하나의 어휘, 두 명의 대상: AI와 대시보드가 ​​의미 계층을 공유해야 하는 이유

number는 세 가지 다른 의미를 지닙니다.

같은 회사의 세 팀에 "이번 분기 활성 구성원"에 대해 물어보면 세 개의 숫자를 얻는 경우가 많습니다. 마케팅에는 이메일을 연 사람이 모두 포함됩니다. 충성도 팀은 구매 시 회원 수를 계산합니다. 재무에서는 가치를 상환한 회원을 계산합니다. 그들 중 누구도 거짓말을 하지 않습니다. 그들은 서로 다른 정의로 ​​작업하고, 서로 다른 SQL로 인코딩되고, 서로 다른 도구에 살고 있습니다. 말씀은 공유됩니다. 의미는 그렇지 않습니다.

인간만이 이러한 수치를 소비하던 시절에는 이 문제가 용인될 만했습니다. 노련한 분석가는 어떤 정의를 의미하는지 물어보면 슬라이드에 각주를 달아 나머지 문제를 덮어버릴 수 있었습니다. 하지만 인공지능 에이전트에게 동일한 데이터를 입력하는 순간, 각주는 사라지고 모호함은 오히려 문제가 됩니다. 에이전트는 "활성"이라는 용어에 대한 논쟁이 있다는 사실을 알지 못합니다. 에이전트는 임의로 정의를 선택하거나, 더 나쁘게는 새로운 정의를 만들어내고 다른 모든 것을 제시할 때와 마찬가지로 확신에 찬 어조로 결과를 제시할 것입니다.

도구는 동사입니다. 의미론적 계층은 어휘이다

에이전트에게 도구를 제공한다는 것은 쿼리, 요약, 비교, 예측과 같은 동사를 제공하는 것과 같습니다. Anthropic의 모델 컨텍스트 프로토콜은 이를 공식화합니다. 도구는 모델이 호출할 수 있는 유형이 지정되고 이름이 지정된 기능입니다. 이러한 틀은 정확하고 유용합니다. 그러나 공통된 어휘가 없는 동사는 임의적인 사용을 허용하는 것과 같습니다. "매출을 알려주세요"라는 명령은 "매출"이 사람이 대시보드에서 보는 것과 동일하고 매번 동일한 방식으로 계산된 하나의 공인된 정의로 해석될 때만 안전합니다.

핵심 논점은 다음과 같습니다. 인증된 메트릭 의미 계층은 에이전트의 동작이 정확하도록 유지하는 공유 어휘입니다. 도구는 에이전트가 행동할 수 있도록 해주고, 의미 계층은 이러한 행동이 가질 수 있는 의미를 정의합니다. 이 둘을 분리하면 쿼리는 실행할 수 있지만 그 결과를 정확하게 해석할 수 없는 에이전트가 됩니다. 반대로 이 둘을 통합하면 에이전트는 분석가들이 이미 합의한 모든 정의를 무료로 계승하게 됩니다.

다음 원칙은 간단하지만 위조하기 어렵습니다. 하나의 용어, 두 가지 대상. 사용자는 대시보드와 임시 질문을 통해 정보를 소비합니다. 상담원은 MCP 도구와 코파일럿을 통해 정보를 소비합니다. 둘 다 동일한 인증된 레이어에서 정보를 읽으므로 number은 사람이 요청하든 상담원이 요청하든 동일한 의미를 가집니다.

공유 계층이 없을 때의 오류 모드

의미 계층을 건너뛰면 세 개의 실패가 함께 도착합니다. 첫째, AI는 수치를 환각으로 나타냅니다. 모델이 손상되었기 때문이 아니라 정식 정의가 없는 원시 테이블을 추론하도록 요청했기 때문에 그럴듯한 추측으로 공백을 채웁니다. 둘째, KPI 정의가 표류합니다. 모든 팀, 도구 및 노트북은 "이탈" 또는 "AOV"를 약간씩 다르게 다시 구현하며 이러한 차이는 조용히 결합됩니다. 셋째, "셀프 서비스 분석"은 상충되는 숫자를 생성하고 조직은 조용히 모든 숫자를 신뢰하지 않습니다.

