AI-Ready Data × Knowledge Graph × LLM Multi-Agent — 2025

정의 — 세 개의 축을 다시 그린다

낡은 정의로는 새로운 현상을 설명하지 못한다. AI-ready data, Knowledge Graph, LLM 멀티에이전트 시스템의 정의는 2025년과 2026년 사이에 실제로 달라졌다. 무엇이 어떻게 달라졌는지부터 확인한다.

1.1AI-Ready Data의 정의

2025년 ACM의 Data Readiness for AI: A 360-Degree Survey는 140편 이상의 연구를 검토한 끝에, AI data readiness를 데이터가 AI에 투입되기 전에 quality, accessibility, suitability를 확보하고 수집·정제·조직화·검증하는 과정으로 정리했다.[1] 같은 해 SciHorizon은 이 개념을 Quality, FAIRness, Explainability, Compliance의 네 차원과 15개 하위 요소로 넓혀 측정 가능한 형태로 만들었다.[2]

2026년 Majithia 등의 An Actionable Framework for AI-ready Data는 한 걸음 더 나아간다. AI-ready는 이상적 원칙의 나열이 아니라 데이터 제공자가 실제로 실행할 수 있는 요구조건이어야 한다는 것이다. 포맷과 구조의 기술적 적합성만으로는 부족하다. metadata, programmatic access, 품질, 법적 이용가능성, privacy와 consent, representativeness, transparency까지 포함해야 한다.[10]

2026년 연구에서 특히 두드러지는 관점이 하나 있다. AI-ready는 일회성 상태가 아니라 시간에 따라 유지해야 하는 상태라는 것이다. 데이터가 갱신되면 모델과 데이터의 정렬도 다시 확인해야 한다. Nature Machine Intelligence의 2026년 7월 논의가 바로 이 지점을 짚는다.[12]

이 흐름을 종합하면 연구적으로 다음 정의가 유용하다.

RESEARCH DEFINITION — AI-READINESS

R(D, W, t) = f(Q, M, S, P, V, A, G, T)

특정 논문의 공식 정의가 아니라 2025–2026 문헌을 종합해 도출한 연구적 정의다.

dataset / data ecosystem

AI workload 또는 agent task

시간

Quality — 데이터 품질

Metadata

Semantics / schema / ontology

Provenance — 출처와 계보

Validation 및 uncertainty

Agent / programmatic accessibility

Governance · privacy · licensing · policy

Temporal / version consistency

여기서 핵심은 두 가지다. 첫째, AI-ready는 이진값(binary)이 아니다. 둘째, AI-readiness는 task-dependent하고 time-dependent하며 agent-dependent하다. 대규모 과학 데이터 연구도 raw → cleaned → labeled → feature-engineered → AI-ready로 이어지는 readiness maturity 단계를 제시하고 있다.[3]

Raw→ Cleaned→ Labeled→ Feature-engineered→ AI-Ready

1.2Knowledge Graph의 새로운 정의

전통적으로 KG는 G = (V, E, 𝒯, ℛ), 즉 entity(V), relation(E), entity type(𝒯), relation type/schema(ℛ)를 표현하는 구조적 지식 표현체였다. 이 정의는 틀리지 않았다. 다만 이제 좁다.

2025–2026년의 LLM·Agent 연구에서 KG의 역할은 훨씬 넓어졌다. 다음 등식이 현재의 실상에 가깝다.

KG — EXPANDED ROLE (2025–2026)

KG = Semantic Data Layer + Retrieval Index + Reasoning Space + Agent Memory + Provenance/Evidence Store + Tool/Agent Routing Graph

최근 survey들이 주목하는 것은 양방향 관계다. LLM은 KG의 ontology engineering, extraction, fusion을 돕는다. 동시에 KG는 LLM의 retrieval, reasoning, consistency constraint, agent planning을 지원한다. 어느 한쪽이 다른 쪽의 부속물이 아니다.[9]

1.3LLM 기반 멀티에이전트 시스템

LLM-MAS는 LLM을 여러 개 호출하는 것이 아니다. 에이전트 집합 𝒜 = {A₁, A₂, …, Aₙ}의 각 구성원이 다음의 내부 구조를 갖고, 공동 목표를 위해 역할 분담–정보 교환–계획–검증–합의 또는 경쟁을 수행하는 시스템으로 보는 것이 정확하다.

AGENT — INTERNAL STRUCTURE

Aᵢ = (Role, Model, Memory, Tools, Policy, Communication)

2025년 연구들은 agent type뿐 아니라 cooperation/competition 구조, centralized/distributed 구조, role assignment, communication protocol이 성능을 결정한다고 본다. MultiAgentBench는 star, chain, tree, graph 구조까지 비교했다. 특정 연구 시나리오에서는 graph coordination이 가장 좋은 결과를 냈다. 그러나 이것을 모든 문제의 보편적 결론으로 읽으면 안 된다. 벤치마크는 벤치마크일 뿐이다.[5]

문제 정의 — 무엇을 풀어야 하는가

세 분야를 통합하면 연구문제는 하나로 수렴한다. 질문을 정확하게 세우는 것이 절반이다.

CORE RESEARCH PROBLEM

이질적이고 불완전하며 변화하는 원시 데이터를 어떻게 AI-ready한 semantic knowledge substrate로 변환하고, 여러 LLM 에이전트가 그 위에서 신뢰할 수 있게 검색·추론·협업·행동하며, 그 행동으로 얻어진 새로운 지식을 다시 검증된 데이터로 환류시킬 것인가?

이것을 하나의 동적 시스템으로 표현하면 다음과 같다.

