Why encore?
검색 팝업창

Blogs

Find New Value and get trendy information

엔코아 블로그에서는 최신 기술 트렌드, 엔코아 제품과 서비스 관련 정보 등
다양한 정보를 확인할 수 있습니다.

AI 에이전틱 AX? AI 레디 데이터부터 구축해야
2026.10.22 10:31
  • 작성자 관리자
  • 조회 251
AI
에이전틱 AX?
AI 레디 데이터부터 구축해야
부서마다 똑똑한 AI를 뒀는데, 왜 합치면 틀릴까요?
영업·생산·재무·고객센터까지, 요즘은 부서마다 각자의 업무에 Agentic AI를 붙이는 흐름이 빠르게 번지고 있습니다. 메일을 분류하고 수요를 예측하고 상담 이력을 요약하는 일을 에이전트에게 맡기는 조직이 늘고 있습니다. 각 부서의 반응은 대체로 비슷합니다. "우리 쪽 업무는 잘 돌아갑니다."그런데 이 결과들을 전사 차원에서 한데 모으면 이야기가 달라집니다. 영업의 수요 전망과 생산의 생산계획, 재무의 수익 추정이 미묘하게, 때로는 크게 어긋납니다.

각 부서의 에이전트는 멀쩡히 돌아가는데 말입니다. 그래서 이번 글에서는 문제를 '개별 에이전트의 성능'이 아니라 '에이전트가 먹는 데이터'로 다시 놓고, 작은 오차가 통합 단계에서 어떻게 증폭되는지, 그리고 그 편차를 줄이는 전제가 무엇인지 함께 살펴보겠습니다.

 
 
01
부서마다 에이전트를 두는 시대
Agentic AI는 스스로 목표를 잘게 쪼개 데이터를 조회하고 판단하며 행동까지 실행하는 AI를 말합니다.
단순히 질문에 답하는 것을 넘어, '수요를 예측해 생산 요청까지 넘겨라' 같은 과업을 받아 스스로 절차를 밟습니다. 이 과정에서 에이전트는 매출 테이블 같은 정형 데이터와 계약서·상담 로그 같은 비정형 데이터를 가리지 않고 읽어 들입니다.

여기서 과거와 달라진 결정적인 지점이 하나 있습니다. 사람이 직접 숫자를 다룰 때는 "이 매출은 세전이겠거니", "이 고객 목록은 최근 기준이겠거니" 하는 암묵적 보정이 늘 끼어들었습니다. 경험과 맥락으로 빈틈을 메운 셈입니다. 하지만 에이전트는 그렇게 하지 않습니다. 명시된 데이터를 명시된 그대로 소비합니다.그래서 각 부서가 데이터를 어떻게 정의해 두었는지가 곧 결과의 뼈대가 됩니다. 정의가 어긋나 있으면, 에이전트는 그 어긋남을 의심 없이 그대로 계산에 반영합니다.
 

02
작은 오차는 어떻게 '증폭’되는가
제조 현장에는 '공차 누적(tolerance stacking)'이라는 골치 아픈 문제가 있습니다. 부품 하나하나는 저마다 허용오차 범위 안에 멀쩡히 들어 있습니다. 그런데 이 부품들을 여러 개 이어 붙이면, 미세한 오차들이 한 방향으로 쌓여 완제품의 치수가 설계와 크게 틀어지는 일이 생깁니다. 부품은 모두 합격인데 조립품은 불합격입니다.
분산된 Agentic AI도 똑같은 구조에 놓입니다. 각 부서의 결과물이 부품이고, 전사 통합이 조립입니다. 문제는 부서별 오차가 서로 상쇄되리라는 기대가 자주 빗나간다는 데 있습니다. 한 부서가 '매출'을 세전으로 잡고 다른 부서가 세후로 잡으면, 두 숫자는 우연히 맞아떨어지는 게 아니라 체계적으로 같은 방향으로 어긋납니다. 비정형 데이터는 사정이 더 복잡합니다. 같은 계약서를 두고도 '계약 체결일'을 어느 부서는 서명일로, 어느 부서는 효력 발생일로 해석하면, 그 차이가 그대로 지표에 실립니다.
"개별 정확도가 95%면 충분하지 않나요?" 이렇게 물을 수 있습니다. 그렇지 않습니다. 설명을 위한 가정이지만, 각 단계가 95% 신뢰도로 다음 단계에 결과를 넘긴다고 해 보겠습니다. 세 단계만 거쳐도 복합 신뢰도는 0.95의 세제곱, 약 86%로 내려갑니다. 단계가 늘수록 더 가파르게 떨어집니다. 한 칸 한 칸은 우수한데 끝에 가면 신뢰하기 어려워지는 것입니다.

