ThreadWeaver v3가 Causal Work Graph를 출시했습니다. 이는 도구 간 리니지(lineage) 엔진으로, AI 기반 쿼리가 단순한 문서가 아니라 Slack 채팅, Jira 티켓, GitHub 커밋 및 기타 아티팩트를 연결하는 증명 가능한 증거 체인을 반환할 수 있게 합니다. 이를 도입한 팀은 추측에 근거한 문단 대신 시각화된 서브그래프를 통해 “이것이 왜 만들어졌는가?”라는 질문에 답할 수 있습니다.
컨텍스트: 흩어진 데이터, 끊어진 연결
오늘날 엔지니어링 그룹은 여러 플랫폼이 뒤섞인 환경에서 작업합니다. 고객 불만은 티켓팅 시스템에, 그에 따른 논의는 채팅 앱에, 디자인 결정은 프로젝트 관리 보드에, 코드는 저장소에, 그리고 릴리스 노트는 문서화 도구에 존재합니다. 원시 정보는 존재하지만, 그 사이의 인과 관계는 보이지 않습니다. 제품 관리자가 특정 기능이 왜 출시되었는지 물을 때, 그 답은 메시지, 이슈, 커밋의 복잡한 망 속에 숨겨져 있습니다. 기존 검색 도구는 유사한 키워드를 포함하는 항목을 찾아낼 수는 있지만, 어떤 항목이 실제로 다음 항목을 유발했는지는 알려주지 못합니다.
중요성: 출처(Provenance) 대 환각(Hallucination)
대부분의 대규모 언어 모델(LLM)은 의미적 유사성을 매칭하여 답변합니다. Slack 채널을 언급하는 Jira 티켓이 관련 있는 것처럼 보일 수는 있지만, 모델은 해당 채팅이 티켓을 생성했음을 증명할 수 없습니다. 그 결과, 그럴듯해 보이지만 검증 가능한 출처가 없는 답변인 ‘환각(hallucination)’ 현상이 발생합니다. 규제가 엄격한 환경이나 책임 소재가 중요한 상황에서 이러한 격차는 큰 비용을 초래합니다. Causal Work Graph는 추측을 대신하여 타임스탬프, 행위자 식별자, 관계 유형 및 신뢰도 점수와 같은 구체적인 증거로 뒷받침되는 그래프의 엣지(edge)를 제공합니다.
Causal Work Graph의 작동 방식
- 이벤트 중심 모델링 – 각 노드는 정적인 문서가 아닌 이벤트(예: Slack 메시지, Jira 이슈 생성)를 나타냅니다.
- 명시적 관계 – 엣지는 지원 증거와 함께 구체적인 인과 관계 주장(“Slack 논의가 PM의 결정에 영향을 미침”)을 인코딩합니다.
- 출처 메타데이터 – 모든 엣지는 소스, 대상, 타임스탬프, 행위자, 신뢰 수준 및 주장을 입증하는 원본 아티팩트에 대한 포인터를 저장합니다.
- 불확실성 처리 – 시스템이 연결 이벤트를 찾을 수 없는 경우, 관계를 꾸며내는 대신 “알 수 없음(Unknown)”을 반환합니다.
- 권한 기반 노출 – 사용자는 자신이 볼 권한이 있는 아티팩트와 관련된 엣지만 볼 수 있습니다. 권한이 없는 Slack 메시지가 있다면 해당 엣지는 단순히 숨겨집니다.
- 저장소가 아닌 해석 도구로서의 LLM – 언어 모델은 그래프를 자연어 설명으로 변환하며, 그래프 자체는 권위 있는 진실의 원천(source of truth)으로 유지됩니다.
사용자가 “무엇이 릴리스로 이어졌나요?”라고 물으면, 엔진은 다음과 같은 서브그래프를 구성합니다:
- 고객 불만 → Slack 논의 (타임스탬프, 사용자)
- Slack 논의 → PM 결정 (Jira 티켓)
- PM 결정 → GitHub 커밋 (코드 변경)
- GitHub 커밋 → 릴리스 (아티팩트)
응답에는 정확한 Slack 메시지와 Jira 댓글에 대한 링크가 포함되어 있어, 질문자가 각 단계를 직접 확인할 수 있습니다.
요약
ThreadWeaver v3의 Causal Work Graph는 흩어져 있는 엔지니어링 아티팩트를 단일하고 감사 가능한 인과 관계 체인으로 전환합니다. 모든 연결에 대해 증거를 요구함으로써, 순수 LLM 답변의 고질적인 문제인 환각 현상을 피하고 팀이 모든 릴리스 뒤에 숨겨진 “이유”를 추적할 수 있는 구체적인 방법을 제공합니다.