DYNAMIC SYSTEM VIEW

D_t —Readiness→ K_t —Retrieve/Reason→ 𝒜_t —Plan/Act→ E_t+1 —Validate/Govern→ K_t+1, D_t+1

Dₜ

raw / operational / scientific data

Kₜ

AI-ready KG / semantic memory

𝒜ₜ

multi-agent system

Eₜ₊₁

새 observation · evidence · result

Kₜ₊₁

검증된 새로운 지식 상태

따라서 최적화 대상은 단순한 QA accuracy가 아니다. 다음 목적함수에 가깝다.

OBJECTIVE — WHAT TO MAXIMIZE

max_π 𝔼[ U_task + λ₁·Faithfulness + λ₂·Coverage + λ₃·Provenance + λ₄·Freshness − λ₅·Cost − λ₆·Risk ]

정답성뿐 아니라 출처 추적성, 최신성, 비용, 보안, 정책 준수까지 동시에 최적화해야 한다는 뜻이다.

Agentic RAG 연구의 이행 방향도 같은 곳을 가리킨다. traditional RAG의 정적이고 선형적인 retrieval을 넘어 planning, reflection, tool use, multi-agent collaboration을 포함하는 방향이다.[4]

핵심 개념 — 일곱 개의 연속선

이 분야를 이해하려면 다음 일곱 개념을 별개의 유행어가 아니라 하나의 연속선으로 보아야 한다.

3.1Task-conditional Data Readiness

"이 데이터는 AI-ready인가?"라는 질문은 부정확하다. 정확한 질문은 이것이다. "어떤 AI 혹은 에이전트가, 어떤 일을 수행하기에, 어느 정도 ready한가?" Foundation-model 학습용 데이터, RAG용 데이터, KG reasoning용 데이터, 자율 과학 에이전트가 실험에 쓸 데이터는 각각 요구하는 품질조건이 다르다. 2025년 scientific AI readiness 연구가 readiness level과 processing stage를 분리해서 다루는 이유가 여기에 있다.[3]

3.2Machine-actionability에서 Agent-accessibility로

FAIR의 Findable/Accessible/Interoperable/Reusable에서 한 단계 더 나아가는 진화가 진행 중이다.

FAIR→ Machine-readable→ Machine-actionable→ Agent-accessible

2026년 space-life-science AI-ready 연구는 데이터베이스를 공개하는 데서 멈추지 않는다. 에이전트가 API·tool·skill 형태로 발견하고 호출할 수 있는 machine-readable registry를 제안한다.[25]

3.3Semantic Interoperability

JSON이나 CSV의 포맷이 같다고 의미가 같은 것이 아니다. KG와 ontology가 중요한 이유는 syntax interoperability를 semantic interoperability로 끌어올리기 때문이다. Entity identity, unit, relation semantics, hierarchy, constraint를 명시적으로 표현해야 서로 다른 에이전트와 데이터셋 사이에서 일관된 추론이 가능하다. LLM 기반 KG construction 연구의 핵심 축도 ontology engineering–knowledge extraction–knowledge fusion이라는 고전적 파이프라인을 LLM이 어떻게 바꾸는가에 있다.[9]

3.4Provenance / Evidence Graph

미래 KG의 edge는 단순한 (A, relatedTo, B)가 아니다. 다음의 형태가 되어야 한다.

EDGE — FROM TRIPLE TO EVIDENCE

(A, relatedTo, B) → (A, R, B, source, time, confidence, method, agent, version)

"무엇이 사실인가"만으로는 부족하다. "누가, 언제, 어떤 자료에서, 어떤 방법으로 그것을 주장했는가"가 그래프의 일부가 되어야 한다. DeepEvidence 같은 2026년 biomedical agent 연구가 검색 과정에서 evidence graph를 점진적으로 구축해 source attribution과 validation을 지원하는 이유가 바로 이것이다.

3.5GraphRAG에서 Agentic GraphRAG로

Vector RAG→ Hybrid RAG→ GraphRAG→ Agentic GraphRAG

에이전트는 "top-k 문서를 받아 답하는 존재"를 넘어선다. 쿼리를 분석하고, 필요한 entity를 찾고, graph path를 선택하고, 부족한 evidence를 발견하고, 다른 retrieval source로 이동하고, 결과를 검증한 뒤, 필요하면 다시 탐색한다. Agentic RAG survey와 최근의 Graph–LLM–Agent survey들이 adaptive retrieval과 multi-step graph reasoning을 주요 발전 방향으로 지목한다.[4]

3.6Graph as Memory

2026년에 두드러지는 흐름 하나가 KG를 external knowledge가 아니라 agent memory 그 자체로 쓰는 연구다. GAM은 대화를 event progression graph와 topic associative network로 나누어, 새로운 상황을 빠르게 기록하면서도 장기 knowledge consistency를 보존한다.[15] EvoMemKG는 multi-hop KG reasoning에서 memory 자체가 지속적으로 진화하는 구조를 제시한다.[16]

3.7Agent Graph / Tool Graph

흥미로운 변화는 "데이터만 graph"가 아니라는 점이다. 에이전트 자체와 tool 생태계도 graph가 된다. 2026 ACL의 AgentRouter는 query, context entity, agent를 heterogeneous graph로 엮어 어느 에이전트에게 문제를 넘길지 학습한다. KG를 "지식 저장소"에서 coordination substrate로 확장한 사례다.[14]

2025 → 2026 — 연구 흐름의 이동

2025년을 AI-readiness의 formalization과 agentic transition의 해로, 2026년을 agent-native knowledge infrastructure의 등장의 해로 요약할 수 있다.

