AX 용어집
AX(AI 전환) 실행에 필요한 핵심 용어를 BOAZ가 현장 기준으로 정리했습니다.
AX 전략·조직
소프트웨어 3.0 (Software 3.0)
소프트웨어 3.0은 자연어 프롬프트로 LLM의 동작을 지정하는 소프트웨어 개발 방식을 가리킵니다. 코드로 규칙을 작성하는 1.0, 학습으로 가중치를 만드는 2.0과 함께 사용되며, AI가 코드를 생성하는 일만을 뜻하지는 않습니다.
업무 쪼개기 (Work Decomposition)
업무 쪼개기는 큰 업무를 입력, 처리, 판단 기준, 산출물, 책임이 분명한 실행 단위로 나누는 일입니다. AI와 코드가 수행할 부분, 사람이 판단할 부분을 구분해 실제로 맡길 수 있는 형태로 만듭니다.
온사이트 기업 AI 교육
온사이트 기업 AI 교육은 고객사의 현장에서 진행하는 교육입니다. BOAZ는 여기에 대상별 업무·자료·판단 기준을 반영한 실습을 결합해, 교육 이후 실제 업무 적용으로 이어지는 것을 목표로 합니다.
AI 거버넌스
AI 거버넌스는 조직이 AI를 쓸 때 무엇을 성과로 볼지, 어디까지 허용할지, 누가 승인할지를 정하는 기준과 절차입니다. 규제 준수만이 아니라 AI 결과물을 신뢰 가능한 상태로 만드는 뼈대이며, 이것이 없으면 성공한 PoC도 전사 표준으로 이어지지 못합니다.
AI 자산화 (업무 자산화)
AI 자산화는 업무 지식·판단 기준·코드·수행 절차를 조직이 다시 활용하고 개선할 수 있는 형태로 남기는 과정입니다. BOAZ는 재사용 가능성, 결과를 확인할 기준, 갱신 경로를 함께 살펴봅니다.
AI Native (AI 네이티브)
AI Native(AI 네이티브)는 AI를 필요할 때 가끔 꺼내 쓰는 도구가 아니라, 일을 시작할 때부터 먼저 맡기는 것을 기본 전제로 삼는 사람과 조직을 말합니다. 도구를 얼마나 잘 다루는지가 아니라, 일을 시작하는 방식 자체가 다릅니다.
AI Readiness (AI 준비도)
AI Readiness(AI 준비도)는 조직이 AI를 실제 업무에 적용할 수 있는 상태인지를 업무·데이터·판단 기준·시스템 접근·책임 소재 관점에서 확인하는 진단입니다. 문서와 인터뷰에 더해 작은 실행으로 실제 제약을 확인하면 첫 과제를 구체화할 수 있습니다.
AX (AI 전환)
AX(AI Transformation)는 구성원이 AI 도구를 배우는 데서 끝나지 않고, 실제 업무 방식과 조직의 일하는 기준 자체가 바뀌어 성과로 이어지는 전환을 말합니다. 교육이나 PoC는 그 과정의 일부일 뿐, 목적지가 아닙니다.
AX 실행 역량
AX 실행 역량은 실제 업무를 AI와 소프트웨어로 재설계하고 구현·검증·운영하는 능력입니다. 업무 이해, AI 활용, 기술 구현, 시스템 접근, 조직 내 실행을 연결하며 내부와 외부의 공동 작업으로도 축적할 수 있습니다.
FDE (Forward Deployed Engineer)
FDE(Forward Deployed Engineer, 포워드 디플로이드 엔지니어)는 고객이나 현업의 현장에 직접 들어가, 아직 정의되지 않은 문제를 발견하고, 해결책을 직접 만들어 실제로 쓰이게 하고, 성과까지 책임지는 엔지니어입니다. 요청받은 것을 구축하는 SI나 조언에서 끝나는 컨설턴트와 달리, 문제 정의부터 프로덕션 정착과 재사용 패턴 추출까지 한 사람이 끝까지 소유합니다.
