에이전트형 AI를 위한 데이터 준비하기

사람이 경험으로 알아채던 데이터 오류와 업무 맥락을 에이전트가 스스로 보완하리라 기대할 수는 없음. 데이터의 품질과 의미, 사용 권한을 시스템에 명시해야 함 데이터의 형식과 최신성, 품질 기준을 데이터 계약으로 검증하고, 통과하지 못한 데이터는 에이전트에 전달하지 않음. 모델이 자신 있게 답하더라도 데이터가 기준을 어기면 사람에게 넘겨야 함 매출 계산법, 고객의 정의, 환불 조건 등을 버전 관리되는 공통 정의로 만들어, 에이전트가 요청마다 업무 규칙과 데이터 구조를 추측하지 않도록 함 접근 범위는 문서 검색, 실시간 조회, 쓰기 작업으로 나눠 단계적으로 확대함. 검색한 문서는 판단 자료일 뿐이며, 실행 허용 여부는 미리 정한 규칙과 실행 직전의 실제 상태로 검사함 자율성은 테스트와 운영 근거를 쌓으며 늘리되, 무엇을 왜 했는지 추적하는 기록은 첫날부터 갖춰야 함. 데이터 계약과 업무 정의, 권한을 지속적으로 관리할 담당자도 필요함 인간을 위한 데이터와 에이전트를 위한 데이터의 차이 지난 30여 년간 대시보드, 보고서, 분석 쿼리는 인간 소비자를 중심으로 설계됨 분석가는 조직에서 매출이 무엇을 뜻하는지, 어떤 테이블을 피해야 하는지 알고, 이상한 숫자나 날짜를 발견하면 동료에게 확인함 에이전트에는 이런 조직 지식과 직관이 없으므로 맥락을 명시하고, 필요한 시점에 데이터에 접근할 수 있게 하며, 신뢰할 수 있는 품질을 보장해야 함 사람이 이상한 데이터를 보고 멈추는 것과 달리, 에이전트는 그 데이터를 바탕으로 확신을 가지고 실행함. 인간이 암묵적으로 수행하던 일을 다음 다섯 속성으로 데이터 아키텍처에 옮겨야 함 신뢰성: 에이전트가 보기 전에 정확성, 최신성을 확보하고 검증을 마쳐야 함 맥락: 반품을 차감한 매출인지, 회계연도가 2월에 시작하는지 같은 의미를 명시함 추적 가능성: 어떤 행동을 왜 했는지 사후에 재구성할 수 있어야 함 거버넌스: 접근 범위를 설계로 제한하고 통제하며 감사할 수 있어야 함 실행 가능성: 읽는 데 그치지 않고 실제 작업을 수행할 수 있어야 함 구현 순서는 데이터 계약과 품질 → 추적과 거버넌스 → 맥락 계층 → 실행 가능한 접근으로 진행하되, 관측 가능성은 모든 단계에 함께 적용함 데이터 계약으로 잘못된 값과 오래된 데이터 차단하기 가격이 전날 49.99달러에서 59.99달러로 바뀌었지만 데이터가 갱신되지 않았다면, 가격 에이전트는 이전 가격을 안내해 판매 건당 10달러 손실을 만들 수 있...