연구축	2025	2026 현재
AI-ready Data	품질·FAIR·readiness 평가	actionable · dynamic · agent-accessible
KG	LLM을 이용한 construction / enrichment	graph-native reasoning · memory · evidence
RAG	GraphRAG / Agentic RAG	adaptive graph traversal · RL
Multi-Agent	role / communication / topology	learned routing · dynamic topology · shared memory
Scientific AI	tool integration	hypothesis–experiment–analysis closed loop
Governance	dataset-level compliance	runtime agent authorization / provenance
Evaluation	answer accuracy	utility + cost + traceability + freshness + safety

2025년 KARMA는 9개의 특화 LLM 에이전트로 entity discovery, relation extraction, schema alignment, conflict resolution을 분업시켜 KG를 확장했다. "LLM이 KG를 사용한다"에서 "에이전트들이 KG 자체를 구축하고 관리한다"로의 전환을 이보다 잘 보여주는 사례는 드물다.[7]

2026 ACL의 AgentRouter, GAM, EvoMemKG, 그리고 dynamic topology 연구에서는 graph가 retrieval의 대상에 머물지 않는다. agent selection, communication topology, memory, reasoning policy 자체를 표현하는 구조로 확장된다.[14]

중심 질문의 이동

"LLM에 어떤 문서를 넣을 것인가?" → "AI가 사용할 수 있는 지식세계(knowledge environment)를 어떻게 설계할 것인가?"

동기와 배경 — 왜 이 문제인가

두 가지 반문에 답할 수 있어야 이 연구 패러다임이 성립한다. vector database로는 왜 안 되는가. 그리고 왜 모델이 아니라 데이터 모델이 병목인가.

5.1왜 vector database만으로 충분하지 않은가

Embedding retrieval은 semantic similarity에 강하다. 그러나 다음 질문 앞에서는 구조적 한계를 드러낸다.

A와 B 사이의 causal/organizational path는 무엇인가?
어떤 문서가 현재 버전을 supersede했는가?
부품 A의 failure는 어떤 downstream component에 영향을 주는가?
논문 X의 결과를 인용한 실험 가운데 조건 Y를 만족하는 것은 무엇인가?
어떤 assertion이 어떤 source에서 유래했는가?

이 질문들의 공통점은 similarity가 아니라 relationship과 path가 핵심이라는 것이다. 2026년 enterprise document GraphRAG 연구는 규정의 cross-reference와 supersession 관계를 graph로 추적하는 구조를 제안했고, 소규모 20문항 실험에서 KG 기반 방식이 vector RAG보다 크게 높은 성능을 보였다.

해석 주의다만 표본이 20문항으로 작다. 이 결과를 일반적인 성능 차이로 확대해석해서는 안 된다. 방향을 시사하는 증거이지 결론이 아니다.

5.2왜 데이터 모델이 중요한가

LLM의 reasoning 능력만 키우면 해결될 것처럼 보인다. 그렇지 않다. 2026년 산업 asset 연구의 한 프리프린트는 동일 계열 LLM이라도 flat data 위에서 직접 추론시키는 것보다, typed graph schema로 structured query를 생성하고 deterministic graph engine이 실행하게 하는 방식이 훨씬 안정적일 수 있음을 보고한다. 특정 벤치마크의 결과이므로 보편적 정리는 아니다. 그러나 "모델보다 data layer가 병목일 수 있다"는 연구가설의 무게는 가볍지 않다.[24]

따라서 미래 시스템의 설계는 "LLM이 모든 것을 추론한다"가 아니라 다음과 같은 neuro-symbolic 분업으로 갈 가능성이 크다.

NEURO-SYMBOLIC DIVISION OF LABOR

LLM interprets/plans + KG structures + DB/Graph engine executes + Verifier checks

도전 과제 — 여섯 개의 장벽

패러다임이 매력적이라고 문제가 쉬워지는 것은 아니다. 넘어야 할 장벽을 여섯 개로 정리한다.

6.1Data Heterogeneity

텍스트, 표, 이미지, simulation result, scientific measurement, time-series, code가 서로 다른 schema와 unit으로 존재한다. 단순한 format conversion은 해결책이 아니다. heterogeneity → normalization → semantic harmonization의 경로가 필요하다. Scientific AI readiness 연구들이 climate, fusion, biology, materials별로 공통 전처리와 domain-specific 처리를 동시에 다루는 이유다.[3]

6.2Readiness는 누가 결정하는가

AI-ready에는 단일 임계값이 없다. 같은 데이터라도 R(D, W₁) ≠ R(D, W₂)일 수 있다. LLM pretraining에 충분한 데이터가 causal scientific reasoning에는 부족할 수 있고, 사람이 읽기 좋은 metadata가 agent execution에는 부족할 수 있다. 2026년의 actionable AI-ready 연구와 Nature 논의가 AI-readiness의 맥락성과 지속적 재평가를 강조하는 배경이 이것이다.[10]

6.3LLM이 만든 KG의 Hallucination

LLM을 extraction에 쓰면 자동화 속도는 올라간다. 대가도 있다.

hallucination→ wrong triple→ KG contamination→ future retrieval→ amplified error

그래서 multi-agent KG construction에서는 extraction뿐 아니라 verification, schema alignment, conflict resolution이 독립된 역할로 등장한다. KARMA가 이 분업 방식의 대표 사례다.[7]

6.4Dynamic KG와 Freshness

새 논문, 새 entity, 바뀐 regulation, 삭제된 record가 계속 발생한다. KG는 KG_t+1 = Update(KG_t, E_t+1)가 되어야 하며, immutable knowledge base가 아니라 versioned temporal knowledge system으로 보아야 한다. 2026년 Nature의 AI-readiness 논의도 데이터셋 자체가 진화하므로 모델–데이터 alignment를 지속적으로 유지해야 한다고 지적한다.[12]

