기업 맥락이 에이전트 분석의 답을 좌우

기업들은 AI 에이전트가 업무 질문을 조사하고 선택지를 검토해 결정을 권고하며, 작업을 실행까지 이어가는 에이전트 분석으로 나아가고 있습니다. 에이전트의 답변은 공유된 정의와 관리 데이터, 개방형 표준에 달려 있습니다. 기업은 에이전트에 조직 구조와 용어의 뜻, 소프트웨어 간 연결 방식을 알려줘야 합니다.

비즈니스 인텔리전스는 IT 부서가 만든 보고서, 셀프서비스 도구, 머신러닝을 활용한 증강 분석, 생성형 AI 코파일럿과 에이전트 등 네 단계를 거쳤습니다. 가트너는 2016년 매직 쿼드런트에서 비즈니스 사용자 중심 도구가 ‘전환점’에 이르렀다고 밝혔고, 2021년에는 플랫폼 간 차이가 증강 분석에서 나타난다고 설명했습니다. 여기에는 기계 지원 데이터 준비와 질의 생성, 인사이트 도출이 포함됩니다. 코파일럿은 일상 언어로 된 질문을 받으며, 에이전트는 후속 작업을 하고 이상 징후를 조사해 대응을 시작할 수 있습니다.

가트너는 2028년까지 일상 업무 결정의 최소 15%가 에이전트형 AI를 통해 자율적으로 이뤄질 것으로 예측했습니다. 2024년에는 이 비율이 0%였습니다. 또 2028년에는 기업용 소프트웨어 애플리케이션의 33%에 에이전트형 AI가 포함될 것으로 전망했으며, 2024년에는 1% 미만이었습니다. 에이전트는 질문에서 실행까지 업무를 이어갈 수 있고, 전문가는 모델링과 데이터 준비, 시각화가 필요한 단계를 검토합니다.

기업은 온톨로지(업무 대상과 관계를 구조화한 모델)와 시맨틱 레이어(지표 정의와 동의어, 지침을 담은 계층)로 업무 맥락을 제공할 수 있습니다. 가트너는 2030년까지 시맨틱 레이어가 데이터 플랫폼과 사이버 보안에 버금가는 핵심 인프라가 될 것으로 전망했습니다. 2025년 9월 Snowflake, Salesforce, dbt Labs, RelationalAI, BlackRock은 데이터 정의를 위한 특정 업체에 종속되지 않는 규격인 Open Semantic Interchange를 출범시켰습니다.

이 글은 2027년이 가까워지면서 분석 기능이 직원들이 쓰는 기존 도구에 내장되는 상황을 제시합니다. 예를 들어 재무 책임자가 채팅창에 질문하면 에이전트가 관리되는 정의를 확인하고 분석을 실행하며, 승인 절차가 열리고 사람은 전체 과정을 감독합니다. 데이터 과학자는 맞춤형 모델을 만들고 보고서를 조정하는 일을 계속하고, 에이전트는 반복적인 조사를 맡게 됩니다.

기업 리더에게는 투자 성과가 늦게 나타나거나 프로젝트가 취소될 가능성에 대비하라는 조언이 나왔습니다. MIT의 NANDA 이니셔티브는 ‘The GenAI Divide - State of AI in Business 2025’에서 조사 대상 기업의 AI 시범 사업 가운데 약 5%만 빠르게 매출을 늘리는 단계에 도달했다고 보고했습니다. 보고서는 학습 격차와 부실한 기업 시스템 통합을 원인으로 들었습니다. 가트너는 비용 상승, 불분명한 사업 가치, 미흡한 위험 통제를 이유로 2027년 말까지 에이전트형 AI 프로젝트의 40% 이상이 취소될 것으로 예상했습니다. 가트너는 ‘에이전트 워싱’도 지적하며, 수천 개 업체 가운데 실제 에이전트형 AI 업체는 약 130곳으로 추산했습니다.

