Tag: 오피니언

많은 조직이 “데이터 기반”이 되겠다고 선언하며 가장 먼저 도구를 산다. 모던 데이터 스택, 셀프서비스 BI, 노트북 환경을 갖추면 사람들이 알아서 데이터를 들여다볼 것이라 기대한다. 그러나 내가 두 회사에서 본 현실은 정반대였다. 도구는 가득했지만 회의는 여전히 “제 느낌엔”으로 시작됐다.

데이터 문화는 라이선스로 구매할 수 없다. 그것은 매일 반복되는 작은 습관과 의식의 누적이다. 이 글은 도구 도입이 아니라 행동 설계의 관점에서 데이터 문화를 다룬다.

문화는 회의의 첫 5분에서 드러난다

데이터 문화가 있는 조직과 없는 조직의 차이는 회의 첫 5분에 그대로 나타난다. 전자는 “지난주 지표 어땠죠?”로 시작하고, 후자는 “이번에 새로 해볼 아이디어가 있는데”로 시작한다. 어느 쪽이 옳다는 게 아니라, 데이터를 대화의 출발점으로 삼는 습관이 있느냐가 문화의 척도다.

접근성보다 해석 가능성이 먼저다

흔한 오해는 데이터를 더 많이, 더 쉽게 공개하면 문화가 생긴다는 것이다. 그러나 맥락 없는 대시보드 50개는 0개보다 나쁘다. 사람들은 숫자가 무엇을 의미하는지 모르면 결국 무시한다. 나는 대시보드 수를 절반으로 줄이고, 각 지표 옆에 “이 숫자가 나쁘면 무엇을 해야 하는가”라는 한 줄을 붙였다. 사용률이 오히려 올라갔다.

데이터 문화의 적은 데이터 부족이 아니라, 행동으로 이어지지 않는 데이터의 과잉이다.

리더가 숫자를 묻는 순간 문화가 시작된다

가장 강력한 문화 신호는 리더의 질문이다. 경영진이 “근거가 뭐죠?”라고 일상적으로 물으면, 조직은 한 달 안에 회의 전에 데이터를 챙기기 시작한다. 반대로 리더가 직감으로 결정하면 어떤 도구도 그 신호를 이기지 못한다. 문화는 위에서 흘러내린다.

• 경영진 정기 리뷰에 핵심 지표 3개를 고정 안건으로 넣기
• 의사결정 문서에 “근거 데이터” 섹션을 필수화하기
• 지표가 나빠도 솔직히 공유한 팀을 비난 대신 인정하기

심리적 안전이 없으면 데이터는 무기가 된다

데이터가 책임 추궁의 도구로 쓰이면 사람들은 숨긴다. 나쁜 지표를 보고하면 질책받는 조직에서는 모두가 데이터를 보기 좋게 가공하는 데 시간을 쓴다. 데이터 문화의 진짜 토대는 도구가 아니라 “나쁜 소식을 일찍 말해도 안전하다”는 신뢰다.

한계와 현실

물론 작은 스타트업과 수만 명 규모의 대기업에서 같은 처방이 통하지는 않는다. 거대 조직에서는 습관만으로 부족하고 거버넌스와 표준이 필요하다. 또한 모든 결정을 데이터로만 내리려는 과잉도 위험하다. 데이터가 없는 영역에서는 직관과 실험이 여전히 핵심이다.

그럼에도 출발점은 분명하다. 데이터 문화를 만들고 싶다면 다음 분기 예산을 새 도구가 아니라, 리더가 숫자를 묻는 습관과 나쁜 소식을 안전하게 말할 수 있는 분위기에 투자하라. 문화는 설치되는 것이 아니라 길러지는 것이다.

요즘 데이터 분석가들이 가장 자주 묻는 질문은 이것이다. “AI가 SQL을 짜고 차트를 그리고 인사이트 요약까지 해주는데, 내 일은 사라지는 것 아닌가?” 솔직히 이 불안은 근거가 없지 않다. 단순 쿼리 작성과 보고서 생성의 상당 부분은 이미 자동화의 사정권에 들어왔다.

그러나 나는 데이터 커리어가 축소되는 것이 아니라 무게중심이 이동하고 있다고 본다. 기계가 잘하는 영역의 가치는 빠르게 0에 수렴하고, 기계가 못하는 영역의 가치는 그만큼 폭발한다. 문제는 우리가 어느 쪽에 서 있느냐다.

자동화되는 것과 남는 것

AI가 가장 잘 대체하는 것은 “명확히 정의된 질문에 대한 답”이다. “지난달 지역별 매출을 보여줘” 같은 작업이다. 반대로 AI가 못하는 것은 “애초에 어떤 질문을 던져야 하는가”를 정하는 일이다. 데이터에서 답을 뽑는 능력은 흔해지고, 올바른 질문을 설계하는 능력은 희소해진다.

AI는 답을 싸게 만든다. 그래서 질문의 가치가 비싸진다.

분석가에서 의사결정 파트너로

미래의 데이터 전문가는 쿼리 기술자가 아니라 의사결정 파트너에 가깝다. 비즈니스 맥락을 이해하고, 모호한 문제를 분석 가능한 질문으로 번역하고, AI가 내놓은 결과의 신뢰성을 검증하며, 그것을 행동으로 옮기게 설득하는 역할이다. 이 일은 도메인 지식과 커뮤니케이션, 그리고 비판적 사고를 요구한다.

