Executive Summary

2023년까지 주류였던 벡터 검색 기반 RAG(Retrieval-Augmented Generation)는 세 가지 근본적 한계를 안고 있었다. 이 한계들은 단순한 성능 부족이 아니라, 벡터 임베딩이라는 표현 방식 자체의 구조적 제약에서 비롯된다.

1.1 Vector RAG의 3가지 구조적 한계

첫째, Lost-in-the-Middle 문제. 긴 문서에서 중간에 위치한 정보를 검색하지 못하는 현상이다. 벡터 유사도는 문서 청크 단위로 계산되므로, 정답이 여러 청크에 분산되어 있으면 어느 청크도 상위 랭킹에 오르지 못한다.

둘째, 전역 맥락 부재. "이 문서 전체를 요약하라"와 같은 글로벌 질문에 벡터 RAG는 구조적으로 무력하다. 개별 청크의 임베딩만으로는 문서 전체의 주제적 흐름이나 거시적 패턴을 포착할 수 없다.

셋째, 관계 추론 불가. "A 회사의 CEO가 투자한 B 회사의 기술이 C 산업에 미친 영향은?"과 같은 멀티홉 질문에서, 벡터 RAG는 A에서 B, B에서 C로 이어지는 관계 체인을 추적할 수 없다.

1.2 GraphRAG의 해법

GraphRAG는 이 세 가지 한계를 엔티티-관계 그래프 + 커뮤니티 요약이라는 이중 구조로 해결한다. 텍스트에서 엔티티(인물, 조직, 개념)와 그 관계를 추출하여 그래프를 구성하고, Leiden 알고리즘으로 커뮤니티(밀접하게 연결된 엔티티 군집)를 탐지한 뒤, 각 커뮤니티의 요약문을 생성한다. 로컬 검색은 특정 엔티티 주변의 관계를 탐색하고, 글로벌 검색은 커뮤니티 요약문을 종합하여 전체적 질문에 답한다.

Microsoft GraphRAG 논문(Edge et al., 2024)의 핵심 수치가 이를 증명한다. 멀티홉 QA에서 Dense RAG 대비 +27.23% F1 개선. 다만 단일 QA에서는 +0.47%에 불과해, GraphRAG의 진가는 복잡한 관계 추론에서 발휘된다.

1.3 2024-2026 채택 가속 타임라인

불과 2년 사이에 GraphRAG 생태계가 폭발적으로 확장되었다. 아래 타임라인은 주요 마일스톤을 정리한 것이다.

GraphRAG 생태계에는 이미 6종 이상의 프레임워크가 경쟁 중이다. 각각의 아키텍처, 비용 구조, 정확도, 확장성, 한국어 지원 수준을 비교하면, 어떤 프레임워크를 선택하든 공통적으로 해결되지 않는 문제가 보인다.

2.1 프레임워크 비교 표

아래 표는 6개 주요 프레임워크의 핵심 스펙을 정리한 것이다. 비용은 HotpotQA 100문제 기준, 정확도는 멀티홉 QA F1 기준이다.

2.2 프레임워크별 핵심 분석

Microsoft GraphRAG는 이 분야의 레퍼런스 구현이다. Leiden 알고리즘 기반 커뮤니티 탐지와 계층적 요약이 핵심이지만, HotpotQA 100문제에 ~$650, 1,394M 토큰이라는 비용 구조는 프로덕션 환경에서 큰 장벽이다. 배치 전용 아키텍처여서 실시간 문서 추가가 어렵고, Leiden이 구조적 연결만 보고 시맨틱을 무시하는 한계도 있다.

LightRAG는 엔티티 수준과 토픽 수준의 듀얼 레벨 검색으로 GraphRAG 대비 94-98% 비용 절감을 달성했다고 보고한다. 인크리멘탈 업데이트를 지원하여 실용성이 높다. 그러나 메타분석에서 평가 편향을 보정하면 NaiveRAG와 유사한 성능(72%에서 48% win rate, 24%p 하향)으로 떨어지는 것으로 나타나, 보고 수치를 그대로 신뢰하기 어렵다.

nano-graphrag는 약 1,100줄의 최소 구현으로, 교육 및 프로토타이핑 목적에 적합하다. 2-3일이면 배포가 가능하지만 프로덕션 환경에는 부적합하다. LlamaIndex PropertyGraphIndex는 기존 LlamaIndex 생태계에서 가장 낮은 전환 비용을 제공하며, 오버헤드 6ms, 1.60K 토큰으로 효율적이다.

