과 콘텐츠에 연결하고, 무엇을 ‘우리다운 디자인’으로 판단할 것인지 규칙을 정의하는 식이다. 중요한 것은 브랜드 가이드를 문서로 가지고 있는 데서 그치지 않고, 회사가 사용하는 개념과 판단 기준을 실제 데이터와 대상, 관계에 연결해 AI가 이해할 수 있는 구조로 만드는 것이다.
그동안 패션 브랜드의 중요한 지식 중 상당 부분은 디렉터나 MD, 디자이너의 머릿속에 암묵지로 존재했다. “이건 우리 브랜드 같다”, “아무리 잘 팔려도 이런 상품은 하면 안 된다”, “사진은 예쁜데 우리 무드는 아니다” 같은 판단이다. 사람끼리는 오랫동안 함께 일하면서 이런 기준을 자연스럽게 학습한다. 하지만 AI와 함께 일하려면 그 감각 가운데 설명할 수 있는 부분은 언어와 데이터, 사례와 규칙으로 바꿔야 한다.
예를 들어 ‘우리 브랜드다운 사진’을 단순히 미니멀하다고 정의하는 데서 그치지 않고, 배경의 복잡도, 허용하는 색상 범위, 인물과 제품의 비율, 조명의 방향, 로고 노출 수준, 피해야 할 사례 등을 함께 축적할 수 있다. 판매 데이터를 기준으로 한 ‘베스트셀러’의 정의와 브랜드 관점에서 전략적으로 밀어야 할 ‘히어로 상품’의 정의를 구분할 수도 있다. 같은 상품을 두고도 매출 관점과 브랜드 관점에서는 전혀 다른 의미가 부여될 수 있기 때문이다.
AI를 잘 활용하려면 좋은 결과물을 우연히 한 번 만드는 데 그쳐서는 안 된다. 잘된 프롬프트와 기준을 반복 가능한 자산으로 만들어야 한다. 그런데 온톨로지는 그보다 한 단계 더 아래에 있는 문제다.
프롬프트가 AI에게 “이번에는 무엇을 해달라”고 요청하는 방법이라면, 온톨로지는 AI가 일을 시작하기 전에 “우리 회사의 세계가 어떻게 생겼는지”를 이해하게 만드는 구조에 가깝다.
AI 시대에 감각이 덜 중요해지는 것이 아니다. 오히려 조직이 가진 감각과 판단의 기준 가운데 무엇을 사람의 암묵지로 남기고, 무엇을 설명 가능한 지식으로 바꿀 것인지가 중요해질 가능성이 크다.
에이전틱 AI 시대에는 온톨로지가 더 중요해진다. 온톨로지가 앞으로 더 중요해지는 이유는 AI가 단순히 질문에 답하는 단계에서 실제로 일을 수행하는 단계로 이동하고 있기 때문이다.
에이전틱 AI(Agentic AI)는 자료를 찾아 요약하는 데서 끝나지 않는다. 데이터를 조회하고, 여러 시스템과 도구를 사용하고, 문서를 작성하고, 상황에 따라 다음 작업을 선택하며, 허용된 범위 안에서는 실제 행동까지 수행하는 방향으로 발전하고 있다.
이때 회사를 제대로 모르는 AI가 답변을 잘못하는 것은 번거로운 문제로 끝날 수도 있다. 하지만 회사를 제대로 모르는 AI가 행동까지 한다면 이야기가 달라진다. 잘못된 고객에게 고객관계관리(CRM) 메시지를 발송할 수도 있고, 잘못된 기준으로 재고를 판단할 수도 있으며, 접근해서는 안 되는 정보에 접근하거나 권한이 없는 업무를 실행할 수도 있다. AI가 더 많은 일을 맡을수록 단순히 모델이 얼마나 똑똑한지만 볼 수 없는 이유다.
회사의 세계에는 어떤 객체가 있는가. 각각의 데이터는 무엇을 의미하는가. 무엇과 무엇이 연결되어 있는가. AI가 사용할 수 있는 행동은 무엇인가. 어떤 데이터에는 접근할 수 있는가. 어느 범위까지 스스로 실행할 수 있으며 어디부터는 사람의 승인을 받아야 하는가. 이런 구조가 함께 정의되어야 한다.
