Samsung SDS

우리 회사의 핵심 지식은 회사가 기억하고 있는가, 사람이 기억하고 있는가?

퇴직, 부서 이동, 조직 개편!
한 사람이 회사를 떠나거나 자리를 옮기는 순간, 문서만 함께 사라지는 것이 아닙니다. 수년간 축적한 노하우와 판단, 예외를 다루는 방식까지 함께 사라질 수 있습니다.^[1] 문서와 데이터는 남아도 업무 지식의 일부는 경험과 판단에 내재된 형태로 존재하기 때문에 충분히 문서화되지 않을 수 있습니다.^[2]

이 문제는 AI가 부족해서 생기는 것이 아닙니다. 더 근본적인 문제는 회사의 지식과 업무 맥락(Context)이 사람과 시스템 곳곳에 흩어져 있다는 데 있습니다. 기업이 AI를 더 많이 도입할수록, 새로운 과제가 생깁니다. 흩어진 지식과 맥락을 각각의 AI가 어떻게 정확하게 이해하고, 자신의 업무에 활용하게 할 것인가입니다. Context는 단순히 데이터나 문서를 의미하지 않습니다. 특정 업무를 올바르게 이해하고 판단하는 데 필요한 지식, 경험, 관계, 과거의 의사결정, 현재의 업무 상태를 뜻합니다.

사람은 경험과 관계를 통해 이런 맥락을 자연스럽게 연결합니다. 어떤 문서를 확인해야 하는지, 누구에게 물어봐야 하는지, 어떤 정책에 예외가 있는지, 과거에는 왜 그런 판단을 내렸는지 알고 있기 때문입니다. 반면 AI는 내부 지식과 업무 규칙이 제공되지 않으면, 그러한 맥락을 활용하기 어렵습니다.

이 문제는 특정 기업만의 고민이 아닙니다. Y Combinator 파트너 Tom Blomfield는 ‘Request for Startups’의 Summer 2026에서 기업 AI 자동화의 주요 장애물로 조직 내부에 흩어진 Domain Knowledge를 지적했습니다. 사람의 머릿속, 이메일, 메신저, 고객지원 이력, 데이터베이스 등에 분산된 지식을 구조화하고 최신 상태로 유지해 AI가 업무에 활용할 수 있도록 하는 새로운 기반으로 ‘Company Brain’을 제안했습니다.^[3]

컴퍼니 브레인(Company Brain)은 기업의 지식과 경험, 관계, 의사결정, 현재 상태를 지속적으로 축적하고 연결해 사람과 AI가 필요한 업무 맥락을 활용할 수 있도록 하는 조직 기억 인프라입니다. 그렇다고 단순히 회사의 정보를 한곳에 모으는 것이 핵심은 아닙니다. 회사가 무엇을 알고 있고, 무엇을 경험했으며, 왜 그렇게 결정했는지를 지속적으로 기억하고 활용할 수 있게 만드는 데 있습니다.

Multi-AI 시대에는 이러한 기반이 더욱 중요해질 것입니다. 서로 다른 역할을 맡은 AI가 늘어날수록, 각 AI가 어떤 정보와 맥락을 바탕으로 판단하고 행동하는지가 기업 전체의 AI 활용 수준을 좌우하기 때문입니다.

따라서 Multi-AI 시대의 핵심 질문은 “몇 개의 AI를 도입할 것인가?”가 아니라, “여러 AI가 우리 회사의 업무를 이해하고 판단하는 기반이 서로 연결되어 있는가?”가 되어야 합니다.

Multi-AI의 역설

기업에서 활용하는 AI는 빠르게 다양해지고 있습니다. 업무 전반을 지원하는 범용 AI가 있는가 하면, 영업, 마케팅, 재무, 개발, 고객 서비스 등 기능별 AI가 있고, 특정 업무를 직접 수행하는 AI 에이전트도 빠르게 증가하고 있습니다.

기업이 여러 AI를 활용하는 것 자체가 문제는 아닙니다. 오히려 업무에 특화된 AI가 늘어날수록 각 영역의 생산성과 전문성은 높아질 수 있습니다. 문제는 AI가 업무별로 전문화될수록 각 AI가 참조하는 정보와 판단 범위도 달라진다는 것입니다.

