1인 유니콘을 이야기할 때 대부분 "AI로 사람 몫을 대신한다"에서 멈춘다. 하지만 도구를 아무리 늘려도, 사업이 커질수록 무너지는 지점은 따로 있다. 의사결정의 맥락이다. 어제 왜 그 가격으로 팔았는지, 이 고객이 어떤 약속을 받았는지, 어떤 실험이 실패했는지 — 이 맥락이 흩어지면 혼자서는 감당이 안 된다.
도구가 아니라 구조의 문제
에이전트 여러 개를 붙인다고 사업이 굴러가지 않는다. 각 에이전트가 같은 사실을 같은 의미로 읽어야 한다. "고객"이 무엇이고, "주문"이 무엇이고, 그 둘이 어떻게 연결되는지에 대한 공유된 정의가 없으면, 에이전트들은 각자 다른 세계를 본다.
온톨로지는 바로 이 공유된 정의다. 엔터티(고객·주문·병원·계약)와 그 관계를 명시적으로 못박아 두는 것. Palantir가 AIP에서 강조하는 것도 결국 이것이다 — LLM을 데이터에 바로 붙이지 말고, 의미가 고정된 온톨로지 위에서 행동하게 하라는 것.
왜 이게 해자인가
- 복제 저항성: 경쟁자가 우리 프롬프트나 모델은 베낄 수 있어도, 몇 년간 쌓인 도메인 온톨로지 — 우리 사업이 세상을 어떻게 쪼개 보는지 — 는 베끼기 어렵다.
- 누적성: 온톨로지는 쓸수록 정교해진다. 새 사실이 들어올 때마다 기존 구조에 붙어 값이 커진다. 도구는 교체되지만 구조는 축적된다.
- 에이전트 신뢰도: 자동화가 실수하는 대부분의 이유는 모델이 멍청해서가 아니라 맥락이 비어서다. 온톨로지가 그 빈칸을 메운다.
1인 규모에서 실전으로 옮기려면
거창한 지식그래프 플랫폼부터 사지 마라. 순서는 반대다.
- 지금 매일 반복하는 결정 3개를 적는다.
- 그 결정에 필요한 엔터티와 관계만 최소로 정의한다.
- 그 정의 위에서만 에이전트가 행동하게 하고, 벗어나면 멈추게 한다.
- 결정이 쌓이면 온톨로지를 넓힌다.
핵심은 "전부 모델링"이 아니라 **“결정에 필요한 만큼만, 하지만 의미는 절대 흔들리지 않게”**다. 1인 유니콘의 방어선은 더 똑똑한 모델이 아니라, 흔들리지 않는 구조 위에서 도는 자동화다.