팔란티어의 온톨로지 역시 객체(Object)와 관계(Link)만 다루는 것이 아니다. 행동(Action)을 통해 실제 운영 시스템을 변경할 수 있도록 하고, 여기에 세분화된 권한과 보안 정책을 적용한다. 팔란티어는 현재 인간과 AI 에이전트가 같은 온톨로지를 바탕으로 데이터를 읽고 판단하고 행동하면서도, 허용된 권한 안에서만 작업하도록 만드는 구조를 강조하고 있다.
이 지점은 AI 거버넌스와도 직접 연결된다. AI에게 회사의 정보를 알려주는 것만으로 충분하지 않다. 무엇을 알 수 있는지와 함께 무엇을 할 수 있는지도 정의해야 한다. AI가 점점 더 많은 업무를 수행할수록 온톨로지는 단순한 데이터 구조를 넘어 AI가 회사 안에서 움직일 수 있는 범위와 규칙을 정하는 기반이 될 수 있다.
# 작은 패션 브랜드는 무엇부터 시작해야 할까
그렇다고 작은 패션 브랜드까지 당장 거대한 온톨로지 시스템을 구축해야 한다는 이야기는 아니다. 중요한 것은 팔란티어와 같은 시스템을 도입하느냐가 아니라 우리 회사의 공용 언어와 관계, 규칙이 얼마나 잘 정의되어 있느냐다.
예를 들어 ‘신규 고객’은 첫 구매 고객을 뜻하는지, 구매 후 30일까지를 뜻하는지부터 정할 수 있다. ‘베스트셀러’는 판매 수량 기준인지, 매출액 기준인지, 이익 기준인지 정해야 한다. ‘재고 위험’은 몇 주치 재고부터 위험으로 볼 것인지, ‘충성 고객’은 어떤 조건을 충족해야 하는지 역시 회사마다 다르다.
그다음 고객, 상품, 주문, 콘텐츠, 광고, 매장처럼 회사에서 중요한 대상을 정리하고 서로 어떤 관계가 있는지 연결할 수 있다. 한 고객이 어떤 상품을 구매했고, 어떤 광고를 보고 들어왔으며, 어떤 상품을 반품했고, 어떤 콘텐츠에 반응했는지를 연결하기 시작하는 것이다.
브랜드 차원에서는 자주 사용하는 비주얼 표현의 뜻과 실제 사례, 피해야 할 표현, 비주얼 기준도 정리할 수 있다. ‘미니멀’, ‘프리미엄’, ‘우리다운 컬러’처럼 내부에서 습관적으로 사용하는 말부터 서로 같은 의미로 사용하고 있는지 확인해보는 것도 좋은 출발이다.
처음부터 거대한 시스템을 만들 필요는 없다. 엑셀 한 장이나 데이터 사전 하나에서 시작해도 된다. 중요한 것은 모든 데이터를 완벽하게 정리하는 것이 아니라 회사가 반복적으로 사용하는 핵심 개념부터 정의하고, 그 사이의 관계와 의사결정 규칙을 하나씩 연결하는 것이다.

사진: 챗GPT 제작
다음과 같은 질문부터 시작해볼 수 있다.
1. 우리 회사에서 가장 중요한 대상은 무엇인가
고객, 상품, 주문, 매장, 콘텐츠, 캠페인처럼 실제 업무에서 반복적으로 등장하는 대상을 정한다.
2. 각 대상에는 어떤 정보가 붙어 있는가
상품이라면 가격, 색상, 사이즈, 재고량, 컬렉션, 원가 등이 될 수 있다.
3. 이 대상들은 서로 어떻게 연결되어 있는가
고객이 상품을 구매하고, 상품이 컬렉션에 속하며, 주문에는 반품이나 교환이 발생하는 식이다.
4. 우리 회사가 반복해서 사용하는 판단 기준은 무엇인가
베스트셀러, 재고 위험, 충성 고객, 우리다운 디자인 같은 개념을 명확히 정의한다.
5. 그 판단을 바탕으로 어떤 행동을 할 수 있고 누가 승인해야 하는가
재주문, 할인, 광고 중단, 고객 메시지 발송처럼 실제 행동과 권한까지 연결한다.
이 다섯 가지만 정리해도 회사의 데이터는 단순한 숫자와 문서의 집합에서 조금씩 의미와 관계를 가진 구조로 바뀌기 시작한다.
