월요일 오전, 영업팀 담당자 A씨는 지난주 데이터팀에서 받은 지역별 매출 데이터를 다시 들여다봅니다. 보고 자료를 다듬다 보니 이걸 월별 추이로도 쪼개서 보면, 어느 지역이 꾸준히 성장하고 있는지 보일 것 같다는 생각이 드는데요. 다시 데이터팀에 요청하자니, 어제도 ‘이 조건 하나만 더 바꿔볼 수 있을까요?’ 라고 부탁했던 게 떠올라 손을 멈추죠. ‘이번엔 그냥 지난 자료로 가야겠다’는 생각으로 메신저 창을 닫습니다. 하루에도 몇 번씩 이런 고민을 하곤 하죠.

같은 시간, 데이터팀 담당자 B는 메신저와 메일함을 열어봅니다. 주말 사이 쌓인 일회성 조회 요청은 벌써 10건이 넘는데요. “A 지역 매출만 다시 뽑아주실 수 있나요?”, “B 조건으로 바꾸면 숫자가 어떻게 나올까요?” 같은 요청들을 하나씩 처리하다 보면, 핵심 업무인 분기 데이터 모델 설계에 손댈 시간은 오후에나 생길 것 같습니다.
두 사람의 하루는 서로 다르지만, 사실 문제는 같습니다. 양쪽 모두 서로의 사정을 알기에 요청과 응대 사이에서 망설이고, 그 망설임이 쌓이는 사이 조직의 업무 효율은 조금씩 낮아지는 상황인데요. 오늘은 왜 이런 상황이 반복되는지, 그리고 데이터 쿼리 AI 에이전트가 그 사이에서 어떤 역할을 할 수 있는지 함께 알아보겠습니다.
데이터는 쌓여 있는데, 왜 바로 꺼내 쓰기 어려울까?
이 상황이 반복되는 이유는 데이터가 놓인 위치에 있습니다. 조직 데이터는 대부분 데이터베이스와 데이터 웨어하우스 안에 축적돼 있는데요. 이 안에 있는 데이터를 꺼내려면 원하는 테이블을 알고, 그 테이블의 컬럼 구조를 이해하고, 조건을 정확한 쿼리문으로 작성해야 합니다. 조직 안에서 이 모든 걸 할 수 있는 사람은 사실상 데이터팀뿐이죠. 그래서 현업은 궁금한 게 생길 때마다 데이터팀에 요청을 넣고, 데이터팀은 그 요청을 받아 쿼리를 짜고 결과를 돌려주는 구조가 자연스럽게 자리 잡은 겁니다.
현업과 데이터팀 사이, 망설임이 쌓여가는 이유
앞선 두 담당자의 입장을 조금 더 깊이 살펴보면, 양쪽이 왜 매번 망설이게 되는지 알 수 있습니다.
먼저 현업의 관점에서는, 추가 질문을 던지는 과정 자체에 보이지 않는 비용이 따라붙습니다. 1차 요청으로 받은 자료를 들여다보다가 ‘이 조건으로 한 번만 더 볼 수 있을까?’ 하는 생각이 들어도, 바로 어제 비슷한 부탁을 했던 게 떠오르면 손이 멈추죠. 당장 급한 보고가 아니라면 ‘그냥 지난 자료로 가자’는 선택이 자연스러워집니다. 이런 과정이 반복되다 보면 더 깊이 들여다볼 수 있었던 지점을 포기하고, 지금 가진 자료로만 판단하게 되는데요. 조직 입장에서는 더 정확한 근거로 내릴 수 있는 판단이, 한 발 모자란 자료 위에서 내려지는 상황이 쌓여가는 겁니다.
반대로 데이터팀의 관점에서 보면, 하루 대부분이 반복적인 일회성 조회 요청에 소진되고 있습니다. 원래라면 조직의 데이터 모델을 설계하고, 심층 분석을 통해 인사이트를 발굴해야 할 리소스가 ‘SELECT 쿼리 하나만 뽑아달라’는 요청들에 밀려 쌓이게 됩니다. 요청을 처리하지 않을 수도 없고, 그렇다고 본연의 분석 업무를 미루기도 어려운 상황이 매일 반복되죠.
