AI Ready Data가 바꾸는 것

데이터를 찾고 맞추는 데 쓰던 시간이 사라진다면, 데이터로 일하는 사람의 하루는 어떻게 달라질까요? AI Ready Data로 달라지는 탐색·분석·협업의 모습을 살펴봅니다.

데이터 분석가의 하루를 따라가 보겠습니다. 오전에는 필요한 데이터가 어느 시스템, 어느 테이블에 있는지부터 수소문합니다. 겨우 찾아내고 나면 이번에는 부서마다 다르게 붙인 코드값을 맞추고, 비어 있거나 중복된 행을 손봅니다. 그렇게 데이터를 분석할 수 있는 상태로 만들다 보면 어느새 점심시간입니다. 정작 '무엇을 분석할 것인가'라는 본래의 일은 오후로 밀려납니다.

그런데 그 준비가 이미 끝나 있다면 어떨까요. 데이터가 어디에 있고, 무엇을 뜻하며, 서로 어떻게 이어지는지 미리 정돈된 상태라면 말입니다. 증거를 모으는 일과 추리하는 일은 엄연히 다릅니다. 이 글에서는 그런 데이터, 즉 'AI Ready Data'가 갖춰졌다는 가정 아래 데이터로 일하는 사람의 하루가 어떻게 달라지는지를 함께 그려 보겠습니다.

하루가 '분석' 아닌 '준비'로 끝나는 이유

데이터 분석에는 서로 다른 성격의 세 가지 일이 섞여 있습니다. 필요한 데이터를 찾아내는 일(접근성), 흩어진 데이터의 값과 형식을 맞추는 일(품질·표준), 그리고 데이터끼리 어떻게 연결되는지 파악하는 일(맥락)입니다. 앞의 두 가지는 분석을 위한 준비이고, 세 번째부터가 분석의 입구입니다.

문제는 여기서 생깁니다. 준비 단계가 분석에 쓸 시간을 잠식합니다. 데이터 분석가가 분석 자체보다 데이터를 찾고 정리하는 데 더 많은 시간을 쓴다는 것은 흔한 이야기입니다. 질문을 세우고 결과를 해석하는 진짜 역량을 발휘하기도 전에, 하루의 상당 부분이 사전 작업에 소모되는 셈입니다.

탐정의 역할에 비유해보면 분명해집니다. 명탐정의 값어치는 흩어진 단서를 꿰어 범인을 지목하는 추리에 있습니다. 그런데 현장 곳곳을 뒤져 증거를 수집하고 서로 어긋나는 진술을 대조해 정리하는 데 하루를 다 써 버린다면 추리할 시간은 남지 않습니다. 오늘날 많은 분석가가 바로 이 상태에 놓여 있습니다. 준비 노동이 판단 노동을 밀어내는 구조, 이것이 우리가 먼저 짚어야 할 진짜 문제입니다.

'준비됐다'는 것은 무엇을 뜻하나

그렇다면 데이터가 준비됐다는 말은 정확히 무슨 뜻일까요? 엔코아가 얘기하는 AI Ready Data란 AI가 곧바로 활용할 수 있도록 의미와 맥락, 신뢰성이 정돈된 데이터를 말합니다. 사람이 한참 손봐야 쓸 수 있는 날것의 데이터가 아니라, 꺼내는 순간 바로 분석에 투입할 수 있는 데이터입니다.

분석가의 관점에서 풀어보면 이미 네 단계가 채워진 데이터를 의미합니다.

• 접근: 어디에 있는지 찾아 헤맬 필요가 없습니다.
• 의미: 이 값이 무엇을 뜻하는지 정의가 통일돼 있습니다. 용어의 뜻을 데이터 위에 얹어 두는 이 계층을 의미 계층(시맨틱 레이어)이라고 부릅니다.
• 관계: 데이터끼리 어떻게 이어지는지가 미리 그려져 있습니다. 이 관계망이 곧 '데이터 맥락 지도', 즉 데이터가 서로 어떤 의미로 연결되는지를 보여 주는 지도입니다.
• 신뢰: 이 데이터가 어디서 와서 어떻게 가공됐는지의 이력(리니지)이 남아 있어 믿고 쓸 수 있습니다.

앞의 탐정 비유를 이어 가면, 완벽하게 목록화되고 교차 참조까지 끝난 증거품 보관실과 같습니다. 어떤 단서가 어디 있고, 어느 사건과 엮이는지가 라벨로 붙어 있는 방입니다. 다만 오해는 없어야 합니다. 이것은 모든 문제가 저절로 풀리는 해답지가 아니라, 분석을 시작할 조건이 갖춰진 상태일 뿐입니다.

