AI에게 일을 시키려면 — 'Data Readiness'

AI가 스스로 판단하고 실행하는 시대, 관건은 모델이 아니라 '데이터를 믿고 맡길 수 있는가'입니다. 챗봇 시대와 무엇이 달라지는지, 무엇을 준비해야 하는지 짚어 봅니다.

불과 1~2년 사이, AI를 사용하는 방식이 조용히 변하고 있습니다. 우리는 얼마 전까지 AI에게 '물었습니다'. 이 문서의 내용을 요약해 달라, 이 코드가 왜 안 되는지 알려 달라. 그런데 요즘 나오는 도구들은 결이 다릅니다. 목표만 던지면 스스로 계획을 세우고, 필요한 자료를 찾아오고, 여러 단계를 이어 실행합니다. '묻는' AI에서 '시키는' AI로 넘어가고 있는 셈입니다. 이 흐름의 이름이 바로 에이전틱 AI(Agentic AI)입니다.

그런데 누군가에게 일을 '시킨다'는 것은 곧 '맡긴다'는 뜻입니다. 그리고 무언가를 맡기려면 도구와 재료를 쥐어줘야 합니다. 아무리 똑똑한 신입 사원이 들어와도 인수인계할 업무 지식이 마련돼 있지 않고 어떤 자료를 믿어야 할지 알려 주지 않으면 스스로 일을 해내지 못합니다. AI 에이전트도 똑같습니다. 이번 글에서는 에이전트 시대에 요구되는 데이터 준비성(Data Readiness)이 무엇이며, 왜 이것이 조직의 경쟁력을 가르는 갈림길이 되는지 함께 살펴보겠습니다.

Agentic AI란 무엇인가 — '답하는 AI'에서 '행동하는 AI'로

에이전틱 AI(Agentic AI)는 말 그대로 '행위 주체(agent)처럼 행동하는 AI'입니다. 사람이 목표를 주면 AI가 스스로 계획을 세우고(plan), 필요한 도구를 골라 쓰고(tool use), 실행한 뒤(act), 그 결과를 다시 반영해 다음 행동을 정하는 과정을 반복합니다. 사람이 매 단계 손을 잡아 주지 않아도 목표를 향해 스스로 굴러간다는 점이 핵심입니다.

여기서 챗봇과 에이전트를 나란히 놓고 보면 차이가 분명해집니다. 챗봇은 단발성입니다. 질문 하나에 답 하나를 내놓고 대화가 끝납니다. 반면 에이전트는 연쇄적입니다. '이번 분기 재고가 부족한 품목을 찾아 발주까지 해줘'라는 한 문장으로, 데이터를 조회하고, 판단하고, 발주 시스템을 호출하는 여러 단계를 스스로 이어 갑니다.

쉽게 말해 챗봇이 '조언자'였다면 에이전트는 '대리인'입니다. 조언자의 말은 내가 듣고 판단해서 결정하면 됩니다. 하지만 대리인은 나를 대신해 실제로 손발을 움직입니다. 이 한 끗 차이가 데이터에 요구하는 조건을 통째로 바꿔 놓습니다.


에이전트는 데이터를 '읽는' 게 아니라 '딛고 행동한다'

챗봇은 설령 틀린 답을 내놓더라도 사람이라는 최종 안전장치가 있습니다. 화면에 뜬 답이 이상하면 우리가 걸러 내고, 다시 물어보고, 고쳐서 쓰면 됩니다. AI의 오류와 실제 행동 사이에 '사람의 검토'라는 완충 장치가 있었던 셈입니다.

에이전트는 이 완충 장치를 줄이거나, 아예 없앱니다. 잘못된 데이터를 근거로 내린 판단이 곧바로 주문·이관·삭제·발송 같은 행동으로 이어지기 때문입니다. 고객 등급을 잘못 읽으면 엉뚱한 할인이 실제로 집행되고, 재고 수치가 하루 지난 값이면 이미 품절된 상품에 발주가 나갑니다. 오류가 '틀린 문장'에 머무르지 않고 '틀린 실행'이 되는 것입니다.

