Every offline workspace already knows things. Work, time, people, movement. We call that memory layer StoreGraph our ontology of how a workspace runs. AI Hub reads it, and turns it into decisions you approve, actions it runs, and results that come back.

AI Hub는 온톨로지 위에서 동작합니다.
오프라인 공간의 운영을 판단으로 바꾸는 기술입니다.
현장의 맥락 위에서 더 나은 판단과 즉각적인 실행을 돕습니다.
의사결정 도구 부재
[의사결정 도구의 부재]
현장의 맥락 위에서 더 나은 판단과 즉각적인 실행을 돕습니다.
의사결정 도구 부재
[의사결정 도구의 부재]
우리가 해결하는 방식
데이터 수집부터문제 해결까지
기록되지 않던 현장 데이터를 확보하고, 운영 중인 시스템의 데이터를 하나로 모읍니다.
데이터에 관계와 의미를 부여해, AI가 현장이 돌아가는 방식을 이해하도록 만듭니다.
산업의 맥락을 아는 에이전트가, 지금 무엇을 해야 하는지 판단합니다.
판단이 실제 운영의 행동으로 이어지도록, 사람이 확인하는 지점을 함께 설계합니다.
데이터 수집
하나의 AI가 아닌, 각 기능별 전문가를
파견해 문제를 해결합니다.
데이터 수집부터 프로세싱,
AI Agent의 업무 수행까지
AI HUB 목표 아키텍처, 12개 레이어
고객 경험, 지능 조직, 공통 기억, 실행·운영 기반을 분리한 확장형 구조입니다.
L1
채널 · 고객 경험
- Web/App
- Chat
- Dashboard
- Report
- Notification
각 레이어는 독립 책임을 가집니다.
고객 체험
점주와 본사가 보는 페이지와 Decision Card를 구성합니다. 질문, 보고서, 결재, 알림이 이 레이어에서 통합됩니다.
도메인을 이해하고
사람과 협력하여
결정을 돕는 AI Agent
주문이 몰리는 시간은 정해져 있지 않습니다

F&B의 핵심 과제는 피크타임의 판단 속도입니다.
수요 예측의 부재
주문량이 매일 달라져도 예측 근거가 없어, 준비량은 경험으로 추정합니다.
재고와 주문의 단절
판매는 POS에, 재고 차감은 다른 시스템에 기록되어 실제 남은 수량을 실시간으로 알 수 없습니다.
인력 배치의 감 의존
피크타임이 언제 올지 데이터로 보이지 않아, 인력 배치가 담당자의 감에 의존합니다.
피크타임 전에 준비를 끝내는 판단
주문, 재고, 날씨, 인력을 하나의 맥락으로 읽어, 피크타임 대비와 재고 소진 예측을 먼저 짚도록 설계되었습니다.
Ontology
ORDER
84%
relation coverage
Data schema
Data schema
Data schema
INVENTORY
consumes
STAFF
handles
WEATHER
affects
이벤트 스트림
Stream
relations mapped in realtime
DEVICE
LOG
TIME
STATUS
CC-MHYYSSPF
[날씨 → 주문] 강우 신호, 배달 가중치 적용
14:30:12
CC-MV1-2X4J
[결제] 승인 완료, ₩12,500
14:31:40
CC-MHYYSSPF
[주문 → 재고] 원두 재고 차감 연동
14:31:55
CC-MV1-2X4J
[주문] 아메리카노(HOT) 주문 접수
14:32:07
CC-MV1-2X4J
[인력 → 주문] 피크타임 인력 매칭
14:20:05
CC-MRLNBYXL
[재고] 원두 잔량 20% 감지
14:22:18
CC-MV1-2X4J
[주문] 아메리카노(HOT) 주문 접수
14:32:07
주문 폭주는 예고 없이 오지 않습니다

