챗GPT ‘데이터 에이전트’ 공개…회사 숫자를 말로 물으면 답해 주는 시대
오픈AI가 2026년 9월 10일 ChatGPT Work에 ‘데이터 에이전트(Data agent)’를 공개했다. 직원이 “지난주 매출이 왜 줄었나”, “어느 비용이 가장 빠르게 늘었나”처럼 일상 언어로 질문하면 회사가 허용한 데이터와 문서를 찾아 분석하고, 근거를 보여 주며, 대시보드와 후속 보고까지 만드는 기능이다.
엑셀 수식이나 데이터베이스 질의문을 모르는 사람도 회사 데이터를 직접 물어볼 수 있다는 점에서 일반 직장인에게 의미가 크다. 지금까지는 데이터팀에 요청서를 보내고 보고서를 기다리거나, 이미 만들어진 대시보드에서 원하는 숫자를 찾는 일이 흔했다. 데이터 에이전트는 이 대기 시간을 줄이고 분석의 시작점을 넓히려 한다.
그러나 ‘누구나 회사 숫자를 마음대로 볼 수 있다’는 뜻은 아니다. 이 기능은 일반 무료 ChatGPT의 개인 데이터 분석과 다르고, 조직이 연결한 데이터 원본과 관리자가 설정한 권한을 전제로 한다. 또 권한을 지키는 것과 계산이 맞는 것은 별개다. 중요한 경영·인사·재무 결정은 원본 숫자와 정의를 사람이 다시 확인해야 한다.
데이터 에이전트는 무엇을 하나
오픈AI가 설명한 데이터 에이전트의 출발점은 단순하다. 회사에는 답을 얻을 수 있는 데이터가 있지만, 실제 직원은 그 데이터가 어디에 있고 어떤 도구로 조회해야 하는지 모르는 경우가 많다. 매출은 데이터웨어하우스에 있고, 고객 이탈 사유는 CRM에 있으며, 지표 정의는 문서에 있고, 기존 보고서는 별도의 분석 도구에 흩어져 있다.
데이터 에이전트는 회사가 승인한 연결을 통해 이런 자료를 찾아 한 질문 안에서 함께 다루는 것을 목표로 한다. 오픈AI가 밝힌 지원 대상에는 Amazon Redshift, ClickHouse, Databricks, Datadog, Google BigQuery, MongoDB, Snowflake 같은 데이터 플랫폼이 포함된다. Google Drive와 SharePoint의 파일·문서도 참고할 수 있다.
사용자는 처음부터 정확한 표와 열 이름을 알 필요 없이 다음과 같이 물을 수 있다.
- 지난달 신규 고객 수가 목표보다 낮은 이유를 찾아 줘.
- 가장 큰 고객의 갱신을 위협하는 문제가 무엇인지 정리해 줘.
- 이번 분기 지출이 계획보다 늘어난 부서를 보여 줘.
- 결과를 경영진에게 보여 줄 대시보드와 요약으로 만들어 줘.
- 발견한 문제를 관련 팀에 전달할 메일 초안을 작성해 줘.
에이전트는 질문을 한 번 답하고 끝내는 대신 후속 질문을 받아 분석 범위를 좁힐 수 있다. 결과를 대화형 대시보드로 만들고, 새 데이터가 들어오면 새로 고치며, 회사의 디자인 지침에 맞게 정리하는 기능도 소개됐다.
기존 챗GPT 데이터 분석과 무엇이 다른가
개인 사용자가 ChatGPT에 CSV나 엑셀 파일을 올려 분석하는 기능은 이미 익숙하다. 이번 데이터 에이전트는 한 파일을 읽는 데서 더 나아가 회사의 여러 데이터 원본, 지표 정의, 문서를 연결한다는 점이 다르다.
예를 들어 ‘활성 고객’이라는 말은 회사마다 정의가 다르다. 최근 30일 안에 로그인한 사람을 뜻할 수도 있고, 결제 중인 고객만 포함할 수도 있다. 환불 고객이나 체험 사용자를 넣는지에 따라서도 숫자가 달라진다. AI가 원시 데이터만 보고 자기 방식으로 계산하면 기존 경영 보고서와 다른 결과가 나올 수 있다.