6.5Multi-Agent Coordination

에이전트 수를 늘린다고 reasoning이 저절로 좋아지지 않는다. 실제로 발생하는 문제는 이렇다.

duplicated reasoning — 같은 추론의 중복
cyclic dialogue — 맴도는 대화
weak agent contamination — 약한 에이전트의 오염 효과
excessive tokens — 과도한 토큰 비용
conflicting conclusions — 상충하는 결론
authority ambiguity — 권위의 모호함
shared-memory inconsistency — 공유 메모리 불일치

MultiAgentBench와 2026년 dynamic topology 연구는 topology와 planning이 성능과 비용을 좌우하며, 고정된 agent graph 대신 task-adaptive coordination이 중요한 연구방향임을 보여준다.[5]

6.6Privacy, License, Governance

AI-ready는 "읽을 수 있다"와 "사용해도 된다"를 구별해야 한다. Accessible ⇏ Authorized. 접근 가능하다는 사실이 사용 권한을 함의하지 않는다. 2026년 SetGo는 metadata readiness를 FAIR, licensing, provenance, governance, reproducibility, catalog readiness까지 확장하면서 agent-based consumption을 직접 고려한다.[13]

연구 질문 — 열두 개의 RQ

현재 문헌에서 파생할 수 있는 핵심 연구질문을 열두 개로 정리한다. 좋은 논문은 이 가운데 하나를 정확하게 겨냥하는 데서 시작한다.

RQ 01

AI-readiness 자체의 측정

R(D,W,t)를 어떻게 측정해야 하는가? 특정 agent workload에 필요한 minimum viable AI-readiness는 무엇인가?

RQ 02

Data vs Model

모델을 키우는 것과 데이터의 semantic structure를 개선하는 것 중 어느 쪽의 marginal utility가 큰가? ΔU/ΔDataQuality 대 ΔU/ΔModelScale. 산업 KG 연구가 이 질문을 직접 제기한다.

RQ 03

Schema-first vs Schema-free

엄격한 ontology가 필요한가, 아니면 LLM이 필요에 따라 relation/schema를 발견하게 할 것인가? schema-based의 consistency와 schema-free의 adaptability 사이의 절충이 핵심이다.

RQ 04

Trustworthy KG Construction

LLM이 자동 생성한 triple에 confidence · evidence · provenance · verifier를 어떻게 결합할 것인가?

RQ 05

Retrieval Routing

질문 q에 대해 π(q) ∈ {Vector, KG, SQL, API, Web, Tool} 중 무엇을 선택할 것인가? retrieval 자체를 learned policy로 볼 수 있는가?

RQ 06

Optimal Agent Topology

G*(q) = argmax [Accuracy − λ·Cost − μ·Latency]. 질문마다 최적의 agent communication topology를 동적으로 만들 수 있는가? Guided Topology Diffusion이 이 방향이다.

RQ 07

Shared Memory

여러 에이전트가 동일 KG memory를 동시에 읽고 쓸 때 contradiction, duplicate, temporal ordering, access control, forgetting을 어떻게 해결할 것인가? GAM과 EvoMemKG가 일부를 다룬다.

RQ 08

Learned Graph Reasoning

graph traversal rule을 사람이 설계하지 않고 에이전트가 학습할 수 있는가? RL로 structured knowledge source를 multi-turn 탐색하는 KARL이 등장했다.

RQ 09

Security & Agent Governance

악성 에이전트나 잘못된 tool invocation이 graph/memory를 오염시키는 것을 어떻게 탐지하는가? 2026 ACL에서 malicious agent detection이 독립 연구문제로 등장했다.

RQ 10

Continual AI-readiness

dataset, KG, model, prompt, ontology, tool version이 모두 변할 때 (Dₜ, Kₜ, Mₜ, Aₜ)의 compatibility를 어떻게 지속 보장할 것인가?

RQ 11

End-to-end Evaluation

오답이 발생했을 때 Error = E_D + E_R + E_G + E_L + E_A. data, retrieval, graph, LLM, orchestration 중 무엇이 원인인지 attribution할 수 있는가?

RQ 12

Scientific Knowledge의 수준

KG가 SPO triple을 넘어 claim + condition + evidence + uncertainty + procedure + executable code를 표현할 수 있는가? AI4Science와 autonomous discovery의 관건이다.

접근 방법 — A부터 H까지

문헌에서 확인되는 방법론을 여덟 갈래로 나눈다. 각각은 배타적이지 않다. 실제 시스템은 이들의 조합이다.

AI-Ready Data Engineering

Raw→Profile→Clean→Normalize→Label→Annotate→Validate→Publish→Monitor

이것이 대표 파이프라인이다. 2026년의 방향은 여기에 metadata validation, licensing, provenance, governance, reproducibility, agent-facing API/catalog를 더하는 것이다. SetGo는 여섯 개의 metadata readiness 차원을 검사하고, LLM coding-agent와 연계해 assess–enrich–publish 루프까지 자동화하려 한다.[13]

Multi-Agent KG Construction

Documents→EntityAgent→RelationAgent→SchemaAgent→VerifierAgent→ConflictAgent→KG

KARMA가 대표적이다. entity discovery, relation extraction, schema alignment, conflict resolution을 포함하는 9-agent 구조를 쓴다. 장점은 기능적 specialization이고, 위험은 에이전트 간 오류 전파와 비용이다.[7]

Hybrid Vector + Graph Retrieval

실무에서는 KG와 vector DB가 경쟁하지 않는다. 결합이 자연스럽다. Candidates = R_v(q) ∪ R_g(q) ∪ R_s(q) — embedding retrieval, graph traversal, structured SQL/API retrieval의 합집합을 만든 뒤 Rank(Candidates | q, context)로 재정렬한다. fuzzy semantic recall에는 vector가, precise relational constraint에는 graph가 강하다는 점을 이용하는 구조다. 최근 GraphRAG survey와 Graph–LLM 연구가 이 결합을 체계화하고 있다.