Delivery의 핵심 과제는 폭주 전의 준비입니다.
폭주 예측의 부재
주문 급증을 지나고 나서야 확인해, 라이더 확보와 조리 준비가 항상 한 발 늦게 시작됩니다.
조리, 배차 타이밍의 단절
조리 완료 시점과 라이더 도착 시점이 서로 어긋나, 음식이 식거나 라이더가 기다리게 됩니다.
지역별 수요 불균형
지역별 수요 변화를 실시간으로 읽지 못해, 라이더가 남는 존과 부족한 존이 동시에 생깁니다.
주문 폭주를 먼저 읽는 배차
주문 흐름과 지역 신호를 엮어 폭주를 예측하고, 라이더 배치와 조리 시작 시점을 먼저 제안하도록 설계되었습니다.
Ontology
ORDER
91%
relation coverage
Data schema
Data schema
Data schema
RIDER
pre-positions
ZONE
rebalances
KITCHEN
preps
배차 스트림
Stream
relations mapped in realtime
DEVICE
LOG
TIME
STATUS
DV-SG04-K1
[도착예정] 지연 리스크 감지, 구간 3
18:38:19
DV-KT02-P7
[주문 → 주방] 최적 조리 시작 연동, 12분
18:40:30
DV-SG04-K1
[라이더 → 존] 사전 배치 제안, 4번 존
18:41:52
DV-SG04-K1
[폭주] 주문 급증 예측 92%, 19:00
18:42:11
DV-SG04-K1
[존 → 라이더] 재배치 확정
18:32:44
DV-KT02-P7
[배차] 오늘 3,924건 판단
18:35:02
DV-SG04-K1
[폭주] 주문 급증 예측 92%, 19:00
18:42:11
결품은 창고가 아니라 구조에서 시작됩니다

Logistics의 핵심 과제는 결품 전의 움직임입니다.
임계 재고의 늦은 감지
임계치 아래로 내려간 재고를 출고 시점에야 발견해, 긴급 발주와 추가 비용으로 이어집니다.
배차와 도크의 비동기
차량 도착 시간과 도크의 상하차 슬롯이 따로 관리되어, 기사와 도크 양쪽에 대기가 쌓입니다.
수기 승인의 병목
보충 발주 기안이 사람 손을 여러 번 거치며 지연되어, 리드타임이 그만큼 길어집니다.
결품 전에 움직이는 보충과 배차
재고와 차량, 도크의 상태를 함께 읽어 결품이 생기기 전에 보충을 기안하고, 사람이 승인하는 지점을 함께 설계했습니다.
Ontology
STOCK
87%
relation coverage
Data schema
Data schema
Data schema
ROUTE
matches
DOCK
loads
STAFF
handles
운영 스트림
Stream
relations mapped in realtime
DEVICE
LOG
TIME
STATUS
LG-FL08-T2
[차량] 가동률 87%
09:05:21
LG-FL08-T2
[경로 → 도크] 상차 슬롯 매칭, 도크 04
09:08:55
LG-WH01-D4
[보충] 자동 발주 기안, 승인 대기
09:12:12
LG-WH01-D4
[재고] SKU-1042 임계치 미달
09:12:40
LG-FL08-T2
[도크 → 인력] 상하차 작업 배정
08:58:47
LG-WH01-D4
[입고] 팔레트 스캔, C 구역
09:01:03
LG-WH01-D4
[재고] SKU-1042 임계치 미달
09:12:40
빈 매대는 매출이 사라지는 순간입니다

Retail의 핵심 과제는 매대의 공백 시간입니다.
결품의 늦은 발견
빈 매대를 직원의 순회 점검으로만 확인해, 비어 있는 동안의 판매 기회를 그대로 놓칩니다.
발주와 수요의 단절
주말, 프로모션으로 달라지는 수요가 발주에 늦게 반영되어, 과잉과 결품이 반복됩니다.
진열 우선순위의 부재
어떤 매대부터 채울지 기준이 없어 감으로 결정하고, 그만큼 동선과 시간이 낭비됩니다.
빈 매대를 사전에 감지하는 운영
매대와 수요, 발주를 하나의 구조로 연결해 결품을 사전에 감지하고, 진열과 발주가 이어지도록 설계되었습니다.
Ontology
SHELF
89%
relation coverage
Data schema
Data schema
Data schema
DEMAND
forecasts
STAFF
restocks
PRICE
drives
매장 스트림
Stream
relations mapped in realtime
DEVICE
LOG
TIME
STATUS
RT-DM01-Q9
[예측 → 발주] 자동 기안 생성
11:19:52
RT-DM01-Q9
[수요] 주말 상승 예측 +18%
11:20:15
RT-ST03-A3
[보충 → 직원] 작업 배정, 3분 내 도착
11:23:48
RT-ST03-A3
[매대] 빈 슬롯 감지, 3번 통로
11:24:09
RT-DM01-Q9
[가격 → 수요] 프로모션 영향 연동
11:10:22
RT-ST03-A3
[매대] 보충 완료, B4 슬롯
11:15:36
RT-ST03-A3
[매대] 빈 슬롯 감지, 3번 통로
11:24:09
지연은 도로 위에서만 생기지 않습니다