Neo4j + LLM은 엔터프라이즈 그래프 DB에 LLMGraphTransformer를 결합한 접근이다. Cypher 쿼리 자동 생성으로 복잡한 그래프 탐색이 가능하며, ACID 트랜잭션과 기업 보안을 제공한다. Palantir AIP는 엔터프라이즈 온톨로지 자동화의 최고 수준이지만, 배포에 2-3개월이 소요되고 높은 벤더 종속이 단점이다.

GraphRAG의 자동 온톨로지 구축은 5단계 파이프라인으로 이루어진다. 각 단계가 어떻게 작동하는지 이해해야, 다음 섹션에서 분석할 품질 문제의 발생 지점을 정확히 파악할 수 있다.

3.1 엔티티 추출 (NER에서 LLM 기반으로)

전통적 NER(Named Entity Recognition)은 사전 정의된 엔티티 타입(인물, 조직, 장소)만 추출했다. GraphRAG 시대의 엔티티 추출은 LLM 프롬프트로 수행된다. "이 텍스트에서 모든 엔티티와 그 타입을 추출하라"는 지시 한 줄로 유연한 추출이 가능해졌다.

영어 환경에서 F1 85-92%, 한국어 KLUE BERT 기준 91.42%, 한국어 의료 도메인에서 94.30%의 정확도가 보고된다. 그러나 이 수치는 벤치마크 데이터셋 기준이며, 실제 도메인 문서에서는 전문 용어, 약어, 맥락 의존적 엔티티 등으로 인해 정확도가 크게 떨어질 수 있다. 저자원 언어에서는 50-70% 수준으로 하락한다.

3.2 관계 추출 (프롬프트 설계의 중요성)

추출된 엔티티 쌍 사이의 관계를 LLM이 판별한다. "엔티티 A와 엔티티 B의 관계를 서술하라"는 프롬프트가 핵심이다. CoNLL-2003 벤치마크에서 81.8% F1이 보고되나, 이는 관계 유형이 사전 정의된 환경의 수치다. 오픈 도메인에서 LLM이 자유롭게 관계를 정의하면, 존재하지 않는 관계를 생성하는 할루시네이션 위험이 급증한다.

Code-style 템플릿을 사용하면 할루시네이션이 유의미하게 감소하지만, 최고 수준 LLM(OpenAI)도 1.5-1.9%의 할루시네이션율을 보인다. 수만 개의 관계가 있는 그래프에서 1.5%는 수백 개의 잘못된 에지를 의미한다.

3.3 커뮤니티 탐지 (Leiden Algorithm)

Microsoft GraphRAG의 핵심 혁신은 Leiden 알고리즘을 통한 커뮤니티 탐지다. 밀접하게 연결된 엔티티들을 군집으로 묶어, 글로벌 질문에 답하기 위한 구조적 단위를 생성한다. 계층적 클러스터링으로 다양한 해상도의 커뮤니티를 구성할 수 있다. 한계는 Leiden이 순수하게 그래프 구조(연결 밀도)만 고려하고 시맨틱(의미적 유사성)을 무시한다는 점이다.

3.4 커뮤니티 요약 (Global Answer 생성)

각 커뮤니티의 엔티티와 관계를 LLM이 자연어로 요약한다. 글로벌 검색 시, 관련 커뮤니티의 요약문들을 종합하여 최종 답변을 생성한다. 이 단계에서 GraphRAG의 Comprehensiveness 지표가 45-50%를 달성하며, LightRAG Hybrid는 50-54%까지 올린다.

3.5 스키마 진화 (Incremental Updates)

정적 그래프는 시간이 지나면 노후화된다. 인크리멘탈 업데이트는 새 문서가 추가될 때 전체 그래프를 재구축하지 않고 변경분만 반영한다. DIAL-KG는 스키마 프리 방식으로 F1 +4.7%를 달성하며, IncRML은 315.83x 저장소 절감과 4.59x CPU 절감을 보고한다. Graphiti는 실시간 AI 에이전트용 temporal KG를 지원하여, 시간 축을 따라 지식의 변화를 추적한다.

이 섹션이 이 보고서의 핵심이다. 자동 온톨로지 구축의 5가지 품질 문제를 정량 데이터와 실제 사례로 분석한다. 벡터 RAG는 정보를 놓칠 수 있지만, 존재하지 않는 사실을 만들어내지는 않는다. 반면 할루시네이션된 엣지가 포함된 지식 그래프는 LLM에게 "검증된 사실"로 제공되어, 자신감 있는 오답을 생성하게 만든다.

