AI가 내놓은 답, 그대로 믿고 계신가요? — Tableau 에이전틱 애널리틱스가 여는 ‘신뢰의 분석’

Key Takeaways

• AI의 답이 미덥지 않은 이유는 데이터가 아니라 ‘지식’ 부족입니다. 리더의 89%가 AI 결과를 오도적이라 느끼는 건 AI가 비즈니스 맥락을 이해하지 못하기 때문입니다. 데이터에 맥락을 더하는 ‘지식’이 신뢰 분석의 열쇠입니다.
• 그 ‘지식 자산’은 이미 여러분의 Tableau 안에 있습니다. 매일 쌓아온 데이터 로직·메트릭·시맨틱 모델이 출발점입니다. 날리지 엔진과 디시전 엔진이 이를 구조화해 인사이트에서 실제 액션까지 연결합니다.
• AI가 진화할수록 분석가의 역할은 더 전략적으로 커집니다. 차트를 만드는 사람에서 날리지·디시전·에이전틱 아키텍트로 진화하며, AI가 올바르게 작동하도록 설계하고 감독하는 핵심 주체가 됩니다.

빠르게 답을 내주는 AI는 이미 익숙합니다. 하지만 그 답을 검증 없이 임원 보고나 비즈니스 의사결정에 그대로 쓸 수 있느냐는 전혀 다른 문제입니다. AI의 답변에 비즈니스 맥락과 신뢰를 더하는 일, 여기서 데이터 분석의 다음 단계인 ‘에이전틱 애널리틱스(Agentic Analytics)’가 시작됩니다.

지난 6월 Agentforce World Tour Korea 2026에서 열린 Tableau 세션 「AI 시대를 이끄는 에이전틱 애널리틱스의 힘」은 바로 이 질문에서 출발했습니다. AI가 데이터를 분석하고, 판단하고, 실행까지 이어가는 에이전틱 애널리틱스가 무엇인지, 그리고 그 중심에 왜 여전히 ‘사람’이 있어야 하는지를 실제 데모와 함께 풀어냈습니다. 핵심을 먼저 짚어보고, 전체 이야기는 온디맨드 영상에서 확인해 보세요.

AI의 답을 믿기 어려운 진짜 이유: 데이터만으로는 충분하지 않다

불과 1년 전과 비교해도 AI가 일상과 업무 현장에서 맡는 역할은 크게 달라졌습니다. 회사가 공식적으로 AI 서비스를 도입해 쓰게 하는 경우도 있고, 챗GPT나 제미나이를 개인적으로 활용하는 경우도 있으며, 도입은 했지만 비용 문제로 실제 활용은 제한되는 현실적인 고민도 함께 커지고 있습니다. 이렇게 활용 방식은 제각각이지만, 공통된 질문은 하나로 모입니다. “AI가 내놓는 답을 얼마나 신뢰할 수 있는가?”

실제로 리더의 상당수는 AI가 내놓은 결과를 두고 ‘부정확하다’ 또는 ‘나를 오도하는 것 같다’고 느낀 경험이 있다고 말합니다. 세션에서 소개된 한 조사에서는 그 비율이 무려 89%에 달했습니다. AI가 그럴듯한 답을 주는데도 왜 미덥지 않을까요? 이유는 데이터가 아니라 ‘지식’에 있습니다. 데이터가 아무리 많아도, AI가 기업의 비즈니스와 업무적 맥락을 이해하지 못하면 신뢰할 수 있는 답을 내놓기 어렵습니다. 세션의 핵심 메시지는 명확합니다. “데이터만으로는 충분하지 않다.” AI가 올바르게 작동하려면 데이터에 비즈니스적 의미와 맥락을 부여하는 ‘지식의 영역’이 필요합니다.

그 ‘지식’은 이미 여러분의 Tableau 안에 있습니다

그렇다면 AI에게 필요한 지식은 어디에 있을까요? 흥미롭게도, 많은 조직이 이미 그 자산을 보유하고 있습니다. Tableau로 분석을 하는 과정에서 만들어 온 데이터 로직, 비즈니스 정의, 메트릭, 계산된 필드, 게시된 데이터 원본, 데이터 준비 플로우 같은 것들이 바로 그 ‘지식 자산’입니다. 매일 Tableau 안에서 설계하고 구축해 온 이 자산을 더 구조화하는 것이 새로운 에이전틱 애널리틱스 플랫폼의 출발점입니다.

