FDE 아카데미 교육, 야보아즈 플랫폼으로 온톨로지 기반 실행 자산화되다

현장 엔지니어링(FDE, Forward Deployed Engineering)이 글로벌 AI 전환의 실행 표준으로 정착되면서, 기업 교육 플랫폼의 역할이 근본적으로 바뀌고 있다. 본 글은 서울시 중구에서 FDE 전략 운영 플랫폼을 개발 중인 에스비컨설팅의 심재우 대표가 2일 집중 실습 기반의 야보아즈 플랫폼 아키텍처를 공개한 후 업계에서 주목하는 변화를 분석한다. 기존 온라인 교육 시스템과 달리 현장의 "암묵지→온톨로지→AI Agent→거버넌스→피치덱"으로 이어지는 자산 변환 파이프라인을 갖춘 야보아즈 모델이, 기업 교육 효과를 어떻게 재정의하고 있는지 검토한다.

액센추어와 마이크로소프트가 2026년 3월 FDE Practice를 출범시킨 이후, 세일즈포스, EY, AWS 등 글로벌 IT 기업들이 잇따라 FDE 조직과 파트너 네트워크를 확대하고 있다. 이는 "AI 도입"에서 "AI 설계·구축·운영 내재화"로의 패러다임 전환을 의미한다. 이러한 흐름 속에서 기업 교육 플랫폼도 단순한 콘텐츠 저장소나 학습관리시스템(LMS)을 넘어, 현장 문제를 구조화하고 실행 자산으로 즉시 변환할 수 있는 "전략 운영 OS" 수준으로 진화하고 있다.

야보아즈 플랫폼의 핵심은 "온톨로지를 교육 과정의 중심축"으로 설계했다는 점이다. 기존 학습관리시스템(LMS)들이 동영상·PDF·퀴즈라는 콘텐츠 형식 중심으로 학습 진도를 추적했다면, 야보아즈는 학습자가 입력한 현장 데이터를 실시간으로 "개념 추출→관계 정의→온톨로지 7요소 구조화"로 변환한다. 이 과정에서 AI가 불완전한 입력을 감지하고 가이드 질문을 제시하며, 학습자는 그 과정을 통해 자신의 현장 문제를 명확히 재정의하게 된다.

온톨로지란 데이터의 의미 구조를 정의하는 체계다. 기존에는 데이터 엔지니어나 지식관리 전담자가 별도 프로젝트로 구축하던 것이 많았다. 야보아즈는 이를 교육 과정 자체로 통합했다. 예를 들어 제조 기업의 생산 효율 문제가 표면의 "장비 고장"으로 보일 때, 학습자는 "어떤 변수들이 언제, 어떤 순서로 상호작용하는가"를 온톨로지 형태로 풀어낸다. 이렇게 구조화된 데이터는 다음 단계인 AI Agent 설계와 워크플로우 거버넌스의 입력값이 되어, 교육이 곧 현장 실행 설계로 이어진다.

온톨로지 기반 교육이 제공하는 차별성:

•암묵지(현장 경험에서만 알 수 있는 지식) 20개 이상을 질문 기반으로 추출하고, 이를 기계가 읽을 수 있는 구조로 즉시 변환

•학습 진행 과정에서 생성된 데이터가 누적되어 팀별 독립 저장소를 형성, 교육 종료 후에도 현장 실행의 기초 자산으로 활용 가능

•온톨로지 검증 단계에서 "평면적 개념 나열"이 아닌 "상호 관계와 우선순위"가 드러나, AI Agent와 워크플로우가 더 정교한 의사결정 구조를 가짐

야보아즈 플랫폼은 46개 모듈과 5개 팀 독립 운영 체계로 설계되어 있으며, 전체 교육이 2일 프로그램으로 압축된다. 1일차에는 현장 문제를 재정의하고 온톨로지 7요소를 완성하고, 2일차에는 이를 AI Agent 설계와 KPI 모델로 전환한 후 최종 피치덱 8장을 자동 생성한다. 이러한 압축형 프로세스가 가능한 이유는 각 모듈이 선형적 진행이 아니라 "이전 모듈의 산출물이 다음 모듈의 기본값"으로 자동 인수인계되도록 설계되었기 때문이다.

