Embedded Files
폐쇄망을 위한 독창적인 AI 서비스 플랫폼
"센트릭 AI는 폐쇄망 환경에서 기업 데이터를 학습하고 서비스를 제공합니다.
인터넷 접근이 완전히 차단된 안전한 환경에서 핵심 자산의 유출을 원천적으로 방지합니다."
우리만의 인공지능 비서
우리만의 인공지능 비서
기존 클라우드 AI는 외부 서버로 데이터를 전송해야 하므로 보안 리스크가 존재합니다.
반면, CentricAI Suite는 오픈소스 모델을 직접 다운로드하여 사내 서버에 온프레미스로 구축합니다.
인터넷 연결 없이도 사내 네트워크 안에서 빠르고 정확하게 작동하며, 핵심 데이터의 외부 유출을 원천적으로 차단합니다.
사내 자산 정보의 학습
사내 자산 정보의 학습
CentricAI는 방대한 사내 문서(보고서, 매뉴얼, 규정집 등)를 학습하여 기업 고유의 지식 기반을 구축합니다.
직원이 '올해 휴가 규정은 어떻게 되나요?'라고 질문하면, AI가 관련 규정을 즉시 찾아 정확한 답변과 함께 원문 출처(링크)를 제공하여 신뢰할 수 있는 정보 확인을 지원합니다.
사설 저장소
사설 저장소
오프라인 환경에서도 인공지능을 안정적으로 운영하기 위해서는, 스마트폰 앱스토어와 같은 회사 내부 전용 사설 레포지토리(Private Repository) 구축이 필수적입니다.
센트릭 AI는 외부 의존도를 완전히 배제하고, 사내 네트워크 내에서만 모델과 데이터를 관리함으로써 기업의 AI 통제권을 완벽히 확보합니다
SSO
SSO
SSO 연동을 통한 엄격한 접근 통제로 업무 환경을 보호하고, 역할 기반 세분화된 권한 제어와 AI 보안 강화로 핵심 자산을 철저히 보호합니다.
센트릭 AI는 이러한 다층적 보안 구조를 통해, 사용자별 권한을 정밀하게 관리하며 기업 데이터의 외부 유출을 원천적으로 차단합니다.
보안을 위한 격벽처리
프롬프트 인젝션과 같은 보안 위협으로부터 AI 시스템의 안정성과 기밀을 보호하기 위해, 시스템 지시사항과 사용자 입력을 논리적으로 분리하는 격벽 처리(Separation/Isolation) 방식을 도입합니다.
이를 통해 외부의 악성 명령어 삽입을 차단하고 AI의 의도된 동작만을 실행하도록 통제합니다
AI 방화벽 설치
AI 방화벽 설치
AI 모델과 사용자 간에 견고한 보안 장벽을 형성함으로써, 악성 입력이 시스템에 영향을 미치기 전에 격리 및 필터링합니다
권한 기반 데이터 격리
권한 기반 데이터 격리
센트릭 AI는 사용자 직급에 따라 문서 저장소 접근 권한을 엄격하게 격리합니다. 이 격벽 구조를 통해 일반 사원이 임원용 기밀 서류에 접근하거나 검색하는 것을 원천적으로 방지합니다."
외부 LLM 모델 사용
외부 LLM(오픈소스 모델)을 폐쇄망 인프라 내에 설치하여 사용하는 경우,
"초기 구축 비용은 들지만 보안과 운영 안정성을 완벽히 통제할 수 있다"는 특징을 가집니다.
기존의 클라우드 API(예: [OpenAI ChatGPT API]) 방식과 비교한 장단점은 다음과 같습니다.