Internal FDE (사내 FDE)
Internal FDE(사내 FDE)는 자기 회사의 현업 조직과 함께 문제를 분석하고 해결책을 구현·정착시키는 내부 실행 역할입니다. 재사용할 지식과 기술, 다음 과제를 수행할 역량이 회사 안에 남도록 설계합니다.
PoC (개념 증명, Proof of Concept)
PoC(Proof of Concept, 개념 증명)는 어떤 아이디어나 기술이 실제로 작동하는지를 작은 범위에서 검증하는 과정입니다. 목적은 '되는지 안 되는지'를 확인하는 것이며, 그 성공을 전사로 퍼뜨리는 일은 PoC 자체가 아니라 별도의 설계가 필요한 다음 단계입니다.
실행 도구·개념
가드레일 (Guardrail)
가드레일은 AI 시스템의 입력·출력·실행이 정해진 범위를 따르도록 안내·탐지·제한하는 장치입니다. 지침, 필터, 검증, 접근 권한, 사람 확인 등으로 구성할 수 있으며 각 방식의 강제력과 한계는 다릅니다.
데이터 출처 추적 (Data Provenance)
데이터 출처 추적은 정보가 어디서 왔고, 어떤 가공과 판단을 거쳐 현재 결과가 됐는지 기록하는 일입니다. AI 업무에서는 원문 위치, 읽은 버전, 변환 과정, 채택한 판단을 이어 볼 수 있어야 합니다.
데이터베이스 (Database)
데이터베이스는 데이터를 구조에 맞게 저장하고 조회·변경할 수 있도록 관리하는 체계입니다. 업무 앱에서는 화면을 닫은 뒤에도 기록을 유지하고 여러 사용자가 권한에 따라 같은 데이터를 다루는 기반이 됩니다.
로컬 LLM (Local LLM)
로컬 LLM은 원격 모델 서비스에 추론을 맡기는 대신 자신의 컴퓨터나 서버에서 실행하는 대규모 언어 모델입니다. 모델의 실행 위치와 이를 사용하는 앱·도구의 외부 연결 여부는 따로 확인해야 합니다.
바이브 코딩 (Vibe Coding)
바이브 코딩은 프로그래밍 언어로 코드를 직접 작성하는 대신, 원하는 결과를 자연어로 설명해 AI가 코드를 생성하고 실행까지 하게 만드는 방식을 말합니다. 비개발자도 아이디어를 작동하는 결과물로 옮길 수 있게 해주지만, 코드를 몰라도 된다는 뜻이 아니라 결과물을 검증하는 기준을 사람이 갖춰야 한다는 뜻입니다.
서브에이전트 (Subagent)
서브에이전트는 메인 에이전트가 일부 작업을 맡기는 별도의 실행 단위입니다. 자체 Context에서 작업하지만 어떤 이전 맥락과 자료를 받는지는 도구와 설정에 따라 다릅니다. 분리의 가치는 병렬 처리와 맥락 관리에 있으며, 정확성이 자동으로 보장되지는 않습니다.
온톨로지 (Ontology)
온톨로지는 특정 업무 영역의 개념, 개념 사이의 관계, 그 관계가 뜻하는 바를 명시한 지식 모델입니다. 같은 단어를 같은 뜻으로 쓰고, 개별 사실을 일관된 구조로 표현하는 기준이 됩니다.
온프레미스 AI (On-premises AI)
온프레미스 AI는 조직의 자체 시설과 관리 인프라에서 AI 시스템을 운영하는 배치 방식입니다. 모델 실행 위치뿐 아니라 데이터 저장, 검색, 도구 연결과 운영 책임까지 함께 설계해야 합니다.
