AI 에이전트 전문기업 달파가 누구나 에이전트를 만들 수 있는 시대 이후의 경쟁력은 기업 고유의 데이터와 노하우를 축적하고, 이를 바탕으로 에이전트가 스스로 성능을 개선하는 구조에 있다고 강조했다.
전자신문인터넷이 지난 10월 23일 서울 서초구 엘타워에서 개최한 'AX & 하이퍼오토메이션 코리아 2026-Fall'에서 박용찬 달파 사업총괄은 'Agent의 다음 흐름: Super Intelligence를 향하여'를 주제로 발표했다. 행사 홈페이지에서도 달파는 Super Intelligence를 위해 기업 내부·외부 데이터를 연결한 온톨로지와 AI 평가·학습 데이터를 축적하는 자가개선 루프를 핵심 조건으로 제시했다.
박 총괄이 던진 질문은 명확했다. “누구나 알고리즘을 개발할 수 있는 세상이 온다면 기업은 무엇을 준비해야 하는가”이다. 달파가 제시한 답은 세 가지다. 첫째 기업 내부와 외부 데이터를 AI가 이해하고 활용할 수 있도록 온톨로지를 기반으로 연결해야 한다. 둘째 개인에게 축적돼 있는 업무 경험과 전문지식을 스킬과 도구 형태로 조직의 공통 자산으로 만들어야 한다. 셋째 에이전트의 성과를 객관적으로 평가하고 지속적으로 개선하는 체계를 구축해야 한다. 각각의 핵심 요소를 온톨로지, 스킬·툴, 검증·자가개선으로 정의했다.
단순히 더 강력한 거대언어모델(LLM)을 도입하는 것만으로는 충분하지 않다는 것이 달파의 관점이다. 기업의 데이터와 업무 맥락을 이해하는 '의미 계층'을 구성해 LLM이 사용할 수 있는 정보의 품질을 높이고, 모델의 컨텍스트 길이라는 구조적 한계를 기업 고유의 지식체계로 보완해야 한다는 설명이다.
특히 온톨로지는 단순한 데이터 분류체계가 아니라 기업 내부 데이터와 외부 데이터를 AI가 읽고 관계를 이해할 수 있는 형태로 연결하는 기반으로 제시됐다. 여기에 MCP를 결합해 AI 에이전트가 기업의 데이터와 시스템을 조회하고 필요한 업무를 실행할 수 있도록 한다.
하지만 달파가 더욱 강조한 것은 데이터 이후의 문제다. 기업에는 수많은 업무 노하우가 존재하지만 상당 부분이 실무자의 PC나 개인 문서, 각자의 AI 계정과 대화 기록 등에 파편화돼 있다. 이런 노하우를 기업 차원에서 축적하지 못하면 에이전트를 새로 만들 때마다 같은 학습과 시행착오를 반복하게 된다.
달파는 이를 해결하기 위해 업무 과정에서 만들어지는 스킬, 도구, 산출물, 메모리를 한곳에 축적하고 지속적으로 재사용하는 구조를 제시했다. AI 에이전트가 업무를 수행하며 새롭게 얻은 지식과 성공·실패 경험을 다시 조직의 자산으로 돌려보내는 것이다. 여기서 한 단계 더 나아간 개념이 '자가개선 에이전트(Self-Improving Agent)'다.
박용찬 총괄은 에이전트에 명확한 KPI를 부여하고, 에이전트가 스스로 계획을 세워 업무를 실행한 뒤 결과를 측정하도록 하는 구조를 소개했다. 결과가 정해진 검증 기준을 통과하면 다음 업무를 수행하고, 기준에 미달하면 실패 원인을 찾아 스킬이나 도구를 수정한 뒤 다시 실행한다.
예를 들어 예측값과 실제값의 오차가 일정 범위를 벗어나거나, 광고 효율이 목표보다 낮거나, 브랜드 가이드에 맞지 않는 표현이 생성됐을 경우 에이전트가 이를 실패로 판단하도록 할 수 있다. 같은 실패가 반복되면 사람이 검토하도록 넘긴다. 무조건적인 자율 실행이 아니라 KPI와 검증 기준 안에서 스스로 개선하는 구조인 셈이다.
달파가 발표에서 소개한 아마존 리스팅 운영 에이전트. 아마존 상품·경쟁사·소비자 데이터를 수집·분석해 가설을 생성하고, CTR 시뮬레이션과 피드백 루프를 거쳐 상품 상세페이지를 지속적으로 개선한다. 달파는 해당 방식이 적용된 2개 K-뷰티 기업에서 월평균 20% 이상의 매출 성장 사례를 확인했다고 발표했다.
실제 적용 사례도 공개했다. 아마존 리스팅 운영 에이전트는 아마존 상위 상품의 트렌드와 경쟁 상황, 고객 구매 심리 등을 복수의 에이전트가 분석한 뒤 상품 상세페이지 개선 가설을 생성한다. 이후 CTR을 시뮬레이션하고 결과를 다시 피드백해 다음 실험에 반영하는 구조다.