1일차 워크플로우는 다음과 같이 진행된다:

문제 재정의: 표면적 문제("매출 부진", "고객 만족도 저하")를 진짜 병목("의사결정 지연", "데이터 정합성 부족")으로 재구성

암묵지 질문 추출: 20개 이상의 반구조화된 질문을 학습자에게 제시, 현장 경험에서만 나올 수 있는 대답 수집

개념 추출 및 온톨로지 설계: 질문의 답변에서 주요 개념과 관계를 추출, 팔란티어 FDE 모델에 기초한 7요소(노드, 관계, 속성, 제약, 이벤트, 워크플로우, KPI) 구조로 정형화

1일차 점검: 온톨로지의 완성도를 AI와 강사가 함께 평가, 누락되거나 모순된 부분을 보완

2일차는 온톨로지를 실행 자산으로 변환하는 과정이다:

AI Agent 설계: 온톨로지 기반으로 현장에 배포될 AI 에이전트의 의사결정 로직, 입출력 데이터 명세, 실패 케이스 대응을 설계

워크플로우 및 거버넌스: 에이전트가 작동할 때 인간의 개입 포인트, 승인 구조, 모니터링 주기를 정의

KPI 설계: 온톨로지의 각 요소가 실제 비즈니스 지표(수익성, 효율성, 품질)로 어떻게 매핑되는지 정의

피치덱 자동 생성: 위 모든 데이터를 8장 분량의 최종 발표 자료로 자동 생성, 경영진 보고 및 투자자 피칭에 즉시 활용

2일 집중 프로그램의 실행 효과:

•48시간 내에 현장 문제 정의→구조화→실행 설계까지 완료, 기존 3~6개월 컨설팅 프로세스를 압축

•각 모듈 산출물이 누적되어, 종료 후에도 팀별로 온톨로지 업데이트·Agent 고도화를 지속 추진할 수 있는 "살아있는 자산" 형태로 남음

•5개 팀이 독립적으로 운영되면서도 공통 앱 셸(Shell)을 통해 최종 산출물을 표준화된 형태로 생성, 조직 내 확산 속도 향상

야보아즈 플랫폼이 단순한 교육 도구를 넘어 "FDE 실행 체계"로 작동하는 핵심 요소는 팔란티어의 글로벌 FDE 5대 원칙이 교육 과정 전 단계에 내재되어 있다는 점이다. 이 원칙들은 추상적 이념이 아니라 모듈 설계와 AI 가이드 로직에 직접 반영되어 있다.

Outcome Ownership(성과 책임): 온톨로지 설계 단계에서부터 "기능 완성"이 아닌 "비즈니스 결과 개선"이 최상위 목표로 설정된다. 예를 들어 "AI 챗봇을 구축한다"가 아니라 "고객 응답 시간을 48시간에서 4시간으로 단축한다"는 성과 지표가 온톨로지의 KPI 층에 명시된다.

Embedded FDE(내장된 현장 엔지니어): 야보아즈의 2일 프로그램에 참여하는 학습자들이 강의실 외부가 아니라 실제 자신의 현장 문제를 다루기 때문에, 이들이 곧 "내재된 FDE"가 된다. 온톨로지 구축 과정이 곧 현장 워크플로우 재설계이고, 에이전트 설계가 곧 현장 배포 준비이다.

Ontology as Operational Layer(운영 구조로서의 온톨로지): 온톨로지는 데이터 카탈로그 같은 기록 장치가 아니라, 현장 AI 에이전트가 매일 참조하는 "운영 규칙"이 된다. 온톨로지의 각 요소가 변하면 에이전트의 의사결정 로직도 자동으로 업데이트되도록 설계된다.