질문이 빨라진다

준비가 끝난 데이터 위에서 가장 먼저 달라지는 것은 속도입니다. 정확히는 찾고 데이터를 준비하는 단계가 사라지면서, 질문을 떠올린 순간부터 첫 결과를 손에 쥐기까지의 시간이 크게 줄어듭니다.

핵심은 의미의 통일입니다. 가령 '가입자'라는 개념을 생각해 보겠습니다. 예전에는 회원 테이블, 결제 테이블, 상담 이력 테이블에서 이 개념이 저마다 다른 이름과 기준으로 저장돼 있었습니다. 그래서 분석에 앞서 "여기서 가입자란 무엇을 말하는가"부터 관련 부서와 합의해야 했습니다. 의미 계층이 갖춰지면 이 합의가 이미 데이터 안에 들어 있습니다. 어느 테이블에서 부르든 가입자는 하나의 정의로 연결됩니다.

이것이 준비되면 분석가는 가설을 떠올리는 즉시 검증할 수 있게 됩니다. "이탈한 고객은 가입 후 첫 달 상담 횟수가 적지 않았을까"라는 물음이 떠오르면, 데이터를 수배하는 대신 곧바로 질문을 던져 봅니다. 아니라면 다음 가설로 넘어갑니다. 그러면 한정된 하루 안에서 시도할 수 있는 탐색의 횟수가 늘어납니다. 탐색을 많이 돌려보게 되니 뜻밖의 통찰과 마주칠 확률도 함께 올라갑니다. 속도의 진짜 가치는 빨리 끝내는 데 있지 않고, 더 많이 물어보게 된다는 데 있습니다.

분석이 깊어진다

속도

다음은 깊이입니다. 관계가 미리 이어져 있으면 분석가가 던질 질문의 종류 자체가 달라집니다.

기존 방식에서 데이터를 잇는 일은 만만치 않았습니다. 여러 테이블을 키로 연결하는 JOIN을 겹겹이 쌓다 보면 쿼리는 길어지고, 어디서 관계가 어긋났는지 찾느라 시간을 흘려보내기 일쑤였습니다. 관계를 다루는 데 힘을 다 써서 정작 관계를 해석할 여력이 없는 상황입니다. 그래프와 온톨로지로 데이터 사이의 관계가 미리 정의돼 있으면 이야기가 달라집니다. 그래프는 데이터를 점과 점을 잇는 선의 형태로 다루는 방식이고, 온톨로지는 그 관계에 '무엇이 무엇의 상위 개념인가' 같은 의미 규칙을 부여한 체계입니다. 연결이 이미 그려져 있으니, 분석가는 연결을 만드는 대신 연결에 관해 질문하게 됩니다.

두 가지 예로 살펴보겠습니다.

• 한 고객이 웹, 앱, 매장, 상담센터에 남긴 흔적이 각기 다른 시스템에 흩어져 있어도, 관계가 이어져 있으면 이들을 하나의 여정으로 꿰어 보게 됩니다. "어느 접점을 거친 고객이 결국 무엇을 했는가"를 통째로 묻는 일이 가능해집니다.
• 온톨로지가 상위·하위 개념을 정의하고 있으면, '무선 이어폰'을 산 고객을 물었을 때 그것이 음향기기이자 전자제품이라는 사실을 데이터가 스스로 따라 올라가며 답을 넓혀 줍니다. 일일이 분류 코드를 나열하지 않아도 됩니다.

이 변화로 분석의 층위가 올라갑니다. '무엇이 얼마나 팔렸나'를 세던 자리에서 '왜, 어떻게 이어졌나'를 해석하게 됩니다. 다만 관계 분석이 인과를 저절로 증명해 주지는 않습니다. 데이터가 보여 주는 것은 연결의 구조이지 원인 그 자체가 아니며, 그 연결을 인과로 읽어도 되는지 판단하는 일은 여전히 분석가의 몫입니다.


함께 일하는 상대가 바뀐다

준비된 데이터 위에서는 함께 일하는 상대도 바뀝니다. AI 에이전트가 분석의 동료로 들어옵니다.