장점
장점
완벽한 데이터 보안: 외부 유출 완전 차단으로 규제 준수형 산업(금융/공공/의료) 최적화
안정적인 비용 예측: API 기반 과금 없이 서버 구축 후 추가 비용 제로
완전한 커스터마이징: 오픈 소스 기반의 자유로운 모델 교체 및 멀티모달 최적화
오프라인 가용성: 외부 인터넷 및 서버 장애와 무관한 내부망 내 안정적 운영
단점
단점
막대한 초기 인프라 비용 (CapEx) 절감
문제: LLM 구동을 위한 고성능 GPU 서버 구매로 수천만 원에서 수억 원의 초기 비용 발생
센트릭 AI: 합리적이고 저렴한 라이선스 및 인프라 제공으로 비용 부담 해소
복잡한 운영 및 유지보수 (Ops) 간소화
문제: 모델 업데이트, 서버 모니터링 등 사내 IT 인력의 전문적 관리 필요 및 인건비 증가
센트릭 AI: 모든 관리 포인트를 하나의 대시보드에서 제공, 누구라도 쉽게 운영 가능
상용 클라우드 모델 대비 성능 격차 해소
문제: GPT-4, Claude 3.5 Sonnet 등 초대형 모델에 비해 오픈소스 모델의 추론 및 연산 능력 제한
센트릭 AI: LLM 모델의 유연한 교체를 지원하여 사내 정보 활용에 전혀 문제가 없도록 최적화
외부 AI 모니터링, 감사
센트릭AI는 사용자의 외부 AI 서비스 사용 이력을 확인하여 감사를 대응할 수 있습니다.
사용자 외부 AI 사용 로그 분석을 통해 AI 사용추적 및 리포트를 제공하며 즉각적인 사용 통제를 결정할 수 있습니다.
기업 내 임직원이 외부 AI 서비스(ChatGPT, Claude, 개발용 Copilot 등)를 사용할 때 발생할 수 있는 데이터 유출 및 보안 리스크를 방지하려면 shadow AI(비인가 AI) 모니터링, 프롬프트 감사, 데이터 마스킹(DLP) 시스템을 반드시 구축해야 합니다.
외부 AI 모니터링
인프라 구축 방식
임직원의 PC에서 외부 AI 웹사이트로 전송되는 모든 데이터 흐름을 길목에서 차단하고 모니터링하는 방식입니다.
센트릭AI 게이트웨이 기반 제어: 플랫폼 네트워크 정책을 활용하여 인가되지 않은 외부 AI 도메인(접속 주소)을 전송단에서 차단하거나 접근 권한을 제어합니다.
프롬프트 모니터링 및
실시간 개인정보 마스킹
실시간 민감 데이터 마스킹: 사용자가 입력한 프롬프트에 주민등록번호, 계좌번호, API Key, 소스 코드 등이 포함되어 있으면, 게이트웨이에서 이를 마스킹된 정보로 실시간 치환하여 AI로 전송합니다.
컴플라이언스를 위한 감사(Audit) 로그 및
사후 점검
AI 사용 내역을 추적하고 법적·규제적 정당성을 확보하기 위한 감사 체계입니다.
감사 로그 저장 (Audit Trail): 어떤 부서의 어떤 사용자가, 몇 시에, 어떤 모델에, 어떤 질문(프롬프트)을 던졌고 AI가 어떤 답변(완성문)을 내놓았는지 전 과정의 텍스트 로그를 암호화하여 중앙 로그 서버에 보관합니다.
바이브코딩 베이스 에이전트 상용화
외부의 로우코딩, 바이브코딩을 활용한 AI 에이전트를 센트릭AI에서 활용할 수 있습니다.
외부의 로우코드(Low-Code) 플랫폼(예: Flowise, Langflow, Dify)이나 바이브코드(Vibe-Coding)(자연어 지시문만으로 AI가 코드를 짜주는 개발 방식)로 만든 AI 에이전트를 폐쇄망 내부로 가져와 사용할 수 있는 환경을 제공합니다.
코드로 변환하여 독립 실행형 프로그램으로 패키징 (Code Gen)
바이브코딩(예: Cursor, v0, Lovable 등)이나 고급 로우코드 툴은 자연어로 만든 에이전트를 Python이나 JavaScript(Node.js) 코드로 변환해 줍니다.
AI 에이전트의 로직을 순수 소스코드로 추출합니다.
이후 폐쇄망 내에서 동작할 수 있도록 필요한 라이브러리(LangChain, LlamaIndex 등)와 함께 [Docker] 이미지로 패키징(Dockerizing)하여 내부망 서버에 배포합니다.
특정 로우코드 플랫폼에 종속되지 않고, 회사 내부 인프라에서 가볍고 빠르게 독립적으로 구동할 수 있습니다.