영업 AI는 CRM과 고객·영업 데이터를 주로 참조하고, 재무 AI는 ERP와 재무 데이터를 중심으로 판단합니다. 엔지니어링 AI는 코드와 이슈, 기술 문서를, 고객 서비스 AI는 문의와 상담 이력을 중심으로 업무를 수행합니다. 각 AI는 자신의 영역에서는 뛰어날 수 있습니다. 그러나 서로 다른 데이터와 메모리, 업무 규칙을 기반으로 판단한다면, 같은 고객이나 같은 사안을 두고도 서로 다른 측면을 보고 다른 결론에 도달할 수 있습니다.

예를 들어 같은 고객에 대해, 영업 AI는 ‘가격 민감도가 높은 고객’으로, 재무 AI는 ‘추가 할인이 어려운 계약’으로, 고객 서비스 AI는 ‘이탈 위험이 높은 전략 고객’으로 판단할 수 있습니다. 각각의 판단은 자신의 업무 관점에서는 합리적일 수 있습니다. 그러나 각 AI의 판단이 다른 영역에서 파악된 상황을 충분히 반영하지 못한 채 실행된다면, 기업 전체의 최적으로는 이어지지 않을 수 있습니다. 영업 AI가 계약 성사를 위해 추가 할인을 제안하고, 재무 AI가 수익성을 이유로 이를 거부하는 동안 고객 서비스 AI는 이미 이탈 위험이 높아지고 있다는 사실을 파악하고 있을 수도 있기 때문입니다.

기존의 데이터 사일로가 기업의 정보를 시스템별로 분절했다면, Multi-AI 시대에는 또 다른 형태의 사일로가 만들어질 수 있습니다. 바로 ‘Context Silo’입니다. 데이터 사일로가 ‘필요한 정보가 어디에 있는가’의 문제라면, Context Silo는 ‘그 정보를 어떤 배경과 판단 기준에서 이해해야 하는가’의 문제입니다.

OpenAI도 2026년 Frontier를 소개하며, 기업의 시스템과 거버넌스가 분산되어 있고, 에이전트가 업무에 필요한 Context를 충분히 확보하지 못해 고립될 수 있다고 강조했습니다.^[4] 또한 데이터가 여러 시스템에 흩어지고 권한이 복잡해지면서 각 통합이 일회성 프로젝트가 될 수도 있다고 지적했습니다.

따라서 여러 시스템을 연결해 AI가 데이터에 접근할 수 있게 하는 것만으로는 충분하지 않습니다. AI가 고객의 이름과 계약금액, 매출을 조회할 수는 있어도 왜 그 고객이 전략 고객인지, 과거에 어떤 예외가 승인됐는지, 어떤 배경에서 주요 의사결정이 내려졌는지, 현재 어떤 관계와 리스크가 존재하는지까지 이해하는 것은 다른 문제입니다.

Multi-AI 시대의 과제는 ‘얼마나 많은 데이터에 접근할 수 있는가’에서 한 단계 더 나아갑니다. ‘각 AI가 자신의 판단과 행동에 필요한 Context를 얼마나 정확하게 확보할 수 있는가’입니다.

AI의 다음 병목은 Context다

그렇다면 어떤 Context를 AI에 제공해야 할까요? 답은 가능한 한 많은 정보를 제공하는 것이 아닙니다. 현재의 업무와 판단에 필요한 정보를 정확하게 선별하는 것이 중요합니다.

Anthropic은 LLM이 한 번의 추론에 쏟을 수 있는 예산(Attention Budget)에 한계가 있기 때문에 Context를 무한히 늘리는 것이 해법이 아니라고 설명합니다. 오히려 원하는 결과에 꼭 필요한 ‘고신호 정보(High-signal Information)’를 선별하는 것이 중요하다고 합니다.^[5] 이에 모든 정보를 미리 입력하기보다, 에이전트가 실행 중 필요한 데이터를 적시에 불러오는 Just-in-Time 방식을 대안으로 제시합니다.