Schema-conditioned Neuro-symbolic Reasoning

매우 중요한 접근이다. 역할을 셋으로 분리한다. LLM은 사용자의 의도를 해석하고 query/plan을 생성한다. KG/DB Engine은 constraint와 graph structure에 따라 deterministic하게 실행한다. Verifier는 결과와 provenance를 검증한다. LLM에게 사실관계와 복잡한 graph 연산을 모두 맡기는 방식보다 auditability가 높을 가능성이 있다. 최근 enterprise-KG와 graph-native 연구들이 이 설계를 강조한다.[24]

Reinforcement Learning for Graph Agents

더 적극적인 방법은 state = KG context, action = retrieve/traverse/query/stop 형태로 graph 탐색을 policy learning 문제로 푸는 것이다. KARL은 LLM 에이전트가 multi-turn interaction을 통해 "언제, 무엇을" structured knowledge source에서 가져올지 학습하는 방향을 제시한다.[17] 이것은 RAG를 Retrieval Function이 아니라 Sequential Decision Process로 재해석하는 변화다.

Graph-based Long-term Memory

Write→Consolidate→Retrieve→Forget / Update

Memory를 위의 lifecycle로 다룬다. 2025년 Mem0는 scalable long-term memory와 graph 기반 relational memory를 제안했고, 2026 GAM은 short-term event progression graph와 long-term associative graph를 분리했다.[15]

KG-guided Agent Routing

2026 ACL의 AgentRouter는 아주 흥미로운 역전이다. 기존이 Agent → KG였다면 새 구조는 KG → Which Agent?다. graph가 답을 제공하는 데 그치지 않고 어떤 에이전트에게 질문을 줄지 결정하는 routing controller가 된다.[14]

KG-driven Tool Orchestration

SciToolAgent는 scientific tool KG로 biology, chemistry, materials science의 수백 개 도구를 선택하고 실행하는 에이전트를 제시했다.[8] graph node는 이제 "concept"에 머물지 않는다. Node = {Entity, Dataset, Tool, Agent, Workflow}까지 확장된다. 향후 Executable Knowledge Graph의 중요한 전조다.

핵심 응용 — 여섯 개의 전장

이론이 아니라 이미 벌어지고 있는 일이다. 여섯 개 분야에서 이 패러다임이 실전 배치되고 있다.

9.1 · SCIENTIFIC DISCOVERY

과학적 발견

가장 빠르게 발전하는 응용분야다. SciToolAgent는 KG 기반 scientific tool orchestration을, Robin은 literature-search와 data-analysis 에이전트를 결합해 생물학 가설 생성과 데이터 분석의 반복 루프를 자동화한다. AgenticSciML은 10개가 넘는 특화 에이전트가 scientific ML 방법을 제안·비판·개선하게 만든다. 시스템은 Literature → Hypothesis → Experiment → Data → Analysis → New hypothesis의 closed-loop science로 진화한다.

9.2 · BIOMEDICAL / CLINICAL

바이오·임상 AI

2026년 Nature 계열 연구에서는 기존 medical KG와 dynamic clinical data를 결합한 대규모 hybrid graph 기반 자율 에이전트까지 등장했다. 의료에서는 Answer보다 Answer + Evidence + Source + TemporalValidity가 중요하다. KG와 evidence graph가 이 분야와 잘 맞는 이유다.

9.3 · ENTERPRISE

기업 지식 관리

기업 데이터는 PDF, Wiki, SQL, logs, CMDB, API, spreadsheet, ticket, ontology로 흩어져 있다. 이 환경에서 KG는 enterprise semantic integration layer가 될 수 있다. AGENTiGraph는 자연어로 domain-specific KG를 구축·수정·질의하는 multi-agent 아키텍처를 제시한다.

9.4 · LEGAL / REGULATORY

법률·규제 인텔리전스

2026 ACL의 LegalGraphRAG은 법률 reasoning에 multi-agent GraphRAG를 적용한다. 규제 영역에서는 amends, supersedes, refersTo, exceptionTo 같은 relation이 keyword similarity보다 중요하다. 관계가 곧 법이다.

9.5 · RECOMMENDATION

화학·소재

ChemGraph와 GENIUS 같은 연구는 LLM 에이전트가 computational chemistry와 material simulation workflow를 구성하고 실행하게 한다. GENIUS는 domain knowledge graph, tiered LLM hierarchy, execution-error recovery를 결합한다.

미해결 문제 — 논문이 될 열 개의 공백

여기부터가 향후 연구논문으로 특히 가치 있는 부분이다. 아직 아무도 만족스럽게 답하지 못한 열 개의 문제를 정리한다.

10.1

"AI-ready for whom?" — 누구를 위한 ready인가

가장 근본적인 미해결 문제다. AIReady(D)라는 절대값은 성립하지 않을 가능성이 높다. 필요한 것은 AIReady(D, Agent, Task, Time, Policy)다. readiness는 관계 속에서만 정의된다.

10.2

Semantic Correctness

LLM이 만든 KG가 schema-valid하다고 사실적으로 옳은 것은 아니다. SyntacticValidity ≠ SemanticValidity ≠ FactualTruth. 이 세 층위를 분리해서 평가해야 한다.

10.3

Uncertainty as First-class Knowledge

현재 KG는 대체로 triple을 확정적으로 저장한다. 실제 과학지식은 P(triple | evidence)다. 앞으로는 confidence, conflicting evidence, uncertainty, reproducibility를 graph object로 표현해야 한다.