임베딩 (Embedding)
임베딩은 텍스트·이미지 같은 정보를 수치 벡터로 표현하는 방식입니다. 검색에서는 질문과 자료의 벡터를 비교해 관련 후보를 찾는 데 사용하며, 유사도가 높다는 사실이 내용의 정확성을 보장하지는 않습니다.
지식 갱신 (Knowledge Update)
지식 갱신은 새 원문이나 결정을 기존 지식과 대조해, 설명·관계·적용 범위를 수정하고 그 이유와 이력을 남기는 과정입니다. 문서를 추가하는 일뿐 아니라 오래된 답을 바꾸거나 판단을 보류하는 일도 포함합니다.
지식 그래프 (Knowledge Graph)
지식 그래프는 대상과 그 사이의 관계를 연결해 지식을 표현하는 구조입니다. 업무에서는 누가 무엇을 사용했고 어떤 자료가 어떤 결정을 뒷받침하는지처럼 개별 사실을 연결해 찾고 비교하는 데 사용할 수 있습니다.
청킹 (Chunking)
청킹은 긴 문서나 자료를 검색·처리에 사용할 작은 단위로 나누는 작업입니다. 조각의 크기뿐 아니라 제목·조건·표·원문 위치가 함께 유지되는지가 검색과 답변의 품질에 영향을 줍니다.
휴먼 인 더 루프 (Human-in-the-Loop)
휴먼 인 더 루프(HITL)는 AI를 학습·평가하거나 업무에 사용하는 과정에 사람의 피드백과 판단을 넣는 방식입니다. 업무에서는 무엇을 검토하고 어떤 근거로 수정·채택·보류할지 정해야 개입이 실제 품질 개선으로 이어집니다.
AI Agent (AI 에이전트)
AI 에이전트는 모델이 목표와 현재 상태를 바탕으로 필요한 도구와 다음 행동을 선택하며 작업을 이어가는 시스템입니다. 계획·실행·확인을 반복할 수 있지만, 자율적으로 동작한다는 사실이 작업의 성공이나 정확성을 보장하지는 않습니다.
API (Application Programming Interface)
API는 프로그램이 다른 소프트웨어의 기능이나 데이터에 접근할 때 사용하는 인터페이스입니다. 웹 API에서는 정해진 주소와 형식으로 요청을 보내고 응답을 받아 조회·저장 등의 작업을 수행합니다.
Attention (어텐션)
Attention은 입력의 각 표현을 얼마나 참고할지 가중치를 계산하고, 그 가중치로 정보를 조합하는 신경망의 연산입니다. LLM의 문맥 활용을 이해하는 핵심 개념이지만, 개별 지시 누락의 원인을 Attention만으로 단정할 수는 없습니다.
Claude Code
Claude Code는 Anthropic의 AI 코딩 에이전트로, 프로젝트의 파일을 읽고 수정하며 명령과 도구를 사용해 작업을 수행합니다. 터미널뿐 아니라 IDE·데스크톱·웹 등 지원 환경에서 사용할 수 있으며, 실제 파일 접근 범위는 실행 환경과 권한에 따라 달라집니다.
Claude Code 플러그인 (Plugin)
Claude Code 플러그인은 Skill·에이전트·훅·외부 도구 연결 등을 묶어 설치하고 관리하는 패키지입니다. 팀의 실행 지침을 배포하는 데 유용하지만, 실제 적용 버전과 갱신 시점은 설치 방식과 설정에 따라 달라집니다.
Context (컨텍스트) 관리
Context는 모델이 이번 응답이나 행동을 만들 때 입력으로 받는 정보입니다. Context 관리는 지시·대화·자료·도구 결과 중 필요한 내용을 선택하고, 작업이 길어져도 중요한 결정과 근거를 이어주는 일입니다.
Harness (하네스)
AI 하네스(Harness)는 모델이 작업을 수행하도록 도구, 실행 상태, Context, 권한, 검증과 종료 조건을 연결하는 주변 시스템입니다. 모델의 응답을 실제 업무 실행으로 이어주며, 어떤 조건에서 계속하거나 멈출지를 관리합니다.