가트너는 2030년까지 AI 에이전트 배포 실패의 50%가 AI 거버넌스 플랫폼의 실행 단계 통제 미흡에서 비롯될 것으로 전망했습니다. 제안된 통제에는 권한 설정, 감사 기록, 사용량과 비용 추적, 실제 운영 전 샌드박스 시험이 포함됩니다. 또 Deloitte가 2025년 호주 고용·노사관계부와의 계약 최종 대금을 반환하기로 한 사례도 언급했습니다. Deloitte의 보고서에서 조작된 인용이 발견된 뒤였습니다. 글은 자동으로 실행되는 에이전트가 유사한 오류를 실제 거래에 반영할 수 있다고 경고합니다.

기업은 업무 맥락을 누가 소유할지 정해야 합니다. 데이터 엔지니어는 배포와 인증 정보, 연동, 성능을 관리하고, 업무 전문가는 ‘고객’, ‘매출’, ‘활성’ 같은 지표의 의미를 정의할 수 있습니다. dbt Labs의 조이 고트는 이런 개념을 가장 잘 아는 사람은 대개 데이터 엔지니어가 아니며, 시맨틱 레이어의 소유자에 정답은 없다고 말했습니다. 예를 들어 영업 부서는 계약 체결 시 매출을 집계할 수 있지만 재무 부서는 의무가 이행된 뒤에 매출로 인정할 수 있습니다. 각 정의에 서로 다른 이름을 붙이고 담당자와 필터, 세부 수준을 기록해야 합니다. 조건 없이 매출을 물었을 때 적용할 정의를 정하고, 보통 재무 부서에서 최종 판단자를 지정하는 방법도 권고됩니다.

기업은 모든 지표에 버전을 붙이고 담당자를 명시하며 변경 이력을 보관하고, 정의가 바뀌기 전에 후속 에이전트와 대시보드에 알려야 합니다. 어떤 에이전트가 실행됐는지, 누가 사용했는지, 어떤 데이터에 접근했는지, 각 팀이 얼마를 썼는지 기록하면 잘못된 답변의 원인을 정의에서 추적하는 데 도움이 됩니다. 가트너는 조직의 절반이 AI를 사용할 것으로 전망합니다.

기업들은 AI 에이전트가 업무 질문을 조사하고 선택지를 검토해 결정을 권고하며, 작업을 실행까지 이어가는 에이전트 분석으로 나아가고 있습니다. 에이전트의 답변은 공유된 정의와 관리 데이터, 개방형 표준에 달려 있습니다. 기업은 에이전트에 조직 구조와 용어의 뜻, 소프트웨어 간 연결 방식을 알려줘야 합니다.

비즈니스 인텔리전스는 IT 부서가 만든 보고서, 셀프서비스 도구, 머신러닝을 활용한 증강 분석, 생성형 AI 코파일럿과 에이전트 등 네 단계를 거쳤습니다. 가트너는 2016년 매직 쿼드런트에서 비즈니스 사용자 중심 도구가 ‘전환점’에 이르렀다고 밝혔고, 2021년에는 플랫폼 간 차이가 증강 분석에서 나타난다고 설명했습니다. 여기에는 기계 지원 데이터 준비와 질의 생성, 인사이트 도출이 포함됩니다. 코파일럿은 일상 언어로 된 질문을 받으며, 에이전트는 후속 작업을 하고 이상 징후를 조사해 대응을 시작할 수 있습니다.

가트너는 2028년까지 일상 업무 결정의 최소 15%가 에이전트형 AI를 통해 자율적으로 이뤄질 것으로 예측했습니다. 2024년에는 이 비율이 0%였습니다. 또 2028년에는 기업용 소프트웨어 애플리케이션의 33%에 에이전트형 AI가 포함될 것으로 전망했으며, 2024년에는 1% 미만이었습니다. 에이전트는 질문에서 실행까지 업무를 이어갈 수 있고, 전문가는 모델링과 데이터 준비, 시각화가 필요한 단계를 검토합니다.