여기서 흔한 통념 하나를 다시 봐야 합니다. "우리 데이터는 품질이 좋으니 AI를 맞이할 준비가 됐다"는 생각입니다. 과연 그럴까요? 사람이 최종 판단을 하던 시대의 '좋은 데이터'와, AI에게 실행을 위임하는 시대의 '좋은 데이터'는 요구 수준이 다릅니다. 오류가 발생했을 때의 비용이 올라갔으니 준비해야 하는 '좋은 데이터'의 기준도 함께 올라가는 것이 당연합니다.

'Data Readiness'는 챗봇 시대와 다르게 정의된다

기존에 데이터 품질을 이야기할 때 우리는 주로 정적인 속성을 따졌습니다. 값이 정확한가, 빠짐없이 채워져 있는가, 앞뒤가 일관되는가. 물론 이 세 가지는 여전히 기본기이고, 무너지면 아무것도 성립하지 않습니다. 다만 이것만으로는 에이전트에게 일을 맡기기에 부족합니다.

에이전트에게 실행을 위임하려면, 정적 품질 위에 네 가지 조건을 더 얹어야 합니다. 정리하면 다음과 같습니다.

• 접근성과 실시간성: 맡긴 그 순간, 최신 데이터를 바로 꺼내 쓸 수 있는가
• 관계와 맥락: 데이터가 개별로 존재하는 게 아니라 데이터 사이의 의미가 연결돼 있는가
• 행동 가능성: 사람의 해석 없이도 곧바로 실행에 쓸 수 있게 정의돼 있는가
• 권한과 거버넌스 맥락: 무엇까지 해도 되는지, 무엇을 근거로 했는지 되짚을 수 있는가

이 네 가지가 에이전트 시대 데이터 준비성의 골격입니다. 하나씩 뜯어보겠습니다.

첫째, 접근성과 실시간성 — 맡긴 순간에 꺼내 쓸 수 있어야 합니다

아무리 유능한 대리인이라도, 필요한 서류가 잠긴 캐비닛 안에 있고 담당자가 열쇠를 가지고 퇴근해 버린다면 일을 진행할 수 없습니다. 데이터도 마찬가지입니다. 부서마다 흩어진 사일로에 갇혀 있거나, 하루 한 번 배치(batch)로만 갱신되는 데이터라면, 에이전트는 '지금 이 순간'의 판단을 내릴 수 없습니다.

챗봇 시대에는 어제 자 데이터로도 그럭저럭 답할 수 있었습니다. 사람이 최신 상황을 감안해 걸러 들었기 때문입니다. 하지만 에이전트가 실시간으로 발주를 넣고 고객 응대를 처리하려면, 신뢰할 수 있는 소스에도 실시간으로 닿을 수 있어야 합니다. 그래서 주목받고 있는 개념이 MCP(Model Context Protocol)입니다. MCP는 AI 모델이 외부 데이터와 도구에 표준화된 방식으로 연결되도록 돕는 규약입니다. 에이전트가 여기저기 흩어진 데이터에 일일이 맞춤 배선을 까는 대신, 약속된 통로로 필요한 자료에 닿게 해 주는 것입니다.

접근 통로가 정비되면 무엇이 좋아질까요? 에이전트가 판단의 근거를 실시간 실제 데이터에 둘 수 있게 됩니다. 추측이나 오래된 캐시가 아니라, 지금 창고에 몇 개가 남았는지를 보고 발주하는 것입니다. 위임의 첫 조건은 결국 '맡긴 순간 꺼내 쓸 수 있는가'입니다.