오픈AI는 이를 줄이기 위해 회사의 용어, 지표 정의, 계산식, 데이터 사이의 관계를 에이전트가 참고하게 한다고 설명한다. dbt, Databricks Genie Ontology, Snowflake Horizon, GitHub, 기존 BI 대시보드 등에 저장된 ‘우리 회사가 숫자를 해석하는 방식’을 함께 연결할 수 있다는 것이다. BI는 비즈니스 인텔리전스의 줄임말로, 회사 데이터를 보고서와 대시보드로 보여 주는 도구를 뜻한다.
이 차이는 중요하다. 질문을 쉽게 하는 것보다 같은 질문에 조직 전체가 같은 정의로 답하는 것이 더 어렵기 때문이다. 데이터 에이전트가 성공하려면 AI 모델뿐 아니라 회사의 지표 사전과 권한 체계가 정리돼 있어야 한다.
직장인의 업무는 어떻게 달라질까
가장 큰 변화는 분석의 첫 단계를 데이터 전문가만의 일에서 일반 직원의 일로 넓힐 수 있다는 점이다. 마케팅 담당자가 캠페인 성과를 직접 비교하고, 영업 담당자가 갱신 위험 고객을 찾아보고, 재무 담당자가 비용 변화를 설명하는 초안을 빠르게 만들 수 있다.
예를 들어 월요일 아침 영업 회의를 준비하는 팀장이 있다고 하자. 이전에는 분석팀이 만든 주간 보고서를 기다리고, 의문이 생기면 추가 자료를 요청해야 했다. 데이터 에이전트를 쓰면 “지난주 예상 매출이 떨어진 계정과 이유를 보여 주고, 담당자별 후속 조치를 정리해 줘”라고 질문할 수 있다. 결과가 맞다면 대시보드와 회의용 요약을 바로 만들 수 있다.
제품팀은 기능 출시 전후의 사용량 변화를 보고 원인을 탐색할 수 있다. 고객지원팀은 문의 유형이 갑자기 늘어난 이유를 제품 변경이나 특정 고객군과 연결해 볼 수 있다. 경영진은 정적인 월간 보고서만 받는 대신 숫자를 보며 즉석에서 추가 질문을 할 수 있다.
이것이 데이터 분석가의 역할이 사라진다는 뜻은 아니다. 오히려 반복적인 숫자 추출 요청이 줄고, 분석가는 지표 정의, 데이터 품질, 실험 설계, 어려운 인과 분석에 더 집중할 수 있다. 다만 쉬운 보고서 작성과 대시보드 조작이 자동화되면 초급 분석 업무의 구성은 달라질 가능성이 크다.
가장 중요한 조건은 데이터 권한이다
회사 데이터에는 누구나 보면 안 되는 정보가 많다. 직원 급여, 고객 개인정보, 미공개 매출, 계약 조건, 건강 기록, 보안 로그가 대표적이다. 데이터 에이전트가 여러 원본을 한곳에서 조회하면 편리하지만, 잘못된 권한이 있으면 민감정보를 더 빠르게 찾는 통로가 될 수도 있다.
오픈AI는 에이전트가 연결된 계정의 기존 권한을 따르고, 테이블·행·열 수준의 제한을 존중한다고 설명한다. 간단히 말해 사용자가 원래 볼 수 없던 데이터는 AI를 통해서도 볼 수 없어야 한다는 원칙이다. 관리자는 어떤 데이터 연결을 켤지, 어떤 역할이 사용할지, 어떤 플러그인을 설치할지 통제한다.
하지만 ‘기존 권한을 따른다’는 말은 기존 권한이 정확하다는 전제에 달려 있다. 회사가 오래된 계정에 과도한 접근 권한을 남겨 두었다면 AI도 그 권한을 사용할 수 있다. 사람이 데이터베이스 화면에서 직접 찾기 어려웠던 정보도 자연어 질문으로 쉽게 모을 수 있으므로, 도입 전에 권한 정비가 더 중요해진다.
