분석 에이전트로 분석을 하나로 — 생성 AI 시대의 업무 혁신

LY Corporation이 비즈니스 질문부터 데이터 분석, 인사이트 도출까지 전 과정을 자동화하는 생성형 AI 기반 분석 에이전트 시스템 PJ One Piece를 구축했다. 기존 평균 2주 걸리던 분석 리드타임을 약 10분으로 단축하고, 월 10건이던 분석 건수를 수백 건으로 늘리며 사용자층을 데이터 사이언티스트에서 부서 구성원 절반 이상으로 확대했다.

핵심 포인트

비즈니스↔데이터 단절, 프로세스 내 단절, 도메인 간 단절 세 가지 핵심 문제를 분석 에이전트로 해소했다.
LLM 기반 에이전트가 SQL 실행·Python 실행·문서 조사·시각화 도구를 조합해 분석 전 과정을 자동화한다.
멀티 에이전트: 메인 에이전트가 전체 컨텍스트를 관리하고, 통계 검정·시계열·클러스터링 전담 서브 에이전트가 협업한다.
SQL 실행 전후 시스템 검증(SELECT만 허용, 민감정보 제한, 행 수 제어)으로 프로덕션 안전성을 확보했다.
반복 분석 패턴을 재사용 가능한 스킬로 저장해 도메인 간 지식을 조직 자산화했다.

상세 정리

문제 정의: SQL 작성·테이블 선택의 기술 장벽이 비즈니스와 데이터를 단절시키고, 담당자 교체 시 맥락이 소실되며, 도메인 간 분석 지식이 고립되는 세 가지가 핵심 병목이었다.
에이전트 설계: 사용자가 상세 요구사항을 직접 작성하지 않고, 에이전트가 도메인 지식과 테이블 정보를 참조해 부족한 전제조건만 확인하는 방식을 채택했다.
지식 베이스: 도메인 지식, 재사용 스킬, 테이블 정보를 지식 베이스에 관리해 에이전트가 실시간으로 참조한다.
데이터 안전 접근: 테이블 정보를 단계적으로 공개하고, SELECT만 허용·민감정보 제한·행 수 제어를 SQL 실행 전후에 시스템 수준에서 검증했다.
멀티 에이전트 구성: 메인 에이전트가 전체 맥락을 유지하고, 통계 검정·시계열 분석·클러스터링·리뷰 전담 서브 에이전트와 역할을 분리했다.
조직 자산화: 사용 로그와 피드백으로 개선 백로그를 구성하고, 반복 분석 패턴을 스킬로 저장해 도메인 간 지식 확산을 도모했다.
역할 전환: 데이터 사이언티스트가 개별 분석 처리에서 사업 전략 수립 참여·에이전트 개선으로 이동했고, 프로젝트 생산성이 약 2배 향상됐다.
핵심 인사이트: AI에게 분석을 맡기는 것보다 AI가 역량을 발휘할 수 있도록 업무·지식·데이터·역할을 설계하는 것이 핵심이다.