배경에는 대형언어모델(LLM, Large Language Model)이 데이터에 접근하는 방식의 발전이 있습니다. 최근에는 MCP(Model Context Protocol)라는 표준을 통해 LLM이 외부 데이터와 도구에 연결됩니다. 데이터에 의미와 맥락이 정돈돼 있으면, LLM은 이 통로로 데이터를 읽어 자연어 지시만으로 1차 분석을 수행합니다. "지난 분기 이탈 고객의 공통점을 접점별로 정리해 줘"라고 말로 시키는 일이 가능해지는 것입니다.

그러면 분석가의 자리는 어떻게 옮겨 갈까요? 과거에는 챗봇에 무언가를 '물어보는' 정도였다면, 이제는 에이전트에게 분석을 '시키고' 그 결과를 다루는 쪽으로 넘어갑니다. 쿼리를 손수 짜기보다 질문을 설계하고 결과를 검증하며 의미를 해석하는 감독자의 일에 힘을 쏟게 됩니다.

그렇다면 분석가는 필요 없어질까요? 오히려 반대입니다. AI가 1차 작업을 빠르게 처리할수록, 그 결과가 맞는지 가려낼 사람의 역할이 더 중요해집니다. AI는 그럴듯하지만 틀린 답을 내놓을 때가 있고, 이를 알아채려면 데이터의 맥락과 업무의 사정을 아는 사람이 필요합니다. 데이터가 준비되면 에이전트의 성능이 좋아지고 분석가의 일도 판단 쪽으로 옮겨갈 수 있습니다. 일이 사라지는 것이 아니라 일의 무게중심이 옮겨 가는 것입니다.

그래도 바뀌지 않는 것

바뀌지 않는 것도 있습니다. 준비된 데이터로 일이 편해지는 것은 분명하지만, 분석가의 판단까지 데이터가 대신하지는 않습니다. 오히려 판단의 몫은 더 도드라집니다.

• 우선 전제 자체가 완벽할 수 없습니다. '데이터 맥락 지도'는 한 번 그리고 끝나는 것이 아니라, 사업이 바뀌고 데이터가 흘러가면서 계속 갱신해야 합니다. 현실이 변하는데 지도가 옛 상태에 머물면(Data Drift) 준비됐다는 믿음이 도리어 오판을 부릅니다.
• 좋은 질문은 사람이 던집니다. 무엇을 물을지, 어떤 문제를 풀 가치가 있는지 정하는 일은 데이터가 대신해 주지 않습니다. 준비된 데이터는 답을 빠르게 줄 뿐, 물음을 대신 세워 주지는 않습니다.
• 검증의 책임도 사람에게 남습니다. 앞서 말했듯 AI는 그럴듯하게 틀릴 수 있고, 관계 분석은 상관을 인과로 착각하게 만들 수 있습니다. 결과를 의심하고 되짚는 비판적 시선은 자동화의 바깥에 있습니다.

준비된 데이터는 분석가에게서 잡일을 덜어 주는 도구이지, 분석가를 대체하는 존재가 아닙니다. 덜어 낸 자리를 채우는 것은 결국 더 깊은 판단입니다. 편해진 만큼 사람이 감당해야 할 몫은 오히려 무거워진다는 점을, 준비된 데이터를 반기기 전에 함께 기억해 둘 필요가 있습니다.

데이터가 바뀌면, 분석가가 분석가다워집니다

준비가 끝난 AI Ready Data 위에서 분석가는 찾고 맞추는 대신 묻고 잇고 해석하는 데에 시간을 쓸 수 있게 됩니다. 질문에 속도가 붙고 분석의 깊이가 더해지며 AI 에이전트라는 동료와 협력합니다. 증거가 말끔히 정리되는 순간 탐정의 진짜 일, 곧 추리가 비로소 시작됩니다.

그리고 그 모든 변화의 한복판에서 좋은 질문과 비판적 검증이라는 사람의 몫에 집중할 수 있습니다. 'AI Ready Data'가 바꾸는 것의 핵심도 여기에 있습니다. 분석가를 밀어내는 것이 아니라, 잡일에 묶여 있던 분석가를 다시 분석가답게 되돌려 놓는 것입니다.

AI 도입이 가속화되는 시점에서 우리 조직의 데이터는 이 그림에 얼마나 가까운 지 한 번 점검해보세요. 만약 지금도 하루의 대부분을 데이터 준비에 쏟고 있다면, 바꿔야 할 대상은 분석 도구나 분석가의 역량이 아니라 데이터의 준비 상태입니다. 데이터에 의미와 맥락, 신뢰를 얹어 AI Ready Data와 데이터 맥락 지도를 갖추는 일, 거기서부터 분석가의 하루가 달라지기 시작합니다.