예를 들어 영업 AI가 계약 조건을 검토한다면 회사의 모든 정보가 필요한 것은 아닙니다. 해당 고객의 과거 거래와 최근 협상, 가격 정책, 기존 계약의 예외 사항, 내부 승인 기준, 현재 고객 관계와 리스크처럼 이번 계약을 판단하는 데 직접 필요한 정보가 중요합니다. 같은 고객을 재무 AI가 검토한다면 필요한 정보는 달라집니다. 계약금액과 수익성, 채권 상태, 예산, 승인 권한 등이 더 중요한 판단 근거가 될 수 있습니다. 즉, 같은 사안을 다루더라도 AI의 역할과 업무에 따라 필요한 Context는 달라질 수 있다는 것입니다.

문제는 이러한 Context를 누가, 어떻게 준비하느냐입니다. 생성형 AI를 주로 질의응답 도구로 사용할 때는 사람이 상황을 설명하고 관련 자료를 첨부해 필요한 배경을 프롬프트에 넣을 수 있었습니다. 하지만 AI가 질문에 답하는 도구를 넘어 실제 업무를 수행하는 에이전트로 발전하면, 사람이 매번 필요한 Context를 찾아 전달하는 방식은 확장되기 어렵습니다. 에이전트가 업무를 시작할 때마다 직원이 고객 상황을 설명하고, 관련 문서를 찾아주고, 회사 정책과 과거 의사결정을 다시 정리해야 한다면, AI가 수행할 수 있는 업무의 범위와 규모 역시 사람의 Context 준비 능력에 의존하게 됩니다.

Google은 장시간 동작하는 에이전트에서는 대화 기록, 도구 실행 결과, 외부 문서, 중간 산출물 등이 지속적으로 쌓이기 때문에, 모든 정보를 하나의 프롬프트에 넣는 방식이 확장되지 않는다고 설명합니다.^[6] 세션, 메모리, 아티팩트 등의 상태를 별도로 관리하고 현재 업무에 필요한 정보만 선별해 Working Context로 구성하는 아키텍처가 필요하다고 강조합니다.

Enterprise AI에서 Context는 더 이상 프롬프트를 잘 작성하는 것만의 문제가 아닙니다. 기업의 지식과 업무 기록, 의사결정, 관계, 현재 상태를 관리하고, 필요한 순간에 그중 관련된 정보를 각 AI의 역할과 업무에 맞게 구성해 제공하는 시스템 설계의 문제입니다.

그러나 여기에서도 문제가 있습니다. 새로운 AI를 도입할 때마다 고객 이력과 업무 규칙, 의사결정 기록을 각각 별도로 연결하고 관리한다면, AI마다 Context 기반이 만들어지고 앞서 살펴본 Context Silo가 반복될 수 있기 때문입니다.

따라서 Multi-AI 환경에서는 각 AI가 사용하는 Context는 달라도, 그 Context의 근거가 되는 기업의 사실과 경험, 의사결정은 공통된 기반에서 일관되게 참조할 수 있어야 합니다. 앞으로 필요한 것은 개별 AI마다 Context를 만드는 것이 아니라, 여러 AI가 공통으로 활용할 수 있는 기업 차원의 Context 기반을 만드는 것입니다.

Enterprise AI의 경쟁력은 Shared Context에서 갈린다

Multi-AI 환경에서는 AI마다 수행하는 업무가 다르기 때문에 필요한 Context도 달라집니다. 문제는 각 AI가 필요한 Context를 확보하기 위해 고객 정보, 업무 규칙, 과거 의사결정 등을 AI별로 별도의 데이터 연결과 메모리 체계로 구성할 때 발생합니다. 이렇게 되면 같은 고객이나 같은 업무를 다루더라도 AI마다 참조하는 정보의 범위와 최신 상태가 달라질 수 있습니다. 특정 AI에 반영된 고객 정보나 의사결정이 다른 AI에는 반영되지 않는 상황도 발생할 수 있습니다. 결국 AI가 늘어날수록 서로 분리된 Context 기반도 함께 늘어나게 됩니다. 이것이 Multi-AI 환경에서 발생하는 Context Silo입니다.

