모두가 데이터를 다루는 AI 시대, 지난 1년간 데이터 팀은 어떻게 달라졌을까?

2026년 4월, 당근 데이터가치화팀은 팀 전체 워크샵에서 AI가 팀에 어떤 변화를 가져왔는지 진지하게 점검했다. 복잡한 SQL 초안 작성, 장애 원인 추적, BigQuery API 프로토타이핑, 리니지 확인 같은 반복 업무는 이미 AI가 빠르게 도와주는 영역이 됐다.

동시에 데이터 업무의 중심은 구현에서 문제 정의, 검증, 설계, 우선순위 판단으로 이동하고 있다. 데이터 엔지니어는 파이프라인 구현보다 구조 설계와 운영 판단이 중요해지고, 분석가는 대시보드 제작보다 질문 설계와 해석 능력이 더 중요해지며, 관리자는 산출물 관리보다 검증 체계와 실행 원칙을 설계하는 역할로 바뀌고 있다.

플랫폼도 달라졌다. 팀은 data-mcp를 만들어 사내 데이터 도구를 MCP(Model Context Protocol) 서버로 연결했고, LLM이 데이터를 직접 조회하고 활용할 수 있게 했다. 현재 운영 중인 서버는 다음과 같다.

• BigQuery MCP: 사내 데이터 웨어하우스에 자연어 질의
• Lineage MCP: 테이블·컬럼 의존 관계와 영향 범위 조회
• KarrotMetrics MCP: 전사 지표의 자연어 조회와 트렌드 파악
• Superset MCP: 대시보드와 차트 데이터 접근
• Event MCP: 이벤트 로깅 정보 조회와 탐색
• Experiment MCP: 진행 중인 실험과 결과 지표 조회

이 변화는 단순한 편의성 개선이 아니다. 자연어로 질문하고 AI가 답하는 환경일수록, 그 아래에는 파이프라인 운영 절차, 일관된 지표 정의, 정리된 메타데이터, 권한 관리, 리니지 관리, 품질 추적 같은 기반이 더 단단해야 한다. 팀이 KarrotMetrics에서 지표 정의와 계산 로직을 코드로 통합해 둔 경험, 그리고 컬럼 레벨 리니지를 관리해 온 경험이 AI 응답의 정확도를 높이는 핵심 자산이 되고 있다.

그래서 데이터 조직의 역할도 다시 정의되고 있다. 이제는 데이터를 만들어 전달하는 팀이 아니라, AI가 신뢰 가능한 답을 내놓을 수 있는 환경을 설계하는 팀에 가깝다. 라우팅, 인증과 권한, 도메인 지식의 정교한 반영, 검증·승인 레이어 설계까지 포함해, 데이터 제품은 UI만이 아니라 UI + LLM 인터페이스로 확장되고 있다.

문화 역시 바뀐다. 질문하는 비용이 낮아질수록 데이터 활용은 넓어지지만, 그만큼 그럴듯한 오답과 정의를 무시한 요약, 권한 밖 응답 같은 위험도 커진다. 그래서 AI 시대의 데이터 문화는 “누구나 물을 수 있지만, 아무 답이나 그대로 믿지 않는 문화”여야 하며, 결과와 근거를 함께 확인하고 정의와 맥락을 먼저 보는 습관이 필요하다.

2025년이 개별 실험의 해였다면, 2026년은 그 시도를 통합하는 해다. 팀은 Claude Code와 ChatGPT를 활용한 실험, 다양한 MCP 서버 구축, 거버넌스 정비를 하나의 흐름으로 묶으며, AI 시대에 데이터 조직이 가져야 할 원칙과 구조를 실제 제품과 운영에 녹여가고 있다.