# 좋은 AI를 고르는 경쟁에서 우리 회사를 잘 정의하는 경쟁으로
지금까지 기업들은 더 좋은 AI를 찾는 데 많은 시간을 썼다. 하지만 AI 모델은 계속 바뀐다. 오늘 가장 뛰어난 모델이 몇 달 뒤에도 가장 뛰어난 모델이라는 보장은 없다. 기업 입장에서는 챗GPT와 제미나이, 클로드를 필요에 따라 바꾸거나 여러 모델을 함께 사용할 수도 있다.
반면 우리 회사가 축적해온 고객과 상품의 데이터, 업무의 역사, 의사결정의 기준, 브랜드 고유의 언어와 관계 구조는 다른 회사가 쉽게 복제하기 어렵다. 오히려 AI 모델의 성능 차이가 점점 줄어들수록 이런 기업 고유의 맥락이 더 중요한 차이를 만들 가능성도 있다. 같은 AI를 사용하더라도 어떤 회사의 AI는 매번 설명을 처음부터 들어야 하는 외부인처럼 일하고, 어떤 회사의 AI는 회사의 구조와 맥락, 업무의 규칙을 이해하는 오래된 직원처럼 일하게 될 수 있다.
물론 온톨로지 하나만 잘 만든다고 AI 경쟁력이 완성되는 것은 아니다. 좋은 데이터도 필요하고, 업무 설계와 기술 인프라, 거버넌스와 구성원의 역량도 필요하다. 다만 AI가 회사 안으로 깊숙이 들어와 실제 업무를 수행할수록 회사의 세계를 얼마나 명확하게 정의해두었는가가 점점 중요한 기반이 될 가능성이 높다.
AI 시대의 경쟁력은 데이터를 얼마나 많이 가지고 있느냐만으로 결정되지 않을 것이다. 그 데이터가 무엇을 의미하고, 서로 어떻게 연결되어 있으며, 어떤 판단과 행동으로 이어져야 하는지를 얼마나 잘 정의해두었느냐가 중요해질 것이다. 그래서 앞으로 기업이 해야 할 질문도 조금 달라질 필요가 있다. “챗GPT와 제미나이 중 무엇이 더 똑똑한가?”보다 먼저 물어야 할 질문이 있다.
“우리 회사는 AI가 제대로 이해하고 일할 수 있을 만큼 잘 정의되어 있는가?”
AI의 성능 경쟁 뒤에서 이미 또 다른 경쟁이 시작되고 있다. 더 좋은 AI를 고르는 경쟁에서, AI가 제대로 이해할 수 있도록 우리 회사의 세계를 정의하는 경쟁으로 말이다. 그런 의미에서 앞으로는 온톨로지의 시대라 불러야 할지도 모른다.

김용석 디토리안
김용석 브랜드 컨설턴트는 삼성물산에서 마케팅을 시작해 지금은 스몰 브랜드의 성장을 돕는 ‘톡설팅’의 대표로 있다. 저서로는 <작은 기업을 위한 브랜딩 법칙 ZERO>, <AI가 선택하는 브랜드의 비밀: AEO>가 있다. brunch.co.kr/@kap
AI 시대, 승부는 온톨로지에서 갈린다
요즘 AI 강의를 하면 자주 나오는 질문이 있다. 챗GPT가 좋은지, 제미나이가 좋은지, 클로드가 좋은지와 같이 어떤 생성형 AI를 써야 하느냐는 질문이다. 그래서인지 새로운 모델이 발표될 때마다 사람들은 앞다투어 성능평가 점수를 보고, 더 긴 문맥을 처리하는지, 추론 능력이 얼마나 좋아졌는지 확인한다.
물론 어떤 AI 모델을 선택하느냐는 중요한 문제다. 하지만 AI를 실제 업무에 깊숙이 활용하기 시작하면 조금 다른 문제와 마주하게 된다. 아무리 똑똑한 AI를 가져다 놓아도 정작 ‘우리 회사를 모른다’는 것이다. 우리 회사가 말하는 ‘고객’이 정확히 누구인지 모르고, 어떤 상품을 핵심 상품으로 분류하는지 모르며, 어느 정도 재고가 쌓여야 ‘재고 위험’이라고 판단하는지도 모른다.