프롬프트 및 시스템 지시문'만 추출하여 재활용
로우코드나 바이브코딩의 본질은 결국 AI에게 내리는 정교한 지시문(System Prompt)과 업무 규칙(Rule)의 집합입니다.
외부에서 수많은 테스트를 통해 완성한 최적의 프롬프트와 에이전트 역할 정의문, 소통 가이드라인만 텍스트 파일로 추출합니다. 이를 폐쇄망 내에 구축된 자체 AI 프롬프트 생성 창에 그대로 붙여넣어 사용합니다.
플랫폼의 종류와 관계없이 프롬프트 엔지니어링 자산을 그대로 재사용할 수 있어 범용성이 높습니다.
멀티 모달
멀티모달(Multimodal) AI 는 텍스트를 비롯해 이미지, 음성, 영상, 코드 등 다양한 형태의 데이터를 동시에 이해하고 처리하는 인공지능 기술입니다. 기존 AI 가 문자만 읽고 쓰는 데 그쳤다면, 멀티모달 AI 는 시각·청각·언어 정보를 종합적으로 활용하는 '오감을 갖춘 AI'로 이해하시면 됩니다. 기업 내부망에 멀티모달 AI 를 도입한다면 다음과 같은 강력한 업무 자동화가 가능해집니다.
제조/정비 부서
장비 고장 부위의 사진을 찍어 올리면, AI가 사내 정비 매뉴얼(RAG)을 찾아 "어느 나사를 조여야 하는지" 그림 위에 화살표로 표시해 줍니다.
인사/법무 부서
수천 장의 스캔된 계약서나 종이 문서(PDF/이미지)를 그대로 업로드해도, AI가 내용을 읽고 독소 조항이나 중요 내용을 알아서 분류합니다.
보안/관제 부서
사내 통제 구역의 출입 현황이나 도면 사진을 분석하여 보안 취약점을 자동으로 리포트합니다.
토큰이 필요 없어요
센트릭AI는 완벽한 사내망 설치를 통해 유저들이 그 동안 퍼블릭 AI를 통해 가져왔던 UX를 그대로 경험할 수 있도록 서비스를 제공하고 있습니다.
사내망에서의 안정적 AI 서비스를 제공하여 아무리 많이 쓰더라도 토큰 비용이 발생하지 않습니다.
서드파티 앱과 완벽한 호환 또는 기존 정보계 시스템의 AI 전환
센트릭 AI는 회사의 다른 업무 프로그램이나 외부의 서드파티 앱(Third-Party Apps, 사내 ERP, CRM, 슬랙, 노션, 그룹웨어 등)과 매끄럽게 연동합니다.
표준 API 창구 개설
(OpenAI 호환 API 엔드포인트 제공)
서드파티 앱들이 우리 AI 플랫폼에 쉽게 접속해서 명령을 내릴 수 있도록 표준화된 문(API 엔드포인트)을 열어주는 방법입니다.
챗GPT(OpenAI) 규격과 똑같은 형태의 대화형 API를 제공합니다.
최근 나오는 대부분의 서드파티 앱들은 챗GPT와 연동할 수 있는 기본 기능을 탑재하고 있습니다.
AI 게이트웨이(AI Gateway)
구축
여러 서드파티 앱이 동시에 AI를 호출할 때, 중간에서 교통정리를 해주고 보안을 강화하는 중간 관리자(미들웨어)를 두는 방식입니다.
서드파티 앱과 AI 플랫폼 사이에 AI 게이트웨이를 배치합니다
서드파티 앱이 무리하게 AI를 호출해 시스템이 멈추는 것을 방지(호출 속도 제한)하고, 각 앱별로 사용량을 체크해 비용을 정산할 수 있습니다. 또한, 서드파티 앱이 보낸 데이터 중 민감한 정보(주민번호 등)를 AI에 전달하기 전 미리 마스킹(가림 처리)하는 보안 역할도 합니다.
AI 에이전트의 '도구 사용'
기능 활성화
반대로 AI가 서드파티 앱의 기능을 직접 조작하고 데이터를 가져오도록 호환시키는 방법입니다.
AI에게 서드파티 앱을 움직일 수 있는 ‘리모컨 사용법(함수/구조화된 데이터)’을 가르칩니다.
