스타링의 UCA란 무엇인가? AI가 기억하는 대신 조직이 기억하게 만드는 개방형 표준

Starling은 이 구조를 바탕으로 한 시스템을 **도메인 언어 모델(Domain Language Model·DLM)**이라고 부른다. 여기서 일반적인 LLM은 조직 지식을 영구적으로 기억하는 주체가 아니다. 실행 시점에 조직이 관리하는 구조화된 기억을 제공받아 답변과 작업을 수행하는, 상대적으로 ‘상태가 없는’ 추론 엔진에 가깝다.

도서관에 비유하면 이해하기 쉽다. AI 모델이 바뀌더라도 분류 체계와 장서가 유지되면 같은 지식에 다시 접근할 수 있다는 논리다.

고정된 의미 주소는 어떻게 작동하나

UCA의 중심에는 반복적으로 등장하는 조직 개념에 영구 식별자를 부여하는 방식이 있다. 문서의 제목이나 검색어가 바뀌어도 동일한 개념에는 같은 주소가 연결되므로, AI가 여러 자료를 확률적으로 조합해 ‘그럴듯한’ 답을 만드는 대신 조직이 정한 기준 기록을 참조하도록 설계할 수 있다.

다만 주소를 부여하는 것만으로 지식이 자동으로 정확해지는 것은 아니다. 어떤 기록을 정본으로 인정할지, 언제 수정할지, 누가 승인할지는 여전히 조직의 거버넌스가 결정해야 한다. Starling도 인간의 관리 체계가 권위 있는 정보를 정하고 지식의 무단 변형을 막는다고 설명한다.

Org Library와 Resources로 나눈 이중 지식 기반

Starling MX는 지식 저장소를 크게 두 영역으로 구분한다.

• Org Library: 조직이 공식적으로 승인한 기록을 보관하는 공간이다. 버전 관리가 가능한 정책, 결정, 운영 지식 등 ‘정본(canon)’이 여기에 해당한다.
• Resources: 정본을 뒷받침하는 자료, 참고 문서, 작업 중인 문서, AI가 생성한 결과물 등을 담는 공간이다.

이 구분의 목적은 모든 자료를 같은 수준의 진실로 취급하지 않는 데 있다. 공식 기준과 참고 자료를 분리하면 AI가 초안이나 과거 문서를 현재의 정책처럼 오인할 가능성을 관리하기 쉬워진다.

저장 형식도 모델 내부의 불투명한 상태값이 아니라 사람이 읽을 수 있는 일반 텍스트 Markdown을 중심으로 한다. Starling은 이 방식이 기록을 확인하고, 버전을 추적하고, 다른 시스템으로 옮기고, 사람과 소프트웨어가 함께 활용하는 데 유리하다고 주장한다.

MCP와 UCA의 역할은 어떻게 다른가

Starling은 Anthropic의 **Model Context Protocol(MCP)**을 AI 모델이 외부 조직 지식에 접근하도록 연결하는 계층으로 제시한다. MCP가 모델과 외부 정보 사이의 연결 방식이라면, UCA는 그 정보가 조직 안에서 어떤 구조와 의미 주소를 가져야 하는지를 정하는 표준에 가깝다.

Starling MX의 기계 측 매니페스트는 저장소에서 현재 작업에 필요한 맥락을 선택하고 조합한다. 반면 사람 측 저장소는 정본과 권한, 버전을 관리한다. 회사가 주장하는 구조대로라면 모델은 필요한 맥락을 입력받아 작업을 수행한 뒤 교체될 수 있고, 조직의 핵심 기억은 별도의 저장소에 계속 남는다.

이 접근의 표어는 **“모델은 잊고, 조직은 기억한다(The model forgets; the organization remembers)”**다. 즉 모델은 교체 가능한 추론 도구이고, 조직이 통제하는 기록이 장기적으로 보존해야 할 자산이라는 뜻이다.

AI 주권과 공급자 종속 문제

Starling의 CEO 크리스 킨케이드가 강조하는 ‘AI 주권’은 GPU를 직접 보유하거나 서버를 자국에 두는 것만을 의미하지 않는다. 조직이 승인한 의사결정, 정책, 운영 지식, 출처, 접근 권한을 조직 스스로 통제하고, 어떤 모델을 사용하든 그 정본을 바탕으로 추론하게 만드는 것이 주권의 핵심이라는 주장이다.

이 구조가 제대로 구현된다면 다음과 같은 효과를 기대할 수 있다.

• 모델을 교체하거나 업그레이드해도 기존 조직 지식을 유지할 수 있다.
• 특정 AI 업체의 대화 기록이나 독점 메모리 기능이 아니라 조직이 소유·관리하는 저장소가 핵심 자산이 되므로 공급자 종속을 줄일 여지가 있다.
• 모델이 조직 지식을 영구적으로 보유하지 않고 저장소가 감사 가능한 정보원으로 남기 때문에 지식 관리의 지속성을 높일 수 있다.

그러나 이는 아키텍처가 내세우는 가능성이지, 공개된 자료만으로 이미 입증된 성과는 아니다. 실제 독립 모델 간 호환성, 권한 관리, 데이터 동기화, 운영 비용은 도입 환경에 따라 별도로 검증해야 한다.

어떤 분야에 활용될 수 있나

Starling은 개인 코칭, 마케팅, 건설 관리, 법률 서비스 등의 활용 시나리오를 언급해 왔다. SelfOS의 브래디 패터슨은 지식에 ‘명확한 기준점’을 부여하면서 맥락 손실과 데이터 드리프트가 줄었다고 평가했다.

다만 이 발언은 제품 사용자의 추천 또는 실무자 의견으로 보는 것이 적절하다. SelfOS의 언급만으로 제품의 효과가 독립적으로 검증됐다고 보기는 어렵다. 또한 제공된 자료만으로는 QuillOS와 관련된 도입 관계, 적용 규모, 성능 결과를 충분히 확인할 수 없다. 따라서 해당 배포 사례에 대해 더 강한 채택·성과 주장을 하기는 어렵다.

결론: 조직의 기억을 모델 밖에 둘 수 있을까

UCA가 제시하는 핵심은 새로운 LLM을 만드는 것이 아니라, LLM이 읽을 조직의 기억을 모델 밖에서 표준화하는 것이다. 고정된 의미 주소, Markdown 기반 저장소, 정본과 참고 자료의 분리, MCP를 통한 연결이 이 구상을 구성한다.

이론적으로는 모델을 바꿔도 조직의 지식과 분류 체계를 유지할 수 있어 AI 공급자 종속을 낮출 수 있다. 하지만 UCA와 Starling MX는 아직 새로운 표준과 베타 플랫폼이며, 세부 기술·사업 주장의 상당 부분은 Starling 자체 자료 또는 출시 보도에 기반한다. 현재 근거만으로는 실제 환경에서 더 높은 정확도, 낮은 비용, 강한 보안 또는 완전한 모델 독립성을 제공한다고 단정할 수 없다.

따라서 UCA는 ‘AI가 모든 것을 기억하게 하는 기술’이라기보다, 조직이 무엇을 기억할지 정하고 그 기억을 여러 AI가 읽게 하려는 관리 체계로 이해하는 편이 정확하다.