4.1 Hallucinated Edges — LLM이 만들어낸 거짓 관계

문제. LLM은 학습 데이터의 패턴에 기반하여, 원문에 명시되지 않은 관계를 "그럴듯하게" 생성한다. 최고 수준 LLM(OpenAI)도 1.5-1.9%의 할루시네이션율을 보이며, 이는 10,000개 엣지 그래프에서 150-190개의 거짓 관계를 의미한다.

정량 근거. GraphEval 기법은 KG 기반 할루시네이션 탐지에서 SelfCheckGPT 대비 +16% accuracy, +20% F1 개선을 보고한다. 이는 역설적으로, 기존 탐지 방식으로는 할루시네이션의 상당 부분을 놓치고 있었음을 의미한다.

실제 영향. 금융 규제 KG에서 "A 규정이 B 규정을 대체한다"는 거짓 관계가 삽입되면, 에이전트가 폐지된 규정을 현행으로 안내할 수 있다. Code-style 프롬프트 템플릿이 할루시네이션을 줄이지만 완전히 제거하지는 못한다.

4.2 Entity Duplication — 같은 것의 다른 이름

문제. "삼성전자", "Samsung Electronics", "SAMSUNG", "samsung"이 모두 별개의 노드로 생성된다. 한국어 환경에서는 한글/영문 혼용, 약칭, 존칭 등이 이 문제를 악화시킨다.

정량 근거. Entity extraction F1이 85-92%(영어)로 보고되지만, 이는 개별 추출 정확도일 뿐 중복 해소(entity resolution) 성능은 포함하지 않는다. 중복 엔티티가 있으면 그래프의 연결 구조가 파편화되어, 관계 추론이 불완전해진다.

실제 영향. 제조업 온톨로지에서 "써멀 페이스트"와 "thermal paste"와 "방열 그리스"가 별개 노드로 생성되면, 동일 부품의 불량 이력이 3개로 분산되어 패턴 탐지가 실패한다.

4.3 Incomplete Extraction — 존재하지만 보이지 않는 정보

문제. LLM의 컨텍스트 윈도우 제한, 프롬프트 설계의 한계, 암시적 관계 등으로 인해 문서에 존재하는 엔티티나 관계가 추출되지 않는다.

정량 근거. Population Completeness(추출 엔티티/기대 엔티티)는 도메인과 문서 복잡도에 따라 크게 변동한다. LightRAG가 Diversity 지표에서 59-77%를 달성하는 반면 GraphRAG는 23-41%에 그치는 것은, GraphRAG의 커뮤니티 기반 접근이 세밀한 엔티티를 놓칠 수 있음을 시사한다.

실제 영향. 법률 문서에서 "단, 제3조 제2항의 예외에 해당하는 경우"와 같은 암시적 참조는 LLM이 관계로 추출하기 어렵다. 이 누락은 법적 해석의 치명적 오류로 이어질 수 있다.

4.4 Schema Drift — 시간이 스키마를 녹인다

문제. 인크리멘탈 업데이트가 반복되면서, 초기에 정의된 엔티티 타입과 관계 타입이 점점 변형된다. 새 문서에서 추출된 엔티티가 기존 스키마와 맞지 않으면 LLM은 새로운 타입을 임의로 생성한다.

정량 근거. Schema Completeness(사용 클래스/전체 클래스)와 Logical Consistency(시맨틱 특성 당 불일치 수)가 주요 메트릭이다. IncRML이 315.83x 저장소 절감을 달성하는 것은 인크리멘탈 처리의 효율성을 보여주지만, 스키마 일관성 유지 메커니즘은 별도로 필요하다.

실제 영향. 제조 KG에서 초기에는 "부품-결함-공정"이라는 깔끔한 스키마로 시작하지만, 6개월 뒤에는 "부품-문제-단계", "컴포넌트-이슈-프로세스" 등 같은 의미의 다른 스키마가 혼재하게 된다.

4.5 Domain Mismatch — 범용 LLM의 전문성 한계

문제. GPT-4, Claude 등 범용 LLM은 일반 지식에는 강하지만, 특정 산업의 전문 온톨로지를 구축하는 데 한계가 있다. 의료, 법률, 금융 등의 도메인 용어와 관계 체계를 정확히 이해하지 못한다.

정량 근거. 한국어 의료 도메인의 NER F1 94.30%(의료 특화 BERT)은 범용 모델 대비 높은 수치로, 도메인 특화가 얼마나 중요한지 보여준다. 반면 저자원 언어에서는 50-70%까지 하락한다.

