AI Landscape Map

AI를 실전에 적용할 때 중요한 것은 모델 이름이 아니라 문제, 지식, 도구, 검증, 운영의 연결입니다.

Summary

LLM은 답변 엔진이고, RAG는 외부 지식 연결 방식이며, Agent는 작업 실행 구조입니다. KMS는 이 셋이 지속적으로 쓸 수 있는 지식 기반을 제공합니다.

큰 지도

flowchart LR
  LLM["LLM"] --> RAG["RAG"]
  LLM --> Agent["Agent"]
  RAG --> KMS["AI Native KMS"]
  Agent --> Workflow["Workflow Automation"]
  KMS --> Eval["Evaluation"]
  Workflow --> Eval
  Eval --> Ops["Operation"]
  Ops --> KMS

핵심 개념

개념	역할	실패하기 쉬운 지점
LLM	언어 이해와 생성	근거 없는 답변, 최신성 부족
RAG	외부 문서 검색과 근거 연결	청킹, 검색 품질, 출처 관리
Agent	도구 호출과 다단계 작업	권한, 상태 관리, 실패 복구
Workflow	반복 업무의 절차화	예외 처리, 책임 경계
Evaluation	답변과 작업 결과 검증	지표 부재, 샘플 편향
KMS	조직 지식의 구조화	문서 파편화, 소유권 부재

AI 적용의 세 층

1. Answering: 질문에 답합니다. FAQ, 매뉴얼 검색, 회의 요약이 여기에 속합니다.
2. Assisting: 사람이 하던 작업을 보조합니다. 초안 작성, 코드 수정, 데이터 정리가 여기에 속합니다.
3. Operating: 업무 흐름의 일부를 실행합니다. 티켓 처리, 배포, 제조 모니터링, 리포트 생성이 여기에 속합니다.

Warning

AI 도입이 실패하는 흔한 이유는 모델 성능 부족보다 “AI가 참조할 지식 구조”와 “결과를 검증할 운영 기준”이 없기 때문입니다.

이 사이트의 관점

AX Moon Wiki는 AI를 다음 네 영역으로 나눠 추적합니다.

• AI Coding Workflow: AI가 코드를 만들고 검증하는 운영 방식
• AI Native KMS: AI가 읽고 쓸 수 있는 지식 구조
• Manufacturing AI Use Cases: 제조 현장 문제에 AI를 적용하는 사례 구조
• RAG vs Agentic Knowledge Systems: 검색형 지식 시스템과 실행형 지식 시스템의 차이

관련 지도

• MOC AI Coding
• MOC KMS
• MOC Manufacturing AI