10.4

Causality

KG의 edge A → B가 correlation인지, citation인지, causal relation인지, temporal precedence인지 구분되어야 한다. Associative KG → Causal/Mechanistic KG가 중요한 다음 단계다.

10.5

Ontology Evolution

새 개념이 나타났을 때 고정 ontology를 어떻게 바꿀 것인가. Oₜ → Oₜ₊₁의 변경이 기존 triple, agent, embedding, query를 깨뜨리지 않아야 한다.

10.6

Multi-Agent Epistemic Governance

여러 에이전트가 서로 다른 결론을 낼 때 다수결인가, 전문가 우선인가, evidence가 많은 에이전트인가, uncertainty가 낮은 에이전트인가. 이 knowledge authority 문제는 단순 orchestration을 넘어 "기계적 지식 공동체의 epistemology"라는 새로운 연구분야로 볼 수 있다.

10.7

Provenance of Derived Knowledge

Source → LLM → Agent₁ → Agent₂ → KG → Final answer처럼 여러 단계를 거치면 원래 source와 최종 assertion 사이의 lineage가 사라질 수 있다. agent-to-agent provenance가 필요하다.

10.8

Data / KG / Model Version Alignment

미래 시스템에서는 (D_vi, KG_vj, LLM_vk, Agent_vl)의 조합 자체가 reproducibility 정보다. "지난달에는 맞았는데 왜 오늘은 틀리는가"를 설명하려면 이 version graph가 필수다. Nature의 최신 AI-readiness 논의가 데이터 변화에 따른 모델 재정렬 문제를 직접 강조한다.[12]

10.9

Autonomous Write Access

에이전트가 KG를 읽는 것보다 훨씬 어려운 것이 쓰는 것이다. 잘못된 update가 다시 retrieval되면 Error_t → KG_t+1 → Error_t+2 → …의 self-reinforcing loop가 생긴다. write authorization, versioning, quarantine, rollback, human approval이 핵심 연구문제가 된다.

10.10

Evaluation

최종 accuracy만으로는 부족하다. 미래 benchmark는 최소한 Accuracy, Faithfulness, Evidence Coverage, Provenance Completeness, Freshness, Reasoning Path Validity, Agent Coordination Efficiency, Latency, Token/Compute Cost, Policy Compliance를 함께 평가해야 한다. MultiAgentBench가 task completion 외에 collaboration/competition의 milestone KPI를 평가하는 것은 이 방향으로의 초기 움직임이다.[5]

미래 방향 — 일곱 개의 경로

문헌을 종합했을 때 앞으로 가장 유망한 방향은 다음 일곱 가지다.

11.1AI-Ready Data에서 Agent-Native Data로

가장 큰 변화라고 판단한다.

FAIR→ AI-Ready→ Agent-Ready→ Agent-Native

Agent-native data는 애초부터 에이전트가 discover, query, verify, combine, reason, act, update하기 좋게 설계된 데이터다. 2026년 space-science AI-ready 연구와 SetGo가 agent-based consumption과 machine-readable registry/agent interface를 직접 고려하는 것이 이 변화의 초기 형태다.[25]

11.2Living Knowledge Graph

정적 KG가 아니라 KG_t + Event_t+1 → Validation → KG_t+1의 Living KG가 필요하다. 각 relation이 valid-from, valid-to, source, evidence, confidence, version을 갖는 temporal/provenance graph가 중심이 될 것이다.

11.3Hybrid Knowledge Fabric

"vector DB냐 KG냐"라는 질문은 사라질 가능성이 높다. Vector + KG + SQL + ObjectStore + Web + API + Tool을 하나의 agent orchestration layer가 사용하는 hybrid knowledge fabric이 더 자연스러운 구조다.

11.4Retrieval Policy Learning

현재의 "retrieve top-k → prompt → answer"는 다음으로 이동한다.

understand→decide source→retrieve→inspect evidence→traverse graph→call tool→verify→retrieve again→answer

2026 ACL의 KARL은 knowledge acquisition 자체를 multi-turn agent policy의 일부로 학습하는 방향을 제시한다.[17]

11.5Dynamic Multi-Agent Organizations

고정된 Researcher–Critic–Writer 방식보다 Task → GraphDesigner → G(Task), 즉 문제마다 필요한 에이전트와 communication edge를 생성하는 방향이다. Guided Topology Diffusion은 accuracy, utility, cost를 고려해 task-adaptive topology를 구성하는 길을 탐색한다.[18]

11.6Executable Knowledge Graph

가장 창의적이고 중요한 방향 중 하나다. 기존 KG가 Entity ↔ Entity였다면 미래 KG는 다음이다.

FUTURE KG — EXECUTABLE

Data ↔ Concept ↔ Evidence ↔ Model ↔ Tool ↔ Agent ↔ Workflow

"지식을 설명하는 graph"에서 "지식을 실행할 수 있는 graph"로 이동한다. SciToolAgent와 GENIUS가 실제 사례를 보여준다.

11.7Self-Healing AI-Ready Data

앞으로 에이전트는 데이터를 소비하기만 하지 않는다.

missing metadata 발견
inconsistent schema 탐지
broken provenance 발견
outdated entity 확인
candidate repair 생성
validation
human/automatic approval
dataset/KG update

여기까지 수행한다. 2026 SetGo의 assess–enrich–publish 구조는 이러한 self-healing data infrastructure로 확장될 수 있는 초기 형태로 해석할 수 있다.[13]

통합 연구 프레임 — A²KG Fabric

앞의 문헌을 하나의 아키텍처로 통합하면 다음 연구모델을 제안할 수 있다. A²KG = AI-Ready × Agentic × Knowledge Graph Fabric이다.