둘째, 관계와 맥락 — 개별 데이터가 아니라 '의미의 연결'

에이전트가 실제로 일하는 방식을 떠올려 보겠습니다. '이 고객의 이번 계약 갱신을 처리해 줘'라는 하나의 지시 안에서, 에이전트는 고객 정보, 과거 주문 이력, 진행 중인 계약, 미수금 현황을 넘나들며 판단합니다. 그런데 이 데이터들이 서로 어떻게 연결되는지가 끊겨 있다면 어떻게 될까요? 같은 고객이 시스템마다 다른 코드로 저장돼 있고, 주문과 계약이 어떤 관계인지 정의돼 있지 않다면, 에이전트는 조각들을 엉뚱하게 이어 붙여 오판합니다.

사람은 이 빈틈을 '눈치'로 메웁니다. 이름이 조금 다르게 적혀 있어도 같은 회사겠거니 짐작하고, 담당자에게 슬쩍 물어 확인합니다. 하지만 에이전트에게는 그 암묵적 맥락이 없습니다. 에이전트에게 있어서 데이터에 명시적으로 새겨져 있지 않은 관계는 존재하지 않는 관계입니다.

그래서 데이터 사이의 관계와 의미를 명시적으로 잇는 작업이 핵심 과제로 떠오릅니다. 그래프DB나 온톨로지(ontology, 개념과 개념 사이의 관계를 정의하는 체계)처럼 데이터의 연결을 다루는 기술이 다시 주목받는 이유도 여기에 있습니다. 흩어져 있는 데이터 사이에 연결선을 그어, AI가 길을 잃지 않도록 안내하는 '데이터 맥락 지도'를 마련하는 일입니다. 지도가 있으면 에이전트는 낯선 데이터 사이에서도 고객에서 계약으로, 계약에서 미수금으로 정확히 길을 찾아갑니다.

셋째, 행동 가능성 — '조회용 데이터'와 '실행 가능한 데이터'는 다릅니다

좀처럼 눈에 띄지 않는, 그러나 중요한 함정이 하나 있습니다. 사람이 보고 해석하던 데이터와, 에이전트가 보고 그대로 실행하는 데이터는 달라야 한다는 점입니다.

현장의 데이터에는 사람만 아는 암묵적 규칙이 잔뜩 배어 있습니다. 상태 코드 'H'가 사실은 보류(hold)를 뜻한다든지, 특정 금액이 마이너스로 찍히면 환불 처리라는 것을, 담당자들은 굳이 문서를 안 봐도 압니다. 사람은 이 필드를 보며 머릿속에서 자동으로 번역합니다. 하지만 에이전트는 그 암묵의 사전을 갖고 있지 않습니다. 정의되지 않은 약어와 코드를 만나면 해석하는 게 아니라 문자 그대로 실행해 버립니다.

바로 이 지점에서 데이터 표준과 메타데이터는 '있으면 좋은 것'에서 '없으면 위임이 불가능한 것'으로 격상됩니다. 코드의 의미, 필드의 정의, 값의 허용 범위가 데이터 자체에 명시돼 있어야 에이전트가 안전하게 행동할 수 있습니다. 조회용으로는 충분했던 데이터가 실행용으로는 미달일 수 있는 것입니다. 다시 말해 '사람이 읽어서 알 수 있는' 상태와 '기계가 곧바로 실행할 수 있는' 상태 사이에는 생각보다 큰 간극이 있습니다. 이 간극을 메우는 일이 곧 데이터에 '행동 가능성'을 부여하는 작업입니다.

넷째, 권한과 거버넌스 맥락 — 위임에는 '무엇까지 해도 되는가'가 따라옵니다

신입에게 업무를 맡길 때에는 일하는 법만 알려 주는 게 아닙니다. 어디까지 결재 없이 진행해도 되는지, 어떤 결정은 반드시 보고해야 하는지, 이러한 '권한의 경계'를 함께 정해 줍니다. 그리고 모든 결재와 보고에는 나중에 무슨 일이 있었는지 되짚을 수 있도록 기록을 남깁니다. 자율성이 클수록 이 안전장치는 더 촘촘해야 합니다.