LLM 위키 (LLM Wiki)
LLM 위키는 AI가 원문을 읽고 주제별 설명과 연결을 작성하며, 사람이 그 내용과 변경을 검토해 재사용하는 지식 운영 방식입니다. 대화 기록을 쌓는 데서 나아가 출처·판단·갱신 이력을 함께 관리합니다.
Loop (검증 Loop·개선 Loop)
검증 Loop는 결과물을 정해진 기준과 대조하고 필요한 부분을 수정해 다시 확인하는 반복입니다. 개선 Loop는 실행에서 얻은 피드백으로 지식·Skill·도구·기준을 고칩니다. 두 과정 모두 통과뿐 아니라 중단·보류 조건이 필요합니다.
MCP (Model Context Protocol)
MCP(Model Context Protocol)는 AI 모델을 외부 도구·데이터·시스템에 표준화된 방식으로 연결하기 위해 앤트로픽이 제안한 개방형 프로토콜입니다. 매번 자료를 붙여 넣거나 개별 연동을 새로 짜는 대신, 한 번 정해진 방식으로 AI와 사내 시스템을 잇는다는 점이 핵심입니다.
PRD (제품 요구사항 문서)
PRD(Product Requirements Document)는 제품이나 기능의 목적, 대상 사용자, 범위와 요구사항을 정리한 문서입니다. AI와 개발할 때는 무엇을 만들고 무엇으로 완료를 확인할지 합의하는 기준으로 사용할 수 있습니다.
RAG (검색 증강 생성)
RAG(Retrieval-Augmented Generation, 검색 증강 생성)는 질문에 필요한 자료를 검색한 뒤 그 내용을 모델에 제공해 답변을 만드는 방식입니다. 답변 품질은 원문 상태뿐 아니라 검색, 문맥 구성, 생성과 검증의 영향을 함께 받습니다.
Skill (Claude Code Skill)
Skill은 에이전트가 필요할 때 참고하는 지침·자료·스크립트 등을 묶은 재사용 단위입니다. BOAZ는 반복 업무를 Skill로 남길 때 절차와 함께 입력·출력·판단 기준·예외 처리를 정리하는 데 초점을 둡니다.
BOAZ 방법론
능동적 학습자
능동적 학습자는 막혔을 때 강사나 상급자에게 먼저 의존하지 않고, 지금 처한 상황과 에러를 스스로 정리해 AI에게 먼저 물어 나아가는 학습자를 말합니다. BOAZ의 AX 교육은 도구 사용법 전달이 아니라, 이 태도로의 전환을 목표로 설계됩니다.
맡·당·쪼
맡·당·쪼(맡당쪼)는 BOAZ가 AX 교육에서 쓰는 실행 원칙으로, AI에게 업무를 맡기고(맡), 처음 결과가 부족한 건 당연하다고 받아들이며(당), 업무를 AI가 처리할 수 있는 단위로 잘게 쪼개는(쪼) 태도를 말합니다. 막히면 강사가 아니라 AI에게 먼저 묻는 습관까지 포함합니다.
FDE 레지던시 (FDE Residency)
FDE 레지던시는 사내 인력을 실제 현업 과제에 배치하고 멘토링과 반복 실행을 통해 내부 AX 실행 역량을 키우려는 양성 모델입니다. 이 글의 기간·팀 구성·평가표는 BOAZ가 검토하는 설계 예시이며 확정 상품이나 입증된 양성 성과를 뜻하지 않습니다.
FDE Loop (FDE 배치 루프)
FDE Loop는 현장의 문제 발견부터 구현·정착·측정·일반화까지 반복하는 업무 흐름입니다. 이 글은 BOAZ가 이를 설명하기 위해 여덟 단계로 정리한 것이며, 모든 조직이 따르는 공식 표준 절차는 아닙니다.