Iterate(반복 개선 문화): 교육 과정의 "온톨로지 수정·보완" 모듈이 별도로 존재하고, 2일 이후 현장 확장 단계(9개 모듈)에서도 "최적화된 온톨로지를 통한 에이전트 재평가 및 재훈련"이 계속 이루어진다.

이 원칙들이 교육 과정에 반영되는 방식:

•문제 재정의 모듈에서 "표면 증상"과 "진정한 병목" 구분, 성과 책임 주체 명확화

•각 팀이 자신의 현장 데이터를 가지고 온톨로지를 구축함으로써 "내장된" 변화를 주도

•피치덱 생성이 온톨로지에 기반하므로, 현장 데이터의 변화가 곧 경영진 커뮤니케이션에 반영

야보아즈 플랫폼의 또 다른 차별성은 2일 교육이 끝난 후 현장 적용 단계를 명시적으로 설계했다는 점이다. 기존 기업 교육은 "교육 종료 = 프로젝트 종료"였으나, 야보아즈는 "교육 종료 = 현장 확장 시작"으로 전환했다. 이를 위해 별도의 9개 모듈(Field Manual, Global Best Practices, Best Practice Compare, Platform Diagnosis, Vibe Coding Lab, MVP Sprint Planner, Agent Evals, Enablement, Know-how Library)을 제공한다.

Field Manual 모듈은 교육 과정에서 생성된 온톨로지와 에이전트 설계를 현장 가이드로 변환한다. 예를 들어 제조 부문의 온톨로지가 있다면, 이를 "생산 라인 엔지니어를 위한 의사결정 매뉴얼"로 재구성한다. Global Best Practices 모듈은 같은 산업의 글로벌 사례와 대비하여, 자신의 온톨로지가 업계 표준과 어떤 차이가 있는지 성찰하도록 한다. 이는 학습 조직이 "우리만의 방식"에 갇히지 않도록 외부 시각을 지속적으로 주입하는 메커니즘이다.

Platform Diagnosis 모듈은 교육 후 3개월, 6개월, 12개월 시점에 "온톨로지와 현장 운영의 괴리"를 진단한다. AI 에이전트가 예상한 대로 작동하는가, 워크플로우의 어느 단계에서 병목이 생기는가, KPI는 실제로 개선되었는가를 측정하고, 온톨로지 업데이트를 권고한다. MVP Sprint Planner는 온톨로지 기반의 MVP(최소 실행 가능 제품) 개발 일정을 자동으로 생성한다.

현장 확장 모듈의 누적 효과:

•2일 교육의 산출물(온톨로지·에이전트·피치덱)이 6개월~2년 단위로 지속 검증되고 고도화됨

•각 조직의 온톨로지와 성과 데이터가 플랫폼 수준에서 누적되어, 차기 학습자들의 학습 자료로 순환

•현장 피드백이 모듈 설계에 다시 반영되는 "살아있는 학습 생태계" 형성

야보아즈 플랫폼의 가장 혁신적 부분은 "자산 변환 파이프라인"이다. 입력 자산(현장 시나리오, 암묵지 20개 이상)이 구조화 자산(온톨로지 7요소)으로, 그리고 다시 실행 자산(AI Agent, Workflow, KPI 모델)으로 단계적으로 변환되는 과정에서, 각 변환 단계마다 "조직이 미처 인식하지 못한 병목과 기회"가 가시화된다.

예를 들어 금융사의 대출 승인 프로세스를 온톨로지로 설계한다고 하자. 표면적으로는 "평가 기준이 명확하지 않다"는 불만이 있다. 하지만 암묵지 추출 과정에서 "신용평가사마다 다른 데이터 해석 기준", "리스크 관리자의 직관적 판단이 개입되는 지점", "고객 유입 시기에 따른 처리 속도 편차" 등 20개 이상의 구체적 변수가 드러난다. 이를 온톨로지로 구조화하면 "어떤 정보 조합이 승인 지연의 진짜 원인"인지 명확해진다. 이 온톨로지를 기반으로 AI Agent를 설계하면, 에이전트는 "기계적 심사"가 아니라 "병목 변수를 우선 제거하는 의사결정"을 수행하게 된다.