기업은 온톨로지(업무 대상과 관계를 구조화한 모델)와 시맨틱 레이어(지표 정의와 동의어, 지침을 담은 계층)로 업무 맥락을 제공할 수 있습니다. 가트너는 2030년까지 시맨틱 레이어가 데이터 플랫폼과 사이버 보안에 버금가는 핵심 인프라가 될 것으로 전망했습니다. 2025년 9월 Snowflake, Salesforce, dbt Labs, RelationalAI, BlackRock은 데이터 정의를 위한 특정 업체에 종속되지 않는 규격인 Open Semantic Interchange를 출범시켰습니다.

이 글은 2027년이 가까워지면서 분석 기능이 직원들이 쓰는 기존 도구에 내장되는 상황을 제시합니다. 예를 들어 재무 책임자가 채팅창에 질문하면 에이전트가 관리되는 정의를 확인하고 분석을 실행하며, 승인 절차가 열리고 사람은 전체 과정을 감독합니다. 데이터 과학자는 맞춤형 모델을 만들고 보고서를 조정하는 일을 계속하고, 에이전트는 반복적인 조사를 맡게 됩니다.

기업 리더에게는 투자 성과가 늦게 나타나거나 프로젝트가 취소될 가능성에 대비하라는 조언이 나왔습니다. MIT의 NANDA 이니셔티브는 ‘The GenAI Divide - State of AI in Business 2025’에서 조사 대상 기업의 AI 시범 사업 가운데 약 5%만 빠르게 매출을 늘리는 단계에 도달했다고 보고했습니다. 보고서는 학습 격차와 부실한 기업 시스템 통합을 원인으로 들었습니다. 가트너는 비용 상승, 불분명한 사업 가치, 미흡한 위험 통제를 이유로 2027년 말까지 에이전트형 AI 프로젝트의 40% 이상이 취소될 것으로 예상했습니다. 가트너는 ‘에이전트 워싱’도 지적하며, 수천 개 업체 가운데 실제 에이전트형 AI 업체는 약 130곳으로 추산했습니다.

가트너는 2030년까지 AI 에이전트 배포 실패의 50%가 AI 거버넌스 플랫폼의 실행 단계 통제 미흡에서 비롯될 것으로 전망했습니다. 제안된 통제에는 권한 설정, 감사 기록, 사용량과 비용 추적, 실제 운영 전 샌드박스 시험이 포함됩니다. 또 Deloitte가 2025년 호주 고용·노사관계부와의 계약 최종 대금을 반환하기로 한 사례도 언급했습니다. Deloitte의 보고서에서 조작된 인용이 발견된 뒤였습니다. 글은 자동으로 실행되는 에이전트가 유사한 오류를 실제 거래에 반영할 수 있다고 경고합니다.

기업은 업무 맥락을 누가 소유할지 정해야 합니다. 데이터 엔지니어는 배포와 인증 정보, 연동, 성능을 관리하고, 업무 전문가는 ‘고객’, ‘매출’, ‘활성’ 같은 지표의 의미를 정의할 수 있습니다. dbt Labs의 조이 고트는 이런 개념을 가장 잘 아는 사람은 대개 데이터 엔지니어가 아니며, 시맨틱 레이어의 소유자에 정답은 없다고 말했습니다. 예를 들어 영업 부서는 계약 체결 시 매출을 집계할 수 있지만 재무 부서는 의무가 이행된 뒤에 매출로 인정할 수 있습니다. 각 정의에 서로 다른 이름을 붙이고 담당자와 필터, 세부 수준을 기록해야 합니다. 조건 없이 매출을 물었을 때 적용할 정의를 정하고, 보통 재무 부서에서 최종 판단자를 지정하는 방법도 권고됩니다.

기업은 모든 지표에 버전을 붙이고 담당자를 명시하며 변경 이력을 보관하고, 정의가 바뀌기 전에 후속 에이전트와 대시보드에 알려야 합니다. 어떤 에이전트가 실행됐는지, 누가 사용했는지, 어떤 데이터에 접근했는지, 각 팀이 얼마를 썼는지 기록하면 잘못된 답변의 원인을 정의에서 추적하는 데 도움이 됩니다. 가트너는 조직의 절반이 AI를 사용할 것으로 전망합니다.