사용자가 "ERP 시스템에서 지난달 매출 보고서 가져와서 요약해 줘"라고 말하면, AI가 스스로 ERP 앱의 API를 호출해 데이터를 읽어온 뒤 요약본을 만들어 줍니다. 최근에는 오픈AI가 주도하는 MCP표준을 활용해 외부 앱의 데이터 컨텍스트를 동적으로 가져오는 방식이 주목받고 있습니다.
웹훅(Webhook) 기반의
이벤트 연동
서드파티 앱에서 특정 사건(이벤트)이 발생했을 때, AI가 알림을 받아 자동으로 작업을 시작하게 만드는 방식입니다.
서드파티 앱에 무언가 등록되면 AI 플랫폼으로 알림 신호(웹훅)를 보냅니다.
실시간 대기 상태로 자원을 낭비하지 않고, 일이 생겼을 때만 AI가 깨어나 작동하므로 효율적입니다.
고객 관리 프로그램(CRM)에 외국인 고객의 문의 글이 등록되면(이벤트), 즉시 AI 플랫폼으로 글이 전달되어 실시간으로 한국어 번역 및 답변 초안을 작성해 저장합니다.
라그 및 딥라그 지원
기업이 AI를 업무에 활용할 때, 정확한 정보 제공을 위한 핵심 기술로 RAG(Retrieval-Augmented Generation)가 주목받고 있습니다. 하지만 단순 조회를 넘어 심층적인 분석과 다단계 추론이 필요할 때는 기존 구조의 한계가 드러나며, 이를 진화시킨 기술이 바로 DeepRAG입니다.
왜 딥라그(DeepRAG)가 등장했나요?
기존의 일반 RAG는 사내 문서를 잘 찾아 주긴 했지만,
"A 보고서의 내용과 B 매뉴얼의 내용을 합쳐서 인사이트를 도출해줘" 같은 복잡한 요구를 하면 엉뚱한 답을 하거나(환각 현상), 둘 중 하나의 정보만 가져오는 한계가 있었습니다.
최근 유행하는 [DeepSeek-R1]이나 [OpenAI o1/o3] 같은 '추론형 AI(Reasoning Model)' 기술이 RAG와 결합되면서, AI가 답변을 내기 전에 내부적으로 "생각(Thinking) 단계"를 거치게 만든 것이 바로 딥라그입니다.
요약하자면
단순히 "서류 창고에서 파일 좀 찾아줘" 할 때는 기존 RAG가 가성비가 가장 좋고,
"이 수많은 서류들을 분석해서 모순점을 찾고 해결책 보고서를 써줘" 할 때는 딥라그 방식을 도입해야 합니다.
에이전트 고도화
센트릭 AI는 플랫폼 기술의 지속적 고도화와 사용자 학습 데이터를 반영한 모델 발전 등을 통해, 플랫폼 및 에이전트의 성능을 체계적으로 진화시킵니다.
여기서 말하는 고도화는 단순히 정답을 찾아주는 챗봇을 넘어, 복잡한 업무 계획을 수립하고 실행하며 최종 결과를 검증하는 전 과정을 스스로 수행하는 ‘디지털 직원(Digital Worker)’이자 기업 내 통합 시스템으로 도약하는 것을 의미합니다.
현재 글로벌 AI 기술은 AI가 ‘더 깊이 사고(Reasoning)하고, 더 자율적으로 행동(Action)하며, 다른 에이전트 및 시스템과 유기적으로 협업(Orchestration)’하도록 발전하는 방향에 집중되어 있습니다.
센트릭 AI는 이러한 기술 흐름을 바탕으로 다음과 같은 전략으로 고도화를 추진합니다.
추론 중심의 '생각하는 루프' 장착 (Reasoning & Iteration)
추론 중심의 '생각하는 루프' 장착 (Reasoning & Iteration)
기존 AI가 질문을 받자마자 바로 답을 출력했다면, 고도화된 에이전트는 답을 내기 전 내부적으로 끊임없이 추론하는 과정을 거칩니다.
작업 분해 (Task Decomposition): 거대하고 복잡한 명령(예: "우리 회사 3개년 경영 실적 분석 보고서 써줘")을 받으면, 스스로 5~6개의 하위 작업(데이터 수집, 차트 생성, 분석, 검토 등)으로 쪼갭니다.
