데이터 분석의 민주화. Snowflake Cortex로 시작하는 AI 에이전트 활용의 최전선

데이터 분석 업무의 속인성과 비효율성에 시달리는 기업이 많습니다. 한정된 엔지니어에게 의뢰가 집중되어 사업 부문의 의사 결정이 지연됩니다——. enableX의 구라모토 가쿠 집행임원이 이 근본적인 과제를 AI 에이전트로 해결하는 비전과 그 실현으로 가는 길에 대해 이야기했습니다.

데이터 분석 현장이 안고 있는 구조적 과제

——현재의 데이터 분석 업무에는 어떤 과제가 있습니까?

구라모토 씨: 많은 기업에서 데이터 분석 업무는 한정된 인재에 의존하고 있습니다. 사내 엔지니어에게 의뢰가 쇄도하여 대응 대기가 발생하고, 그 사이 사업 부문의 검토가 멈춰 버립니다. 이러한 일이 일상적으로 일어나고 있습니다.

더욱 심각한 것은 인재 리스크입니다. 스페셜리스트가 이직하거나 휴직하면 업무가 돌아가지 않게 됩니다. 채용 계획이 미달된 경우도 마찬가지입니다. 데이터 드리븐 경영이 강조되는 가운데, 이 구조적인 문제는 기업의 경쟁력을 크게 깎아내리고 있습니다.

——AI 에이전트가 그 해결책이 된다는 말씀이군요.

구라모토 씨: 그렇습니다. AI 에이전트에는 인간에게 없는 강점이 있습니다. 그만두지 않고, 24시간 365일 가동 가능하며, 한 번 학습한 것은 잊지 않고, 그리고 'Yes만 말한다'는 점입니다. 농담처럼 들리지만, 사실은 중요한 포인트입니다.

저희가 지향하는 것은 자연어로 AI 에이전트에게 지시하는 것만으로 데이터의 추출·시각화가 가능한 환경입니다. 예를 들어 '매출 상위 5개 카테고리의 향후 1년간 예측'이라고 입력하면 즉시 결과를 얻을 수 있습니다. 리드 타임을 대폭 단축할 수 있게 됩니다.

권한 관리와 거버넌스라는 벽

——이상적으로 들리지만, 실제 구현에는 과제도 있을 것 같습니다.

구라모토 씨: 말씀하신 대로입니다. 최대의 과제는 권한 관리와 데이터 거버넌스입니다. 현재의 권한 관리 시스템은 인간이 개재하는 것을 전제로 설계되어 있습니다. AI 에이전트를 도입할 때, 요청자의 권한에 따른 결과의 차등 제공이나 데이터 거버넌스의 유지가 중요한 검토 사항이 됩니다.

특히 상장 기업에서는 코퍼레이트 거버넌스, 내부자 정보 관리, IR 정보의 정확성 확보라는 관점에서, 개인이 AI 에이전트를 통해 데이터 웨어하우스에 액세스하는 것에는 구조적인 과제가 있습니다.

——구체적으로는 어떤 과제입니까?

구라모토 씨: 예를 들어 dbt(데이터 빌드 툴)의 구조를 이용하는 경우, 요청자가 액세스 가능한 범위에서 데이터 마트를 작성할 필요가 있습니다. 또한 BI 툴 측과 데이터 소스 측 양쪽에서의 권한 관리가 필요합니다.

또한 AI 에이전트가 모든 데이터에 액세스할 수 있는 경우, 개별 사용자의 권한과 모순이 발생합니다. 그렇다고 해서 지나치게 제한하면 AI의 가치가 사라집니다. 이 딜레마를 어떻게 해결할 것인가가 관건입니다.

단계적 접근: GA4부터 시작하는 이유

——어떻게 이 과제를 극복해 나갑니까?

구라모토 씨: 저희는 단계적인 접근을 제안하고 있습니다. 우선 GA4(Google Analytics 4)의 데이터부터 시작합니다.

GA4를 선택한 이유는 세 가지입니다. 첫째, 도메인성의 낮음. 전 세계적으로 사용되는 표준적인 툴이므로 특수한 전문 지식의 필요성이 비교적 낮습니다. 둘째, 기법의 난이도가 낮음. 기본적으로 집계 작업이 중심이며, 고도의 통계나 머신러닝 모델을 필수로 하지 않습니다. 셋째, 활용 목적이 명확함. 마케팅 시책의 효과 측정 등 목적이 심플하고 명확합니다.

——센트럴 조직부터 도입한다는 말씀이군요.

구라모토 씨: 그렇습니다. 단번에 전사 전개를 하는 것이 아니라, 센트럴 분석 조직부터 단계적으로 도입함으로써, 거버넌스를 유지하면서 효율화를 도모할 수 있습니다.

중요한 것은 각 사용자가 액세스할 수 있는 데이터 범위 내에서의 분석을 철저히 하는 것입니다. 이것이 AI 에이전트 활용의 전제가 됩니다.

용어 정의의 통일이라는 간과되기 쉬운 과제

——그 밖에도 주의해야 할 점이 있습니까?

구라모토 씨: 사실 AI에 의한 용어 해석의 차이라는 큰 과제가 있습니다. 같은 '매출'이라는 말이라도, 마케팅 부문은 '발생 매출(주문 시점)', 재무 부문은 '실현 매출(입금 시점)', 상품 기획 부문은 '유효한 매출(반품 제외)'로 해석하는 경우가 있습니다.

