지식 영역
기업 AI 전략 — 챗봇 이후의 도입 조건과 설계 판단
기업이 AI를 도입할 때 실제로 부딪히는 한계와, 플랫폼을 선택할 때 확인해야 할 판단 기준을 다룹니다. 투자·주가와 무관하며, 조직의 데이터 전략 관점의 글입니다.
이 영역이 왜 중요한가
개인 생산성 AI 도입은 대부분 성공하지만, “회사 데이터를 물어보면 분석해주는 AI”는 파일럿 단계에서 멈추는 경우가 많습니다. 이 간극이 왜 생기고, 어떻게 판단해서 다음 단계로 넘어갈지를 다룹니다.
읽는 순서
- 챗봇 파일럿은 성공했는데, 왜 다음 단계로 못 넘어갔을까
- 회사 데이터에 ChatGPT를 붙였는데, 왜 쓸모없었을까
- AI가 회사 데이터를 이해하지 못하는 진짜 이유
- RAG로 되는 것과 안 되는 것 — 온톨로지가 필요해지는 지점
- 팔란티어는 비싸다 — 그런데도 쓰는 이유
실습으로 감 잡기 — AI Agent Series (5편)
팔란티어를 몰라도, 손으로 직접 AI 에이전트를 만들어보면서 이 영역의 개념을 체감할 수 있는 5편짜리 실습 시리즈입니다.
- AI 에이전트 실습 환경 만들기 — Claude Code 설치부터 첫 실행까지 (0편, 시작 전에)
- AI 에이전트란 무엇인가 — Subagent, Skill, MCP까지 처음 배우는 사람을 위한 정리 (1/5)
- 프롬프트 엔지니어링과 컨텍스트 엔지니어링, 뭐가 다른가 (2/5)
- 하네스 엔지니어링이란 — AI를 오래, 안정적으로 돌리려면 필요한 것 (3/5)
- 에이전팅 엔지니어링과 PH-AH 루프 — 바이브코딩과 무엇이 다른가 (4/5)
- AI 에이전트 개념 4가지, 직접 써보며 익히는 실습 — 가계부 요약 앱 만들기 (5/5)
시리즈 밖 심화 글
5편 시리즈에는 포함되지 않지만, 이어서 읽으면 도움이 되는 글입니다.
문제 정의를 확인했다면, 실제 해결 방법(온톨로지·Foundry·AIP)을 이어서 살펴보세요:
온톨로지 가이드로 이동