uEngine — The AI-first Company

2026년 1분기, 팔란티어(Palantir)는 매출 16억 3천만 달러로 전년 대비 85% 성장하며 연간 매출 가이던스를 76억 6천만 달러로 상향했다. 같은 분기 미 육군과는 그동안 흩어져 있던 75개의 개별 계약을 하나로 통합하는 10년, 100억 달러 규모의 엔터프라이즈 계약을 새로 체결했고, 미 농무부와도 3억 달러 규모 계약을 맺었다. 그리고 이 모든 성장의 중심에는 뜻밖에도 ‘AI’도 ‘LLM’도 아닌, ‘온톨로지(Ontology)’라는 다소 철학적인 단어가 자리하고 있다.

이 단어가 단순한 마케팅 수사가 아니라 실제 아키텍처의 축이라면, 우리는 여기서 훨씬 더 중요한 질문을 던져야 한다. 왜 하필 지금, 에이전틱 AI 시대에 온톨로지가 필요해졌는가? 그리고 그런 플랫폼을 자처하려면 무엇을 갖춰야 하는가? 이 글은 팔란티어의 급성장과 국내 상륙이 던지는 신호를 짚어보고, 그 자격 요건을 유엔진솔루션즈가 어떻게 제품으로 답하고 있는지 살펴본다.

하버마스 밑에서 사회이론으로 박사 학위를 받은 철학도 출신인 팔란티어 CEO 알렉스 카프(Alex Karp)는 유독 ‘온톨로지’라는 단어를 즐겨 쓴다. 헤지펀드 매니저 마이클 버리가 팔란티어의 밸류에이션에 의문을 제기하며 공매도 베팅을 걸었을 때, 카프는 "칩과 온톨로지를 공매도한다는 건 미친 짓"이라고 맞받았다. 다른 자리에서는 "LLM과 온톨로지가 결합하면 시스템은 자기생성적(autopoetic)일 만큼 강력해진다"고도 표현했다.

수사를 걷어내고 아키텍처를 들여다보면 이 표현이 과장이 아님을 알 수 있다. 팔란티어의 Foundry가 흩어진 기업 데이터를 물리적으로 통합하면, 그 위의 온톨로지 레이어가 “직원”, “항공기”, “발주서”처럼 실제 비즈니스 개체와 그 사이의 관계·행동(Action)을 명시적으로 정의한다. 그리고 AIP의 에이전트는 로우(row)와 컬럼(column)이 아니라 바로 이 온톨로지 객체를 통해 세상을 이해하고 행동으로 옮긴다. 데이터 통합 → 온톨로지(의미화) → 에이전트 실행이라는 서사가 팔란티어의 모든 제품을 관통하는 것이다.

지난 2~3년 엔터프라이즈 AI의 화두는 단연 RAG(검색증강생성)였다. 문서를 잘게 쪼개 벡터로 임베딩하고, 질문과 유사한 청크를 찾아 LLM에 넘겨주는 방식이다. 그런데 에이전트가 정보를 “찾아 답하는” 단계를 넘어 실제 업무를 “판단하고 실행하는” 단계로 넘어가자, 이 방식의 구조적 한계가 곳곳에서 드러나기 시작했다. 문서를 청크로 평탄화(flatten)하는 순간 조항과 조항 사이의 관계, 테이블과 테이블 사이의 인과관계, “이 수치가 왜 이렇게 나왔는지”에 대한 지식은 사라진다. 벡터 검색은 “비슷한 것”은 잘 찾지만 “연결된 것”은 놓친다 — 특히 여러 단계를 거쳐야 답이 나오는 멀티홉(multi-hop) 질문일수록 정밀도가 급격히 떨어진다는 사실이 반복적으로 확인되고 있다.

이 공백이 실제 사고로 이어지는 지점이 바로 에이전틱 AI다. 근거 없이 판단한 에이전트가 잘못된 조치를 실제로 “실행”해버리기 때문이다. 그래서 업계는 그래프 기반 검색과 명시적 거버넌스 메타데이터를 결합하면 나이브한 벡터 검색 대비 환각을 상당 폭 줄일 수 있다는 쪽으로 빠르게 수렴하고 있고, 마이크로소프트조차 2026년 자사 데이터 플랫폼 Fabric에 그래프 계층과 그래프 기반 추론 기능을 잇따라 얹으며 “그래프 그라운딩”을 사실상의 표준 요구사항으로 밀어붙이고 있다.

