공식 정의.

01 · 카테고리

Knowledge as a Service

훈련된 분산 인력의 유기적 지식을 세 엔드포인트에 배포하는 지속적으로 갱신되는 인텔리전스 레이어로 전환하는 카테고리: 내부 대시보드, 범위 한정 브랜드 파트너 API, AI 에이전트 검색 피드. 입력 단위는 구조화된 AI 주도 인터뷰입니다. 출력 단위는 보고서가 아닌 인프라입니다.

KAAS

Knowledge as a Service의 약어. 「카스」로 발음합니다. SaaS, IaaS, PaaS와 같은 방식으로 나란히 놓입니다. 접미사는 지속적 배포와 API 네이티브 전달을 의미합니다.

리빙 코퍼스

10개 차원에 인덱싱되고, bi-temporal 유효성으로 타임스탬프가 찍히고, 세그먼트 벡터를 통해 범위가 한정된 인력 전반의 강화된 대화 전체 집합. 코퍼스는 매주 갱신되고 교정된 반감기에 따라 차원별로 소멸합니다.

02 · 세 단계

Gather

첫 번째 단계. AI 대화 에이전트가 수집할 가치 있는 지식을 보유한 각 근로자와 15분에서 45분의 구조화된 인터뷰를 진행합니다. 비용: 강화된 대화당 3센트. 출력: 트랜스크립트, 구조화된 필드 세트, 인터뷰당 20~40개의 강화 준비 청크.

Codify

두 번째 단계. 각 대화는 10개의 병렬 구조화 차원으로 분해되고 bi-temporal 유효성 및 세그먼트 범위 지정이 있는 팩트 스토어에 유지됩니다. 출력은 안정적인 스키마를 가진 쿼리 가능한 레이어입니다. 동일한 팩트가 세 가지 소비 모드(대시보드, API, 에이전트 피드)로 반환됩니다.

Monetize

세 번째 단계. 코드화된 레이어는 내부 대시보드, 범위 한정 브랜드 파트너 API, AI 에이전트 검색 피드에 동시 배포됩니다. 가격은 인프라 등급이며, 다운스트림 비율 논리와 기업 하한선이 있습니다.

03 · 인물 및 역할

AI 대화 에이전트

인터뷰를 진행하는 에이전트. 버전 관리된 사양에 정의된 행동 트리, 프로토콜 시행 규칙, 지식 도메인, 에이전트별 가드레일로 구축됩니다. 에이전트는 첫 번째 대화에서도 만 번째 대화에서도 동일한 프로토콜로 모든 인터뷰를 진행합니다.

Intelligence Layer

대시보드, 브랜드 파트너 API, AI 에이전트 피드로 구성된 제품 표면. KAAS 클라이언트가 구매하는 단일 납품물. Intelligence Layer는 거래를 리서치 프로젝트가 아닌 사업 부문으로 만드는 것입니다.

인텔리전스 매트릭스

에이전트, 대시보드, API 소비자를 대신하여 코드화된 코퍼스를 읽는 MCP 도구 및 프롬프트 집합의 내부 명칭. 매트릭스의 모든 작업은 제로 데이터 정책 하에 실행됩니다. 매트릭스는 런타임이고, 코퍼스는 데이터입니다.

04 · 방법론

AI 주도 구조화 인터뷰

버전 관리된 프로토콜에 따라 AI 대화 에이전트와 근로자 사이에 진행되는 15분에서 45분의 대화. 앵커 게이트 탐문, 중립성 시행, 시간 제한 심층 탐구, 구조화된 마무리. 대규모에서 낮은 비용과 프로토콜 충실도를 모두 유지하는 도구이며, 이는 인간 인터뷰어나 설문조사가 할 수 없는 것입니다.

앵커 게이트 탐문

모든 주제의 첫 번째 움직임은 근로자 도메인의 구체적인 최근 사건에 대한 시작 앵커입니다(예: 마지막으로 고객이 재고 없는 제품을 요청했을 때). 에이전트는 앵커가 확정될 때까지 다음 주제로 넘어가지 않습니다. 추상적인 질문은 추상적인 답변을 생성합니다. 앵커는 구체적인 내용을 이끌어냅니다.

중립성 프로토콜

에이전트는 다음 발화를 전달하기 전에 중립성 분류기에 대조하여 검사합니다. 유도적 표현 없음, 가치 부여 없음, 사회적 바람직성 프라이밍 없음, 동의 유도 없음. 프로토콜은 에이전트가 분석이 나중에 할인해야 할 방향으로 응답을 편향시키는 것을 방지합니다.

마무리 프로토콜

대화는 흐지부지가 아닌 구조화된 마무리로 끝납니다. 인터뷰의 마지막 2분은 응답자가 워밍업되고 도구를 신뢰하기 때문에 가장 높은 충실도의 콘텐츠를 생성합니다. 마무리 프로토콜이 그 신호를 수집합니다.

10개 차원

Codify 단계에서 모든 원시 대화가 분해되는 10개의 병렬 구조화 필드: 페인 포인트, 기회 점수, 브랜드 인식 맵, AI 준비도 점수, 유지 동인, 시장 신호, 규제 및 컴플라이언스 위험, 교육 격차, 고객 세그먼트 행동, 경쟁사 언급 맵. 스키마는 표면 형태에서 수직 시장 특정적이며 형태에서 안정적입니다.

사전 강화 게이트

강화된 레코드가 유지되기 전에 실행되는 검증 단계. 결정론적 필터가 시스템을 떠나는 모든 인용이 실제 인터뷰의 실제 USER 턴의 리터럴 하위 문자열임을 확인합니다. 필터가 날조된 인용을 감지하면 인용은 재작성되지 않고 삭제됩니다.