A²KG FABRIC — 7-LAYER ARCHITECTURE · L6에서 L0으로 되돌아오는 continuous feedback

L6Human / Physical / Digital Actions

Decision · Experiment · API · Robot · Report

L5Verification & Governance

Evidence · Policy · Privacy · Safety · Audit

L4Multi-Agent Cognitive Layer

Planner · Retriever · Scientist · Critic · Verifier · Executor · Curator

L3Agentic Retrieval & Memory

Vector + Graph + SQL + API + Web + Tools

L2Semantic Knowledge Fabric

KG · Ontology · Temporal Graph · Provenance · Evidence Graph · Tool Graph · Agent Graph

L1AI-Ready Data Layer

Quality · Metadata · FAIR · License · Schema · Validation · Version · Machine Actionability

L0Raw Evidence

Papers · DB · Sensor · Images · Logs · Code

↑ continuous feedback : L6 → L0

이 구조의 가장 중요한 특징은 아래에서 위로만 흐르지 않는다는 것이다. Raw → AIReady → KG → Agents → Action으로 올라간 흐름은 다시 Action → Evidence → Validation → KG → Re-Readiness로 돌아온다.

DEFINITION SHIFT

미래의 AI 시스템은 단순한 "LLM application"이 아니다. Continuous Data–Knowledge–Agent Feedback System으로 정의하는 편이 더 정확하다.

핵심 연구 패러다임의 전환 — 다섯 가지

2025–2026년의 연구를 가장 압축적으로 정리하면 다음 다섯 가지 전환이다.

①

Data-centric AI → Agent-ready Data-centric AI

데이터 품질뿐 아니라 metadata, provenance, semantics, licensing, machine-actionability까지 포함한다.[10]

②

RAG → Agentic Retrieval

검색 결과를 받는 것이 아니라 에이전트가 무엇을, 언제, 어디서, 얼마나 검색할지를 스스로 결정한다.[4]

③

KG as Database → KG as Cognitive Substrate

KG가 retrieval DB에서 memory, reasoning space, tool graph, agent-routing graph로 확장된다.[14]

④

Multi-Agent as Role-play → Multi-Agent as Adaptive Organization

정적인 역할극이 아니라 task별 topology, routing, memory, governance를 최적화하는 방향이다.[5]

⑤

AI Assistant → Autonomous Knowledge System

최종 목표는 "좋은 답변 생성"이 아니다. 아래 루프 전체를 신뢰성 있게 운영하는 것이다. Robin, SciToolAgent, AgenticSciML 같은 최근 과학 에이전트들이 이 방향을 가장 분명하게 보여준다.[22]

Observe→Understand→Retrieve→Reason→Verify→Act→Learn→Update Knowledge

2025–2026 핵심 참고논문

이 연구주제를 시작할 때 우선적으로 읽을 만한 핵심 문헌 25편이다. 원문 URL을 그대로 옮겼다.

Data Readiness for AI: A 360-Degree Survey

Hiniduma et al. · ACM Computing Surveys · 2025

dl.acm.org/doi/10.1145/3722214

SciHorizon: Benchmarking AI-for-Science Readiness

Qin et al. · 2025

arxiv.org/abs/2503.13503

Data Readiness for Scientific AI at Scale

Brewer et al. · 2025

arxiv.org/abs/2507.23018

Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG

Singh et al. · 2025

arxiv.org/abs/2501.09136

MultiAgentBench

Zhu et al. · ACL 2025

aclanthology.org/2025.acl-long.421

KG-Agent: An Efficient Autonomous Agent Framework for Complex Reasoning over Knowledge Graph

Jiang et al. · ACL 2025

aclanthology.org/2025.acl-long.468

KARMA: Leveraging Multi-Agent LLMs for Automated Knowledge Graph Enrichment

Lu & Wang · 2025

arxiv.org/abs/2502.06472

SciToolAgent: A Knowledge-Graph-Driven Scientific Agent for Multitool Integration

Nature Computational Science · 2025

doi.org/10.1038/s43588-025-00849-y

LLM-empowered Knowledge Graph Construction: A Survey

2025

arxiv.org/abs/2510.20345

An Actionable Framework for AI-ready Data

Majithia et al. · AI Magazine · 2026

onlinelibrary.wiley.com/doi/10.1002/aaai.70054

Four Questions for AI-ready Biological Data

Shehu & Nussinov · Nature Machine Intelligence · 2026

doi.org/10.1038/s42256-026-01270-4

Thinking and Rethinking Data AI Readiness

Nature Machine Intelligence · 2026

doi.org/10.1038/s42256-026-01288-8

SetGo: Metadata Readiness for Scientific AI Datasets

2026

dl.acm.org/doi/10.1145/3828820.3828827

AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent QA

ACL 2026

aclanthology.org/2026.acl-long.33

GAM: Hierarchical Graph-based Agentic Memory for LLM Agents

ACL 2026

aclanthology.org/2026.acl-long.1600

EvoMemKG: An Evolvable Memory Agent for Multi-hop KG Reasoning

ACL Findings 2026

aclanthology.org/2026.findings-acl.1587

KARL: Reinforcement Learning for LLM Agents on Multi-Turn Knowledge-Intensive Agentic Tasks

ACL 2026

aclanthology.org/2026.acl-long.2196

Dynamic Generation of Multi-LLM Agent Communication Topologies with Graph Diffusion

ACL 2026

aclanthology.org/2026.acl-long.1764

LegalGraphRAG: Multi-Agent Graph Retrieval-Augmented Generation for Reliable Legal Reasoning