실제 영향. Airbus의 7-온톨로지 디지털 트윈, Siemens의 제조 KG는 수년간 도메인 전문가가 수동으로 구축한 온톨로지이다. "터빈 블레이드 크리프"와 "크리프 러프처"의 관계를 LLM이 정확히 모델링하려면, 범용 지식만으로는 부족하다.

4.6 메타분석: LightRAG 성능 과장 문제

가장 주목할 발견은 LightRAG의 평가 편향이다. 메타분석 결과, 논문에서 보고된 72% win rate가 평가 편향(LLM-as-judge의 순서 효과, 길이 편향 등)을 보정하면 48%로 하락한다. 24%p의 차이는 NaiveRAG(단순 벡터 검색)와 사실상 동등한 수준이다.

이는 LightRAG만의 문제가 아니다. GraphRAG 분야 전체에서 "자동 구축 그래프의 실제 효과"가 논문 수치보다 과장되었을 가능성을 시사한다. Comprehensiveness(45-54%)나 Diversity(23-77%) 같은 지표도, 기저 그래프의 품질이 검증되지 않은 상태에서 측정된 것이다.

4.7 5가지 문제 요약

아래 표는 5가지 품질 문제의 핵심 수치와 위험도를 정리한 것이다.

자동 구축된 온톨로지의 품질을 체계적으로 평가하려면, 명확한 메트릭과 진단 도구가 필요하다. 이 섹션에서는 그래프 품질의 3대 축, KG 기반 할루시네이션 탐지, 그리고 DataClinic의 그래프 데이터 확장 가능성을 분석한다.

5.1 Graph Quality Metrics — 3대 축

Completeness (완전성). Schema Completeness는 사용된 클래스 수 대비 도메인에서 기대되는 전체 클래스 수를 측정한다. Property Completeness는 non-null 속성 비율로, 노드에 타입만 있고 속성이 비어 있으면 검색 품질이 하락한다. Population Completeness는 추출된 엔티티 수 대비 도메인 문서에서 기대되는 엔티티 수를 측정한다.

Consistency (일관성). Logical Consistency는 시맨틱 특성(함수성, 비대칭성 등) 당 불일치 수를 측정한다. "A는 B의 상위 개념"이면서 "B는 A의 상위 개념"인 모순을 탐지한다. Schema Conformance는 실제 인스턴스가 정의된 스키마를 얼마나 준수하는지, Entity Resolution Rate는 중복 엔티티 탐지 및 병합 비율을 측정한다.

Freshness (최신성). Temporal Validity는 그래프 내 사실의 유효 기간을, Update Latency는 원본 문서 변경부터 그래프 반영까지 소요 시간을, Decay Rate는 시간 경과에 따른 그래프 정확도 하락률을 측정한다.

5.2 KG 기반 할루시네이션 탐지

GraphEval은 지식 그래프 자체를 할루시네이션 탐지의 기준선으로 활용한다. 기존 SelfCheckGPT 대비 +16% accuracy, +20% F1의 개선은, KG가 단순한 검색 소스를 넘어 품질 검증 도구로 기능할 수 있음을 보여준다. 검색 증강과 품질 검증이라는 이중 역할이 GraphRAG의 미래 방향이다.

DIAL-KG는 스키마 프리(schema-free) 접근으로 기존 대비 F1 +4.7%를 달성하면서, 스트리밍 환경에서도 작동한다. 사전 정의된 스키마 없이 데이터에서 자율적으로 구조를 학습하므로, Schema Drift 문제를 근본적으로 다른 각도에서 접근한다. 그러나 스키마 프리가 곧 "품질 프리"는 아니며, 생성된 구조의 검증은 여전히 필요하다.

5.3 DataClinic 확장 가능성

페블러스의 DataClinic은 정형 데이터의 품질 진단을 자동화한다. 완전성, 일관성, 유효성, 적시성, 고유성, 정확성이라는 6대 차원은 그래프 데이터 품질로 자연스럽게 확장된다. 아래 표는 정형 데이터 차원에서 그래프 데이터로의 매핑을 정리한 것이다.

자동 온톨로지 구축의 품질 문제는 추상적 개념이 아니다. 제조업, 금융, 데이터 품질 기준, 소프트웨어 개발 등 구체적인 산업 시나리오에서 각 문제가 어떻게 발현되는지 살펴본다.

