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

요약

AI는 데이터 조직 바깥의 일이 아니에요

데이터 조직에게 AI는 아직도 남의 일일까요? 올해 4월, 당근 데이터가치화팀은 팀 전체가 모여 AI 활용 워크샵을 열고 이런 질문들을 던져봤어요.

“AI가 우리 팀 신입사원으로 들어온다면 어떤 일을 시킬까?”
“퇴근 후 AI가 밤새 처리해놨으면 하는 업무는?”

2026년 4월, 당근 데이터가치화팀은 팀 전체가 모여 AI 활용 워크샵을 진행하면서 이런 질문들을 진지하게 나눴어요. 처음엔 가벼운 상상으로 시작했지만, 이야기가 깊어질수록 분명해졌어요. 이건 먼 미래에 대한 공상이 아니라, 이미 저희의 하루하루에 들어와 있는 변화의 한 장면이라는 걸요.

안녕하세요, 당근 데이터가치화팀이에요. 저희 팀은 당근의 중앙 데이터 조직으로서 데이터 파이프라인, 지표 플랫폼(KarrotMetrics), 실험 플랫폼, 데이터 포털, 데이터 거버넌스까지 당근의 구성원들이 데이터를 더 믿고 활용할 수 있는 환경을 만드는 일을 하고 있어요.

이 글에서는 지난 1년간 데이터가치화팀이 AI를 어떻게 받아들여 왔는지, 그리고 그 과정에서 데이터 업무의 방식과 플랫폼의 형태, 조직의 역할이 어떻게 달라지고 있는지 솔직하게 공유해보려고 해요.

AI는 데이터 업무 방식을 바꿔요

데이터 업무에서 AI는 이미 다양한 형태로 개입하고 있어요. 저희 팀만 해도 일상적으로 이런 장면들이 벌어지고 있죠.

복잡한 SQL을 작성할 때 초안을 AI에게 맡기고 로직을 검토하는 방식이 자연스러워졌어요. 각종 개발 프로젝트에서 MCP 서버를 개발할 때는 Claude Code가 큰 도움이 됐어요. 복잡한 재귀 쿼리를 작성하거나 BigQuery API를 다룰 때 빠르게 프로토타이핑할 수 있었죠.

데이터 품질 이슈가 발생하면 AI가 리니지 정보를 함께 정리해서 영향 범위를 파악하는 것을 도와주고, 파이프라인이 실패했을 때는 AI와 대화하며 원인을 좁혀나가기도 해요.

이렇게 반복적이고 기계적인 작업의 일부는 확실히 빨라졌어요. 진입장벽도 낮아졌고요.

동시에 새로운 변화가 함께 일어나고 있어요. AI가 “구현”을 대신해주기 시작하면서, 업무의 본질이 점점 문제 정의, 검증, 설계, 우선순위 판단 쪽으로 이동하고 있어요.

과거에는 많이 알고, 직접 빠르게 구현하는 능력이 핵심이었다면, 앞으로는 맥락을 이해하고, 결과를 검증하고, 위험을 통제하는 능력이 더 중요해지고 있어요.

데이터 엔지니어는 파이프라인 구현 자체보다 구조 설계와 운영 판단의 비중이 늘어나고 있어요.
분석가는 대시보드를 만드는 것보다 올바른 질문을 설계하고 결과를 해석하는 능력이 더 중요해지고 있고요.
관리자 역할도 산출물을 관리하는 것에서 검증 체계와 실행 원칙을 설계하는 쪽으로 무게가 옮겨가고 있어요.

주의할 점도 있어요. AI는 업무를 쉽게 만들지만, 업무를 가볍게 만들지는 않아요. 생산성이 높아지는 만큼, 품질 저하, 산출물 과신, 책임 공백의 위험도 함께 들어오거든요.

예를 들어 AI가 생성한 SQL이 문법적으로는 맞지만 비즈니스 로직을 반영하지 못하는 경우, 또는 AI가 요약한 장애 리포트가 핵심 맥락을 놓치는 경우가 있어요. 이런 상황에서 결과물을 그대로 신뢰하면 오히려 문제가 커질 수 있죠.

AI는 데이터 업무의 속도를 높이지만, 데이터 업무의 책임을 없애지는 않아요. 앞으로의 핵심 역량은 AI를 더 많이 활용하는 능력만이 아니라, AI가 만든 결과를 더 잘 검증하고 더 정확히 판단하는 능력이에요.

AI는 데이터 플랫폼의 형태를 바꿔요

AI는 단지 데이터 조직 구성원이 쓰는 도구가 아니에요. 데이터 플랫폼 자체의 사용자 경험도 바꾸기 시작했어요.