국내 상황은 오히려 더 절박하다. 부서마다 우후죽순으로 챗봇을 도입하다 보니 데이터는 사일로에 갇히고, 정작 에이전트들이 공유해야 할 공통의 의미 체계는 존재하지 않는 경우가 대부분이다. 실제로 흩어진 데이터를 하나의 플랫폼으로 통합한 뒤에야 운영비를 30% 넘게 절감하고 성능을 40% 가까이 끌어올릴 수 있었다는 국내 유통 대기업의 사례가 공개되기도 했다. 맥킨지가 집계한 기업 AI 도입의 실제 성공률이 5%를 밑돈다는 수치는, 결국 “똑똑한 모델”이 부족해서가 아니라 “모델이 딛고 설 지식 기반”이 없었기 때문이라는 해석과 정확히 맞닿아 있다.

이 흐름은 더 이상 실리콘밸리만의 이야기가 아니다. 팔란티어는 이미 한국에 상륙해 있다. HD현대는 팔란티어 코리아 지분 25%를 확보해 조선·자동차·발전·정유 계열사 전반에 Foundry와 AIP를 적용하고 있고, 다보스포럼에서는 수억 달러 규모의 추가 계약까지 체결했다. LG CNS도 전략적 파트너십을 맺었으며, DL이앤씨·코오롱베니트 등도 도입 대열에 합류했다.

정부 역시 대통령 직속 국가인공지능전략위원회를 통해 “2030년 AI 3대 강국”을 목표로 내걸고, 7대 전략 중 하나로 “데이터 거버넌스 개편과 범국가 데이터 통합·연계”를 명시했다. 2026년에는 고가치 공공데이터 25종을, 2028년까지는 100종을 개방한다는 계획도 뒤따른다.

그런데 여기서 남는 질문이 있다. 팔란티어가 유일한 답이어야 할까? 조선·방산처럼 데이터 주권과 보안이 극도로 민감한 산업, 혹은 예산 제약이 뚜렷한 중견기업·공공기관 입장에서, 특정 해외 벤더의 폐쇄형 플랫폼에 조직의 지식 체계 전체를 맡기는 것이 유일한 선택지여야 할 이유는 없다. 오히려 지금 필요한 질문은 “팔란티어를 쓸 것인가”가 아니라 “온톨로지 기반 데이터 인텔리전스 플랫폼이 갖춰야 할 자격은 무엇인가”다.

팔란티어의 사례와 국내외 성공·실패 사례들을 종합하면, 에이전틱 AI 시대의 데이터 인텔리전스 플랫폼이 최소한 갖춰야 할 자격은 다음 여섯 가지로 압축된다.

① 통합 — 있는 그대로 끌어모을 것: 정형 DB뿐 아니라 스토어드 프로시저 같은 레거시 코드, 운영 문서까지 물리적으로 흩어진 자산을 그대로 끌어모을 수 있어야 한다.
② 자동화 — 사람이 아니라 스스로 구축할 것: 수작업 태깅·문서화는 규모가 커질수록 무너진다. 온톨로지 자체를 자동으로 구축하고 스스로 검증·개선할 수 있어야 한다.
③ 실행 가능성 — 그림이 아니라 질의 가능한 지식일 것: 그래프가 시각화 자료에 그치지 않고 실데이터에 연결되어 실제로 질의할 수 있어야 의미가 있다.
④ 설명력 — ‘왜’와 ‘그러면 어떻게’를 함께 답할 것: 결과가 나온 원인을 추적하고, 변수를 바꿨을 때 미래가 어떻게 달라지는지도 예측할 수 있어야 한다.
⑤ 실행력 — 판단에서 그치지 않을 것: 조건을 상시 감시하다 임계값을 넘으면 사람의 개입 없이 조치 프로세스를 자동으로 기동할 수 있어야 한다.
⑥ 개방성 — 특정 벤더에 종속되지 않을 것: MCP 같은 표준 프로토콜로 어떤 에이전트와도 연동되고, 조직이 자신의 지식 그래프를 직접 소유·검증할 수 있어야 한다.

온톨로지 플랫폼의 자격 — 3중 구조

🗄️ ① DB · 레거시 코드 · 문서 통합

의미화 계층 (온톨로지)

② 자동 구축 · 자가 개선 ③ 실데이터 연결 · 질의 가능

실행 계층 (에이전트)

④ 원인 분석 · What-if 예측 ⑤ 감시 · 자동 조치 실행 ⑥ MCP 등 개방형 표준 연동

①②③이 없으면 에이전트는 근거 없이 판단하고, ④⑤⑥이 없으면 판단은 실행으로 이어지지 못한 채 리포트에 머문다.