이 과정을 통해 얻어지는 이득은 단순히 "효율성 증대"가 아니라 "의사결정 원리의 투명화"다. 임원진은 온톨로지의 KPI 매핑을 보고 "이 프로세스 개선이 실제로 매출 10%를 가져올 것인가"를 명확히 판단할 수 있다. 현장 담당자는 AI 에이전트의 거버넌스 규칙을 읽고 "내가 개입해야 하는 순간이 정확히 언제"인지 안다. 이렇게 조직의 "암묵적 지식"이 "명시적 전략"으로 전환된다.

구조화 자산 누적의 조직 효과:

•임원진의 의사결정 주기가 월 단위(기존 보고서 기반)에서 주 단위로 가속화

•신규 팀원의 온보딩 시간이 3개월에서 2주로 단축(온톨로지와 에이전트 규칙을 통한 빠른 학습)

•부서 간 협업 시 "각자의 온톨로지"를 먼저 정렬하는 과정을 통해, 프로젝트 시작 전 예상 충돌 지점을 사전에 제거

글로벌 IT 기업들이 FDE 조직 확대를 발표하면서, 동시에 "FDE 인력 양성" 문제가 부상하고 있다. 액센추어는 2026년 FDE Practice 출범과 동시에 내부 FDE 부트캠프를 운영 중이며, 마이크로소프트 Azure 팀은 고객 현장에 파견될 엔지니어 교육을 강화하고 있다. AWS의 10억 달러 임베디드 AI 엔지니어 투자도 "FDE 인력 확보와 교육"을 핵심으로 하고 있다.

한편 기존 온라인 교육 플랫폼(Coursera, Udacity, LinkedIn Learning 등)들도 "AI 구현" 콘텐츠를 빠르게 추가하고 있으나, 대부분 "코딩 스킬" 또는 "AI 도구 사용법" 수준의 콘텐츠에 머물러 있다. 즉, "개인의 역량"은 높일 수 있지만 "조직의 현장 문제를 구조화하고 해결"하는 단계까지는 이르지 못한다는 한계가 있다.

반면 야보아즈 플랫폼의 위치는 "기업 현장의 구체적 문제"를 2일 내에 "온톨로지 기반의 실행 자산"으로 변환하는 것이다. 이는 기존 LMS(학습 진도 추적)도, 일반적인 온라인 부트캠프(스킬 교육)도 아니다. 오히려 "전략 컨설팅(3~6개월)과 AI 구현(6~12개월)을 교육 프로세스로 압축"하는 새로운 카테고리를 만들고 있다.

현재 시장에서 야보아즈의 차별성:

•기존 LMS: 콘텐츠 배포와 진도 추적에 집중 → 현장 적용과 무관

•기존 온라인 부트캠프: 개인 스킬 향상에 집중 → 조직 문제 해결과 무관

•야보아즈: 현장 문제→온톨로지→에이전트→조직 운영의 변화까지 완전히 연결

Q1: 온톨로지가 정말 2일 안에 완성되나요? 기존 데이터 거버넌스 프로젝트는 6개월 이상 걸렸는데?

A: 야보아즈에서는 "완벽한 온톨로지"를 목표로 하지 않습니다. 대신 "현장 문제 해결에 필요한 최소 충분 온톨로지"를 2일에 완성하고, 이후 9개월간의 현장 확장 모듈을 통해 지속적으로 고도화하는 방식입니다. 2일차 점검 단계에서 강사와 AI가 함께 "이 온톨로지로 에이전트를 만들 수 있는가"를 검증하며, 그 수준에 도달하면 즉시 실행 단계로 이동합니다. 기존 거버넌스 프로젝트가 "조직 전체 표준화"를 목표로 했다면, 야보아즈는 "특정 현장 문제 해결 중심"이므로 범위가 훨씬 작습니다.