기존 데이터 플랫폼의 경험을 떠올려보면, 대부분 이런 흐름이었어요. 테이블을 찾고, 문서를 찾고, SQL을 작성하고, 대시보드를 열어보는 것. 사용자가 직접 모든 단계를 수행해야 했죠.

AI가 결합된 플랫폼에서는 이 경험이 달라져요. 자연어로 질문하고, 관련 지표와 테이블을 추천받고, 이상 징후를 먼저 감지받고, 데이터의 의미를 설명받고, 액션 후보를 제안받는 방향으로 바뀌고 있어요.

대표적인 예가 저희 팀이 직접 만들고 있는 data-mcp예요. 사내에서 사용하는 다양한 데이터 도구들을 MCP(Model Context Protocol) 서버로 구성해서, LLM이 바로 데이터를 조회하고 활용할 수 있도록 했어요.

현재 운영 중인 MCP 서버들을 소개할게요. BigQuery MCP는 사내 데이터 웨어하우스에 자연어로 질의할 수 있게 해줘요. Lineage MCP는 테이블이나 컬럼의 의존 관계와 영향 범위를 LLM이 바로 조회할 수 있게 해주고, 테이블 수정 시 영향도 분석이나 데이터 품질 이슈 추적에 활용하고 있어요.

KarrotMetrics MCP는 전사 지표를 자연어로 조회하고 트렌드를 파악할 수 있게 해주고, Superset MCP는 대시보드와 차트 데이터를 LLM이 접근할 수 있도록 열어줬어요. Event MCP는 이벤트 로깅 정보를 조회하고 탐색하는 데 쓰이고요. Experiment MCP는 진행 중인 실험과 결과 지표를 자연어로 조회할 수 있게 해줘요.

이런 MCP 서버들 덕분에 구성원들은 이제 Claude Code에서 MCP를 연결해 데이터를 탐색하면서 개발하는 것이 일상이 되었어요.

AI는 데이터 조직의 역할을 바꿔요

데이터 조직하면 떠오르는 전통적인 역할이 있어요. 데이터를 적재하고, 지표를 정의하고, 대시보드를 만들고, 분석 요청에 대응하고, 리포트를 제공하는 일이죠.

AI가 확산되면 이 중 상당 부분은 셀프 서비스화될 가능성이 높아요. 사용자가 직접 자연어로 질문하고, AI를 통해 쿼리를 만들고, 대시보드를 생성하고, 분석을 진행하는 거예요.

실제로 저희 팀에서도 이런 변화가 일어나고 있어요. MCP 연동을 통해 구성원들이 자연어로 데이터를 탐색하는 사례가 늘고 있거든요.

셀프서비스가 넓어질수록, ‘기반’의 중요성은 오히려 커져요. 이런 변화를 만들어가면서 저희가 더 절실하게 느끼게 된 게 있어요. 사용자가 자연어로 질문하고 AI가 바로 답을 주는 흐름이 자연스러워질수록, 그 답이 올바르게 만들어지려면 아래에 깔린 데이터 기반이 먼저 탄탄해야 한다는 거예요.

(1) 파이프라인 운영 절차가 체계화되어 있어야 하고, (2) 지표 정의가 일관되어야 하고, (3) 메타데이터가 잘 정리되어 있어야 하고, (4) 권한 관리가 되어야 하고, (5) 데이터 리니지가 관리되어야 하고, (6) 품질 상태를 추적할 수 있어야 해요.

저희가 이전에 KarrotMetrics를 만들면서 지표의 정의와 계산 로직을 하나의 소스로 통합했던 경험이 여기서 빛을 발하고 있어요. 지표 정의가 코드로 관리되고, 버전이 추적되고, 오너가 명확하게 지정되어 있기 때문에 AI가 이 정보를 참고해서 더 정확한 답변을 할 수 있거든요.

컬럼 레벨 리니지도 마찬가지예요. 데이터의 흐름이 컬럼 단위로 추적되고 있기 때문에 AI가 영향도를 분석할 때 훨씬 정교한 답을 줄 수 있어요.

AI가 플랫폼을 더 똑똑하게 만들려면, 그 바탕에 잘 정리된 데이터 시스템이 있어야 해요. 질문을 던지는 건 쉬워지지만, 그 답을 믿을 수 있는 환경은 저절로 따라오지 않거든요.

이런 기반을 설계하고 유지하는 일에서 AI 시대 데이터 조직의 역할이 새롭게 자리 잡고 있어요.

저희가 data-mcp를 직접 만드는 이유도 여기에 있어요. 앞서 말한 파이프라인·지표 정의·권한 같은 기반 위에서, LLM이 데이터에 접근하는 방식 자체를 조직이 직접 설계해야 하거든요. 구성원 각자가 LLM에 DB 접근 권한을 주는 것과는 다른 층위의 일이에요.

