데이터 분석은 늘 중요했고 앞으로도 그렇습니다. 다만 그 방식은 에이전틱 AI 시대를 맞아 크게 바뀌고 있습니다. 변화의 중심에는 에이전트가 있습니다. 전문가만 데이터를 다루던 시절을 지나 현업 사용자가 셀프서비스로 분석에 참여하게 된 것이 엊그제 같은데, 이제는 데이터 탐색과 분석, 파이프라인 구성, 모델 개발까지 에이전트가 함께하는 시대로 넘어가고 있습니다.
구글 클라우드는 데이터 사용자의 역할과 업무에 따라 여러 종류의 데이터 에이전트를 제시합니다. SQL 작성과 최적화를 돕는 어시스턴트 기능, 데이터 파이프라인을 만드는 데이터 엔지니어링 에이전트, 머신러닝 모델 개발을 지원하는 데이터 사이언스 에이전트, 현업 사용자가 자연어로 데이터를 분석하도록 돕는 대화형 분석 에이전트가 대표적입니다. 그리고 이를 구현할 수 있도록 개발자가 SDK와 MCP 도구를 활용해 자체 데이터 에이전트를 만드는 환경도 제공합니다.
이번 포스팅에서는 데이터를 소비하는 현업 사용자를 위한 대화형 분석 에이전트와 이를 구현하기 위해 데이터 엔지니어나 데이터 과학자가 Data Agent Kit을 어떻게 활용할 수 있는 지에 대해 살펴보겠습니다.
셀프서비스 방식의 한계
셀프서비스 BI가 등장하며 데이터 활용의 문이 넓어졌습니다. 현업 사용자가 데이터 팀의 도움 없이 필요한 정보를 직접 찾을 수 있게 되면서 더 많은 이가 원하는 결과를 더 효율적이고 빠르게 손에 넣을 수 있게 되었습니다. 실제로 데이터 웨어하우스에 데이터를 모으고 BI 도구로 대시보드를 제공하면서 정기 보고와 지표 확인이 한결 빨라졌습니다. 이 정도 변화만으로도 효과는 분명했습니다.
한계도 뚜렷했습니다. 현업 사용자가 자율적으로 데이터를 다룰 수 있는 범위가 좁다는 한계가 있었던 것이죠. 대시보드는 미리 정의한 질문에 답하는 데 적합하지만 새로운 질문이 생기면 테이블과 지표의 의미를 아는 사람이 다시 쿼리를 짜고 화면을 추가해야 합니다. 데이터가 여러 시스템에 흩어져 있거나 형식이 다르면 분석에 앞서 파이프라인부터 새로 만들어야 하는 경우도 있습니다.
이 과정이 반복되면 데이터 팀은 적재와 정제, 대시보드 제작, 반복 질의에 시간을 빼앗깁니다. 결국 현업 사용자는 답을 기다려야 하고 대시보드와 지표가 늘어날수록 어느 결과를 기준으로 판단해야 할지 혼란스러워집니다. 셀프서비스가 겨눈‘현업 사용자의 편리한 데이터 활용’이 정작 데이터 팀이라는 병목 앞에서 멈춰 선 셈입니다. 바로 이 병목 구간을 에이전틱AI가 풀어낼 전망입니다.
대화형 분석 에이전트가 바꾸어 놓을 미래
대화형 분석 에이전트는 사용자의 자연어 요청을 이해하고 필요한 데이터를 찾아 분석을 수행합니다. SQL을 대신 작성하는 데 그치지 않고 질문의 의도를 확인하고, 관련 데이터를 찾고 분석 결과와 근거를 설명하는 단계까지 이어서 처리합니다.
현업 사용자는 테이블과 스키마를 몰라도 매출이나 반품, 고객 반응을 물어 원하는 결과를 확인할 수 있습니다. 실적 조회를 넘어 예측과 이상 탐지, 원인 분석까지 대화로 요청할 수 있습니다.
에이전트 기반 워크플로우를 특정 작업 일정이나 이벤트와 연결하면 분석 결과가 유관 부서의 후속 업무로 이어지게 할 수도 있습니다. 예를 들어 반품률이 기준을 넘으면 원인 분석을 수행하고 담당자에게 결과를 전달하는 워크플로우를 구성할 수 있습니다. 이러한 흐름이 실제 업무에서 작동하려면 데이터 소스와 분석 도구, 에이전트가 사용하는 스킬을 연결할 방법이 필요합니다. 구글 클라우드가 이를 위해 준비한 도구가 Data Agent Kit입니다.