패션 브랜드라면 문제는 더 복잡해진다. 우리 브랜드가 말하는 ‘미니멀’이 무엇인지, 어느 정도의 오버사이즈까지 우리 브랜드다운지, 어떤 색상 조합은 허용하고 어떤 조합은 피해야 하는지 AI는 알지 못한다.
브랜드 가이드와 과거 룩북, 상품 정보와 고객 리뷰를 잔뜩 넣어주면 어느 정도는 이해할 수 있다. 최근에는 검색증강생성(RAG)을 이용해 사내 문서에서 필요한 정보를 찾아 AI에게 제공하는 방법도 널리 쓰인다. 하지만 필요한 문서를 찾아주는 것과 우리 회사에 무엇이 존재하고 그것들이 어떤 관계를 맺으며 어떤 규칙에 따라 움직이는지를 이해하는 것은 조금 다른 문제다.
데이터가 많다는 것과 AI가 그 데이터의 의미와 관계를 이해한다는 것은 같지 않다. 바로 여기서 앞으로 기업의 AI 경쟁력을 좌우할 수 있는 중요한 개념 하나가 등장한다. 온톨로지(Ontology)다.
# 팔란티어가 온톨로지를 중요하게 보는 이유
온톨로지는 처음 들으면 상당히 어려운 단어처럼 느껴진다. 원래 철학에서도 사용되고 컴퓨터과학에서도 오랫동안 쓰여온 개념이다. 하지만 기업 경영의 관점에서 조금 단순하게 풀면 ‘우리 회사라는 세계에는 무엇이 존재하고, 그것들이 서로 어떻게 연결되어 있으며, 어떤 규칙에 따라 움직이는지를 정의하는 것’ 정도로 이해할 수 있다.
이 개념을 기업 운영과 적극적으로 연결해온 대표적인 회사가 팔란티어(Palantir)다. 팔란티어는 온톨로지를 조직의 데이터와 모델을 현실 세계의 대상과 연결하는 핵심 운영 구조로 설명한다. 팔란티어는 이를 조직의 ‘디지털 트윈(Digital Twin)’이라고도 표현한다.
예를 들어 현실의 고객이나 상품, 주문, 매장 같은 대상을 객체(Object)로 정의할 수 있다. 가격, 색상, 재고량 같은 특징은 속성(Property)이 되고, 고객이 특정 상품을 구매했다거나 특정 상품이 하나의 컬렉션에 포함된다는 관계는 연결(Link)이 된다.
여기에 발주를 변경하거나 가격을 수정하는 것처럼 실제로 무엇을 할 수 있는지는 행동(Action)으로 정의한다. 팔란티어는 이렇게 객체와 속성, 관계와 행동을 기업의 실제 데이터에 연결함으로써 회사의 운영 세계를 구조화한다.
챗GPT로 제작
예를 들어 데이터베이스 어딘가에 ‘A123’, ‘32’, ‘BLACK’, ‘RETURN’이라는 값이 있다고 해보자. 그 자체로는 각각 하나의 데이터에 불과하다. 하지만 온톨로지와 연결되면 A123은 특정 재킷이고, 32는 현재 재고량이며, BLACK은 해당 상품재고단위(SKU)의 색상이라는 의미를 갖는다. RETURN 역시 단순한 문자열이 아니라 특정 고객이 특정 주문에서 이 상품을 반품했다는 사건으로 이해할 수 있다.
여기서 한발 더 나아갈 수 있다. 이 재킷은 어떤 컬렉션에 속하는가. 어떤 고객군이 많이 구매하는가. 어느 매장에서 잘 팔리는가. 어떤 이유로 반품되는가. 재고가 어느 수준까지 떨어지면 재주문해야 하는가. 재주문 권한은 누구에게 있는가. 이런 관계와 규칙까지 하나의 구조 안에 연결하는 것이다.
그래서 팔란티어가 말하는 온톨로지는 단순한 데이터 사전이나 분류표가 아니다. 최근 팔란티어는 이를 데이터(Data), 논리(Logic), 행동(Action), 보안(Security)을 함께 연결하는 구조로 설명한다. 데이터가 무엇을 뜻하는지 정의하는 데서 끝나는 것이 아니라, 그 데이터를 토대로 어떤 판단을 내리고 어떤 행동까지 할 수 있는지를 함께 구조화하는 것이다.