ACL 2026

aclanthology.org/2026.acl-long.1738

LLMs+Graphs: Toward Graph-Native, Synergistic AI Systems

2026

arxiv.org/abs/2606.11560

Integrating Graphs, Large Language Models, and Agents: Reasoning and Decision Making

Survey · 2026

arxiv.org/abs/2604.15951

Robin: A Multi-Agent System for Automating Scientific Discovery

Nature · 2026

doi.org/10.1038/s41586-026-10652-y

AgenticSciML: Collaborative Multi-Agent Systems for Emergent Discovery

2026

doi.org/10.1038/s44387-026-00102-5

Knowledge Graphs as the Missing Data Layer for LLM-Based Industrial Asset Operations

Preprint · 2026

arxiv.org/abs/2605.26874

Building AI-Ready Data Systems for Space Life Sciences

Preprint · 2026

arxiv.org/abs/2606.28856

검증 안내위 서지 정보와 URL은 원문 자료를 그대로 옮긴 것이다. 일부 2026년 문헌은 프리프린트이므로 인용 전 원문 확인을 권한다.

CONCLUSION

더 좋은 LLM이 아니라, AI가 신뢰하며 행동할 수 있는 세계

이 분야에서 가장 중요한 연구명제는 "어떻게 더 좋은 LLM을 만들 것인가"가 아니다. 본질적인 질문은 따로 있다. "AI 에이전트가 신뢰할 수 있게 이해하고 행동할 수 있는 세계를 어떻게 만들 것인가?"

그 세계를 구성하는 첫 번째 층이 AI-ready data다. 관계와 의미를 부여하는 두 번째 층이 Knowledge Graph다. 자율적으로 탐색하고 추론하고 검증하고 행동하는 세 번째 층이 LLM 기반 멀티에이전트 시스템이다.

2025–2026년 연구를 통합하는 가장 설득력 있는 패러다임을 한 줄로 그리면 다음과 같다.

AI-Ready Data → Semantic/Temporal/Evidence KG → Agentic Retrieval & Memory → Multi-Agent Reasoning → Verified Action → New Evidence → Continuous AI-Readiness

이 관점에서 보면 Knowledge Graph는 LLM에 붙이는 부가적인 RAG 구성요소가 아니다. AI-ready data와 자율 에이전트 사이를 연결하는 "semantic operating layer"다. 이것이 현재 문헌들을 하나로 연결했을 때 얻는 가장 중요한 연구적 통찰이며, 앞으로 Agent-Native AI-Ready Data Fabric, Living/Executable Knowledge Graph, provenance-aware multi-agent reasoning으로 발전할 가능성이 큰 연구축이다.

정의 — 세 개의 축을 다시 그린다

1.1AI-Ready Data의 정의

1.2Knowledge Graph의 새로운 정의

1.3LLM 기반 멀티에이전트 시스템

문제 정의 — 무엇을 풀어야 하는가

핵심 개념 — 일곱 개의 연속선

3.1Task-conditional Data Readiness

3.2Machine-actionability에서 Agent-accessibility로

3.3Semantic Interoperability

3.4Provenance / Evidence Graph

3.5GraphRAG에서 Agentic GraphRAG로

3.6Graph as Memory

3.7Agent Graph / Tool Graph

2025 → 2026 — 연구 흐름의 이동

동기와 배경 — 왜 이 문제인가

5.1왜 vector database만으로 충분하지 않은가

5.2왜 데이터 모델이 중요한가

도전 과제 — 여섯 개의 장벽

6.1Data Heterogeneity

6.2Readiness는 누가 결정하는가

6.3LLM이 만든 KG의 Hallucination

6.4Dynamic KG와 Freshness

6.5Multi-Agent Coordination

6.6Privacy, License, Governance

연구 질문 — 열두 개의 RQ

AI-readiness 자체의 측정

Data vs Model

Schema-first vs Schema-free

Trustworthy KG Construction

Retrieval Routing

Optimal Agent Topology

Shared Memory

Learned Graph Reasoning

Security & Agent Governance

Continual AI-readiness

End-to-end Evaluation

Scientific Knowledge의 수준

접근 방법 — A부터 H까지

AI-Ready Data Engineering

Multi-Agent KG Construction

Hybrid Vector + Graph Retrieval

Schema-conditioned Neuro-symbolic Reasoning

Reinforcement Learning for Graph Agents

Graph-based Long-term Memory

KG-guided Agent Routing

KG-driven Tool Orchestration

핵심 응용 — 여섯 개의 전장

과학적 발견

바이오·임상 AI

기업 지식 관리

법률·규제 인텔리전스

추천 시스템

화학·소재

미해결 문제 — 논문이 될 열 개의 공백

"AI-ready for whom?" — 누구를 위한 ready인가

Semantic Correctness

Uncertainty as First-class Knowledge

Causality

Ontology Evolution

Multi-Agent Epistemic Governance

Provenance of Derived Knowledge

Data / KG / Model Version Alignment

Autonomous Write Access

Evaluation

미래 방향 — 일곱 개의 경로

11.1AI-Ready Data에서 Agent-Native Data로

11.2Living Knowledge Graph

11.3Hybrid Knowledge Fabric

11.4Retrieval Policy Learning

11.5Dynamic Multi-Agent Organizations

11.6Executable Knowledge Graph

11.7Self-Healing AI-Ready Data

통합 연구 프레임 — A²KG Fabric

핵심 연구 패러다임의 전환 — 다섯 가지

Data-centric AI → Agent-ready Data-centric AI

RAG → Agentic Retrieval

KG as Database → KG as Cognitive Substrate

Multi-Agent as Role-play → Multi-Agent as Adaptive Organization

AI Assistant → Autonomous Knowledge System

2025–2026 핵심 참고논문