X-SYNTH: Beyond Retrieval -- Enterprise Context Synthesis from Observed Human Attention

In enterprise operations, the context required for an AI agent task is scattered across systems of record, static information stores, and communication channels. What is stored is system state, a lossy representation of the work that actually happened [2, 52]. The prevailing approach [17, 31, 34, 36] retrieves by matching request content to what is stored; for narrow requests this works well. But synthesis quality depends on knowing what to surface and how to interpret it: knowledge specific to each organization, team, and individual [5, 57, 61], present in behavioral patterns, absent from any retrieval index. For complex agentic tasks it breaks down: True Lead Rate is low, False Lead Rate is high, and the model has no mechanism to improve. We present X-SYNTH, a framework for enterprise context synthesis grounded in human attention, the digitally observable interaction signatures of each worker, encoding not just what they did but the sequence in which they did it, along with implicit reward signals. Behavioral traces preceding positive outcomes are distinguishable from those that did not, without external labeling. X-SYNTH models each individual's behavioral baseline as a Digital Twin Signature (DTS) and selects among seven qualitatively distinct attention filters: Proportional, Inverse, Differential, Recurrent, Comparative, Sequential, and Collective, per individual and per query, to identify causally relevant activity signatures. A four-stage pipeline assembles ranked context grounded in behavioral patterns rather than query embeddings. On a sales lead identification task, a frontier model unaided achieves 9.5% True Lead Rate (TLR) with 90.5% False Lead Rate (FLR). Augmented with X-SYNTH, TLR rises to 61.9% (6.5x) while FLR falls to 18.8%. Enterprise context synthesis is not a retrieval problem. It is a relevance problem, and human attention is its most reliable ground truth.

📋 한 줄 요약

**[엔터프라이즈 AI 에이전트]** 기업 컨텍스트 합성을 "검색 문제"가 아닌 "관련성 문제"로 재정의하고, 사람의 디지털 행동 흔적을 기반으로 컨텍스트를 합성하는 X-SYNTH를 제안하여 영업 리드 식별 True Lead Rate를 9.5%에서 61.9%로 끌어올렸다.

🎯 핵심 기여도

엔터프라이즈 컨텍스트 합성을 retrieval이 아닌 relevance 문제로 재정의하는 관점 제시
개인의 행동 베이스라인을 모델링하는 Digital Twin Signature(DTS) 개념 도입
7가지 정성적으로 구분되는 attention filter를 개인·쿼리별로 선택하는 메커니즘 설계
영업 리드 식별 과제에서 frontier model 대비 TLR 6.5배 향상, FLR 큰 폭 감소 실증

💡 핵심 아이디어

시스템에 저장된 데이터는 실제 일어난 일의 손실 압축이며, 무엇을 어떻게 해석할지에 대한 지식은 사람의 행동 패턴 속에 있다. 쿼리 임베딩 기반 retrieval은 이 행동적·암묵적 지식을 포착하지 못한다. 사람의 디지털 어텐션(상호작용 시퀀스, 암묵적 보상 신호)을 직접 모델링하면 긍정적 결과로 이어진 행동 흔적을 그렇지 않은 것과 구분할 수 있고, 이를 컨텍스트 합성의 ground truth로 활용할 수 있다.

🔬 기술적 접근법

Digital Twin Signature(DTS): 개인별 행동 베이스라인 모델
7가지 attention filter: Proportional / Inverse / Differential / Recurrent / Comparative / Sequential / Collective
개인 + 쿼리별로 필터 선택해 인과적으로 관련된 활동 시그니처 식별
4단계 파이프라인이 쿼리 임베딩이 아닌 행동 패턴 기반으로 컨텍스트를 랭킹·조합

📊 주요 결과

영업 리드 식별 과제 기준
Frontier model 단독: True Lead Rate 9.5%, False Lead Rate 90.5%
X-SYNTH 적용: TLR 61.9% (6.5배 향상), FLR 18.8%

💭 의의 및 한계

"엔터프라이즈 컨텍스트 = 사람의 행동"이라는 관점을 구조화된 7개 필터와 DTS로 시스템화한 점이 신선하다. 평가가 단일 영업 리드 식별 과제 중심이라 다른 엔터프라이즈 워크플로(고객 지원, 컴플라이언스, 인사)에서의 일반화 검증이 필요하며, 행동 데이터 수집의 프라이버시·거버넌스 이슈도 실제 배포 시 핵심 고려사항이다.

🚀 실용적 활용

영업 자동화, 어카운트 인텔리전스, 사내 지식 합성 에이전트, 개인화 어시스턴트 등 "시스템 기록만으로는 부족한" 기업 AI 제품에 차별화된 컨텍스트 레이어로 적용할 수 있다.