AI 에이전트가 회사 데이터를 읽으려면 무엇부터 바꿔야 할까요
TOTVS 데이터 총괄 파비아니 나르돈이 QCon·InfoQ에서 발표한 AI 에이전트용 데이터 레이어 설계를 살펴봤어요. 거래 시스템 위에 시맨틱 레이어를 얹어 확정 로직과 LLM을 나누는 방식과, 같은 주 발표된 에이전트 표준 통합 소식까지 함께 정리했어요.
3줄 요약 — TOTVS의 데이터 총괄 파비아니 나르돈이 QCon·InfoQ에서 기업 거래 시스템을 AI 에이전트가 읽을 수 있게 바꾸는 방법을 발표했어요. 핵심은 확정된 규칙으로 처리할 부분과 LLM에 맡길 부분을 나누고, 그 사이에 의미를 정리한 시맨틱 레이어를 두는 거예요. 같은 주에 구글의 에이전트 통신 표준 A2A도 앤트로픽 MCP와 나란히 한 재단 아래로 모였어요 — 에이전트가 쓸 데이터와 에이전트끼리 주고받는 방식, 둘 다 표준화 단계로 넘어가는 흐름이에요.
📰 2026년 8월 30일 기준 최신 소식 | 이 글은 특정 시점의 뉴스를 다루고 있어요.
“AI 에이전트를 붙였는데 자꾸 엉뚱한 숫자를 답해요.” 요즘 상담에서 자주 듣는 말이에요. 원인을 따라가 보면 모델보다 데이터 쪽에 있는 경우가 많아요. 이번 주 발표된 내용이 그 이유를 정확히 짚어줘서 소개해요.
1. 이번 주 어떤 발표가 있었나요
TOTVS에서 데이터 인텔리전스를 이끄는 파비아니 나르돈이 QCon·InfoQ에서 “거래 시스템에서 MCP·시맨틱 모델까지, AI 에이전트를 위한 데이터 레이어 설계”를 발표했어요.
20년 넘게 대규모 데이터 시스템을 설계해온 인물이라, 이론보다는 실제로 토큰을 많이 쓰는 에이전트를 운영하며 정확도·보안·비용을 어떻게 맞췄는지가 발표의 중심이었어요.
2. 기존 데이터 구조는 왜 에이전트에 안 맞나요
거래 시스템과 데이터 레이크는 애초에 사람을 위해 설계됐어요. 화면으로 조회하는 직원이나 정해진 리포트를 보는 분석가가 상대였죠.
에이전트는 전혀 다른 소비자예요. 정해진 화면 없이 초 단위로 예측 불가능한 질의를 던지고, 답이 늦거나 틀리면 그다음 판단까지 같이 어긋나요. 원본 스키마를 그대로 열어주면 에이전트가 테이블 이름과 컬럼값을 오해해 틀린 답을 지어내는 일이 흔해져요.
3. 확정 로직과 LLM을 어떻게 나누나요
전부 LLM에 맡기지 않는 게 핵심이에요. 재고를 차감하거나 잔액을 계산하는 건 정해둔 규칙 그대로 처리하고, 자연어로 들어온 질문을 어떤 데이터로 연결할지 해석하는 부분만 LLM에 맡기는 식이에요.
이 경계를 어디에 긋느냐가 정확성·보안·비용을 동시에 좌우해요. LLM 몫을 늘리면 유연해지지만 토큰 비용과 오답 위험이 같이 올라가고, 규칙 몫을 늘리면 안전하지만 새로운 질문에 못 붙어요.
4. 시맨틱 레이어는 실제로 무엇을 해주나요
원본 스키마와 에이전트 사이에 의미를 정리한 층을 하나 두는 거예요. tbl_ord_dtl_v3 같은 이름을 “발주서 상세 항목”으로 바꿔주는 정도가 아니라, 발주서·배송 예외·계약 조항·지급 보류가 서로 어떻게 연결되는지까지 미리 정의해둬요.
이렇게 관계를 미리 잡아두면 사람이 일일이 연결해주지 않아도 에이전트가 “이 지급 보류가 저 배송 예외 때문”이라는 걸 스스로 짚어낼 수 있어요. 원본 스키마를 그대로 읽게 했을 때보다 잘못된 답이 나오는 빈도가 눈에 띄게 줄어드는 지점이에요.
5. MCP는 이 구조에서 어떤 역할을 하나요
MCP(AI가 외부 시스템에 접근하는 연결 규격)는 데이터를 여는 통로일 뿐 아니라, 어떤 도구를 언제 꺼낼지 골라주는 역할도 해요. 에이전트가 가진 도구를 매번 전부 설명서에 얹으면 그 자체로 토큰을 많이 써버려서, 필요한 도구만 그때그때 골라 붙이는 방식이 함께 쓰여요.