6.1 제조업 — 부품-공정-불량 관계 자동 구축

Siemens는 가스터빈, 빌딩 자동화, 공장 모니터링에 제조 KG를 활용한다. 자동 온톨로지 구축으로 부품-공정-불량의 관계를 빠르게 매핑할 수 있지만, 5가지 품질 문제가 모두 적용된다.

10만 건의 불량 보고서에서 자동 추출한 KG에서, "베어링 마모 -> 과열 -> 터빈 정지" 체인이 1.5% 할루시네이션율로 150건의 거짓 인과관계를 포함한다면? 예방 정비 시스템이 존재하지 않는 위험에 자원을 낭비하거나, 실제 위험을 놓칠 수 있다. 진단 포인트는 Entity Duplication(한글/영문 부품명), Incomplete Extraction(암시적 인과관계), Domain Mismatch(제조 전문 용어)다.

6.2 금융 규제 — EU AI Act, MiCA 조항 간 관계 매핑

JPMorgan의 COiN 시스템은 계약 분석 시간을 40% 단축했으며, 23만명이 LLM Suite를 사용한다. 금융 규제는 조항 간 참조, 예외, 상위법 관계가 복잡하게 얽혀 있어 그래프 구조가 적합하다.

EU AI Act와 MiCA(암호자산 규제)의 교차 조항을 자동 매핑할 때, "동등성 규정"을 LLM이 "대체 규정"으로 잘못 추출하면, 규제 준수 판단에 치명적 오류가 발생한다. 진단 포인트는 Hallucinated Edges(조항 간 거짓 참조), Schema Drift(규제 개정에 따른 스키마 변동), Freshness(규제 변경의 실시간 반영)다.

6.3 ISO 5259 — 데이터 품질 기준 온톨로지

ISO 5259(AI를 위한 데이터 품질)는 품질 관리 기준을 체계적으로 정의한다. 이 기준 자체를 KG로 구조화하면, 데이터 품질 진단의 자동화와 기준 간 관계 탐색이 가능해진다.

ISO 5259의 6대 품질 차원과 하위 기준을 자동 추출하여 KG를 구성하고, 기업의 데이터 파이프라인에 매핑한다. 이때 품질 기준 KG 자체의 품질이 보장되지 않으면, 진단 결과의 신뢰성이 무너진다. 품질 진단 도구의 품질 문제라는 메타적 아이러니다. 진단 포인트는 Schema Completeness(ISO 기준 누락 여부), Logical Consistency(기준 간 충돌), Accuracy(기준 해석의 정확성)다.

6.4 코드 지식 그래프 — GitNexus 연계

코드베이스를 KG로 구조화하면 함수 호출 관계, 의존성 체인, API 계약을 그래프로 탐색할 수 있다. GitNexus와 연계하여 커밋 히스토리, PR 리뷰, 이슈 트래커까지 통합하면 소프트웨어 개발의 지식 기반이 된다.

대규모 마이크로서비스 아키텍처에서 서비스 간 API 호출 관계를 자동 추출하되, 더 이상 사용되지 않는 엔드포인트(dead code)를 현행으로 포함하거나, 비동기 메시지 큐 관계를 누락할 위험이 있다. 진단 포인트는 Freshness(코드 변경과 그래프 동기화), Incomplete Extraction(암시적 의존성), Entity Duplication(동일 서비스의 다른 명칭)이다.

앞선 분석을 종합하면, GraphRAG 생태계에 하나의 구조적 공백이 드러난다. 그래프 DB 벤더는 저장과 검색에 집중하고, GraphRAG 프레임워크는 구축과 검색 최적화에 집중한다. "자동 구축된 온톨로지가 올바른가?"를 진단하는 계층은 부재하다. 페블러스는 이 공백을 메우는 위치에 있다.

7.1 DataClinic에서 Graph Quality Clinic으로

DataClinic은 정형 데이터의 완전성, 일관성, 유효성, 적시성, 고유성, 정확성을 진단한다. 이 6대 차원이 그래프 데이터에 1:1로 매핑된다는 것은 섹션 5에서 확인했다. 확장 방향은 네 가지다.

• 1. Completeness Audit — 자동 추출 그래프의 Schema/Property/Population Completeness 측정
• 2. Consistency Audit — Entity Duplication 탐지, Logical Consistency 검사, Schema Drift 모니터링
• 3. Accuracy Audit — Hallucinated Edge 탐지 (GraphEval +20% F1 기법 적용)
• 4. Freshness Audit — 원본 문서 변경 대비 그래프 업데이트 지연 측정

KG 시장이 $1.07B에서 $6.94B(CAGR 36.6%)로 성장하면, 그래프 품질 진단 시장도 비례하여 확대된다. 현재 Neo4j, TigerGraph 등 그래프 DB 벤더는 저장과 검색에 집중하며, 품질 진단은 빈 공간으로 남아 있다.

