Dataiku E2A: 비즈니스 전문가의 지식을 신뢰할 수 있는 AI 에이전트로 확장하는 방법

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

Dataiku는 기업 내 전문가의 암묵적 지식을 디지털 자산화하여 확장 가능한 AI 에이전트로 변환하는 E2A(Expert-to-Agent) 엔진을 출시했다. 기존 에이전트 구축 방식은 데이터 접근성 부족, 도메인 지식 캡처의 한계, IT 거버넌스 부재라는 세 가지 주요 장벽에 부딪혀 실무 도입이 어려웠다. E2A는 전문가가 직접 시각적 도구로 로직을 설계하고, IT가 승인한 데이터 커넥터를 통해 실시간 데이터에 즉시 접근하며, 과거 데이터를 기반으로 성능을 검증하는 통합 환경을 제공한다. 이를 통해 기업은 특정 개인의 판단력에 의존하던 프로세스를 전사적 규모로 자동화하고 안정적으로 운영할 수 있다.

배경

Dataiku 플랫폼에 대한 기본 이해, 기업 내 데이터 거버넌스 및 접근 권한 체계에 대한 지식, 에이전트로 자동화하고자 하는 비즈니스 프로세스의 명확한 정의

대상 독자

기업 내 AI 도입을 추진하는 DX 전략가, MLOps 엔지니어, 그리고 도메인 지식을 자동화하고자 하는 비즈니스 부문 리더

의미 / 영향

이 기술은 AI를 단순한 개인 생산성 도구에서 기업의 운영 체계(Operating Layer)로 격상시키는 전환점이 될 것입니다. 전문가의 판단력을 디지털 자산화함으로써 인적 자원에 의존하던 의사결정 병목 현상을 해결하고, 전사적 규모에서 일관된 고품질 결정을 24시간 내릴 수 있는 환경을 제공합니다.

섹션별 상세

기업의 핵심 경쟁력인 전문가의 판단력은 개인의 은퇴와 함께 소실되거나 물리적 시간의 한계로 인해 확장이 불가능한 구조적 문제를 안고 있다. 조달 관리자의 공급업체 재인증 결정과 같은 복잡한 업무는 수치화하기 어려운 미묘한 신호와 예외 상황 처리가 포함되어 있어 단순한 규칙 기반 시스템으로는 대체하기 어렵다. 이러한 전문 지식은 기업의 운영 효율성을 결정짓는 핵심 요소임에도 불구하고 그동안 디지털 데이터로 캡처되지 못한 채 개인의 머릿속에만 머물러 있었다.

기존의 AI 에이전트 구축 시도는 LLM의 데이터 접근성 부재, 엔지니어와 현업 전문가 간의 지식 격차, IT 부서의 보안 우려라는 세 가지 지점에서 반복적으로 실패한다. LLM 단독으로는 SAP나 MES 같은 내부 시스템의 실시간 데이터를 읽지 못하며, 개발자가 현업의 복잡한 의사결정 맥락을 완벽히 이해하여 코드로 구현하는 데는 막대한 시간이 소요된다. 또한 결과물에 대한 검증 체계와 감사 추적이 불가능하여 실제 수백만 달러가 걸린 의사결정 프로세스에 에이전트를 투입하는 것이 거부되는 사례가 빈번하다.

Dataiku E2A는 전문가가 코딩 없이 시각적 인터페이스를 통해 에이전트의 추론 단계를 직접 설계함으로써 도메인 지식을 정확하게 반영하도록 지원한다. 전문가가 직접 공급업체 데이터 쿼리 시점, 특정 규칙 적용 조건, 기존 예측 모델 호출 단계 등을 정의하므로 블랙박스 형태의 프롬프트보다 훨씬 정교한 로직 구축이 가능하다. 이는 IT가 관리하는 표준화된 빌딩 블록을 활용하므로 사용 편의성과 기술적 정밀함 사이의 균형을 유지한다.

Dataiku E2A의 아키텍처와 에이전트 추론 설계 과정을 보여주는 다이어그램 — Diagram기업 데이터(RAG, LLM 파인튜닝)가 입력되어 전문가가 설계한 에이전트 추론 로직을 거쳐 인간의 감독 및 제어로 이어지는 전체 워크플로를 시각화합니다. 중앙의 붉은 박스는 전문가가 시각적으로 에이전트의 판단 단계를 구성하는 인터페이스를 보여주며, 하단에는 AWS, Snowflake 등 다양한 엔터프라이즈 에코시스템과의 오케스트레이션을 강조합니다.

E2A는 거버넌스가 확보된 커넥터를 통해 에이전트가 구축 첫날부터 SAP나 온프레미스 데이터베이스 등 실제 기업 데이터에 안전하게 접근할 수 있는 환경을 보장한다. 별도의 샌드박스나 긴 보안 승인 대기 시간 없이 IT가 설정한 기존 권한 체계 내에서 실시간 데이터를 처리하므로 데모용 데이터가 아닌 실제 비즈니스 환경에서의 작동을 보장한다. 이를 통해 에이전트는 단순한 텍스트 생성을 넘어 기업 시스템과 상호작용하는 실행력을 갖추게 된다.

머신러닝, 생성형 AI, 에이전트 AI를 위한 데이터 품질의 중요성을 나타내는 인포그래픽 — Infographic데이터 품질이 단순한 ML 모델을 넘어 생성형 AI와 자율적인 에이전트 AI 시스템의 신뢰성을 결정짓는 핵심 기반임을 보여줍니다. 에이전트가 실무에 도입되기 위해서는 기초가 되는 데이터의 무결성이 필수적임을 시각적으로 전달합니다.

배포 전 과거의 실제 사례 데이터를 활용해 에이전트의 의사결정을 시뮬레이션하고 검증하는 프로세스를 통해 IT와 현업의 신뢰를 확보한다. 전문가와 AI 팀은 지난 분기의 공급망 중단 사례 등을 에이전트에 입력하여 단계별 판단 과정을 복기하고 임계값을 조정하는 최적화 과정을 거친다. 이러한 투명한 검증 절차는 에이전트가 전문가의 판단을 충실히 재현함을 입증하며, IT 부서가 기존 정책에 따라 즉시 운영을 승인할 수 있는 근거가 된다.

실무 Takeaway

전문가가 직접 시각적 도구로 에이전트 로직을 설계하게 함으로써 엔지니어와의 커뮤니케이션 비용을 줄이고 도메인 지식 누락을 방지할 수 있다.
IT 거버넌스가 통합된 플랫폼 내에서 에이전트를 구축하면 보안 승인 절차를 단축하고 실제 운영 시스템(SAP 등)과의 연결성을 즉시 확보할 수 있다.
과거 비즈니스 데이터를 활용한 단계별 의사결정 재현 테스트를 통해 에이전트의 신뢰성을 정량적으로 검증하고 배포 리스크를 최소화해야 한다.

언급된 리소스

문서Dataiku E2A 공식 페이지

문서Enterprise AI agents: architecture, use cases, & ROI playbook