데이터 엔지니어와 데이터 과학자를 위한 도구 모음
Data Agent Kit은 데이터 엔지니어와 데이터 과학자가 익숙한 개발 환경에서 데이터 탐색부터 파이프라인 구성, 모델 개발과 평가까지 이어 가도록 돕는 도구 모음입니다. 대화형 분석 에이전트가 현업 사용자가 자연어로 데이터를 분석하도록 돕는다면 Data Agent Kit은 그 분석에 필요한 데이터를 찾고 정제하며 파이프라인과 모델을 개발하는 실무자의 작업을 지원합니다.
Data Agent Kit은 VS Code 확장과 Gemini CLI, Claude Code, Codex 같은 터미널 기반 코딩 환경에서 사용할 수 있는 플러그인 형태로 제공됩니다. 내장된 스킬과 MCP 도구는 오픈소스로 제공되므로 조직의 환경과 사용 사례에 맞춰 수정할 수도 있습니다. 데이터 실무자는 여러 관리 화면을 오가지 않고 하나의 개발 환경 안에서 데이터 업무를 이어갈 수 있습니다.
데이터 실무자의 작업 흐름에 맞춰 Data Agent Kit을 어떻게 활용할 수 있는지 살펴보겠습니다. Data Agent Kit은 독립적인 에이전트를 새로 만드는 도구라기보다 VS Code와 CLI에서 사용하는 코딩 에이전트에 데이터 엔지니어링과 데이터 과학에 필요한 스킬과 MCP 도구를 제공하는 작업 환경에 가깝습니다.
작업은 필요한 데이터를 찾고 이해하는 단계에서 시작합니다. 구글 클라우드 프로젝트와 MCP 서버를 연결하고 BigQuery, AlloyDB, Spanner, Cloud Storage 같은 데이터 소스에 필요한 권한을 설정하면 카탈로그 뷰어에서 데이터셋과 테이블, 저장 객체, 쿼리와 작업 이력을 확인할 수 있습니다. SQL을 직접 작성하기 전에 자연어로 데이터셋의 구성과 품질을 질문하고 목적에 맞는 테이블과 컬럼을 찾을 수도 있습니다.
데이터를 확인했다면 파이프라인 구성으로 넘어갑니다. 예를 들어 결제 데이터를 정제하고 사기 탐지에 활용할 특성을 만드는 파이프라인을 요청하면, 코딩 에이전트가 Data Agent Kit의 스킬과 MCP 도구를 활용해 작업 계획과 코드, DAG를 제안합니다. 데이터 엔지니어와 데이터 과학자는 개인정보 처리 방식, 비용이 큰 쿼리, 실패 처리와 재실행 조건을 검토하고 필요한 부분을 수정합니다.
파이프라인을 실행해 데이터를 준비한 뒤에는 예측 모델을 만들고 성능을 비교하는 작업까지 이어갈 수 있습니다. 같은 업무 목표를 해결하기 위한 여러 모델을 학습한 뒤 동일한 검증 데이터를 사용해 정확도와 정밀도, 재현율, 처리 속도 등을 비교하고 업무에 가장 적합한 모델을 선택합니다. 이처럼 데이터 탐색과 전처리, 파이프라인 구성, 모델 개발과 평가가 서로 분리되지 않고 하나의 개발 환경 안에서 이어집니다.
중요한 점은 Data Agent Kit이 사람의 판단을 대신하지 않는다는 것입니다. 코딩 에이전트가 작업 계획과 코드, 파이프라인과 모델 개발을 지원하더라도 데이터 엔지니어와 데이터 과학자는 데이터 품질과 개인정보 보호, 비용, 운영 안정성, 모델 성능을 직접 검토해야 합니다.