7.2 AADS: 에이전트 추론 신뢰성 = KG 품질

AADS(Agentic AI Data Scientist) 프로젝트에서 AI 에이전트는 지식 그래프를 추론의 기반으로 사용한다. 에이전트가 "데이터셋 A의 품질 점수가 B보다 높다"는 판단을 내릴 때, 그 근거가 되는 KG에 할루시네이션된 엣지가 있다면 판단 자체가 무효화된다.

Agentic AI + 시맨틱 웹 시장은 $1.73B(2025)에서 $4.93B(CAGR 23.3%)로 성장이 전망된다. 이 시장에서 에이전트의 신뢰성은 곧 경쟁 우위이며, KG 품질은 그 신뢰성의 토대다. Self-healing ontologies(넷플릭스, 산업 제어에서 시도)와 Graphiti 같은 temporal KG가 이 방향의 선도적 시도이다.

7.3 포지셔닝: 지식 그래프 인프라의 품질 보증 계층

페블러스의 전략적 포지셔닝을 한 문장으로 요약하면 다음과 같다. 그래프 DB가 저장소이고, GraphRAG가 검색 엔진이라면, DataClinic은 그 위의 품질 보증 계층이다.

이 포지셔닝의 방어 논리는 세 가지다.

• 1. 그래프 DB 벤더(Neo4j 등) — 저장, 검색, 트랜잭션에 집중하며 품질 진단은 비핵심
• 2. GraphRAG 프레임워크(Microsoft, LightRAG 등) — 구축과 검색 최적화에 집중하며 품질은 사용자 책임
• 3. DataClinic — 이미 정형 데이터 품질 진단 역량을 보유하며, 그래프 데이터로 확장 시 경쟁 우위

StepChain(79.50% F1)이나 ArchRAG(250x 토큰 절감) 같은 차세대 프레임워크가 등장하더라도, 자동 구축 그래프의 품질 검증 필요성은 프레임워크에 독립적이다. 프레임워크가 더 좋아질수록, 오히려 품질 진단의 기대 수준도 높아진다.

학술 논문

• 1.Edge, D. et al. (2024). "From Local to Global: A Graph RAG Approach to Query-Focused Summarization." Microsoft Research. arXiv:2404.16130
• 2.Guo, Z. et al. (2024). "LightRAG: Simple and Fast Retrieval-Augmented Generation." HKUST/ByteDance. ACL 2025.
• 3.ArchRAG (2025). GraphRAG 대비 250x 토큰 절감, 경쟁적+ 멀티홉 성능. AAAI 2026.
• 4.StepChain GraphRAG (2025). 79.50% F1 멀티홉 추론 파이프라인.
• 5.DIAL-KG. 스키마 프리 인크리멘탈 KG 구축, F1 +4.7%, 스트리밍 지원.
• 6.IncRML. 인크리멘탈 KG 업데이트, 315.83x 저장소 절감, 4.59x CPU 절감.
• 7.GraphEval. KG 기반 할루시네이션 탐지, SelfCheckGPT 대비 +16% accuracy, +20% F1.
• 8.AutoSchemaKG (2025). 자율 지식 그래프 구축 프레임워크.
• 9.Graphiti. 실시간 AI 에이전트용 temporal knowledge graph.
• 10.KLUE BERT. 한국어 NER F1 91.42%.

업계 소스

• 11.Microsoft GraphRAG GitHub Repository. 31,600+ Stars (2026 기준).
• 12.Neo4j GraphRAG Builder & LLMGraphTransformer.
• 13.LlamaIndex PropertyGraphIndex.
• 14.Airbus 7-Ontology Digital Twin (항공기 유지보수).
• 15.Siemens Manufacturing KG (가스터빈, 빌딩 자동화, 공장 모니터링).
• 16.JPMorgan COiN (계약 분석 40% 단축, LLM Suite 23만명).
• 17.KAIST/ETRI KG-GPT 프레임워크 공동 연구.

시장 데이터

• 18.Knowledge Graph Market: $1.07B (2024) → $6.94B (2030), CAGR 36.6%.
• 19.Agentic AI + Semantic Web Market: $1.73B (2025) → $4.93B, CAGR 23.3%.