쉽게 비유하면 이렇다. AI 모델이 아무리 뛰어난 두뇌라 해도 회사라는 세계의 지도와 언어, 규칙을 모르면 매번 처음 온 외부인처럼 일할 수밖에 없다. 온톨로지는 AI에게 우리 회사의 세계가 어떻게 생겼는지를 알려주는 지도에 가깝다. 다시 말해 AI가 매번 처음 온 외부인이 아니라, 회사에서 30년 이상 근속한 직원처럼 일할 수 있게 만드는 기반이다.
# 패션기업 C&A는 팔란티어를 어떻게 활용했을까
팔란티어가 온톨로지로 설명하는 이런 운영 구조는 패션산업에서도 확인할 수 있다. 실제로 2023년 C&A 브라질(C&A Brasil)은 팔란티어와 함께 팔란티어 파운드리(Palantir Foundry)를 활용한 통합 관리 흐름을 개발했다. 목표는 베스트셀러 상품의 구매와 재고 보충 과정을 더 빠르고 정확하게 만드는 것이었다.
팔란티어가 공개한 자료에 따르면 약 3개월 동안 데이터 수집과 처리부터 베스트셀러와 신규 상품의 구매 추천까지 이어지는 흐름을 구축했다. 장기 재고 계획과 판매의 계절성, 상품별 실적 변화, 재무 기준 등 여러 변수를 함께 반영했다. C&A 측은 이를 통해 초기 구매 계획부터 실제 상품을 매장으로 보내는 과정까지 구매 업무 전반을 효율화했으며, 보유 재고의 판매율을 높이는 동시에 불필요한 과잉재고를 줄였다고 설명했다.
이 사례에서 중요한 것은 AI가 “이 상품을 몇 장 더 주문하세요”라고 알려줬다는 사실만이 아니다. 그런 판단이 가능하려면 상품, 상품재고단위(SKU), 매장, 판매량, 재고, 주문, 계절성 같은 서로 다른 정보가 무엇을 의미하고 서로 어떻게 연결되는지가 먼저 정리되어 있어야 한다.
팔란티어는 이를 회사 물류 체인의 디지털 트윈(Digital Twin)이라고 말했다. 기획 담당자가 상품 하나의 판매량만 보는 것이 아니라 구매에서 매장까지 이어지는 전체 흐름을 같은 구조 안에서 보고, 새로운 규칙이나 상황을 빠르게 모의실험할 수 있도록 한 것이다.
이것이 왜 AI 시대에 중요할까. 예를 들어 대표가 AI에게 “이번 시즌 블랙 재킷의 판매가 예상보다 부진한 이유를 알려줘”라고 묻는다고 해보자.
판매량 데이터 하나만 읽어서는 제대로 답하기 어렵다. 해당 상품의 사이트 유입은 줄었는지, 광고 노출은 어땠는지, 특정 사이즈의 재고가 부족하지 않았는지, 경쟁 브랜드가 비슷한 상품을 할인하고 있는지, 고객 리뷰에서 핏이나 소재에 관한 불만이 늘지는 않았는지, 반품률은 이전 상품보다 높은지까지 함께 봐야 한다.
지금은 사람이 각각의 시스템을 돌아다니며 자료를 모으고 엑셀에 붙여 넣은 뒤 AI에게 질문하는 경우가 많다. AI는 똑똑해졌지만 매번 사람이 밥상을 차려줘야 하는 셈이다. 문제는 데이터가 없는 것이 아니다. 오히려 대부분의 기업에는 데이터가 너무 많다. 전사적자원관리(ERP) 시스템에는 매출과 재고가 있고, 쇼핑몰에는 주문 정보가 있으며, 고객관계관리(CRM) 시스템에는 고객 정보가 쌓인다. 고객서비스(CS)팀에는 문의와 반품 이유가 있고, 마케팅팀에는 광고 데이터가 있으며, 디자인팀에는 시즌별 룩북과 브랜드 가이드가 있다.
하지만 이 정보들이 서로 어떤 관계를 가지는지 제대로 정의되어 있지 않으면 AI 역시 회사를 조각조각 이해할 수밖에 없다. 온톨로지가 필요한 이유는 데이터를 더 많이 쌓기 위해서가 아니라 이미 가지고 있는 데이터 사이의 의미와 관계를 연결하기 위해서다.
