수익성 온톨로지란 무엇인가

"우리 회사 데이터를 AI에 넣고 분석해 봐!" — 그렇게 받은 결과가 대부분 단순 숫자 요약에 그치는 이유는 AI의 성능이 아니라 데이터의 수준에 있습니다. 매출·생산·구매·이익을 잇는 맥락(인과관계)이 빠져 있으면, 사람도 AI도 "왜 이익이 줄었는지"를 답할 수 없습니다.

왜 원시 데이터로는 답이 안 나오는가

대부분의 제조기업이 가진 것은 "매출 얼마, 자재 얼마, 몇 개 생산, 비용 얼마" 같은 흩어진 실적 원시 데이터입니다. 이 숫자들 사이의 관계 — 어느 제품이 어떤 공정을 거쳐, 어떤 자원을 얼마나 소비했고, 어느 고객에게 팔렸는지 — 가 기록되어 있지 않으면 데이터는 인과관계를 잃습니다. 맥락 없는 데이터에서는 통계적으로 그럴듯한 요약만 나올 뿐, 의사결정에 쓸 진단은 나오지 않습니다.

온톨로지 = 객체 + 관계 + 의미

Taylro는 현장 데이터를 비즈니스 객체와 관계로 정의합니다. 품목·거래처·공정·자원·설비·거래 같은 객체(objects)를, BOM(품목→구성품)·라우팅(품목→공정→자원)·거래(거래처×품목×월) 같은 관계(links)로 엮고, 그 위에 각 지표가 무엇을 뜻하는지(공헌이익이란·이익차이란)를 기계가 읽을 수 있는 사전으로 얹습니다. 이렇게 인과관계를 구조화한 것이 수익성 온톨로지입니다.

• 객체(objects) — 품목, 구성품(하위 품목), 공정(활동), 자원·설비, 집계거래처, 그리고 결과 객체인 판매 실적 라인(거래처 × 품목 × 월). 사업을 이루는 '명사'.
• 관계(links) — BOM 소요(어떤 제품이 무엇으로 만들어지는가), 라우팅(BOR)(어떤 공정·자원을 거치는가), 설비 사용(공정이 어느 설비를 쓰는가), 수익성 사실관계(어느 거래처에 어떤 품목이 얼마나 팔렸는가). 객체를 잇는 '인과'.
• 의미(semantic) — 각 지표의 정의·수식·집계 규칙·해석 주의를 담은 사전. 그래서 사람도 AI도 같은 뜻으로 숫자를 읽습니다.

왜 이게 원가·수익성에 결정적인가

원가는 인과적이기 때문입니다. 원가는 이 객체 그래프를 따라 흐릅니다. 먼저 재료비는 BOM을 타고 아래에서 위로 다단계로 쌓입니다 — 원재료 단가가 반제품으로, 반제품 단가가 완제품으로 누적됩니다.

다음으로 가공비는 공정이 실제로 소비한 시간을 따라 자원에서 제품으로 귀속됩니다. 이것이 TDABC(시간기반 활동원가)입니다. 간접비를 생산수량으로 기계적으로 나누는 전통 방식과 비교하면 결과가 뒤집힙니다.

그래서 수익성이 제품·고객·공정 단위로 참되게 분해됩니다. 반대로 수량 배부 방식은 자원을 많이 먹는 제품의 원가를 낮게, 효자 제품의 원가를 높게 착각하게 만듭니다.

대기업이 쓰던 접근을, 중소 제조업 규모로

산재된 데이터를 하나의 객체 모델로 통합하고 그 위에서 의사결정을 지원한다는 발상 자체는 새로운 것이 아닙니다. 미국 팔란티어(Palantir)가 대기업·정부 조직을 대상으로 널리 알린 접근이며, Taylro는 같은 계보의 접근을 중소 제조업 규모로 경량화해 원가·수익성이라는 한 문제에 집중합니다. 제조 데이터는 대체로 구조화되어 있어(품목·BOM·공정·거래) 통합 난도가 낮고, 그 위에서 원가 계산과 AI 의사결정 지원이 함께 작동합니다.

AI는 어디까지 하는가 — 자동화 등급

온톨로지 위에서 AI가 할 수 있는 일은 등급으로 나뉩니다. Taylro가 오늘 실제로 제공하는 범위는 L0~L2입니다. 판단하고 초안을 제시하되, 실행은 언제나 사람이 승인합니다.