AI마다 필요한 Context를 별도로 연결하고 관리하면, AI가 늘어날수록 서로 분리된 Context 기반도 함께 늘어날 수 있습니다. Multi-AI 환경에서는 이 문제를 AI별 통합으로 반복해서 해결하기보다, 여러 AI가 공통으로 참조할 수 있는 기업 차원의 ‘Shared Context’가 필요합니다. Shared Context는 기업의 지식과 경험, 관계, 의사결정, 현재 상태를 공통된 기반에서 연결하고, 각 AI가 자신의 역할과 업무에 필요한 Context를 구성해 활용할 수 있도록 하는 구조입니다.

여기서 중요한 것은 모든 AI에 동일한 정보를 제공하는 것이 아닙니다. 영업 AI와 재무 AI가 같은 고객을 다루더라도 필요한 Context는 다를 수 있습니다. 영업 AI에는 최근 협상 내용과 고객 관계, 구매 의향이 중요할 수 있고, 재무 AI에는 계약 수익성, 채권 상태, 예산과 승인 기준이 더 중요할 수 있습니다. 그러나 두 AI가 같은 고객을 대상으로 업무를 수행한다면, 고객의 주요 이력, 이미 내려진 의사결정, 현재 계약 상태와 같이 업무의 전제가 되는 사실 자체가 서로 달라서는 안 됩니다. 즉, 각 AI가 사용하는 Context는 달라도, 그 Context의 근거가 되는 기업의 사실과 기억은 일관되어야 합니다.

Shared Context는 모든 AI가 모든 정보에 접근한다는 의미가 아닙니다. OpenAI Frontier 역시 에이전트가 기업의 Business Context를 활용하는 동시에, 각 에이전트의 Identity와 Permission에 따라 접근할 수 있는 데이터와 수행할 수 있는 작업의 범위를 통제하는 구조를 제시합니다.^[4] 여러 AI가 기업의 공통된 Context 기반을 활용하더라도, 각 AI가 실제로 볼 수 있는 정보와 실행할 수 있는 작업은 역할과 권한에 따라 달라져야 합니다.

Shared Context의 의미는 여러 AI가 같은 사실을 참조하게 만드는 데서 끝나지 않습니다. 더 중요한 전략적 가치는 기업이 오랜 시간 축적해 온 고유한 지식과 경험을 여러 AI가 실제 업무에 활용할 수 있는 기반으로 만든다는 데 있습니다.

기업이 사용하는 AI 모델은 점차 비슷해질 수 있습니다. 경쟁사 역시 동일하거나 유사한 Foundation Model과 AI 기술에 접근할 수 있기 때문입니다. 실제 차이는 모델에 접근하는 것만으로 만들어지지 않습니다. OpenAI의 2026년 Enterprise Signals에서도 AI 활용이 앞선 기업과 그렇지 않은 기업 사이의 차이가 단순한 모델 접근보다, 실제 업무에 필요한 Context와 도구를 얼마나 잘 제공하고 AI를 실제 업무 프로세스에 얼마나 깊게 연결하는지에서 나타난다고 설명합니다.^[7]

기업이 오랜 시간 업무를 수행하며 축적한 것은 쉽게 복제하기 어렵습니다. 고객과 오랫동안 쌓아온 관계, 과거의 주요 의사결정과 그 배경, 프로젝트의 성공과 실패에서 얻은 경험, 업무 과정에서 형성된 예외와 노하우, 조직 내부에 분산된 전문 지식 등이 여기에 해당합니다. 기업이 구성원의 전문 지식을 통합하고 실제 업무에 적용하는 능력은 조직 역량의 중요한 기반으로 논의됐으며^[8], 경험적 지식의 보존 역시 기업 경쟁력과 연결되어 왔습니다.^[9] AI 시대에는 이러한 기업 고유의 지식과 경험을 AI가 현재의 업무를 판단하고 행동하는 데 활용할 수 있는 Context로 얼마나 잘 연결할 수 있는가가 중요한 차별화 요소가 될 수 있습니다.