새롭게 떠오르는 역량들

• 문제 정의: 모호한 비즈니스 질문을 분석 가능하게 구조화
• 검증 능력: AI 산출물의 오류와 환각을 가려내는 비판적 감각
• 데이터 제품 사고: 일회성 분석이 아니라 재사용 가능한 자산 설계
• 스토리텔링: 숫자를 행동으로 옮기게 만드는 설득력

반론: 기초가 사라지면 검증도 못 한다

여기에는 중요한 반론이 있다. AI에 모든 실무를 맡기고 “고차원 역량”만 키우면, 정작 AI가 틀렸을 때 그것을 알아챌 기초가 없어진다. 통계적 직관과 데이터 다루는 손맛은 여전히 필수다. AI는 기초를 건너뛰는 사다리가 아니라, 기초가 탄탄한 사람을 증폭시키는 도구다.

커리어 전략으로서의 제언

그래서 나는 데이터 직군에게 두 가지를 동시에 권한다. 첫째, AI 도구를 두려워하지 말고 적극적으로 자신의 생산성에 흡수하라. AI를 쓰는 사람이 AI에게 대체되는 게 아니라, AI를 안 쓰는 사람이 AI를 쓰는 사람에게 대체된다. 둘째, 기계가 못하는 영역, 즉 문제 정의와 도메인 이해와 설득으로 자신의 무게중심을 의식적으로 옮겨라.

변화의 시기에 가장 위험한 태도는 “내 일은 안전하다”는 안주와 “다 끝났다”는 체념, 두 극단이다. 현실은 그 사이에 있다. 데이터 직군은 사라지지 않지만, 5년 전과 같은 모습으로 남아 있지도 않을 것이다. 변화의 방향을 읽고 먼저 움직이는 사람에게 이 시대는 위협이 아니라 가장 큰 기회다.

매년 연말이면 화려한 트렌드 전망이 쏟아진다. 대부분은 작년에 했던 말을 단어만 바꿔 반복한다. 이 글은 마케팅 유행어가 아니라, 현장에서 실제로 일하는 방식을 바꾸고 있는 구조적 신호에 집중하려 한다. 예측이 아니라 이미 시작된 변화의 관찰에 가깝다.

전망은 본질적으로 틀릴 수 있다. 그래서 나는 단정 대신 “무엇을 지켜봐야 하는가”의 관점으로 다섯 가지 신호를 정리한다.

1. AI 에이전트, 데모에서 운영으로

지난 2년이 “에이전트가 가능한가”를 증명하는 시기였다면, 2026년은 “에이전트를 어떻게 안정적으로 운영하는가”의 시기다. 화려한 데모와 신뢰할 수 있는 프로덕션 사이의 간극이 핵심 화두가 된다. 관찰 가능성, 권한 제어, 실패 복구가 모델 성능만큼 중요해진다.

2. 데이터 품질이 다시 왕좌에 오른다

AI가 강력해질수록 입력 데이터의 품질이 결과를 좌우한다. “쓰레기를 넣으면 쓰레기가 나온다”는 격언이 그 어느 때보다 비싼 진실이 된다. 거버넌스, 계보 추적, 데이터 신뢰성에 대한 투자가 다시 우선순위로 올라온다. 화려한 모델보다 깨끗한 데이터가 경쟁력이 되는 회귀가 일어난다.

모델은 상품화된다. 그래서 데이터가 다시 해자가 된다.

3. 비용 합리화의 시대

실험 단계에서는 비용을 따지지 않았다. 그러나 AI가 일상 업무에 들어오면서 “이 호출 하나에 얼마가 드는가”라는 질문이 진지해진다. 작고 효율적인 모델, 캐싱, 적절한 작업에 적절한 크기의 도구를 매칭하는 엔지니어링이 부상한다. FinOps가 데이터/AI 영역으로 확장된다.

4. 거버넌스와 규제의 본격화

• AI 사용에 대한 내부 정책과 감사 체계의 표준화
• 데이터 출처와 사용 동의에 대한 추적 의무 강화
• 설명 가능성과 책임 소재를 명시하는 운영 프로세스

5. 역량의 재정의

도구가 쉬워질수록 차별화는 도구 숙련도가 아니라 판단력으로 이동한다. 무엇을 자동화하고 무엇을 사람이 판단할지, AI 결과를 어떻게 검증할지를 아는 사람이 희소해진다. 기술 스택보다 문제 정의와 비판적 사고가 채용 기준의 중심으로 들어온다.

전망의 한계와 균형

이 다섯 가지가 모두 그대로 실현되리라고 장담하지는 않는다. 기술 트렌드는 종종 과대 평가되었다가 다시 과소 평가되며, 변화의 속도는 늘 예상을 비껴간다. 어떤 신호는 1년 더 일찍, 어떤 신호는 2년 더 늦게 올 수 있다.

그럼에도 한 가지 공통된 방향은 분명하다. 2026년의 화두는 “더 강력한 모델”이 아니라 “이미 강력한 능력을 어떻게 신뢰할 수 있고 비용 효율적이며 책임 있게 운영하는가”로 이동한다. 흥분의 단계에서 성숙의 단계로 넘어가는 해, 나는 2026년을 그렇게 읽는다.