달파는 발표에서 2개 K-뷰티 기업에 해당 구조를 적용해 월평균 20% 이상의 매출 성장 사례를 확인했다고 소개했다. 달파는 대량의 아마존·외부 서비스 데이터를 확보하고 각 실험의 실패 원인을 분석해 개선 방안을 다시 반영한 점을 주요 성과 요인으로 꼽았다.
이 같은 구조는 마케팅뿐 아니라 공급망관리(SCM)로도 확장된다. 달파가 제시한 SCM 재고 운영 에이전트는 온톨로지로 연결한 판매 데이터를 기반으로 수요를 예측하고, 재고·생산능력·리드타임 등을 종합해 발주 시점과 수량을 결정한다. 지식그래프를 바탕으로 실행 계획을 생성한 뒤 디지털트윈 기반 'What-if' 시뮬레이션으로 결과를 검증하고, 실제 실행 결과를 다시 학습하는 순환 구조다.
즉 AI 에이전트가 단순히 “답을 주는 시스템”을 넘어 예측 → 계획 → 시뮬레이션 → 실행 → 결과 측정 → 개선을 반복하는 업무 시스템으로 발전하는 것이다.
달파가 제시한 기업용 AI 에이전트 통합 구조. 온톨지와 MCP로 사내·외 데이터를 연결하고, ChatGPT·Claude 등 다양한 모델을 하나의 전사 LLM 플랫폼에서 관리한다. 여기에 업무 노하우를 스킬·도구·산출물·메모리 형태로 축적해 AI 학습에 활용하고, 에이전트의 실행 결과가 다시 자가개선 루프로 돌아가는 구조다. 달파는 이를 '한 번 깔아두면 쓸수록 회사 전체가 똑똑해지는 구조'라고 설명했다.
달파는 이러한 요소를 하나의 기업 AI 시스템으로 통합하는 방향도 제시했다. 첫 번째 기반은 온톨로지와 MCP다. 기업 내부·외부 데이터를 AI가 읽고 활용할 수 있는 관계 구조로 연결한다. 두 번째는 ChatGPT와 Claude 등 다양한 AI 모델을 기업 차원에서 사용할 수 있도록 라우팅과 권한, 로그, 사용량 등을 통합 관리하는 전사 LLM 플랫폼이다. 세 번째는 업무 과정에서 생성되는 스킬·도구·산출물·메모리 등 기업의 노하우를 지속적으로 축적해 AI 학습에 활용하는 체계다.
이를 에이전트와 자가개선 루프에 연결하면 새로운 업무 에이전트를 빠르게 만들고, 실제 운영 결과를 다시 평가·학습해 조직 전체의 AI 역량을 지속적으로 높일 수 있다는 설명이다.
달파는 구축 이후 활용 단계에서도 복잡한 개발을 최소화하는 방향을 제시했다. 실무자가 직접 AI 에이전트를 만들고, 평가 결과에 따라 수정하며, 필요할 경우 온톨로지의 관계까지 보완할 수 있도록 해 AI가 일부 개발자의 전유물이 아니라 현업에서 지속적으로 개선되는 업무 도구가 돼야 한다는 것이다.
달파가 이러한 전략을 제시할 수 있는 배경에는 자체 AI 에이전트 기술력도 있다. 달파는 발표에서 딥리서치와 시계열 예측 등 글로벌 AI 벤치마크에서 거둔 성과를 소개했다. 달파 DeepResearch는 올해 6월 DeepResearch Bench II 공식 검증에서 총점 61.01점을 기록하며 당시 1위를 기록했고, Cobra Agent 역시 GIFT-Eval 시계열 예측 벤치마크에서 최상위 성과를 기록했다.
달파는 특정 업무 하나에 최적화된 AI를 만드는 데 그치지 않고, 이런 에이전트 기술을 기업의 실제 업무 문제에 연결해 왔다. 회사는 행사 홈페이지에서 인간의 행동을 예측해 세상을 시뮬레이션하는 B2B AI 딥테크 스타트업으로 소개됐으며, 발표에서는 다양한 기업을 대상으로 온톨로지와 AI 에이전트 기반 프로젝트를 수행한 사례를 제시했다.
이번 발표에서 달파가 말한 'Super Intelligence'는 단순히 더 큰 모델이나 더 뛰어난 하나의 AI를 의미하지 않는다. 기업의 데이터와 맥락이 온톨로지에 축적되고, 실무자의 노하우가 조직의 스킬과 도구로 전환되며, 에이전트가 실행 결과를 평가해 스스로 개선하는 과정이 반복될수록 기업 전체의 AI 역량이 함께 높아지는 구조에 가깝다.
결국 AI 에이전트 시대의 경쟁력은 “어떤 모델을 쓰느냐”에서 끝나지 않는다. 기업이 자신의 데이터와 노하우를 얼마나 체계적으로 축적하고, 이를 에이전트가 학습하고 개선할 수 있는 구조로 만들 수 있느냐가 다음 경쟁력을 좌우한다는 것이 달파가 이번 발표에서 던진 메시지다.
임민지 기자 minzi56@etnews.com