같은 수준의 AI 모델을 사용하더라도, 한 기업의 AI가 고객의 과거 관계와 의사결정의 배경, 업무의 예외와 현재 상황을 활용할 수 있고, 다른 기업의 AI는 그렇지 못하다면, 실제 업무에서 만들어내는 판단과 결과는 달라질 수 있습니다.

따라서 Enterprise AI의 경쟁력은 단순히 얼마나 많은 AI를 도입했는가만으로 결정되지 않습니다. 기업이 축적해 온 고유한 지식과 경험을 얼마나 정확한 Context로 만들어 여러 AI의 업무에 활용할 수 있는가가 점점 더 중요해질 것입니다.

그렇다면 사람과 여러 시스템에 흩어진 지식과 경험, 의사결정을 어떻게 지속적으로 관리하고 연결해 이러한 Shared Context의 기반으로 만들 수 있을까요?

Shared Context를 만드는 조직 기억 인프라, 'Company Brain'

Shared Context가 제대로 작동하려면 그 근거가 되는 기업의 지식과 경험이 지속적으로 관리되어야 합니다. 고객과의 관계는 변하고, 프로젝트는 진행되며, 새로운 의사결정과 예외가 계속 발생합니다. 어제의 정보가 오늘도 유효하다는 보장은 없습니다. 따라서 Shared Context는 한 번 만들어두는 정적인 데이터 세트가 아니라, 기업의 변화에 따라 지속적으로 관리하는 조직 기억을 기반으로 구성되어야 합니다.

컴퍼니 브레인(Company Brain)은 이러한 조직 기억을 축적하고 연결해, 사람과 AI가 자신의 역할과 업무에 필요한 Context로 활용할 수 있게 하는 인프라입니다.

Company Brain이 다룰 수 있는 범위는 다음의 다섯 가지 축으로 정리할 수 있습니다.^{[3][4][9][10][11]}

• Knowledge:우리는 무엇을 알고 있는가?
• Experience: 무엇을 경험했는가?
• Decision: 무엇을 결정했고, 왜 그렇게 결정했는가?
• Relationship: 임직원, 고객, 프로젝트, 업무는 어떻게 연결돼 있는가?
• State: 지금 어떤 상황인가?

이러한 정보가 서로 연결되어야 AI는 단순히 관련 문서를 검색하는 것을 넘어, 현재의 업무를 판단하는 데 필요한 배경과 관계, 과거의 결정과 현재 상태를 함께 활용할 수 있습니다. 이러한 관점은 기존의 조직 기억(Organizational Memory)과 교류 기억(Transactive Memory) 이론과도 연결됩니다. 조직 기억은 조직이 과거의 정보와 경험을 획득하고, 보존하며, 필요할 때 다시 활용하는 과정으로 설명합니다.^[10] 교류 기억은 모든 구성원이 모든 지식을 직접 보유하는 대신, 조직 안에서 누가 무엇을 알고 있는지 파악하고 필요한 지식에 접근할 수 있는 체계로 설명합니다.^[11]

Company Brain은 조직 기억의 관점을 AI가 업무에 참여하는 환경으로 확장합니다. 기업이 무엇을 알고 있고 무엇을 경험했는지를 보존하는 데서 그치지 않고, 어떤 지식과 경험이 현재 업무와 관련되는지를 연결해, 사람과 AI가 필요한 순간에 활용할 수 있도록 하는 것입니다.

이 점에서 Company Brain은 Knowledge Base나 Enterprise Search와는 목적이 다릅니다. Knowledge Base와 Enterprise Search가 주로 저장된 지식을 찾고 제공하는 데 초점을 둔다면, Company Brain은 지식뿐 아니라 경험, 의사결정의 배경, 관계, 현재 상태를 연결해 특정 업무에 필요한 Context를 구성하는 기반을 지향합니다. 그렇다고 기업의 모든 정보를 하나로 연결해 모든 사람과 AI에 공개해야 한다는 의미는 아닙니다.