# 패션의 온톨로지에는 ‘브랜드다움’도 들어가야 한다
출처: ChatGPT를 활용해 생성한 AI 이미지
여기서 패션산업은 일반적인 제조업과 조금 다른 문제와 마주한다. 패션 브랜드의 경쟁력에는 숫자로만 설명하기 어려운 것이 많기 때문이다.
어떤 브랜드가 스스로를 ‘미니멀’하다고 정의한다고 해보자. 하지만 미니멀이라는 단어 하나를 AI에게 알려주는 것만으로는 부족하다. 우리 브랜드가 사용하는 색상의 범위는 어디까지인지, 로고는 어느 정도로 노출하는지, 실루엣은 얼마나 여유 있게 가져가는지, 어떤 소재를 선호하고 어떤 스타일링은 우리답지 않다고 판단하는지까지 훨씬 구체적인 기준이 존재한다. ‘오버사이즈’, ‘클래식’, ‘프리미엄’, ‘스트리트’ 같은 단어도 브랜드마다 전혀 다른 의미를 가진다.
이런 미적 기준도 데이터와 연결되고 개념과 관계, 판단 규칙으로 구조화된다면 온톨로지의 일부가 될 수 있다. 예를 들어 색상과 실루엣, 소재, 로고 노출 수준 같은 기준을 실제 상품과 콘텐츠에 연결하고, 무엇을 ‘우리다운 디자인’으로 판단할 것인지 규칙을 정의하는 식이다. 중요한 것은 브랜드 가이드를 문서로 가지고 있는 데서 그치지 않고, 회사가 사용하는 개념과 판단 기준을 실제 데이터와 대상, 관계에 연결해 AI가 이해할 수 있는 구조로 만드는 것이다.
그동안 패션 브랜드의 중요한 지식 중 상당 부분은 디렉터나 MD, 디자이너의 머릿속에 암묵지로 존재했다. “이건 우리 브랜드 같다”, “아무리 잘 팔려도 이런 상품은 하면 안 된다”, “사진은 예쁜데 우리 무드는 아니다” 같은 판단이다. 사람끼리는 오랫동안 함께 일하면서 이런 기준을 자연스럽게 학습한다. 하지만 AI와 함께 일하려면 그 감각 가운데 설명할 수 있는 부분은 언어와 데이터, 사례와 규칙으로 바꿔야 한다.
예를 들어 ‘우리 브랜드다운 사진’을 단순히 미니멀하다고 정의하는 데서 그치지 않고, 배경의 복잡도, 허용하는 색상 범위, 인물과 제품의 비율, 조명의 방향, 로고 노출 수준, 피해야 할 사례 등을 함께 축적할 수 있다. 판매 데이터를 기준으로 한 ‘베스트셀러’의 정의와 브랜드 관점에서 전략적으로 밀어야 할 ‘히어로 상품’의 정의를 구분할 수도 있다. 같은 상품을 두고도 매출 관점과 브랜드 관점에서는 전혀 다른 의미가 부여될 수 있기 때문이다.
AI를 잘 활용하려면 좋은 결과물을 우연히 한 번 만드는 데 그쳐서는 안 된다. 잘된 프롬프트와 기준을 반복 가능한 자산으로 만들어야 한다. 그런데 온톨로지는 그보다 한 단계 더 아래에 있는 문제다.
프롬프트가 AI에게 “이번에는 무엇을 해달라”고 요청하는 방법이라면, 온톨로지는 AI가 일을 시작하기 전에 “우리 회사의 세계가 어떻게 생겼는지”를 이해하게 만드는 구조에 가깝다.
AI 시대에 감각이 덜 중요해지는 것이 아니다. 오히려 조직이 가진 감각과 판단의 기준 가운데 무엇을 사람의 암묵지로 남기고, 무엇을 설명 가능한 지식으로 바꿀 것인지가 중요해질 가능성이 크다.
에이전틱 AI 시대에는 온톨로지가 더 중요해진다. 온톨로지가 앞으로 더 중요해지는 이유는 AI가 단순히 질문에 답하는 단계에서 실제로 일을 수행하는 단계로 이동하고 있기 때문이다.
에이전틱 AI(Agentic AI)는 자료를 찾아 요약하는 데서 끝나지 않는다. 데이터를 조회하고, 여러 시스템과 도구를 사용하고, 문서를 작성하고, 상황에 따라 다음 작업을 선택하며, 허용된 범위 안에서는 실제 행동까지 수행하는 방향으로 발전하고 있다.