03
가상 사례로 따라가 보기
제조기업 A사를 가정해 보겠습니다. A사는 세 부서에 각각 에이전트를 두었습니다.
• 영업부 에이전트: '활성 고객'을 기준으로 다음 분기 수요를 예측
• 생산부 에이전트: 그 수요 예측을 받아 생산계획을 수립
• 재무부 에이전트: 생산계획을 바탕으로 수익과 현금흐름을 추정
세 에이전트는 각자 흠잡을 데 없이 동작합니다. 그런데 바통을 넘기는 지점마다 데이터 전제가 조금씩 어긋나 있습니다.
• '활성 고객'의 정의: 영업부는 최근 3개월 거래 고객으로 봤지만, 원천 데이터에는 12개월 기준 목록이 섞여 있었습니다. 수요가 실제보다 부풀려집니다.
• 날짜 기준: 생산부는 수요를 '주문일' 기준으로 받았는데, 생산계획은 '출고일' 기준으로 짭니다. 분기 경계에 걸친 물량이 엉뚱한 기간으로 넘어갑니다.
• 금액 단위: 재무부는 넘겨받은 매출을 세후로 간주했지만, 앞 단계 숫자는 세전이었습니다.
어느 하나도 단독 검수에서는 걸리지 않습니다. 각 부서 안에서는 숫자가 맞아떨어지기 때문입니다. 하지만 수요에서 생산으로, 생산에서 재무로 바통이 넘어갈수록 세 오차가 겹쳐 쌓이고, 전사 수익 전망은 현실과 크게 벌어집니다.
여기서 분명히 해 둘 것이 있습니다. 이건 에이전트가 없는 사실을 지어내는 '환각' 때문이 아닙니다. 세 에이전트는 주어진 데이터로 정확하게 계산했습니다.
멀쩡히 작동하는데도 데이터의 전제가 서로 어긋나 있었기 때문에 생긴 오류입니다. 그래서 더 똑똑한 모델로 바꾼다고 고쳐지지 않습니다. 틀린 전제 위에서 더 빠르고 정교하게 틀릴 뿐입니다.

04
편차를 줄이는 전제: 공통의 'AI Ready Data’
그렇다면 통합의 오차를 줄이려면 무엇을 해야 할까요? 조립의 오차를 잡으려면 부품의 공차 자체를 공통 기준으로 묶어야 하듯, 에이전트들이 먹는 데이터부터 같은 기준으로 정돈해야 합니다.
구체적으로는 부서를 넘나드는 공통 정의와 표준 용어, 데이터가 어디서 와 어떻게 가공됐는지를 보여주는 계보(리니지), 그리고 용어 사이의 의미 관계를 정리한 온톨로지가 필요합니다. '고객'이 무엇이고 '매출'이 어느 시점의 어떤 금액인지를 모든 에이전트가 같은 방식으로 이해하도록 맞추는 일입니다.
이렇게 AI가 곧바로 활용할 수 있도록 의미와 맥락이 정돈된 데이터를 'AI Ready Data'라고 부릅니다.
각 부서가 같은 '매출', 같은 '고객', 같은 '기간'을 바라보면 무엇이 좋아질까요? 통합 시점에 오차가 한 방향으로 쌓이지 않고 상쇄 가능한 범위로 수렴합니다. 결과를 다시 돌려도 같은 값이 나오니 검증과 재현이 가능해집니다. 어긋난 숫자를 사후에 손으로 맞추느라 쓰던 시간도 줄어듭니다. 다만 'AI Ready Data'가 만능은 아닙니다.
무엇을 '활성 고객'으로 볼지 합의하고 그 정의를 꾸준히 유지·관리하는 일, 즉 데이터 거버넌스는 결국 사람의 몫으로 남습니다. 기술이 대신 결정해 주지 않습니다. 데이터를 정돈하고, 의미를 부여하고, AI가 쓸 수 있게 만드는 이 흐름의 첫 단추는 사람이 끼워야 합니다.

05
합치는 순간을 미리 설계하기
분산된 Agentic AI의 진짜 리스크는 개별 에이전트가 똑똑하지 못한 데 있지 않습니다. 저마다 똑똑한 에이전트들이 서로 다른 전제 위에서 일하다가, 통합되는 순간 오차가 상쇄가 아니라 누적되는 데 있습니다. 공차가 맞지 않는 부품은 아무리 정밀하게 깎아도 좋은 완제품이 되지 못하는 것과 같습니다.
그래서 당장 해 볼 수 있는 점검은 의외로 단순합니다. 지금 우리 부서 에이전트와 옆 부서 에이전트가 같은 '고객', 같은 '매출', 같은 '기간'을 보고 있는지부터 맞춰 보는 것입니다. 정의가 어긋난 지점을 찾아내는 것만으로도 통합 품질은 눈에 띄게 달라집니다. 부서마다 에이전트를 두는 흐름은 되돌리기 어렵습니다. 자동화의 효용이 분명하기 때문입니다.
바로 그렇기에 각 부서가 공유하는 정돈된 데이터라는 공통 기준이 지금 더 급해졌습니다. 더 똑똑한 에이전트를 찾기 전에, 그 에이전트들이 같은 사실을 보고 있는지부터 확인할 때입니다.

 

이 글은 AI와 함께 고민하고 다듬어 완성한 포스팅입니다.