Knowledge Flow for AI Teams

AI 팀의 지식 흐름은 자료를 모으는 일이 아니라 반복 가능한 판단과 실행 기준을 만드는 일입니다.

Summary

AI 팀의 KMS는 자료 저장소가 아니라 의사결정, 실험, 검증, 운영 경험을 다시 쓸 수 있게 만드는 흐름입니다.

기본 흐름

flowchart LR
  Inbox["Inbox"] --> Triage["Triage"]
  Triage --> Raw["Raw Source"]
  Raw --> Extract["Concept Extraction"]
  Extract --> Wiki["Wiki Note"]
  Wiki --> Playbook["Workflow / Playbook"]
  Playbook --> Case["Case Study"]
  Case --> Review["Review"]
  Review --> Wiki

각 단계의 질문

단계	질문	산출물
Inbox	이 자료를 왜 저장하는가?	수집 목적
Raw Source	원본과 메타데이터가 보존됐는가?	원문 노트
Concept	재사용 가능한 개념은 무엇인가?	개념 노트
Workflow	어떤 작업에 적용되는가?	절차와 체크리스트
Case	실제 문제에 어떻게 쓰였는가?	사례 기록
Review	무엇을 고치거나 버려야 하는가?	개선 로그

역할별 관심사

• 기획자: 어떤 문제를 풀고 어떤 KPI로 볼 것인가
• 엔지니어: 어떤 데이터와 시스템 경계가 필요한가
• 현장 담당자: 기존 작업 방식과 충돌하지 않는가
• AI Agent: 어떤 문서를 읽고 어떤 검증을 해야 하는가

Example

제조 품질검사 프로젝트라면 원본 자료는 검사 기준서, 불량 이미지, 공정 조건, MES 이력입니다. 개념 노트는 불량 유형, 검사 기준, 모델 성능 지표이고, workflow는 “신규 불량 발견 시 재학습 후보로 등록하는 절차”입니다.

좋은 지식 흐름의 기준

• 새 팀원이 주요 MOC만 읽어도 현재 구조를 이해할 수 있다.
• AI Agent가 작업 전후로 참조할 기준 문서가 있다.
• 실험 결과와 운영 결정이 분리되어 기록된다.
• 오래된 문서가 draft, deprecated, evergreen 등 상태로 구분된다.

관련 문서:

• AI Native KMS
• MOC KMS
• Manufacturing AI Use Cases