이 카테고리가 지금 존재하는 이유
기업과 공공 부문 조직은 가장 가치 있는 데이터에 생성형 AI를 활용하려 합니다. 운영 기록, 계약서, 소스 코드, 자산 인벤토리, 네트워크 구성, 임상 노트가 그 대상입니다. 그러나 바로 그 데이터가 외부 모델로는 내보낼 수 없습니다.
여기서 도입 격차가 생깁니다. AI로 가장 큰 효과를 얻을 업무가, AI에 올리기 가장 어려운 업무입니다. 규제가 강해지고 GenAI가 파일럿에서 프로덕션 시스템으로 넘어가면서 이 격차는 더 이상 예외적 사례가 아니라 엔터프라이즈 AI의 핵심 장벽이 됩니다.
직관적인 해법은 데이터가 모델에 닿기 전에 민감한 부분을 지우는 것입니다. 진짜 문제는 바로 거기서 시작됩니다.
문제는 데이터가 아닙니다. 관계입니다.
Masking, 편집(redaction), DLP는 한 가지 목적으로 만들어졌습니다. 민감한 값이 네트워크를 벗어나지 않게 하는 것입니다. 그 목적에는 잘 맞습니다. 그러나 남겨진 데이터를 모델이 읽도록 설계된 적은 없습니다.
전통적인 masking은 민감값 제거에 최적화돼 있고 AI는 추론에 최적화돼 있습니다. 가려진 값이 어떤 관계에 참여하는 순간, 값을 가리는 행위가 그 관계 자체를 끊어 버립니다.
대부분의 팀이 놓치는 지점이 여기입니다. AI 유용성을 해치는 것은 값 하나가 사라진다는 사실이 아닙니다. 값을 가리는 순간, 모델이 추론에 쓰던 연결이 함께 끊긴다는 사실입니다. 가리는 순간 사라지는 것들을 보십시오.
- Asset ID ↔ Asset Name: ID를 편집하면 모델은 취약점을 해당 머신과 더 이상 연결할 수 없습니다.
- Host ↔ IP ↔ VLAN: 이를 평탄화하면 모델은 경보가 실제로 어떤 세그먼트에서 왔는지 추론할 수 없습니다.
- Contract clause ↔ Counterparty: 당사자를 삭제하면 갱신 위험이나 의무 관련 질문에 답할 수 없습니다.
- Patient ↔ Treatment ↔ Diagnosis: 식별자를 제거하면 모델이 요약해야 할 임상 체인이 사라집니다.
입력은 안전합니다. 출력은 쓸모가 없습니다. 대부분의 팀은 이를 AI를 안전하게 쓰기 위한 비용으로 받아들입니다. 데이터를 가리거나 모델에 쓰거나 둘 중 하나이지 둘 다는 안 된다는 것입니다. Context-preserving data layer는 바로 이 트레이드오프를 없애려고 존재합니다.
Context-preserving data layer가 하는 일
민감한 값을 지우는 대신 전환합니다. 주변의 구조와 관계를 보존해 모델이 실제 데이터처럼 다룰 수 있는 형태를 받게 합니다. 모델은 이 전환된 형태로 작동합니다. 결과가 돌아올 때 레이어는 신뢰 경계 내부에서 원래 값을 재구성합니다. 모델이 실제 데이터를 본 것과 똑같이 출력이 워크플로우로 이어집니다.
모델은 실제 데이터를 보지 않습니다. 더 정확히 말하면, 볼 필요가 없습니다.
이 카테고리를 정의하는 속성이 몇 가지 있습니다.
- 일반적인 PII가 아니라 업무가 정의하는 대상입니다. 모델 경계를 원래 형태로 넘어서는 안 되는 것이 무엇인지는 업무가 결정합니다. 프로젝트 코드, 자산·장비 ID, 계약 조건, 네트워크 식별자, 임상 표현, 소스 코드, 내부 식별자가 그 대상입니다. 일반적인 PII는 그중 일부일 뿐 핵심이 아닙니다.
- 관계는 평탄화되지 않고 보존됩니다. 자산-이름, host-IP-VLAN, 조항-거래상대방, 환자-진단의 연결이 전환 뒤에도 살아남습니다. 모델이 추론하는 대상이 바로 그 연결이기 때문입니다.
- 복원은 신뢰 경계 내부에서 일어납니다. 대체어는 추론이 끝난 뒤 신뢰 경계 안에서 원래 값으로 되돌려지므로 결과를 그대로 업무에 씁니다. 원본 값은 출력을 완성하려고 밖으로 나갈 필요가 없습니다.
기존에 보유한 것과의 차이점
모델 근처에 놓이기 때문에 context-preserving data layer는 실제로는 그렇지 않은 것들과 자주 비교됩니다.
| 무엇을 하나 | 관계·맥락 | Context-preserving과의 차이 | |
|---|---|---|---|
| Masking · DLP | 입력에서 값을 삭제·편집 | 값 주변 관계가 함께 끊김 | 이쪽은 값을 전환해 관계를 살립니다 |
| RAG · Vector DB | 맥락을 모델 안으로 더 가져옴 | 지식을 더함 | 이쪽은 나가는 민감 맥락을 다룹니다 (병행 가능) |
| AI gateway · MCP | 모델 호출을 라우팅·중개 | 트래픽 경로를 다룸 | 이쪽은 경계를 넘는 내용을 전환합니다 |
| Context-preserving data layer | 값을 전환, 신뢰 경계 안에서 복원 | 관계·구조 보존 | — |
엔터프라이즈 스택의 새로운 레이어
AI는 새로운 아키텍처 요구를 만들었습니다. 전통적인 보안 스택이 다루도록 설계된 적 없는 요구입니다. 조직에는 AI가 의존하는 맥락을 지우지 않고도 민감한 데이터를 사용 가능한 상태로 전환하는 레이어가 필요합니다. 그 레이어는 이전 엔터프라이즈 아키텍처에 존재하지 않았습니다. 우리는 이를 context-preserving data layer라고 부릅니다.
모든 플랫폼 전환은 그것을 작동시키는 레이어에 이름을 붙였습니다. Databricks는 레이크하우스, Snowflake는 데이터 클라우드, Palantir는 온톨로지를 명명했습니다. 민감한 데이터에서 엔터프라이즈 AI를 실행하는 전환에도 그 자체의 레이어가 필요합니다. 데이터가 사용 가능한 상태로 전환되면서도 모델을 만나는 바로 그 지점에 놓이는 레이어입니다.
이 레이어는 오래된 가정을 대체합니다. 데이터를 가리거나 모델에 쓰거나 둘 중 하나라는 가정을, 둘 다 하는 레이어로 바꿉니다.