MCP 자체도 계속 손질되고 있어요. 저희가 이전에 정리한 스테이트리스 개편도 규모가 커질 때 서버를 늘리기 쉽게 만드는 변화였는데, 이번 발표의 방향과 같은 줄기예요. 표준이 정리될수록 붙이는 쪽 부담이 줄어들어요.
6. 에이전트끼리 대화하는 표준도 이번 주에 자리 잡았어요
같은 주에 구글의 에이전트 간 통신 표준 A2A가 리눅스 재단 산하 에이전틱 AI 재단(AAIF)에 합류했어요. 앤트로픽이 낸 MCP와 나란히 한 지붕 아래 놓인 거예요. MCP가 에이전트와 데이터·도구를 잇는 규격이라면, A2A는 에이전트 하나가 다른 에이전트에게 일을 맡기고 결과를 돌려받는 규격이에요. 이 재단은 1년도 안 돼 창립 회원 49곳에서 250곳 넘게 불어났어요.
다만 표준이 갖춰진다고 도입이 저절로 따라오진 않아요. 같은 주 나온 조사에서는 기업 대부분이 에이전트 도입 계획은 세웠지만, 실제로 조직 전반에 폭넓게 배치했다고 답한 곳은 10% 수준에 그쳤어요. 계획과 실제 사이의 이 간격은 앞서 말한 데이터 레이어 준비가 안 끝난 회사가 그만큼 많다는 뜻이기도 해요.
7. Creative Soft는 이 이야기를 어떻게 보고 있나요
저희는 자체 AI 마케팅 CDP인 D:VALUEUP를 직접 운영하고 있어서 이 발표가 낯설지 않았어요. 웹·앱·광고 등 여러 소스의 데이터를 실명 기준으로 통합하고 의미를 정리해 활성화까지 잇는 게 CDP의 일인데, 이번 발표가 말하는 시맨틱 레이어와 하는 일의 성격이 비슷하거든요.
CDP 구축 비용이 갈리는 지점도 결국 이 정리 작업의 범위에서 갈려요. 에이전트를 붙이는 프로젝트를 맡을 때도 저희는 모델 선택보다 이 순서를 먼저 봐요. 에이전트가 자주 물을 질문이 무엇인지, 그 답에 필요한 데이터가 어디 흩어져 있는지, 그리고 어디까지를 규칙으로 못 박고 어디부터 LLM에 맡길지요. 이 순서가 정리돼야 견적도 결과물도 예측 가능해져요.
8. 자주 묻는 질문
AI 에이전트에게 회사 데이터베이스를 그냥 연결하면 안 되나요?
연결은 되지만 위험이 커요. 거래 시스템은 사람이 정해진 화면으로 조회하는 걸 전제로 설계돼 있어서, 에이전트가 예측 불가능한 질의를 던지면 정확도가 흔들려요. 원본 스키마 대신 의미를 정리한 층을 두는 이유예요.
시맨틱 레이어는 CDP와 같은 건가요?
겹치는 부분이 많아요. CDP도 여러 소스의 데이터를 실명 기준으로 통합하고 의미를 정리하는 층이라 하는 일의 성격이 비슷해요. 다만 CDP는 사람이 보는 리포트와 캠페인 실행이 목적이고, 에이전트용 레이어는 모델이 실시간으로 질의하고 근거를 되짚는 것까지 감안해요.
규모가 작은 회사도 지금 이런 준비가 필요한가요?
전면 재설계까지는 아니어도, 에이전트가 자주 물을 질문 몇 가지를 먼저 정하고 그 답에 필요한 데이터만 좁혀서 정리하는 건 규모와 무관하게 도움이 돼요. 처음부터 전사 데이터를 다 얹으려다 멈추는 경우가 더 흔해요.
9. 마무리
이번 주 소식을 한 줄로 정리하면, 에이전트가 쓸 데이터와 에이전트끼리 주고받는 방식 둘 다 표준화 단계로 넘어가고 있다는 거예요. 규격이 갖춰질수록 개발 자체의 어려움은 줄어들지만, 우리 회사 데이터 중 무엇을 규칙으로 다루고 무엇을 LLM에 맡길지는 여전히 회사마다 직접 정해야 해요.
저희는 10년 넘게 50개 이상의 프로젝트를 진행하고 자체 SaaS 4종을 직접 운영해온 개발사예요. 롯데·캐논 같은 곳과도 함께해 왔고, D:VALUEUP를 운영하며 데이터를 의미 있게 정리하는 작업을 매일 겪고 있어요. AI 에이전트에게 어디까지 데이터를 열어줄지 고민 중이시라면 현재 데이터 구조부터 같이 짚어봐요 →
관련 글