Last mile의 핵심 과제는 지연 이후의 대응 속도입니다.
경로 재설계의 지연
정체를 만난 뒤에야 우회 경로를 찾기 시작해, 한 건의 지연이 뒤 배송 전체로 번집니다.
고객 안내의 공백
지연 사실이 고객에게 늦게 전달되어, 문의와 클레임 대응에 시간이 다시 쓰입니다.
인수인계 추적의 단절
허브를 옮겨갈 때마다 상태 기록이 끊겨, 분실이나 오배송이 생겨도 원인을 추적하기 어렵습니다.
지연을 감지하면 다시 설계되는 경로
교통과 배송 상태를 실시간으로 읽어 경로를 다시 설계하고, 고객 안내까지 하나의 흐름으로 잇도록 설계되었습니다.
Ontology
ROUTE
86%
relation coverage
Data schema
Data schema
Data schema
DRIVER
follows
TRAFFIC
affects
CUSTOMER
notified
배송 스트림
Stream
relations mapped in realtime
DEVICE
LOG
TIME
STATUS
LM-IC03-V5
[교통] 전방 정체, 구간 7
10:58:56
LM-IC08-Q2
[화물] 인수인계 스캔, 허브 2
11:01:19
LM-IC03-V5
[지연 → 고객] 선제 안내 발송
11:04:40
LM-IC03-V5
[경로] 실시간 재설계 적용
11:05:12
LM-IC03-V5
[배송] 완료 인증, 시간 준수
10:49:08
LM-IC08-Q2
[기사 → 경로] 경로 최적화 매칭
10:54:31
LM-IC03-V5
[경로] 실시간 재설계 적용
11:05:12
도입을 검토하고 계신다면,
AI Hub는 NEXTPAY의 오프라인 산업 AI 실행 플랫폼입니다. 현장에서 운영 데이터를 확보하고, 온톨로지로 데이터에 관계와 의미를 부여하고, 산업의 맥락을 아는 에이전트를 구성해, 그 판단이 실제 운영의 행동으로 이어지도록 설계되었습니다. 정해진 기능 목록을 고르는 제품이 아니라, 각 현장이 자신의 운영 방식에 맞게 AI를 설계하고 운영할 수 있는 구조를 제공합니다.
기존 도구는 대부분 데이터를 기록하고 조회하는 데서 멈춥니다. 무엇이 일어났는지는 알려주지만, 다음에 무엇을 해야 하는지는 사람의 몫으로 남습니다. AI Hub는 흩어진 데이터를 하나로 엮어 AI가 현장의 맥락을 이해하도록 하고, 그 이해를 바탕으로 다음 행동을 먼저 짚도록 설계되었습니다.
네. 대부분의 AI는 이미 정리된 데이터를 전제로 시작하지만, 오프라인 현장에는 그런 데이터가 없는 경우가 많습니다. AI Hub는 기록되지 않는 지점에는 수집 장치를 두고, 운영 중인 시스템에서는 데이터를 끌어오며, 협력사가 보유한 데이터는 연결합니다. 기업이 먼저 데이터를 정리해 건넬 필요가 없습니다.
AI Hub는 특정 업종을 위한 도구가 아니라 여러 산업 위에서 작동하도록 설계된 구조입니다. 온톨로지 구조는 그대로 두고 산업별 판단 기준과 에이전트만 교체하는 방식이라, 산업이 달라져도 처음부터 다시 구축하지 않고 확장할 수 있습니다.
모든 판단을 AI에게 맡기지 않습니다. 어떤 결정을 자동으로 실행하고 어떤 결정을 사람이 확인한 뒤 승인할지, 현장의 조건에 맞춰 함께 설계합니다. 자동화의 범위를 현장이 정할 수 있도록 하는 것이 원칙입니다.
네. 기존 장비를 교체하는 방식이 아니라, 이미 쓰고 있는 시스템 위에 운영 레이어를 더하는 방식으로 적용합니다. 한 곳에서 시작해 검증한 뒤 전체로 확장할 수 있습니다.
운영 환경을 먼저 진단합니다. 어떤 데이터가 이미 쌓이고 있는지, 어떤 시스템을 쓰고 있는지, 어떤 판단이 반복적으로 사람의 손을 거치는지 확인한 뒤, 어떤 레이어부터 적용할지 함께 결정합니다. 현장을 이해하는 전문가가 도입 설계부터 함께합니다.

우리가 하는 일
복잡한 운영을
단순한 실행으로
현장에서 일하는 모든 사람에게,
더 나은 결과를 만드는 AI의 판단을