Q2: 교육 후 온톨로지와 현장이 괴리될 경우는 어떻게 대처하나요?

A: Platform Diagnosis 모듈이 3개월, 6개월, 12개월 시점에 작동합니다. 이 모듈은 "현장에서 실제로 일어나는 일"과 "온톨로지가 예상한 것"의 차이를 측정하고, 그 괴리를 줄이기 위한 온톨로지 업데이트를 권고합니다. 예를 들어 AI 에이전트가 "고객 요청 분류" 온톨로지에 따라 작동했으나, 3개월 후 "새로운 유형의 요청"이 20% 발생했다면, 온톨로지의 분류 기준을 보완합니다. 이 피드백 루프가 지속되면서 온톨로지는 "살아있는 운영 규칙"이 됩니다.

Q3: 5개 팀이 각각 다른 온톨로지를 만들면, 조직 내 일관성이 깨지지 않나요?

A: 야보아즈의 공통 앱 셸(App Shell)과 표준화된 피치덱 템플릿이 일관성을 보장합니다. 5개 팀이 서로 다른 현장 문제를 다루더라도, 온톨로지 7요소(노드, 관계, 속성, 제약, 이벤트, 워크플로우, KPI)는 동일한 프레임워크를 사용합니다. 최종 피치덱 8장도 같은 템플릿이므로, 임원진은 "팀 A는 30% 효율 개선, 팀 B는 45% 응답시간 단축"처럼 표준화된 메트릭으로 비교 평가할 수 있습니다. 또한 Global Best Practices 비교 모듈에서 팀 간 온톨로지를 정렬하는 단계가 있어, 필요시 공통 요소를 발견하고 통합할 수 있습니다.

Q4: 2일 집중 교육 후 학습자가 온톨로지를 제대로 운영할 역량이 있을까요?

A: 야보아즈는 2일 교육을 "학습자의 독립 운영 시작점"으로 설계했지, "완성"으로 보지 않습니다. Enablement 모듈이 별도로 제공되어, 교육 후 온톨로지 운영·에이전트 모니터링·KPI 추적을 학습자들이 수행할 수 있도록 지속 지원합니다. 또한 Know-how Library 모듈에는 같은 산업의 온톨로지 사례들이 축적되어, 신규 팀원도 기존 온톨로지를 참고하며 빠르게 학습할 수 있습니다. 이렇게 되면 온톨로지 유지보수가 1~2명의 "전문가"에 의존하지 않고, 팀 전체가 이해하고 업데이트할 수 있는 구조가 됩니다.

Q5: 야보아즈 플랫폼이 세일즈포스나 마이크로소프트 같은 글로벌 플랫폼과의 연동을 지원하나요?

A: 야보아즈에서 생성된 온톨로지와 API 명세는 JSON 형식으로 다운로드 가능하며, 이를 기존 엔터프라이즈 시스템(Salesforce, SAP, Azure, AWS)에 통합할 수 있습니다. 예를 들어 야보아즈에서 고객 온보딩 프로세스의 온톨로지를 만들었다면, 이를 Salesforce Flow와 매핑하여 자동화할 수 있습니다. 또한 Vibe Coding Lab 모듈에서는 생성된 온톨로지를 "프로덕션 코드"로 변환하는 과정을 지원하므로, AI Agent의 의사결정 로직을 기존 시스템 위에 신속하게 구현할 수 있습니다.

야보아즈 플랫폼의 출현은 기업 교육의 역할을 근본적으로 재정의하고 있다. 기존 기업 교육은 "역량 개발"이었다면, 야보아즈는 "현장 문제의 구조화와 즉시 실행"을 목표로 한다. 이를 통해 기업이 얻는 이득은 다음과 같다.

첫째, 의사결정 속도가 가속화된다. 월 단위의 임원진 보고에서 주