그렇다면 이 여섯 가지 자격을 만족하는 플랫폼은 지금 어디서 만날 수 있을까? 유엔진솔루션즈가 오픈소스 Ontology Studio와 엔터프라이즈 플랫폼 Ontologic Platform으로 쌓아온 설계는, 위 여섯 가지 질문에 하나씩 답하기 위해 구성되어 있다.

자격 요건 → Ontology Studio / Ontologic Platform의 기능

플랫폼의 자격 요건	구현 기능
① DB · 레거시 코드 · 문서 통합	Ontologic의 인제스천 엔진이 DDL뿐 아니라 스토어드 프로시저·함수·트리거 같은 레거시 코드를 LLM으로 분석해 테이블·컬럼의 의미와 코드–데이터 리니지(WRITES·READS)를 자동 도출합니다. ↗ 소개 페이지에서 보기 · ↗ 리니지 보기
② 자동 구축 · 자가 개선	Ontology Studio는 문서를 업로드하면 스스로 파서와 스키마를 설계하고, Golden Question으로 답변 품질을 검증한 뒤 스키마를 보강해 재인제션하는 에이전틱 자가개선 루프를 갖췄습니다. Ontologic 역시 문서·DB 스키마로부터 KPI·Measure·Process·Driver·Resource 온톨로지를 자동 추출합니다. ↗ Ontology Studio에서 보기 · ↗ Ontologic에서 보기
③ 실데이터 연결 · 질의 가능	온톨로지의 Measure/KPI 노드에 물리 테이블을 연결하면 실시간 추이가 반영되고, 자연어 질의(Text-to-SQL)는 ReAct 에이전트가 여러 후보 SQL을 평가해 최적의 쿼리를 실행합니다. ↗ 소개 페이지에서 보기
④ 원인 분석 · What-if 예측	온톨로지 그래프를 따라 VAR/Granger 인과성 분석으로 KPI 변동의 원인 후보를 추적하고, 검증된 모델 체인으로 시나리오별 미래를 시뮬레이션합니다. ↗ 원인 분석 보기 · ↗ What-if 보기
⑤ 감시 · 자동 조치 실행	감시 에이전트(Watch Agent)가 SQL·What-if 결과를 상시 평가하다 임계값을 넘으면 Process GPT로 조치 프로세스를 자동 위임합니다. 판단은 온톨로지에서, 실행은 프로세스 엔진에서 이어집니다. ↗ 소개 페이지에서 보기
⑥ 개방형 표준 · 오픈소스	Ontology Studio는 Streamable MCP 서버로 노출되어 Claude 등 어떤 AI 에이전트와도 연동되며, 코드 전체가 오픈소스로 공개되어 조직이 자신의 지식 그래프를 직접 소유하고 검증할 수 있습니다. ↗ 소개 페이지에서 보기

팔란티어의 온톨로지가 강력하다는 사실은 시장이 이미 증명했다. 하지만 그 지식 체계는 폐쇄된 상용 플랫폼 안에 있다. 온톨로지가 조직의 “두뇌”라면, 그 두뇌를 누가 소유하고 검증할 수 있는지는 결코 사소한 문제가 아니다. Ontology Studio와 Ontologic Platform이 오픈소스와 자동화·자가개선을 함께 강조하는 이유가 여기에 있다.

온톨로지는 한때의 유행어가 아니라 에이전틱 AI가 신뢰받기 위한 최소 조건이다. 위 여섯 가지 자격을 갖추지 못한 플랫폼 위에서는, 아무리 좋은 모델을 얹어도 “근거 없는 판단”과 “사일로에 갇힌 데이터”라는 근본 문제가 반복될 뿐이다. 팔란티어가 그 자격의 존재 가치를 시장에서 증명했다면, 이제 남은 질문은 하나다 — “누구의 온톨로지 플랫폼이 우리 조직의 조건에 맞는가”.

Ontology Studio는 지금 GitHub에서 오픈소스로 내려받아 직접 시험해 볼 수 있고, 실제 DB·레거시 코드까지 통합하는 엔터프라이즈 환경이 필요하다면 Ontologic Platform 소개 페이지에서 전체 아키텍처와 기능을 확인하실 수 있다.

참고 자료

팔란티어가 증명한 것 — 에이전틱 AI 시대, ‘온톨로지 플랫폼’의 자격을 묻다