AI 에이전트는 사용자의 지시에 충실히 따르기 때문에, 이러한 해석의 차이가 그대로 분석 결과의 차이가 되어 버립니다. 조직 전체에서 공통의 정의가 확립되어 있지 않으면 부문 간에 다른 분석 결과가 생겨나, 의사 결정에 혼란을 초래합니다.

——거버넌스의 본질적인 과제이군요.

구라모토 씨: 말씀하신 대로입니다. 이것은 AI 특유의 문제라기보다는 조직의 통치 구조에 관련된 과제입니다. 그렇기 때문에 기술 도입과 동시에 데이터 거버넌스의 정비가 불가결한 것입니다.

구현으로 가는 구체적인 로드맵

——구체적인 도입 프로세스를 알려 주시기 바랍니다.

구라모토 씨: 저희의 제안은 크게 두 가지 페이즈로 나뉩니다.

제1 페이즈는 'AI 활용 플래닝'과 'GA4를 이용한 데모 환경 구축'입니다. 우선 현재의 데이터 환경을 조사하고, AI 에이전트 연계 시나리오를 검토합니다. 그 위에서 GA4 데이터를 사용한 구체적인 PoC(개념 실증)를 실시합니다.

——PoC에서는 어떤 검증을 진행합니까?

구라모토 씨: 예를 들어 '카테고리별 매출·월별·전년 동기 대비' 같은 분석을, AI 에이전트가 얼마나 정확하고 효율적으로 실행할 수 있는지를 검증합니다. BigQuery 연동이 가능한 경우에는 접속 설정을 하고, 불가능한 경우에는 GA4에서 데이터를 다운로드하여 클렌징을 실시합니다.

중요한 것은 과거의 GA4 리포트나 전형적인 분석 태스크를 AI 에이전트가 재현할 수 있도록 프롬프트 엔지니어링과, GA4의 이벤트 설계 등의 재검토를 병행해서 진행하는 것입니다. 학습과 튜닝을 거듭하여 실용 레벨까지 정확도를 끌어올려 나갑니다.

Snowflake Cortex라는 현실적인 선택지

——기술적인 어프로치에 대해 알려 주시기 바랍니다.

구라모토 씨: 사실 많은 기업에서는 MCP(Model Context Protocol)를 사용하기 전에, Snowflake Cortex부터 시작하는 경우가 많습니다.

Snowflake Cortex는 Snowflake가 제공하는 AI 기능으로, 데이터가 이미 Snowflake 상에 있는 기업에게는 보다 현실적인 선택지가 됩니다. 보안이나 거버넌스의 관점에서도 기존 Snowflake 환경 내에서 완결되기 때문에, 도입의 허들이 낮습니다.

——MCP와의 차이는 무엇입니까?

구라모토 씨: MCP는 범용적인 프로토콜로, 다양한 AI 에이전트와 데이터베이스를 접속할 수 있지만, 새롭게 MCP Server를 구축할 필요가 있습니다. 더욱이 아직 비교적 새로운 개념이기 때문에 보안 측면에서 구축에 신중해지는 기업이 많습니다.

한편 Snowflake Cortex는 이미 Snowflake 환경에 통합되어 있기 때문에 추가적인 인프라 구축이 불필요합니다.

특히 Snowflake를 중심으로 한 데이터 기반을 보유한 기업에서는, 우선 Cortex로 AI 활용의 가치를 실증하고, 그 후 필요에 따라 MCP 등 보다 고도의 구조로 이행하는 어프로치가 현실적입니다.

데이터 분석 워크플로우의 혁신으로

——최종적으로 지향하는 모습을 알려 주시기 바랍니다.

구라모토 씨: 저희가 지향하는 것은 데이터 분석 워크플로우의 혁신, 개발 프로세스의 자동화, 그리고 비즈니스 지견의 탈속인화입니다.

예를 들어 사내 엔지니어가 '비 오는 날에 매출이 늘어나는 상품 카테고리와 그 요인을 특정하고 싶다'는 테마를 던지면, AI 에이전트가 필요한 테이블을 특정하고, 조인 키를 설정하고, 전처리를 진행하여 SQL을 자동 생성합니다. 더 나아가 시각화까지 수행하게 됩니다.

——인간의 역할은 어떻게 변합니까?

구라모토 씨: 인간은 보다 창조적이고 가치 높은 일에 집중할 수 있게 됩니다. 데이터의 수집이나 가공과 같은 작업에서 해방되어, 인사이트의 발견이나 전략 입안에 시간을 쓸 수 있습니다.

중요한 것은 AI 에이전트는 인간의 대체가 아니라 우수한 어시스턴트라는 점입니다. AI와 사람의 체제를 함께 짜는 것으로, 데이터 클렌징이나 구조식 모델링의 스피드와 정확도가 비약적으로 향상됩니다.

——마지막으로, 독자에게 보내는 메시지를 부탁드립니다.

구라모토 씨: 데이터 드리븐 경영은 더 이상 선택지가 아니라 필수 조건입니다. 그러나 현실에서는 많은 기업이 데이터 분석의 속인성과 비효율성에 시달리고 있습니다.

Snowflake Cortex와 같은 기존 인프라를 활용한 현실적인 어프로치부터 시작해, 점차 고도의 구조로 발전시켜 나간다. 이러한 실천적인 방법으로 데이터 분석의 민주화를 실현할 수 있다고 믿습니다.