이때 회사를 제대로 모르는 AI가 답변을 잘못하는 것은 번거로운 문제로 끝날 수도 있다. 하지만 회사를 제대로 모르는 AI가 행동까지 한다면 이야기가 달라진다. 잘못된 고객에게 고객관계관리(CRM) 메시지를 발송할 수도 있고, 잘못된 기준으로 재고를 판단할 수도 있으며, 접근해서는 안 되는 정보에 접근하거나 권한이 없는 업무를 실행할 수도 있다. AI가 더 많은 일을 맡을수록 단순히 모델이 얼마나 똑똑한지만 볼 수 없는 이유다.
회사의 세계에는 어떤 객체가 있는가. 각각의 데이터는 무엇을 의미하는가. 무엇과 무엇이 연결되어 있는가. AI가 사용할 수 있는 행동은 무엇인가. 어떤 데이터에는 접근할 수 있는가. 어느 범위까지 스스로 실행할 수 있으며 어디부터는 사람의 승인을 받아야 하는가. 이런 구조가 함께 정의되어야 한다.
팔란티어의 온톨로지 역시 객체(Object)와 관계(Link)만 다루는 것이 아니다. 행동(Action)을 통해 실제 운영 시스템을 변경할 수 있도록 하고, 여기에 세분화된 권한과 보안 정책을 적용한다. 팔란티어는 현재 인간과 AI 에이전트가 같은 온톨로지를 바탕으로 데이터를 읽고 판단하고 행동하면서도, 허용된 권한 안에서만 작업하도록 만드는 구조를 강조하고 있다.
이 지점은 AI 거버넌스와도 직접 연결된다. AI에게 회사의 정보를 알려주는 것만으로 충분하지 않다. 무엇을 알 수 있는지와 함께 무엇을 할 수 있는지도 정의해야 한다. AI가 점점 더 많은 업무를 수행할수록 온톨로지는 단순한 데이터 구조를 넘어 AI가 회사 안에서 움직일 수 있는 범위와 규칙을 정하는 기반이 될 수 있다.
# 작은 패션 브랜드는 무엇부터 시작해야 할까
그렇다고 작은 패션 브랜드까지 당장 거대한 온톨로지 시스템을 구축해야 한다는 이야기는 아니다. 중요한 것은 팔란티어와 같은 시스템을 도입하느냐가 아니라 우리 회사의 공용 언어와 관계, 규칙이 얼마나 잘 정의되어 있느냐다.
예를 들어 ‘신규 고객’은 첫 구매 고객을 뜻하는지, 구매 후 30일까지를 뜻하는지부터 정할 수 있다. ‘베스트셀러’는 판매 수량 기준인지, 매출액 기준인지, 이익 기준인지 정해야 한다. ‘재고 위험’은 몇 주치 재고부터 위험으로 볼 것인지, ‘충성 고객’은 어떤 조건을 충족해야 하는지 역시 회사마다 다르다.
그다음 고객, 상품, 주문, 콘텐츠, 광고, 매장처럼 회사에서 중요한 대상을 정리하고 서로 어떤 관계가 있는지 연결할 수 있다. 한 고객이 어떤 상품을 구매했고, 어떤 광고를 보고 들어왔으며, 어떤 상품을 반품했고, 어떤 콘텐츠에 반응했는지를 연결하기 시작하는 것이다.
브랜드 차원에서는 자주 사용하는 비주얼 표현의 뜻과 실제 사례, 피해야 할 표현, 비주얼 기준도 정리할 수 있다. ‘미니멀’, ‘프리미엄’, ‘우리다운 컬러’처럼 내부에서 습관적으로 사용하는 말부터 서로 같은 의미로 사용하고 있는지 확인해보는 것도 좋은 출발이다.
처음부터 거대한 시스템을 만들 필요는 없다. 엑셀 한 장이나 데이터 사전 하나에서 시작해도 된다. 중요한 것은 모든 데이터를 완벽하게 정리하는 것이 아니라 회사가 반복적으로 사용하는 핵심 개념부터 정의하고, 그 사이의 관계와 의사결정 규칙을 하나씩 연결하는 것이다.
사진: 챗GPT 제작
다음과 같은 질문부터 시작해볼 수 있다.