딜로이트의 "기업 AI 현황" 연구는 AI를 파일럿 단계에서 프로덕션 단계로 확장하는 데 있어 가장 중요한 요소는 모델의 실제 성능보다는 신뢰와 거버넌스라는 점을 일관되게 지적해 왔습니다. 이는 분석 문제와도 직결됩니다. 진정한 걸림돌은 모델이 SQL 쿼리를 작성할 수 있는지 여부가 아니라, 그 결과를 충분히 신뢰하고 활용할 수 있는지, 그리고 나중에 number 값이 어디에서 나왔는지 설명할 수 있는지 여부입니다.

인증된 정의와 그 정의의 버전 기록

인증된 메트릭은 소유자가 검토하고 승인한, 유일한 진실의 원천인 정의입니다. "활성 회원"은 현재 쿼리가 계산하는 값이 아니라, 명확한 논리, 소유자, 상태를 가진 명명되고 관리되는 object입니다. 마케팅, 로열티, 재무 부서 간에 의견 차이가 발생할 경우, 더 이상 SQL에서 논쟁할 필요가 없습니다. 공개적으로 정의에 대해 한 번만 논의하면 됩니다. 그런 다음 해당 정의가 인증되면 모든 사람, 모든 상담원이 동일한 결과를 따르게 됩니다.

버전 관리는 이를 내구성 있게 만드는 것입니다. 정의가 진화합니다. 회계 달력이 변경되고, 세그먼트가 구체화되고, 데이터 소스가 수정됩니다. 버전 관리 없이 재정의하면 기록이 자동으로 다시 작성되며 지난 분기의 보드 번호는 더 이상 재생산되지 않습니다. 이를 통해 모든 지표에는 고유한 계보가 있으므로 감사자와 CFO가 실제로 묻는 질문에 답할 수 있습니다. "숫자는 무엇입니까?"뿐만 아니라 "우리가 보고한 날짜에 정의된 숫자는 무엇입니까?"

단일 쿼리 진입점, 그 외부에서 테넌트 범위 지정 적용

정의는 실행 경로만큼만 신뢰할 수 있습니다. 당사 아키텍처에서는 대시보드 또는 에이전트 도구에서 요청하는 모든 지표가 단일 쿼리 진입점을 통해 처리됩니다. AI에는 두 번째, 더 느슨한 경로가 없습니다. 보조 시스템과 화면의 차트는 동일한 인증된 로직을 실행하므로 수치가 다를 수 없습니다.

테넌트 격리는 쿼리 내부가 아닌 쿼리 외부에서 적용됩니다. 호출자는 어떤 테넌트의 데이터를 볼지 제공하지 않으며, 영향을 줄 수도 없습니다. 스코핑은 인증된 컨텍스트의 실행 계층에서 적용됩니다. 이는 스크립트로 작성하지 않은 방식으로 입력을 구성하는 에이전트에게 매우 중요합니다. 격리가 모델이 조립을 도운 쿼리 string 내부에 존재한다면, 교묘한 프롬프트로 인해 격리가 깨질 수 있습니다. 스코핑은 쿼리 외부에 있기 때문에 악의적이든 우발적이든 어떤 프롬프트도 테넌트 경계를 넘을 수 없습니다. 결과적으로 재현 가능하고, 테넌트별로 격리되어 있으며, 구조적으로 감사 가능한 답변이 제공됩니다.

권한 기반 읽기 전용 보기: 모델이 추론할 수 없는 보안 문제

현재 기업 AI에서 가장 위험한 패턴은 챗봇을 원본 테이블에 직접 연결하는 것입니다. 데모 시에는 멋지게 보이지만, 실제로는 절대 허용할 수 없는 부분에서 심각한 오류를 발생시킵니다. 테이블 접근 권한이 주어진다면, 에이전트는 의도치 않게 결합될 수 있는 데이터를 결합하고, 원본 시스템에서 벗어나서는 안 되는 열을 노출시키며, 서로 모순되는 세 가지 방식으로 유효한 것처럼 보이는 지표를 계산할 수 있습니다. 이는 단지 관례에 불과한 경계를 확률 시스템이 존중할 것이라고 믿는 것과 같습니다.

대안은 모델 아래 데이터베이스에서 경계를 설정하는 것입니다. 인증된 계층은 권한 기반의 읽기 전용 뷰를 통해 노출합니다. AI의 자격 증명은 허용된 안전한 뷰만 읽을 수 있으며, 그 외의 데이터(원시 테이블, 쓰기 경로, 인증된 영역 외의 열)에는 접근할 수 없습니다. 모델은 시스템 프롬프트의 지침이 아닌 데이터베이스 권한 설정으로 경계를 설정하기 때문에 경계를 넘고 싶은 유혹을 느끼지 않습니다. 이는 NIST AI RMF 1.0과 같은 프레임워크에서 지향하는 명확하고 기술적인 제어 방식입니다. 즉, 모델의 동작을 신뢰하는 대신 AI 시스템의 실제 접근 및 데이터 흐름을 관리하고 매핑하는 것입니다.