이러한 방향성은 기존의 정보시스템 연구에서도 확인해 볼 수 있습니다. 조직의 경험적 지식을 보존하기 위해 정보의 획득, 보존, 유지, 검색, 회수를 체계화하는 Organizational Memory Information System이 제안되어 왔습니다.^[9] Company Brain은 이와 유사한 조직 기억의 문제를 Multi-AI 환경에서 다시 바라보는 개념으로 생각해 볼 수 있습니다.

다만, 지식과 기억을 연결하는 것만으로는 충분하지 않기 때문에, Company Brain이 기업 인프라로 작동하려면 누가 어떤 Context를 사용할 수 있는지, 그 정보는 어디에서 왔는지, 최신 상태인지, AI의 행동을 추적할 수 있는지도 함께 관리해야 합니다.

Company Brain은 다음의 네 가지 운영 원칙으로 접근합니다. Permission은 사람과 AI가 접근할 수 있는 정보와 시스템의 범위를 통제하는 것, Provenance는 정보의 출처와 생성·변경 이력을 확인할 수 있게 하는 것, Freshness는 업무에 사용되는 정보가 현재 상태를 반영하는지 관리하는 것, Auditability는 AI가 어떤 정보와 권한을 바탕으로 어떤 행동을 수행했는지 추적하고 감사할 수 있게 하는 것을 의미합니다.

이 가운데 Permission과 Auditability는 OpenAI Frontier가 제시하는 Identity, Permissions, Boundaries와 연결됩니다.^[4] Provenance는 NIST AI Risk Management Framework의 관리 원칙과 연결됩니다.^[12] Freshness는 Y Combinator의 지식을 구조화하고 최신 상태로 유지해야 한다는 제안과 연결됩니다.

Company Brain의 목적은 기업의 모든 정보를 한곳에 모으는 것이 아닙니다. 기업의 지식과 경험을 조직 차원의 기억으로 관리하고, 그중 현재 업무에 필요한 정보를 적절한 사람과 AI에 적절한 Context로 제공할 수 있는 기반을 만드는 것입니다. 이러한 구조가 지속되면 Company Brain은 단순한 정보 인프라를 넘어 축적되는 조직 자산이 될 수 있습니다.

AI의 메모리 연구도 이러한 방향을 이해하는 데 참고가 될 것 같습니다. Generative Agents 연구에서는 에이전트가 경험 기록을 메모리에 저장하고, 이후 상황에서 관련 기억을 검색해 다음 계획과 행동에 활용하는 구조를 제시했습니다.^[13] 이 연구는 Company Brain을 직접 검증한 것은 아니지만, AI가 과거의 경험을 저장하고, 이후 업무에 필요한 기억을 선택적으로 활용할 수 있다는 기술적 가능성을 기대해 볼 수 있습니다.

Company Brain의 전략적 의미는 이러한 조직 기억을 특정 직원이나 특정 AI 모델에만 의존하지 않도록 만드는 데 있습니다. 사람은 이동하거나 퇴직할 수 있고, 조직은 개편될 수 있으며, 사용하는 AI 모델도 바뀔 수 있습니다. 그러나 회사가 무엇을 경험했고 무엇을 배웠으며 왜 특정한 결정을 내렸는지는 이후의 사람과 AI가 다시 활용할 수 있어야 합니다.

Company Brain의 핵심은 단지 AI를 하나 더 만드는 것이 아닙니다. 기업이 축적한 지식과 경험을 지속 가능한 조직 기억으로 만들고, 이를 여러 AI가 활용할 수 있는 Shared Context의 기반으로 만드는 것입니다.

다시, Multi-AI로 충분한가?

처음의 질문으로 돌아가 보겠습니다. 우리 회사의 핵심 지식은 회사가 기억하고 있는가, 사람이 기억하고 있는가? 퇴직이나 부서 이동이 일어날 때 중요한 경험과 판단의 배경까지 함께 사라진다면 AI를 몇 개 더 도입해도 근본 문제는 남습니다. 마찬가지로 AI의 수가 늘어나더라도 서로 다른 사실과 전제를 바탕으로 판단한다면, 기업 전체의 실행은 쉽게 갈릴 수 있습니다.