라우팅: LLM이 전체 스키마를 뒤져 엉뚱한 쿼리를 만들지 않도록, 어떤 데이터 소스에 어떻게 접근할지 MCP가 먼저 결정해요.
인증과 권한: 사용자의 권한 범위 안에서만 데이터를 조회할 수 있게 해요. 권한 바깥에선 AI가 ‘답을 지어내는’ 대신 ‘답이 없다’고 말하게 하는 쪽이 안전하죠.
정교한 사용: 지표 정의·오너·최신성 같은 도메인 지식을 MCP에 함께 담아, 무분별한 자연어 접근이 아니라 조직의 규칙이 반영된 접근이 되도록 해요.

이렇게 MCP 계층이 퍼지면서 저희가 데이터 제품을 만드는 방식도 바뀌고 있어요. 기존에는 UI만 고민했다면, 이제는 “LLM이 이 기능을 어떻게 호출할 것인가”도 함께 설계해요.

예를 들어 실험 플랫폼에 지표 기능을 추가할 때, UI로만 열지 않고 MCP로도 생성·수정할 수 있게 열어두되, 잘못된 수정이 들어가지 않도록 검증·승인 레이어를 동시에 설계하는 식이에요. 데이터 제품의 표면이 이제 UI 하나가 아니라 UI + LLM 인터페이스 두 격이 된 거예요.

앞으로 데이터 조직에서 더 중요해질 역할들이 있어요. 신뢰 가능한 데이터 정의 체계를 수립하고, 메타데이터와 문서화를 운영하고, 품질 기준과 검증 체계를 설계하고, 데이터 접근 제어와 감사 가능성을 확보하는 일이에요.

여기에 더해 AI가 잘못된 근거를 사용하지 않도록 안전장치를 설계하고, 조직 전반의 데이터 사용 경험을 설계하고, AI의 데이터 사용에 대한 비용을 효율화하는 것까지 포함돼요.

즉, 데이터 조직은 “답을 대신 만들어주는 팀”에서 “답이 신뢰 가능하게 만들어질 수 있는 환경을 구축하는 팀”으로 바뀌고 있어요.

AI 시대일수록 데이터 조직의 존재 이유가 약해지는 것이 아니라, 더 구조적인 층위로 이동하고 있어요. 그리고 그 과정에서 제품 조직, 엔지니어링 조직, 운영 조직과의 접점이 더 많아지고 있죠.

저희 팀에서도 이런 변화를 체감하고 있어요. data-mcp를 통해 다른 팀의 AI 에이전트들이 데이터를 활용하는 사례가 늘고 있고, 데이터 거버넌스 정책이 AI 기능 개발과 직접 연결되고 있거든요.

AI 시대 데이터 조직은 더 이상 데이터를 만들어 전달하기만 하는 곳이 아니에요. 그 데이터를 믿을 수 있게 유지하고, 어떤 상황에서 어떻게 써야 하는지까지 함께 책임지는 조직에 가까워지고 있죠.

AI는 데이터 문화를 바꿔요

AI는 데이터를 더 많은 사람에게 더 쉽게 열어줄 가능성이 커요. 질문하는 비용이 줄어들면, 조직 내 데이터 활용의 저변은 자연스럽게 넓어지죠.

하지만 질문이 쉬워진다고 해서, 해석과 의사결정까지 자동으로 좋아지는 것은 아니에요. 오히려 위험한 상황도 함께 많아져요. 그럴듯하지만 틀린 답변, 지표 정의를 무시한 요약, 최신성이나 권한 범위를 벗어난 응답, 수치의 맥락 없이 의사결정에 사용되는 결과 같은 것들이죠.

예를 들어 같은 이름의 지표라도 팀마다 정의가 미묘하게 다를 수 있어요. 어떤 팀은 ‘전체 거래’로, 어떤 팀은 ‘결제 완료된 거래’로 계산하는 식이죠. 사람이 직접 쿼리를 작성하던 시대에는 작성자가 정의를 확인하고 넘어갈 여지가 있었어요.

하지만 AI가 자연어 질문에 바로 답을 주는 시대에는, 이 차이가 가려진 채 그대로 의사결정에 쓰일 수 있어요. 질문하는 사람은 어떤 정의의 지표를 본 건지조차 모를 수 있고요.

그래서 AI 시대의 데이터 문화는 “누구나 쉽게 물어본다”에서 끝나면 안 돼요. “누구나 물을 수 있지만, 아무 답이나 그대로 믿지는 않는 문화”가 되어야 해요.