기업이 확인해야 할 항목은 다음과 같다.
- 퇴사자와 부서 이동자의 권한이 즉시 회수되는가
- 민감한 열이 일반 직원에게 가려져 있는가
- 고객별·지역별로 행 접근이 제한되는가
- 어떤 사용자가 어떤 질문과 조회를 했는지 감사 기록이 남는가
- 결과를 메일·슬랙으로 보낼 때 외부 수신자를 확인하는가
- AI가 제안한 후속 행동을 실행하기 전 사람의 승인을 받는가
권한은 기능 출시 때 한 번 확인하고 끝낼 문제가 아니다. 조직과 데이터가 바뀔 때마다 지속해서 점검해야 한다.
숫자를 보여 줘도 정답이라고 믿으면 안 되는 이유
AI가 그럴듯한 문장뿐 아니라 표와 그래프를 만들면 결과가 더 권위 있어 보인다. 그러나 분석 오류는 여전히 생길 수 있다. 날짜 범위를 잘못 잡거나, 환율을 섞거나, 중복 고객을 두 번 세거나, 서로 다른 기준의 지표를 비교할 수 있다.
예를 들어 ‘매출 감소 원인’을 묻자 에이전트가 광고 지출 감소와 매출 하락이 같은 시기에 나타났다고 답할 수 있다. 두 현상이 함께 움직였다는 사실만으로 광고 감소가 매출 하락의 원인이라고 단정할 수는 없다. 계절성, 가격 변경, 품절, 경쟁사 행사 같은 다른 요인이 있을 수 있다.
또 데이터가 최신인지도 확인해야 한다. 어떤 원본은 실시간으로 갱신되고, 어떤 보고서는 전날 밤에만 업데이트된다. 같은 대시보드에서도 주문 시점과 결제 완료 시점이 다를 수 있다. 사용자는 결과와 함께 다음 정보를 요구하는 습관이 필요하다.
- 어떤 데이터 원본을 사용했는가
- 마지막 갱신 시점은 언제인가
- 지표를 어떤 식으로 정의했는가
- 제외하거나 추정한 값이 있는가
- 비교 기간은 정확히 언제부터 언제까지인가
- 결론을 뒷받침하는 표와 행을 다시 볼 수 있는가
오픈AI는 각 발견을 뒷받침하는 근거를 검토할 수 있다고 설명한다. 실제 가치도 여기에 달려 있다. 답만 빠르게 주는 것보다 숫자가 어디서 왔는지 추적할 수 있어야 업무에 사용할 수 있다.
대시보드 제작이 쉬워지면 생기는 변화
데이터 에이전트는 분석을 대화형 대시보드로 바꾸고 편집·공유·새로 고침할 수 있다고 한다. Omni, Oracle BI, Power BI, Sigma, Tableau, ThoughtSpot 등 조직이 이미 쓰는 분석 도구와 상호작용하는 기능도 소개됐다.
이 변화는 대시보드 제작의 진입 장벽을 낮출 수 있다. 하지만 대시보드가 많아진다고 의사결정이 좋아지는 것은 아니다. 부서마다 비슷하지만 조금씩 다른 지표판을 만들면 오히려 ‘어느 숫자가 공식인가’라는 혼란이 커진다.
따라서 조직은 AI로 만든 대시보드를 임시 탐색용과 공식 보고용으로 구분할 필요가 있다. 임시 대시보드는 질문을 빠르게 검토하는 데 쓰고, 경영회의나 외부 공시에 사용하는 공식 수치는 데이터 담당자의 검토와 승인 절차를 거쳐야 한다. 제목과 설명에 데이터 기준일, 지표 정의, 담당자를 표시하는 것도 중요하다.