Multi-AI 시대에 중요한 것은 더 많은 AI를 도입하는 것도, 모든 AI에 더 많은 데이터를 제공하는 것도 아닙니다. 각 AI가 자신의 업무에 필요한 정확한 Context를 필요한 순간에 가져오되, 그 Context의 근거가 되는 기업의 사실과 기억은 일관되게 유지되도록 만드는 것입니다.

기업의 Context를 지속적인 조직 기억으로 축적하고, 필요한 사람과 AI가 다시 활용할 수 있도록 만드는 기반이 Company Brain입니다. Multi-AI 시대의 경쟁력은 단순히 AI의 수에서 나오지 않습니다. 앞으로 더 중요한 질문은 이것일 수 있습니다.

누가 더 좋은 AI를 사용하는가가 아니라, 누구의 AI가 그 회사를 더 깊고 정확하게 이해하고 있는가?

사람이 떠나도 경험이 남고, 조직이 바뀌어도 의사결정의 이유가 이어지며, 새로운 사람과 새로운 AI가 과거의 Context 위에서 다음 업무를 시작할 수 있는 회사. 그런 조직에서 비로소 여러 AI는 개별적인 도구의 집합을 넘어 한 기업 안에서 함께 작동하는 지능으로 발전할 수 있을 것입니다.

References

• Galan, N. (2023). Knowledge loss induced by organizational member turnover: A review of empirical literature, synthesis and future research directions (Part I). The Learning Organization, 30(2), 117–136. https://doi.org/10.1108/TLO-09-2022-0107
• Nonaka, I., & Takeuchi, H. (1995). The knowledge-creating company: How Japanese companies create the dynamics of innovation. Oxford University Press. https://doi.org/10.1093/oso/9780195092691.001.0001
• Blomfield, T. (2026). Company Brain. In Requests for Startups. Y Combinator. Retrieved September 8, 2026, from https://www.ycombinator.com/rfs.html
• OpenAI. (2026, February 5). Introducing OpenAI Frontier. https://openai.com/index/introducing-openai-frontier/
• Rajasekaran, P., Dixon, E., Ryan, C., & Hadfield, J. (2025, September 29). Effective context engineering for AI agents. Anthropic. https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
• Lin, H. (2025, December 4). Architecting efficient context-aware multi-agent framework for production. Google Developers Blog. https://developers.googleblog.com/architecting-efficient-context-aware-multi-agent-framework-for-production/
• OpenAI. (2026, August 12). Enterprise signals: What frontier firms are doing differently. https://openai.com/signals/enterprise-data/
• Grant, R. M. (1996). Toward a knowledge-based theory of the firm. Strategic Management Journal, 17(S2), 109–122. https://doi.org/10.1002/smj.4250171110
• Stein, E. W., & Zwass, V. (1995). Actualizing organizational memory with information systems. Information Systems Research, 6(2), 85–117. https://doi.org/10.1287/isre.6.2.85
• Walsh, J. P., & Ungson, G. R. (1991). Organizational memory. Academy of Management Review, 16(1), 57–91. https://doi.org/10.5465/amr.1991.4278992
• Ren, Y., & Argote, L. (2011). Transactive memory systems 1985–2010: An integrative framework of key dimensions, antecedents, and consequences. Academy of Management Annals, 5(1), 189–229. https://doi.org/10.5465/19416520.2011.590300
• National Institute of Standards and Technology. (2023). Artificial intelligence risk management framework (AI RMF 1.0). U.S. Department of Commerce. https://doi.org/10.6028/NIST.AI.100-1
• Park, J. S., O’Brien, J. C., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023). Generative agents: Interactive simulacra of human behavior. In Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology (Article 2, pp. 1–22). Association for Computing Machinery. https://doi.org/10.1145/3586183.3606763

FAQ

▶   해당 콘텐츠는 저작권법에 의하여 보호받는 저작물로 기고자에게 저작권이 있습니다.
▶   해당 콘텐츠는 사전 동의 없이 2차 가공 및 영리적인 이용을 금하고 있습니다.