결과와 근거를 함께 확인하는 습관, 숫자보다 정의와 맥락을 먼저 확인하는 태도, 자동 생성 결과를 초안으로 보고 검토하는 문화, 검증 가능한 기준과 공통 언어의 존재, 데이터와 AI 사용에 대한 최소한의 리터러시 공유 이런 것들이 새로운 데이터 문화의 핵심이에요.

데이터 조직은 이 문화에서 중요한 역할을 할 수 있어요. 표준 지표와 정의를 제공하고, 검증 포인트를 설계하고, 셀프서비스 환경의 가이드를 제공하고, 오용 사례를 줄이는 UX와 정책을 설계하는 거죠.

저희 팀도 이런 문화를 ‘개인의 태도’가 아니라 ‘제품의 기본 동작’으로 녹여내는 방향을 고민하고 있어요. 예를 들어 AI가 지표를 언급할 때 정의·계산 로직·오너·최신성 정보를 함께 노출해서 사용자가 “이 숫자가 어떻게 계산된 거지?”를 한 번에 확인할 수 있게 한다든지, Lineage MCP가 답변의 근거가 된 테이블·컬럼·의존 관계를 함께 반환해서 AI의 답이 어디에서 나왔는지 추적할 수 있도록 하는 것이에요.

권한 범위를 벗어난 데이터에 대해서는 AI가 답을 지어내지 않도록 data-mcp 계층에서 차단하는 것도 같은 맥락이고요. “답이 없는 것이 틀린 답보다 안전하다”는 원칙이에요.

데이터 민주화와 판단의 신뢰는 별개의 문제예요. AI는 데이터 민주화를 가속할 수 있지만, 검증 문화를 함께 만들지 못하면 오히려 혼란을 키울 수 있어요.

AI와 함께 발전하는 데이터가치화팀

2025년은 데이터가치화팀에게 AI 도입이 산발적으로 이루어진 해였어요. 여기저기서 시도하고, 실패하고, 배운 것들이 있었죠.

다양한 개발 프로젝트에서 Claude Code를 활용한 빠른 프로토타이핑을 경험했어요. data-mcp 저장소를 만들어 BigQuery, KarrotMetrics, 이벤트 등 다양한 데이터 도구를 MCP 서버로 구성했고요. 각자의 워크플로우에서 Claude, ChatGPT 등 다양한 AI 도구를 실험적으로 활용했어요.

2026년은 이 흩어져 있던 시도들을 통합하는 해예요. 개별 실험들이 하나의 흐름으로 연결되고, 구성원들에게 높은 편의성을 제공하는 방향으로 수렴하고 있어요. data-mcp의 인증 체계를 개선하고, 여러 MCP 서버의 사용성을 높이고, AI 에이전트들이 신뢰할 수 있는 데이터를 기반으로 동작하도록 거버넌스를 강화하는 작업이 진행 중이에요.

데이터가치화팀은 단순히 AI 도구를 잘 쓰는 팀이 아니라, AI 시대에 데이터 조직이 가져야 할 관점을 고민하는 팀이 되려고 해요.

구성원의 AI 활용 방식, 플랫폼에 내장될 AI 경험, 신뢰 가능한 데이터 기반, 조직 전체의 데이터 사용 문화 네 가지가 저희가 계속 고민하고 있는 축이에요.

AI 시대에 데이터가치화팀의 역할은 “더 많은 데이터를 제공하는 것”만이 아니에요. “더 쉽게 질문하고, 더 믿을 수 있게 해석할 수 있는 환경을 만드는 것”이에요. 그래서 앞으로 더 중요한 것은 기술 채택 자체보다, 어떤 원칙과 구조로 AI를 조직 안에 녹여내는가라고 생각해요.

함께할 분을 찾고 있어요. 데이터가치화팀은 파이프라인, 실험 플랫폼, 데이터 포털, 이벤트 수집까지 데이터의 전체 흐름을 직접 만들고 운영하는 팀이에요. 하나의 영역에 갇히지 않고 다양한 시스템을 넘나들며 일할 수 있고, “문제가 뭔지부터 깊이 고민하자”는 문화가 실제로 작동하는 곳이에요.

직군의 경계 없이 엔지니어도, 분석가도 서로의 관점에서 피드백을 주고받으면서 더 나은 방향을 찾아가고 있어요. AI 시대에 데이터 조직의 새로운 역할을 함께 정의하고 만들어갈 분을 찾고 있어요.

👉 당근 데이터가치화팀 채용 공고 — Software Engineer, Data
👉 당근 데이터가치화팀 채용 공고 — Data Analytics Engineer

이 글은 데이터가치화팀의 공동 작업으로 만들어졌어요.

함께한 사람들: andy.lee, mika.kang, daniele, hyunie, bob.jo, henry.kim, mila.kim, sagan, jinny.bae, yeri, pepper, kate