데이터 에이전트가 회사 브랜드에 맞는 그래프를 만든다는 기능은 발표 자료 준비를 줄여 줄 수 있지만, 보기 좋은 그래프가 올바른 그래프라는 뜻은 아니다. 축의 범위, 누적값과 단일값의 구분, 빠진 데이터가 없는지 확인해야 한다.
분석에서 실제 행동까지 이어질 때 더 조심해야 한다
오픈AI는 데이터 에이전트가 분석 결과를 바탕으로 다음 단계를 추천하고, 관련 담당자를 찾고, Slack이나 이메일로 공유하며, 연결된 도구를 통해 승인된 행동을 수행할 수 있다고 설명한다. 이 지점부터는 분석 오류가 실제 업무 오류로 이어질 수 있다.
예를 들어 갱신 위험 고객을 잘못 분류하면 중요한 고객에게 불필요한 할인 메일을 보낼 수 있다. 비용 이상을 잘못 판단하면 정상 결제를 차단할 수 있다. 인사 데이터를 잘못 해석해 성과가 낮은 팀을 지목하면 직원에게 직접적인 피해가 생긴다.
안전한 사용 방식은 ‘읽기 → 검토 → 초안 → 승인 → 실행’ 단계를 분리하는 것이다. 초기 도입에서는 데이터를 읽고 요약하는 기능만 허용하고, 메일 전송이나 시스템 변경은 사람이 승인하도록 하는 편이 낫다. 결과가 충분히 검증된 반복 업무부터 자동화 범위를 넓혀야 한다.
특히 해고, 대출, 보험, 채용, 의료처럼 개인에게 중대한 영향을 주는 결정은 AI 분석만으로 자동 처리해서는 안 된다. 에이전트가 발견한 패턴은 조사 출발점이지 최종 판정이 아니다.
누가 지금 쓸 수 있나
데이터 에이전트는 ChatGPT Work의 플러그인 디렉터리에서 ‘Data’로 제공된다고 오픈AI는 안내했다. 관리자가 워크스페이스에서 기능을 열고, Databricks나 Snowflake 같은 데이터 원본을 연결하며, 사용자나 역할별 접근 범위를 설정해야 한다.
따라서 일반 개인 계정 사용자가 오늘 바로 회사의 Snowflake에 접속해 쓰는 소비자 기능으로 이해하면 안 된다. 조직의 ChatGPT Work 환경, 관리자의 설치와 설정, 데이터 플랫폼 쪽 인증과 권한이 필요하다. 기업별 계약과 플러그인 이용 조건, 국가별 데이터 보관 요구도 확인해야 한다.
OpenAI의 ChatGPT Work 소개 페이지는 데스크톱에서는 모든 요금제에 Work 접근이 제공된다고 안내하지만, 특정 기업 데이터 플러그인과 조직 관리 기능은 계정·요금제·관리자 설정에 따라 달라진다. ‘Work를 쓸 수 있다’와 ‘회사의 데이터 에이전트를 쓸 수 있다’는 같은 말이 아니다.
정확한 비용도 조직별로 달라질 수 있다. 데이터 원본의 기존 구독료, ChatGPT 요금, 사용량, 연결과 권한 정비에 드는 비용을 함께 계산해야 한다. 단순히 직원당 AI 구독료만 비교하면 실제 도입 비용을 놓칠 수 있다.
오픈AI의 자체 이용 사례는 어떻게 봐야 하나
오픈AI는 자사 제품팀의 거의 전부와 시장 진출 조직의 3분의 2 이상이 데이터 에이전트를 사용한다고 밝혔다. 알파 프로그램 참여 조직으로 NTT Data, Thermo Fisher, ServicePiston도 소개했다. 매출과 지출 분석, 보고 오류 발견, 사업 기회 선택, 인력 배치 등에 사용했다는 설명이다.
이 사례는 실제 사용 가능성을 보여 주지만 독립적인 효과 검증과는 다르다. 어느 정도 시간을 줄였는지, 오류율은 어땠는지, 숙련된 분석가와 비교해 어떤 한계가 있었는지에 대한 공통 지표는 발표문에 충분히 제시되지 않았다. 도입을 검토하는 회사는 공급사 사례를 그대로 기대치로 삼기보다 자기 데이터와 업무로 시험해야 한다.