여기서 중요한 건, 이 자산들이 그냥 쌓여 있는 데이터가 아니라는 점입니다. 이미 여러분의 조직이 오랜 시간 검증하고, 합의하고, 실제 의사결정에 써 온 신뢰받는 정의들입니다. 앞서 이야기한 ‘AI를 믿기 어렵다’는 문제의 해답이 바로 여기에 있습니다. AI가 임의로 해석한 맥락이 아니라, 조직이 이미 신뢰하는 비즈니스 로직 위에서 답을 만들기 때문입니다.

다시 말해, 신뢰할 수 있는 AI를 위한 출발점은 새로운 데이터를 처음부터 쌓는 일이 아닙니다. 이미 Tableau 안에 축적해 온 지식 자산을 AI가 이해할 수 있는 형태로 구조화하는 일입니다. 여러분이 그동안 Tableau에서 해 온 모든 작업이, 그대로 에이전틱 애널리틱스의 토대가 되는 셈입니다.

에이전틱 애널리틱스(Agentic Analytics)란 무엇인가?

에이전틱 애널리틱스는 AI 에이전트가 비즈니스 맥락을 이해하고, 분석을 수행하며, 실제 액션까지 실행하는 단계를 말합니다. Tableau가 걸어온 분석의 진화에서 ‘마지막 퍼즐 조각’에 해당합니다.

• 셀프서비스 분석 — 누구나 데이터에 접근할 수 있게 하여 접근 장벽을 낮춤
• 비주얼 애널리틱스(시각적 분석) — 분석을 쉽게 이해하게 함
• 어그먼티드 애널리틱스 — AI가 더해져 사용성과 생산성을 높임 (Ask Data, Explain Data처럼 Tableau는 생성형 AI 이전부터 AI 기능을 갖추고 있었습니다)
• 에이전틱 애널리틱스 — 맥락 이해 → 분석 → 실행까지 이어지는 마지막 퍼즐 Tableau는 지난 5월 미국 샌디에이고에서 열린 Tableau 컨퍼런스에서 에이전틱 애널리틱스 플랫폼을 발표하며 새로운 플랫폼으로의 전환을 선언했습니다. 그리고 이 변화의 중심에는 여러분과 같은 데이터 팀이 있습니다.

플랫폼을 떠받치는 두 개의 엔진, 그리고 ‘어디서나’

세션이 강조한 새 플랫폼의 핵심은 두 개의 엔진과 폭넓은 사용 환경입니다.

지식 엔진(Knowledge Engine)은 정형 데이터뿐 아니라 비정형 데이터까지 자연어로 의미 있게 연결해 ‘지식’으로 바꿔줍니다. 결정 엔진(Decision Engine)은 그 지식을 기반으로 나온 분석 결과를 단순 조회에 그치지 않고, 업무 흐름과 연결된 실행으로 이어 의사결정에 반영합니다. 그리고 세 번째, AI 기능이 클라우드에서만 가능하다는 기존 인식을 넘어섰습니다. Tableau 클라우드·넥스트뿐 아니라 국내 고객이 가장 많이 쓰는 온프레미스 환경인 Tableau 서버, 그리고 데스크탑과 무료 버전인 퍼블릭에서도 이 개념과 기능을 쓸 수 있게 됐습니다. 또한 Tableau는 세일즈포스의 새로운 에이전트 퍼스트 아키텍처인 헤드리스 360(Headless 360) 안에서 인사이트를 제공하는 분석 에이전트로 자리하며, 통합된 엔터프라이즈 아키텍처에서 ‘분석’의 한 축을 담당합니다.

데모로 확인하는 3가지 장면

세션의 백미는 세 편의 실제 데모입니다. 각각 지식의 구조화 → 의사결정 강화 → 실행과 연결이라는 흐름을 그대로 보여줍니다.

① 지식의 구조화 — 맥락을 이해하는 답변

물류 대시보드의 AI 에이전트에게 “샌디에이고의 지난달 출하량은?”이라고 묻자, 단순히 수치만 답하는 데 그치지 않았습니다. AI는 ‘지난달’이라는 표현을 조직이 정의한 ‘최근 30일’ 맥락으로 해석했고, 샌디에이고만 물었는데도 그곳이 최다 출하 지역이며 2위인 도쿄보다 약 2배 많다는 비교까지 덧붙였습니다. “특정 지역만 물어도 다른 지역과의 비교가 중요하다”는 비즈니스 맥락이 지식으로 반영된 결과입니다. 이를 가능하게 한 것이 지난 5월 발표된 자동 지식 그래프(Auto Knowledge Graph)로, 기존 데이터와 시맨틱을 자동으로 연결해 AI가 데이터의 의미와 관계를 이해하도록 만듭니다.