에이전트를 이 표면에 연결하는 것은 재구축이 아니라 배선 문제입니다. 사람이 대시보드를 사용하는 것과 동일한 인증된 레이어가 MCP 도구 및 SoCode을 통해 에이전트에 노출되므로 에이전트는 원시 테이블이 아닌 인증된 메트릭을 기반으로 추론합니다. AI는 수치를 생성하지 않기 때문에 수치를 임의로 만들어낼 수 없습니다. AI는 레이어에 요청하고 레이어는 인증된 number을 반환합니다.

공유 레이어가 노코드 저작을 안전하게 만드는 이유

셀프 서비스는 거버넌스 위험처럼 들립니다. 비즈니스 사용자에게 측정 기준 작성 도구를 제공하면 분명히 다른 방법으로 동일한 상충되는 정의를 생성하게 될 것입니다. 빌더가 인증된 레이어 위에 위치한다면 그 반대도 마찬가지입니다. 코드 없는 구조화된 메트릭 작성을 통해 사용자는 원시 SQL을 작성하거나 기본 테이블을 건드리지 않고도 화이트리스트에 포함된 안전한 보기(인증된 차원, 필터 및 집계 선택)에 대해 새로운 메트릭을 구성할 수 있습니다.

모든 작성된 메트릭은 이미 관리되는 구성 요소로 조립되기 때문에 안전성 속성이 재검토되지 않고 그대로 계승됩니다. 새로운 메트릭은 인증된 메트릭과 마찬가지로 테넌트 범위 내에서 재현 가능하고 감사 가능합니다. 동일한 진입점, 동일한 뷰, 동일한 권한 하에서 실행되기 때문입니다. 거버넌스는 더 이상 사용자의 작업을 지연시키는 장벽이 아니라, 더 많은 사용자가 안전하게 구축할 수 있도록 하는 기반이 됩니다. 이것이 바로 정의를 다시 분할하지 않고 확장할 수 있는 유일한 셀프 서비스 방식입니다.

CDO가 실제로 갖춰야 할 자질은 무엇일까요?

AI 분석 레이어를 구축하는 CDO라면 챗봇부터 시작하려는 충동을 억제하십시오. 챗봇은 쉬운 20%에 불과하지만 위험한 부분입니다. 먼저 어휘부터 정립하십시오. 핵심 지표를 정의하고, 담당자를 지정하고, 버전을 관리하여 인증하십시오. 외부에서 테넌트 범위 지정을 강제하는 단일 쿼리 진입점을 통해 해당 지표를 관리하십시오. 권한 기반 읽기 전용 보기를 통해 지표를 노출하십시오. 그런 다음 MCP 스타일 도구를 사용하여 에이전트를 관리되는 표면에 연결하십시오. 이 순서대로 진행하면 AI는 처음부터 신뢰할 수 있습니다. AI가 잘못 판단할 여지가 없기 때문입니다.

이것은 이론적인 연습이 아닙니다. AI로 유지 루프를 닫는 브랜드는 에이전트와 대시보드가 ​​이미 동일한 언어를 사용하는 브랜드입니다. McDonald's China은 SocialHub.AI과 협력하여 회원의 GMV 점유율을 5%에서 85%로 늘렸습니다. 그 규모의 결과는 그 아래의 숫자가 인증되고 재현 가능하며 대시보드를 검토하는 사람과 그에 따라 행동하는 상담원에게 동일한 경우에만 믿을 수 있습니다.

핵심은 한 줄입니다. 도구는 동사이고, 의미 계층은 어휘이며, 두 대상(사람과 에이전트) 모두에게 동일한 어휘가 필요합니다. 그래야 number가 사람이 묻든 에이전트가 묻든 같은 의미를 전달할 수 있습니다. AI 분석 레이어를 구축 중이고, 인증되고, 테넌트별로 격리되고, 감사 가능한 지표가 동일한 데이터 소스를 기반으로 대시보드와 에이전트 모두에 어떻게 적용되는지 확인하고 싶으시다면, 데모를 예약하세요. 귀사에서 정의한 기준에 따라 팀과 함께 자세히 살펴보겠습니다.