AI 시대, 데이터 팀은 어떻게 변화하고 있을까요? 당근 데이터가치화팀의 생생한 경험을 공유합니다.

본문에 따르면 AI는 데이터 업무의 속도를 높이고 진입 장벽을 낮추는 데 기여한다. 특히, SQL 자동 생성(SQL Generation), 리니지 정보 제공, 파이프라인 문제 해결 등에서 AI의 활용이 두드러진다. 하지만, AI가 생성한 결과의 품질을 검증하고, 비즈니스 로직과의 일관성을 유지하는 것이 중요하며, AI의 한계(AI Limitations)를 인지하고, 책임 공백을 방지해야 한다. AI는 데이터 업무의 효율성을 높이지만, 데이터 전문가의 역할은 더욱 중요해지고 있다.

글에서는 AI가 데이터 플랫폼의 사용자 경험을 변화시키고 있다고 설명한다. 기존의 테이블 검색, SQL 작성 방식에서 벗어나, 자연어 질의, 지표 추천, 이상 징후 감지, 액션 제안 등 AI 기반 인터페이스(AI-powered Interface)로 진화하고 있다. 당근 데이터가치화팀은 data-mcp를 통해 LLM이 데이터에 접근하는 방식을 직접 설계하고 있으며, MCP 서버(MCP Servers)를 활용하여 BigQuery, KarrotMetrics, Superset 등 다양한 데이터 도구에 대한 접근성을 향상시켰다. 이를 통해 데이터 탐색 및 분석의 효율성을 높이고 있다.

AI 확산에 따라 데이터 조직의 역할은 '데이터 제공'에서 '신뢰 가능한 데이터 환경 구축'으로 변화하고 있다. 데이터 거버넌스(Data Governance), 메타데이터 관리, 품질 관리, 접근 제어 등 데이터 기반을 강화하는 것이 핵심 과제로 부상했다. data-mcp를 통해 LLM의 데이터 접근 방식을 설계하고, 라우팅(Routing), 인증, 권한 관리, 도메인 지식 적용 등을 통해 AI의 데이터 활용을 통제한다. 데이터 조직은 AI가 잘못된 정보를 사용하지 않도록 안전장치를 마련하고, 데이터 사용 문화를 개선하는 데 주력해야 한다.

AI는 데이터 민주화를 가속화하지만, 검증 문화가 뒷받침되지 않으면 혼란을 야기할 수 있다. 따라서, 결과와 근거를 함께 확인하는 습관(Verification Habit), 정의와 맥락을 중시하는 태도, 자동 생성 결과 검토, 검증 가능한 기준과 공통 언어 사용 등이 중요하다. 데이터 조직은 표준 지표 제공, 검증 포인트 설계, 셀프 서비스 가이드 제공 등을 통해 데이터 리터러시(Data Literacy)를 높이고, 데이터 오용을 방지해야 한다. AI 시대의 데이터 문화는 '누구나 쉽게 질문'하는 것을 넘어 '답을 믿을 수 있는 환경'을 만드는 데 초점을 맞춰야 한다.

당근 데이터가치화팀은 data-mcp를 통해 AI가 데이터에 접근하는 방식을 직접 설계하고 있다. data-mcp는 라우팅(Routing), 인증, 권한 관리, 도메인 지식 적용을 통해 LLM의 데이터 접근을 제어한다. 기존 UI 중심의 데이터 제품 설계에서 벗어나, LLM 인터페이스를 함께 고려하는 방식으로 변화하고 있다. 예를 들어, 실험 플랫폼에 지표 기능을 추가할 때, UI와 함께 MCP를 통해 생성 및 수정할 수 있도록 설계하고, 검증 및 승인 레이어(Verification and Approval Layer)를 추가하여 데이터 품질을 관리한다. data-mcp는 AI 시대 데이터 제품 설계의 핵심 요소로 자리 잡고 있다.