AI Native KMS

AI Native KMS는 사람이 검색하기 좋은 문서함을 넘어, AI가 읽고 작업하고 다시 갱신할 수 있는 운영형 지식 시스템입니다.

Summary

AI 시대의 KMS는 “문서를 저장하는 곳”이 아니라 “AI와 사람이 같은 맥락을 공유하는 작업 기억”이어야 합니다.

기존 KMS와의 차이

구분	기존 KMS	AI Native KMS
사용자	사람 중심	사람 + AI Agent
단위	문서, 게시글	노트, 엔티티, 작업 상태, 검증 로그
검색	키워드, 카테고리	의미 검색, 링크 그래프, 작업 맥락
업데이트	수동 업로드	작업 결과 기반 갱신
품질 기준	최신 문서 여부	재사용성, 출처, 검증 가능성

설계 원칙

1. 원본과 해석을 분리한다
   원문, 회의록, 로그는 보존하고, 요약과 의사결정은 별도 노트로 둡니다.

2. 작은 단위로 연결한다
   긴 문서 하나보다 개념 노트, use case, 결정 기록을 wikilink로 연결합니다.

3. 검증 결과를 지식으로 남긴다
   AI가 수행한 작업은 결과뿐 아니라 어떤 명령과 기준으로 검증했는지 기록해야 합니다.

4. 공개 지식과 비공개 지식을 분리한다
   공개 가능한 개념과 내부 운영 자료를 같은 vault에 섞지 않습니다.

최소 구조

flowchart TD
  Raw["Raw Source"] --> Synthesis["Synthesis Note"]
  Synthesis --> Concept["Concept"]
  Concept --> MOC["Map of Content"]
  Task["Task Log"] --> Decision["Decision Record"]
  Decision --> Concept
  MOC --> Public["Public Knowledge"]

AI Native KMS의 성숙도

단계	상태	특징
Seed	개인 노트	주제별 짧은 노트가 생김
Growing	연결된 지식	MOC, backlinks, 태그가 작동
Operational	업무 시스템	작업 로그와 검증 결과가 축적
Institutional	조직 표준	역할, 책임, 품질 기준이 정해짐

Tip

KMS는 도구보다 운영 습관이 먼저입니다. Obsidian, Quartz, RAG, Vector DB는 구조를 돕는 수단이고, 핵심은 어떤 지식을 어떤 기준으로 남길지 정하는 것입니다.

제조AI에서 중요한 이유

제조AI는 데이터, 설비, 공정, 품질, 작업표준, MES/ERP가 얽혀 있습니다. 모델이 좋아도 현장 지식이 흩어져 있으면 적용이 어렵습니다.

관련 문서:

• Knowledge Flow for AI Teams
• Manufacturing AI Use Cases
• MES and AI Integration Map