좋은 시험은 ‘AI를 써 보자’가 아니라 기존에 답을 알고 있는 질문을 골라 비교하는 방식이다. 동일한 기간과 지표 정의를 주고, 기존 보고서와 에이전트 결과가 일치하는지 본다. 틀렸을 때 원인을 추적할 수 있는지도 확인해야 한다.
데이터팀과 일반 직원의 역할은 어떻게 바뀌나
데이터 에이전트가 널리 쓰이면 데이터팀은 보고서 주문을 처리하는 부서에서 데이터 품질과 정의를 관리하는 부서로 더 이동할 수 있다. 직원이 직접 질문할수록 잘 정리된 지표 사전, 권한, 원본 설명이 중요해진다.
일반 직원에게도 새로운 책임이 생긴다. 질문을 자연어로 할 수 있다고 해서 분석 지식이 필요 없어지는 것은 아니다. 평균과 합계의 차이, 상관관계와 인과관계의 차이, 표본이 너무 작은 결과의 위험은 여전히 이해해야 한다. AI는 질문의 문법을 쉽게 만들지만 좋은 의사결정까지 자동으로 보장하지 않는다.
관리자는 AI 사용량보다 ‘잘못된 지표가 얼마나 만들어지는가’, ‘근거 없는 결론이 공식 보고서에 들어가는가’, ‘민감정보가 불필요하게 조회되는가’를 봐야 한다. 빠른 분석이라는 장점이 조직의 숫자 기준을 무너뜨리지 않도록 공식 지표와 실험용 분석을 구분해야 한다.
아직 확인되지 않은 점
오픈AI 발표만으로는 모든 기업이 궁금해할 세부사항이 완전히 드러나지 않는다. 각 연결이 어떤 국가의 데이터 보관 조건을 지원하는지, 사용량과 비용이 어떻게 계산되는지, 오류가 났을 때 책임과 복구 절차가 무엇인지, 기존 BI 도구의 복잡한 권한을 어느 수준까지 동일하게 적용하는지 실제 계약과 문서에서 확인해야 한다.
또 자연어 질문의 정확도가 업종과 데이터 품질에 따라 얼마나 달라지는지도 아직 독립적으로 충분히 검증되지 않았다. 회사가 지표 정의를 잘 관리하지 않았다면 에이전트가 혼란을 해결하기보다 더 빠르게 퍼뜨릴 수 있다. 한국어 질문이 영어 지표명과 섞일 때 정확한 정의를 선택하는지, 한국 기업의 회계·영업 용어를 얼마나 잘 처리하는지도 실제 시험이 필요하다.
핵심 정리
9월 10일 공개된 ChatGPT Work 데이터 에이전트는 회사 데이터를 다루는 방식을 전문가용 분석 도구의 메뉴에서 직원의 일상 언어로 옮기려는 시도다. 질문, 분석, 근거 확인, 대시보드, 공유와 후속 행동을 한 흐름에 묶는 것이 핵심이다.
일반 직장인에게 가장 큰 장점은 보고서를 기다리지 않고 직접 첫 질문을 던질 수 있다는 점이다. 가장 큰 위험은 보기 좋은 표와 자신감 있는 설명을 정답으로 오해하는 것이다. 조직은 데이터 연결보다 먼저 지표 정의와 접근 권한을 정리하고, 중요한 결과는 원본과 사람이 다시 확인해야 한다.
앞으로 볼 것은 두 가지다. 첫째, 실제 기업에서 데이터 요청 대기 시간이 얼마나 줄고 오류율은 어떻게 변하는가. 둘째, 분석을 넘어 메일 전송과 업무 실행까지 맡길 때 승인과 감사 기록이 충분히 작동하는가. 이 두 조건이 확인돼야 데이터 에이전트는 멋진 시연을 넘어 회사의 공식 업무 도구가 될 수 있다.