자기 반성 (Self-Correction): 코드를 짜거나 문서를 작성한 뒤 곧바로 사용자에게 주는 것이 아니라, 내부 가상 환경에서 실행해 보고 에러가 나면 스스로 코드를 고쳐서 완성본을 도출합니다.
단일 에이전트에서 '멀티 에이전트 협업' 체계로 전환 (Orchestration)
단일 에이전트에서 '멀티 에이전트 협업' 체계로 전환 (Orchestration)
혼자서 모든 것을 다 하는 만능 AI는 한계가 있습니다. 각자 다른 전문성을 가진 AI 에이전트들이 팀을 이루어 일하도록 플랫폼을 구성해야 합니다.
역할 분담 및 조율: 예를 들어 ‘인사 에이전트’가 사내 규정을 찾으면, ‘보안 에이전트’가 이 답변에 기밀이 섞였는지 검사하고, 최종적으로 ‘카피라이터 에이전트’가 다듬어 이메일로 발송하는 형태의 에어전트 팀워크(Teamwork) 워크플로우를 구축합니다.
오케스트레이션 플랫폼: 수많은 AI 에이전트들이 서로 꼬이지 않고 장기 기억(Context)을 공유하며 협업할 수 있도록 조율하는 중앙 제어 시스템(토근)을 플랫폼에 도입합니다.
유연한 도구 연동과 표준 인프라 구축 (Tool Calling & MCP)
유연한 도구 연동과 표준 인프라 구축 (Tool Calling & MCP)
에이전트가 사람의 손발처럼 사내의 수많은 프로그램(ERP, CRM, 데이터베이스 등)을 직접 조작할 수 있어야 합니다.
모델 컨텍스트 프로토콜 (MCP): 과거에는 새로운 서드파티 앱을 연동할 때마다 복잡하게 코딩(Hardcoding)해야 했지만, 최근에는 MCP같은 플러그 앤 플레이(Plug-and-Play) 표준 규격을 사용하여 어떤 내부 시스템이든 레고 블록처럼 쉽게 에이전트에 붙였다 뗄 수 있게 만듭니다.
화면 직접 조작 (Computer Use): API가 지원되지 않는 오래된 사내 프로그램(Legacy 시스템)의 경우, 에이전트가 사람처럼 마우스를 클릭하고 화면을 보며 데이터를 입력하는 기술을 도입하여 호환성을 극대화합니다.
기억력 고도화와 컨텍스트 엔지니어링 (Context Engineering)
기억력 고도화와 컨텍스트 엔지니어링 (Context Engineering)
에이전트가 사용자의 업무 스타일, 기업의 특수 환경을 오래 기억하고 반영할 수 있어야 합니다.
장기 기억 (Persistent Memory): 어제 지시했던 피드백, 지난달에 수정한 보고서 양식을 기억하여 다음 업무에 자동으로 반영합니다.
맥락의 최적화: 무조건 많은 데이터를 AI에게 집어넣으면 비용이 커지고 뇌부하(Token 낭비)가 걸립니다. AI가 업무 목적(Viewpoint)에 딱 맞는 핵심 맥락 데이터만 압축해서 읽도록 데이터 구조를 설계([컨텍스트 엔지니어링](https://tech.hancom.com/2026-ai-trends-agentic-ai-beyond-tools/))합니다.
가드레일 (Guardrail): 에이전트가 예산을 초과해서 쓰거나, 허가되지 않은 데이터베이스에 접근을 시도하면 자동으로 동작을 멈추는 강력한 보안 장치를 플랫폼에 심어야 합니다.
에이전트옵스 (AgentOps): 에이전트가 하루 동안 무슨 생각을 하고 어떤 행동을 했는지 ‘일지(Log)’를 기록하여, 문제 발생 시 추적하고 성능을 감사(Audit)할 수 있는 관리 대시보드를 플랫폼에 내장합니다.
"AI 플랫폼의 고도화는 단순한 '지식 검색기'에서 탈피하여,
여러 AI 에이전트가 표준 규격(MCP)으로 회사 시스템을 조작하고,
스스로 생각하고 반성하며,
보안 가드레일 안에서 안전하게 자율 업무를
수행하는 체계(Agentic AI)를 갖추는 것입니다."
Page updated
Google Sites
Report abuse