에이전트에게도 똑같은 것이 필요합니다. 어떤 데이터에 접근할 수 있고 어떤 행동까지 실행할 권한이 있는지가 명확해야 합니다. 그리고 에이전트가 어떤 데이터를 근거로 무슨 판단을 내려 어떤 행동을 했는지 사후에 추적할 수 있어야 합니다. 데이터의 흐름을 따라가는 리니지(lineage)와 접근 권한 관리, 감사 기록이 여기서 핵심 역할을 합니다.

이것이 갖춰지면 조직은 에이전트에게 안심하고 더 많은 일을 맡길 수 있습니다. 문제가 생겨도 어느 단계에서 무엇이 어긋났는지 되짚어 바로잡을 수 있기 때문입니다. 처음에 이야기한 신입 비유로 돌아가 보면, 이것은 신입에게 쥐어주는 '권한 위임장'인 동시에 '업무 일지'입니다. 권한의 경계와 추적 가능성이 없는 위임은, 위임이 아니라 방치입니다.

아래 표는 지금까지 짚은 네 축이 챗봇 시대와 어떻게 달라지는지를 정리한 것입니다.

준비된 조직과 그렇지 못한 조직의 격차는 '복리'로 벌어집니다

그렇다면 이 준비 상태가 왜 '경쟁력을 결정한다'고까지 말할 수 있을까요? 핵심은 에이전트가 '반복하고 연쇄하는' 존재라는 데 있습니다.

가상의 두 회사를 놓고 생각해 보겠습니다. A사는 데이터가 실시간으로 연결돼 있고, 관계와 표준이 정비돼 있으며, 권한 체계도 잡혀 있습니다. B사는 데이터가 사일로에 갇혀 있고 정의도 제각각입니다. 두 회사가 같은 에이전트를 도입했다고 해 보겠습니다. A사의 에이전트는 하루에도 수백 건의 업무를 스스로 처리하며, 그 결과가 다시 데이터로 쌓여 다음 판단을 더 정교하게 만듭니다. 반면 B사의 에이전트는 매번 잘못된 데이터에 걸려 넘어지고, 사람이 그 뒤치다꺼리를 하느라 오히려 손이 더 갑니다.

여기서 격차는 단순히 벌어지는 게 아니라 복리로 누적됩니다. A사는 시간이 갈수록 에이전트가 더 많은 일을, 더 잘하게 됩니다. B사에서는 에이전트 도입 자체가 리스크로 뒤바뀝니다. 자동화가 실수를 증폭시키는 장치가 되기 때문입니다. 준비되지 않은 조직에게 에이전트는 생산성 도구가 아니라 사고 유발 장치에 가깝습니다. 같은 기술을 손에 쥐어도 결과가 정반대로 갈리는 지점, 바로 그곳에서 경쟁력이 결정됩니다.

다만, 준비도가 만능은 아니고 '완벽'이 목표도 아닙니다

물론 데이터만 완벽하게 준비하면 에이전트가 늘 옳은 판단을 한다는 뜻은 아닙니다. 데이터가 아무리 잘 정돈돼 있어도, 모델 자체의 환각(hallucination)이나 여러 에이전트를 조율하는 오케스트레이션 과정의 오류는 별개의 과제로 남습니다. 데이터 준비는 필요조건이지 충분조건은 아닙니다.

더 중요한 점이 있습니다. '전사 데이터를 완벽하게 정비한 뒤에 에이전트를 도입하겠다'는 접근은, 그럴듯해 보이지만 대개 첫발조차 떼지 못하게 만듭니다. 조직의 모든 데이터를 한꺼번에 완벽하게 만드는 일은 사실상 끝이 없기 때문입니다. 준비도는 절대적인 게 아니라 '용도에 상대적'입니다. 지금 에이전트에게 맡기려는 바로 그 업무가 닿는 데이터부터 준비하면 됩니다.