1. 우리 회사에서 가장 중요한 대상은 무엇인가
고객, 상품, 주문, 매장, 콘텐츠, 캠페인처럼 실제 업무에서 반복적으로 등장하는 대상을 정한다.
2. 각 대상에는 어떤 정보가 붙어 있는가
상품이라면 가격, 색상, 사이즈, 재고량, 컬렉션, 원가 등이 될 수 있다.
3. 이 대상들은 서로 어떻게 연결되어 있는가
고객이 상품을 구매하고, 상품이 컬렉션에 속하며, 주문에는 반품이나 교환이 발생하는 식이다.
4. 우리 회사가 반복해서 사용하는 판단 기준은 무엇인가
베스트셀러, 재고 위험, 충성 고객, 우리다운 디자인 같은 개념을 명확히 정의한다.
5. 그 판단을 바탕으로 어떤 행동을 할 수 있고 누가 승인해야 하는가
재주문, 할인, 광고 중단, 고객 메시지 발송처럼 실제 행동과 권한까지 연결한다.
이 다섯 가지만 정리해도 회사의 데이터는 단순한 숫자와 문서의 집합에서 조금씩 의미와 관계를 가진 구조로 바뀌기 시작한다.
# 좋은 AI를 고르는 경쟁에서 우리 회사를 잘 정의하는 경쟁으로
지금까지 기업들은 더 좋은 AI를 찾는 데 많은 시간을 썼다. 하지만 AI 모델은 계속 바뀐다. 오늘 가장 뛰어난 모델이 몇 달 뒤에도 가장 뛰어난 모델이라는 보장은 없다. 기업 입장에서는 챗GPT와 제미나이, 클로드를 필요에 따라 바꾸거나 여러 모델을 함께 사용할 수도 있다.
반면 우리 회사가 축적해온 고객과 상품의 데이터, 업무의 역사, 의사결정의 기준, 브랜드 고유의 언어와 관계 구조는 다른 회사가 쉽게 복제하기 어렵다. 오히려 AI 모델의 성능 차이가 점점 줄어들수록 이런 기업 고유의 맥락이 더 중요한 차이를 만들 가능성도 있다. 같은 AI를 사용하더라도 어떤 회사의 AI는 매번 설명을 처음부터 들어야 하는 외부인처럼 일하고, 어떤 회사의 AI는 회사의 구조와 맥락, 업무의 규칙을 이해하는 오래된 직원처럼 일하게 될 수 있다.
물론 온톨로지 하나만 잘 만든다고 AI 경쟁력이 완성되는 것은 아니다. 좋은 데이터도 필요하고, 업무 설계와 기술 인프라, 거버넌스와 구성원의 역량도 필요하다. 다만 AI가 회사 안으로 깊숙이 들어와 실제 업무를 수행할수록 회사의 세계를 얼마나 명확하게 정의해두었는가가 점점 중요한 기반이 될 가능성이 높다.
AI 시대의 경쟁력은 데이터를 얼마나 많이 가지고 있느냐만으로 결정되지 않을 것이다. 그 데이터가 무엇을 의미하고, 서로 어떻게 연결되어 있으며, 어떤 판단과 행동으로 이어져야 하는지를 얼마나 잘 정의해두었느냐가 중요해질 것이다. 그래서 앞으로 기업이 해야 할 질문도 조금 달라질 필요가 있다. “챗GPT와 제미나이 중 무엇이 더 똑똑한가?”보다 먼저 물어야 할 질문이 있다.
“우리 회사는 AI가 제대로 이해하고 일할 수 있을 만큼 잘 정의되어 있는가?”
AI의 성능 경쟁 뒤에서 이미 또 다른 경쟁이 시작되고 있다. 더 좋은 AI를 고르는 경쟁에서, AI가 제대로 이해할 수 있도록 우리 회사의 세계를 정의하는 경쟁으로 말이다. 그런 의미에서 앞으로는 온톨로지의 시대라 불러야 할지도 모른다.
김용석 디토리안
김용석 브랜드 컨설턴트는 삼성물산에서 마케팅을 시작해 지금은 스몰 브랜드의 성장을 돕는 ‘톡설팅’의 대표로 있다. 저서로는 <작은 기업을 위한 브랜딩 법칙 ZERO>, <AI가 선택하는 브랜드의 비밀: AEO>가 있다. brunch.co.kr/@kap