또한, 현업 사용자를 위한 대화형 분석 에이전트를 운영하려면 기술적인 작업 흐름만 연결해서는 충분하지 않습니다. 에이전트가 참조하는 데이터가 무엇을 의미하는지, 조직이 매출과 고객, 콜 같은 지표를 어떤 기준으로 정의하는지까지 일관되게 정리해야 합니다. Data Agent Kit이 데이터 실무자의 개발 흐름을 지원한다면, 데이터 품질과 비즈니스 정의는 대화형 분석 에이전트가 신뢰할 만한 답을 내놓게 하는 기반입니다. Virgin Media O2 사례를 통해 이 기반이 왜 중요한지 살펴보겠습니다.
데이터 기반부터 다지는 것이 중요
Virgin Media O2는 모바일과 브로드밴드, TV를 합쳐 약 4,500만 개의 연결을 운영하는 영국 통신사입니다. 이 회사가 적용한 에이전트는 여러 종류 가운데 현업 사용자의 자연어 분석을 돕는 대화형 분석 에이전트 유형에 해당합니다. Virgin Media O2는 이 환경부터 서둘러 만들지 않았습니다. 먼저 여러 시스템에 흩어진 데이터를 구글 클라우드로 모으고BigQuery를 조직이 공통으로 신뢰하는 데이터 기반으로 마련했습니다.
그다음 사업 도메인별 비즈니스 계층을 구성했습니다. 매출과 고객, 콜 같은 지표가 어떤 데이터를 기준으로 계산되는지 정의하고, 조직이 같은 용어를 같은 의미로 쓰도록 정리했습니다. 덕분에 사용자가 자연어로 질문했을 때 에이전트가 테이블과 컬럼 이름만 찾는 데 그치지 않고 질문에 담긴 비즈니스 의미까지 해석할 수 있는 기반을 갖출 수 있었습니다.
데이터 기반을 다진 후 Virgin Media O2는 Gemini Enterprise와 Conversational Analytics API를 기반으로 ‘Parity’라는 자체 대화형 분석 환경을 만들었습니다. 현업 사용자가 자연어로 질문하면 Parity는 뜻이 모호한 용어를 함부로 해석하지 않고 어떤 의미로 썼는지 되묻습니다. 어떤 데이터와 분석 논리로 답을 만들었는지도 설명해 사용자가 결과를 검토하도록 돕습니다.
주목할 점이 하나 더 있습니다. 바로 에이전트를 만드는 과정 자체를 자동화했다는 것입니다. 사용자가 에이전트가 참조할 테이블을 고르면 자동화 도구가 필드별 설명과 YAML 설정을 작성합니다. 데이터 담당자가 모든 설명과 구성을 수작업으로 만들지 않아도 되므로 새로운 데이터 영역에 에이전트를 적용하는 시간이 크게 줄었습니다.
정답이 정해진 질문은 골든 쿼리로 등록했습니다. 특정 매출 지표를 조회하는 질문에 어떤 SQL을 써야 하는지 미리 검증해 두고 비슷한 질문이 들어오면 같은 질의를 생성하도록 구성한 것입니다. 자연어 표현이 달라져도 같은 업무 질문에는 같은 기준의 답을 내놓습니다.
Virgin Media O2 사례는 잘 준비한 데이터 기반의 가치를 보여 줍니다. 데이터를 한곳에 모으고, 지표의 의미를 정의하고, 대표 질문과 정답을 검증해 두어야 에이전트도 신뢰할 만한 답을 냅니다.
데이터 에이전트 활용을 검토하고 있다면?
앞서 잠시 언급한 바와 같이 구글 클라우드가 말하는 데이터 에이전트는 하나의 제품이나 기능을 뜻하지 않습니다. SQL 작성을 돕는 어시스턴트 기능부터 데이터 엔지니어링 에이전트, 데이터 사이언스 에이전트, 대화형 분석 에이전트, 조직이 직접 만드는 맞춤형 에이전트까지 목적과 사용자에 따라 종류가 달라집니다. 어떤 유형의 에이전트를 적용하건 전제 조건이 있습니다. 바로 데이터 기반이 준비되어 있어야 한다는 것입니다. BigQuery와 데이터 레이크하우스 구조, 카탈로그와 권한 체계를 점검하고 사용 사례별 비즈니스 계층과 골든 쿼리를 설계해 데이터 에이전트 시대를 준비하고자 한다면 메가존소프트 문의 포털을 통해 상담을 남겨 주세요.