따라서 현실적인 전략은 전면 정비가 아니라 우선순위화입니다. 먼저 위임할 업무 영역을 좁게 정하고, 그 업무가 밟고 지나가는 데이터 경로를 집중적으로 준비합니다. 거기서 성과와 신뢰를 확인한 뒤 다음 영역으로 넓혀 갑니다. 완벽을 기다리다 아무것도 못 하는 것보다, 좁고 확실한 위임에서 시작하는 편이 훨씬 낫습니다.

그럼 무엇부터 점검해야 할까요 — 위임 리허설 체크리스트

그렇다면 우리 조직은 무엇부터 확인해야 할까요? 거창한 전략서를 펼치기 전에, 아래 네 가지를 '위임 리허설'처럼 스스로 물어보시길 권합니다.

• ① 맡길 업무를 특정했는가: 에이전트에게 위임할 업무가 '무엇이든 알아서'가 아니라 구체적으로 정의돼 있는가.
• ② 그 데이터가 실시간·표준화돼 있는가: 해당 업무가 닿는 데이터를 지금 이 순간 꺼내 쓸 수 있고, 코드·약어·정의가 명시돼 있는가.
• ③ 데이터 간 관계·의미가 연결돼 있는가: 여러 소스를 넘나드는 판단에서 에이전트가 길을 잃지 않도록 의미가 이어져 있는가.
• ④ 행동을 되짚을 체계가 있는가: 권한의 경계가 정해져 있고, 무엇을 근거로 무엇을 했는지 추적할 감사 기록이 있는가.

이 네 질문에 자신 있게 '그렇다'고 답할 수 있다면, 그 업무는 에이전트에게 맡길 준비가 된 것입니다. 하나라도 막힌다면, 바로 그 지점이 우리 조직이 가장 먼저 손봐야 할 곳입니다. 이렇게 정돈되어 에이전트가 곧바로 딛고 행동할 수 있는 상태의 데이터를 엔코아는 AI Ready Data라고 부릅니다. 거창한 전면 개조가 아니라, 이 네 질문에 답해 가는 과정이 곧 AI Ready Data로 가는 실질적인 길입니다.

준비 상태는 프로젝트가 아니라 '역량'입니다

지금까지의 이야기를 한 문장으로 압축하면 이렇습니다. 에이전트 시대의 데이터 준비성이란, 접근성·관계·행동 가능성·권한이라는 네 축 위에서 'AI에게 실행을 안심하고 맡길 수 있는가'를 묻는 것입니다. 처음에 던진 질문, "AI에게 일을 맡길 수 있으십니까"에 대한 답은 결국 모델의 똑똑함이 아니라 데이터의 준비도에 달려 있습니다. 아무리 유능한 신입도 흩어지고 정의되지 않은 정보 앞에서는 무력하듯이 말입니다.

여기서 가장 강조하고 싶은 것은 이 준비 상태가 한 번에 끝내는 프로젝트가 아니라는 점입니다. 데이터는 매일 새로 쌓이고, 조직은 변하고, 맡기는 업무의 범위도 계속 넓어집니다. 오늘 준비된 데이터가 반년 뒤에도 준비돼 있으리란 보장은 없습니다. 그래서 데이터 준비성은 완료 도장을 찍는 과업이 아니라 조직이 상시 유지하고 갱신하는 '역량'으로 봐야 합니다. 에이전트가 늘어날수록 그것을 계속 관리할 수 있는 역량이 있어야 살아 있는 자산이 됩니다.

물론 준비도가 높다고 모든 문제가 사라지는 것은 아닙니다. 모델의 한계, 여러 에이전트를 조율하는 리스크, 자율성이 커질수록 무거워지는 거버넌스의 부담은 앞으로도 함께 풀어 가야 할 숙제입니다. 다만 분명한 것은, 이 숙제조차도 잘 정돈된 데이터 위에서라야 풀 수 있다는 사실입니다. 에이전트에게 무엇을 맡길지 고민하기 전에, 우리 데이터가 그 위임을 감당할 수 있는 상태인지부터 점검해 보시길 권합니다.