② 의사결정 강화 — 시맨틱 모델이 정확도를 높인다

Tableau MCP로 연결된 클로드(Claude)에게 “쓸 수 있는 시맨틱 모델이 뭐가 있어?”라고 묻자 사용 가능한 모델을 안내했고, 이커머스 관련 시맨틱 모델로 “신입사원 온보딩용 고객 분석 차트와 리포트를 만들어 줘”라고 요청하자 그 모델에 접근해 결과물을 생성했습니다. 핵심은 데이터에만 접근했을 때보다, 시맨틱 모델에 정리된 비즈니스 맥락을 반영했을 때 정확도가 훨씬 높아진다는 점입니다.

③ 실행과 연결 — 분석이 곧 액션이 된다

공급망 재고 대시보드에서는 색상으로 재고 상태(녹색=안정, 빨강=부족)를 확인할 수 있었습니다. “지역별 수요 예측 오차율은?”으로 현황을 파악한 뒤, “X1 재고를 댈러스에서 온타리오로 옮겨줘”라고 명령하자 AI가 실제 재배치를 실행했습니다. 이어 “재고 균형을 자동으로 맞춰줘”라고 하자, 편중된 재고를 고르게 재배치하고 그 결과를 대시보드와 하단 생키(Sankey) 차트에 즉시 반영했습니다. 말 그대로 분석이 실행으로 이어지는 에이전틱 애널리틱스의 모습입니다.

AI 시대, 데이터 분석가의 역할은 어떻게 달라지나?

“AI가 다 하면 내 일은 없어지는 것 아닌가?” 세션은 정반대라고 말합니다. 데이터 분석은 코딩의 시대, 스프레드시트의 시대를 거쳐 지금의 에이전틱 애널리틱스 시대에 이르렀고, 시대가 바뀔 때마다 분석가의 역할도 함께 진화해 왔습니다. 이제 분석가는 차트를 예쁘게 만들고 보고를 잘하는 사람에서, 신뢰할 수 있는 지식 구조를 설계하고 AI가 안전하고 정확하게 행동하도록 만드는 사람으로 그 가치가 커집니다. 세션은 이 역할을 세 가지 아키텍트로 정리했습니다.

결국 신뢰를 담보하는 것은 사람

세션에서 특히 강조된 대목이 있습니다. Tableau가 오랫동안 지켜온 미션은 “데이터를 보고 이해하도록 돕는다”였습니다.

그런데 이제 여기에 결정적인 한 단어가 더해졌습니다. “보고, 이해하고, 실행하도록 돕는다” 인사이트를 얻는 데서 끝나지 않고, 그 분석이 실제 액션으로 이어지도록 돕는다는 뜻입니다. 앞서 본 재고 자동 재배치 데모가 바로 이 ‘act on data’를 눈으로 보여준 장면이었고, 그 역할을 AI 에이전트가 수행하게 됩니다. 다만 AI가 아무리 진화해도 신뢰를 담보하는 것은 AI가 아니라 사람입니다. 데이터를 기반으로 질문하고 탐색해 비즈니스 가치를 찾는 BI의 본질은 앞으로도 변하지 않습니다. 그 본질 위에서 AI는 생산성을 높이고, 사람은 더 전략적인 역할로 진화하며, BI의 본질과 AI와 사람이 조화와 균형을 이루며 함께 나아갑니다.

그렇다면 우리 조직은 이 변화를 어떻게 준비해야 할까요? 지식 그래프는 실제로 어떻게 작동하고, 재고 재배치 데모는 어디까지 자동화되며, 데이터 팀은 무엇부터 시작해야 할까요? 세션은 이 질문들에 실제 화면과 함께 답합니다.

인사이트에서 실행까지, 하나로 연결되는 세일즈포스

에이전틱 애널리틱스는 Tableau만의 이야기가 아닙니다. Tableau는 세일즈포스의 에이전트 퍼스트 아키텍처 안에서 인사이트를 제공하는 분석의 한 축을 담당하며, 데이터에서 신뢰할 수 있는 인사이트로, 다시 실제 액션으로 이어지는 여정 전체를 하나의 플랫폼 흐름으로 연결합니다. 그 여정의 중심에는 여전히 사람, 즉 데이터 팀이 있습니다. AI가 진화해도 신뢰를 담보하는 것은 결국 사람이며, Tableau와 세일즈포스는 그 사람들이 확신을 갖고 의사결정을 내리도록 돕습니다. 이것이 AI 시대에 Tableau가 제시하는 방향입니다.

자주 묻는 질문(FAQs)