결국 두 지점은 하나로 묶입니다. 질문과 답 사이에 반드시 사람의 손을 거쳐야 하는 구조가 양쪽 모두의 시간과 집중력을 소모하고 있다는 것인데요. 그렇다고 외부 AI 서비스에 조직 데이터를 그대로 올려 쓸 수도 없습니다. 조직마다 테이블 구조와 지표 정의가 다르고, 사내 용어도 다르기 때문에 일반적인 Text to SQL 수준으로는 실무에서 쓸 만한 결과가 나오지 않죠. 거기에 데이터 자체의 민감도까지 더해지면, 외부에 올리는 선택은 사실상 불가능한 조직이 많습니다.

질문과 답 사이, 다리가 필요한 때
이 상황을 바꾸려면 결국, 질문을 던지는 사람이 직접 답을 얻을 수 있어야 합니다. 다만 그 답이 실무에서 쓸 수 있는 수준이 되려면, AI가 조직의 데이터 맥락을 알고 있어야 하는데요.
같은 ‘매출’이라는 단어도 조직마다 어느 테이블의 어떤 컬럼을 뜻하는지가 다르고, ‘활성 고객’이라는 지표의 정의도 조직마다 다릅니다. 데이터팀이 오랜 시간 축적해 온 쿼리 패턴과 사내 지표 정의서가 있는 조직일수록, AI가 이 맥락을 이해한 상태에서 쿼리를 만들어 줘야 실무에서 신뢰할 수 있는 답이 나오죠. 결국 데이터 쿼리 AI의 실효성은 조직 내부의 데이터 맥락을 얼마나 반영할 수 있는가에서 갈립니다.
Data Query ACE – 조직의 데이터 맥락을 아는 쿼리 에이전트
파수 AI의 Data Query ACE는 ‘우리 조직의 데이터 맥락’을 학습해 작동하는 쿼리 에이전트입니다. 조직의 테이블 구조와 컬럼 의미, 사내 지표 정의서, 데이터팀이 축적해 온 쿼리 이력을 학습해 자연어 질문을 실행 가능한 쿼리로 변환하는데요. 어떤 테이블을 조인해야 하는지, 사내에서 ‘활성 고객’이 어떤 조건을 의미하는지를 이해한 상태에서 쿼리를 생성하고, 결과와 함께 어떤 기준으로 조회했는지까지 함께 제시합니다. 현업은 SQL을 몰라도 바로 답을 받을 수 있고, 데이터팀은 반복 조회 요청에서 벗어나 본연의 분석과 설계 업무로 돌아갈 수 있죠.
또한 Data Query ACE는 Ellm 기반의 Private 환경에서 구동되기 때문에, 그동안 외부에 올릴 수 없었던 스키마 정보와 실제 데이터를 학습 · 실행 대상으로 삼을 수 있습니다. 거기에 사용자의 데이터 접근 권한 범위 안에서만 조회가 이뤄지도록 통제돼, 조직이 원래 설계한 권한 체계가 쿼리 과정에서도 그대로 유지되죠. 누가 어떤 질문을 던지든, 그 사람이 볼 수 있는 범위 안에서만 답이 나오는 구조입니다.
필요한 순간에 데이터를 활용할 수 있도록
조직이 데이터를 잘 활용한다는 건, 쌓아둔 양이 많다는 뜻이 아니라 필요한 순간에 꺼내 쓸 수 있다는 뜻입니다. 그 ‘꺼내 쓰기’가 쉬워질수록 현업은 한 발 더 들어간 질문까지 던져볼 수 있고, 데이터팀은 반복 조회에서 벗어나 본연의 분석에 집중할 수 있는데요. 조직 전체로 보면 데이터를 근거로 판단하는 속도와 깊이가 함께 달라집니다.
조직의 데이터 맥락을 학습하고, 민감한 데이터도 안전하게 다루는 Data Query ACE — 우리 조직에 어떻게 적용될 수 있을지 궁금하시다면 아래 링크를 통해 문의해 주세요!