원문 출처

모든 보고서의 모든 주장이 transcript_id / turn_id / sentence_id 형식의 청크 식별자를 통해 그것을 생성한 트랜스크립트로 연결되는 계약. 링크는 모든 대화에 샘플링 없이 항상 존재합니다. 정리, 단축, 번역된 표시 레이어는 모두 원문 원본에서 파생되며, 원문은 번역되지 않고 출처 기록으로 원래 언어로 유지됩니다.

05 · 기술적 원시 요소

Bi-temporal 모델

모든 팩트가 세 개의 독립적인 타임스탬프를 가지는 데이터 모델: learned_at, valid_at, invalid_at. 이 모델은 브랜드 파트너가 지난 5월의 코퍼스 상태를 오늘과 비교하여 재생하고 각각에 대해 올바른 답을 얻을 수 있게 합니다. 이 속성이 레이어를 계약에서 인수 보증 가능하게 만드는 것입니다.

learned_at

시스템이 주어진 팩트를 관찰한 타임스탬프(인터뷰 날짜 또는 강화 날짜). 팩트가 세상에서 사실이 된 시점과는 구별됩니다.

valid_at

팩트가 세상에서 사실이 된 타임스탬프. 종종 대화 자체에서 추론됩니다(근로자가 「지난 가을부터 이것을 알아챘다」고 말하므로 valid_at는 그해 약 10월입니다). 시스템이 이를 학습한 시점과는 구별됩니다.

invalid_at

팩트가 사실이기를 멈추는 타임스탬프. 모순되는 대화가 도착할 때 명시적으로 설정되거나, 교정된 창 내에서 갱신이 팩트를 확인하지 않을 때 반감기 소멸에 의해 설정됩니다.

세그먼트 벡터

수직 시장에서 중요한 세분화 축(계층, 지역, 매장 형태, 고객 세그먼트, 브랜드 파트너, 인구 통계)에 대한 희소 투영. 모든 팩트가 이를 가집니다. 쿼리 언어는 WHERE valid_at ⊃ today AND segment_vector ⊃ {region, format, partner}가 됩니다. 세그먼트별 유효성이 하나의 코퍼스가 누출 없이 진열대의 모든 브랜드 파트너를 지원할 수 있게 합니다.

세그먼트별 유효성

동일한 표면 주장이 오늘 하나의 세그먼트 슬라이스에 대해 성립하고 다른 슬라이스에는 성립하지 않을 수 있는 속성. 「쉐이드 X가 가장 많이 거부된다」는 라틴 아메리카 대중 시장 매장에서는 사실이고 EMEA 부티크에서는 거짓일 수 있습니다. 세그먼트별 유효성은 사용자별 에이전트 메모리와 구조적으로 다른 형태의 기관 기억입니다.

반감기

각 수직 시장에 대해 교정된 차원별 소멸률. 브랜드 인식 팩트는 몇 주 만에 소멸합니다. 교육 격차 팩트는 교육 카탈로그가 변경될 때만 소멸합니다. 차원별 및 수직별로 반감기를 조정하는 것이 방법론이며, 이는 신뢰할 수 있는 갱신 주기를 설문조사 재실행과 구별합니다.

갱신 주기

팩트를 확인하거나 무효화하기 위해 코퍼스의 일부를 재인터뷰하는 일정. 주기는 팩트 생명 주기에 내재되어 있습니다. 의미 있는 비율의 팩트가 유효성을 벗어났을 때 대시보드가 갱신 트리거를 표시합니다. Refresh 티어는 그 트리거에 대해 판매됩니다.

MCP 서버

에이전트 대면 계약 표면. MCP 호환 서버(Claude, Copilot 및 기타 MCP 호환 클라이언트가 소비)로 소규모 도구 표면을 노출합니다: query_facts, traverse_relations, pivot_dimension, replay_as_of, cite. 세션 티켓이 보안 범위를 담습니다. 범위는 LLM이 볼 수 있는 도구, 탐색할 수 있는 그래프 노드, 읽을 수 있는 팩트 행, 인용할 때 해결되는 원문 청크로 계단식으로 내려갑니다.

브랜드 파트너 API

두 번째 수익화 엔드포인트. 다운스트림 제3자(예: 리테일러에게 진열 공간 비용을 지불하는 브랜드 파트너)가 코퍼스에 대한 범위 한정 접근을 위해 클라이언트에게 비용을 지불합니다. 각 파트너의 키는 특정 brand_partner 값에 투영되고 세그먼트 벡터가 해당 투영과 교차하는 팩트만 표시합니다. 데이터 경로가 접근 제어입니다.

AI 에이전트 피드

세 번째 수익화 엔드포인트. LLM 클라이언트가 소비하는 검색 표면. RAG 준비, 안정적인 스키마와 출처 인용 포함. 클라이언트 자체 AI 어시스턴트(어드바이저 코파일럿, 구매자의 계획 에이전트)와 API를 통해 쿼리하는 브랜드 파트너 에이전트가 사용합니다. 에이전트가 레이어를 소비하도록 연결되면, 새로운 에이전트 작업마다 전환 비용이 증가합니다.

내부 대시보드

첫 번째 수익화 엔드포인트. 클라이언트의 전략, 머천다이징, 또는 운영 팀이 의사 결정을 위해 레이어를 소비합니다. 가장 논란이 적은 엔드포인트이자 모든 거래의 진입 웨지입니다.

Cloud Harness

클라이언트 자체 기반(Cloudflare 계정, AWS, Azure, 또는 온프레미스) 내에서 전체 KAAS 스택을 실행하는 배포 구성. 수집 파이프라인, 정제된 트랜스크립트, bi-temporal 레이어, 팩트 스토어, 대시보드, AI 에이전트 모두 클라이언트가 제어하는 인프라에 위치합니다.