에이전트

인공지능은 오류를 수정하지 않고 확대한다: 데이터 거버넌스의 긴급성

2026년 11월 16일 · 읽는 시간 2분

다른 언어로도 게시됨 中文

turned on monitoring screen
Stephen Dawson / Unsplash

인공지능 시스템이 조직의 데이터 오류를 수정하는 것이 아니라 오히려 이를 확대하고 있다는 사실이 확인되었다. 이는 인공지능을 도입하는 조직들이 직면한 핵심 문제로, 기술의 속도가 데이터의 질을 앞지르면서 발생하는 구조적 결함을 드러낸다. 인공지능의 채택 여부가 아닌 채택 속도와 기반 데이터의 상태가 현재 경영진의 주요 관심사로 부각되고 있다.

드렉셀 대학교 레보 비즈니스 스쿨과 프리시즈가 실시한 조사에 따르면, 565명의 데이터 전문가 중 88%가 인공지능에 대비했다고 응답했다. 그러나 응답자의 43%는 현재 데이터가 장애물이라고 인정했다. 2024년 발표된 관련 조사에서는 응답자의 12%만이 데이터의 품질과 접근성이 인공지능에 충분하다고 평가했으며, 67%는 의사 결정을 위해 자신의 데이터를 완전히 신뢰하지 않는다고 밝혔다. 2026년 1월 같은 조사에서는 낙관론이 급증했지만, 준비된다고 주장하는 응답자의 절반 가량이 실제로 준비되지 않았음을 인정하는 모순적인 결과가 나타났다. 이는 신뢰와 준비 사이의 격차로, 엔지니어링 관점에서 검증 없는 신뢰는 기술 부채로 정의된다.

인공지능은 입력 데이터의 오류를 수정하지 않고 가속화한다. 수동 프로세스에서 결함이 있는 데이터는 느리게 실패하며, 인간은 검토하고 수정할 수 있다. 반면 인공지능 모델은 오류를 학습하고 일반화하여 초당 수천 번 적용한다. 특히 추천을 넘어 실행을 수행하는 에이전트의 경우, 오류가 보고서 수준을 넘어 운영 단계로 직접 전달된다. 가트너에 따르면, 조직의 63%는 인공지능에 적합한 데이터 관리 관행을 갖추지 못했거나 그 상태를 알지 못한다. 2026년 말까지 준비되지 않은 데이터로 지원되지 않는 인공지능 프로젝트의 60%가 중단될 것으로 예상된다. 이는 생성형 및 에이전트 인공지능에 대한 다수억 달러 규모의 투자에도 불구하고, 대부분의 조직이 측정 가능한 수익을 얻지 못하는 주요 원인으로 지적된다.

데이터 리더들은 인공지능의 장애물로 모델을 지목하기보다 데이터 거버넌스와 품질을 꼽는다. 결과에 맥락을 부여하는 속성의 부재, 개인정보 보호 문제, 편향을 방지할 충분한 데이터의 부족도 언급된다. 2026년 레보 연구에 따르면, 공식적인 데이터 거버넌스 전략과 프로그램을 갖춘 조직의 71%가 데이터에 대한 높은 신뢰도를 보였으며, 이는 전략이 없는 조직의 50%보다 높은 수치다. 또한 전략이 있는 조직의 32%는 6개월에서 11개월 이내에 인공지능의 긍정적 수익을 기대한다.

인공지능은 이제 데이터 문제를 해결하는 도구로도 사용된다. 개인 데이터를 발견하고 라벨링하거나, 패턴 기반의 품질 규칙을 제안하며, 주소 지오코딩을 수행하는 에이전트들이 인간 승인을 전제로 운영된다. 프리시즈의 데이터 무결성 스위트와 같은 플랫폼은 자연어 요청을 통해 데이터 거버넌스를 가능하게 한다. 유럽 인공지능 법규는 채용이나 신용 부여와 같은 고위험 시스템에 대해 데이터 거버넌스와 품질 관행을 의무화한다. 인공지능 에이전트의 신뢰성은 그들이 작동하는 데이터의 질과 동일하며, 그 이상일 수 없다. 향후 경쟁 우위는 인공지능을 먼저 채택하는 것이 아니라 신뢰할 수 있는 데이터 위에 채택하는 조직에게 있을 것이다.