3. 에이전틱 데이터 관리(ADM)의 핵심: Data Steward Agent의 역할과 미래
데이터 스튜어드(Data Steward)는 오랫동안 MDM의 숨은 영웅이었습니다. 시스템이 뱉어낸 오류 목록을 하나씩 검토하고, 중복 레코드를 손으로 병합하고, 비즈니스 규칙에 맞는 표준값을 찾아 입력했습니다. 반복적이고 시간이 걸리는 작업이었습니다. 그런데 이제 그 역할의 상당 부분을 AI 에이전트가 대신합니다.
에이전틱 데이터 관리(Agentic Data Management, ADM)는 AI 에이전트가 데이터 스튜어드의 반복 업무를 자율적으로 수행하는 패러다임입니다. 이 글에서는 ADM의 핵심 메커니즘, Data Steward Agent가 실제로 수행하는 작업, 사람과 AI의 역할 분담 모델, 그리고 스튜어드 직군의 미래를 정리합니다.
1. Data Steward의 현실 — 왜 AI가 필요한가
대형 제조기업의 데이터 스튜어드는 하루에 어떤 일을 할까요? 실제 현장의 하루를 들여다보면 문제가 명확해집니다.
| 업무 유형 | 실제 내용 | 소요 시간 비율 |
|---|---|---|
| 중복 탐지·병합 | 중복 의심 레코드 목록 검토, 동일 여부 판단, 병합 실행 | 약 30% |
| 품질 오류 수정 | 형식 오류, 필수값 누락, 참조 코드 불일치 수정 | 약 25% |
| 신규 데이터 검증 | 소스 시스템에서 들어온 신규 마스터 항목 유효성 확인 | 약 20% |
| 승인 처리 | 변경 요청 검토 및 승인, 부적합 건 반려 | 약 15% |
| 기타 문의 대응 | 현업 부서의 데이터 관련 문의 처리 | 약 10% |
이 중 상위 4가지 업무(전체의 90%)는 반복적이고 규칙 기반입니다. 패턴이 있고, 학습이 가능하고, 자동화할 수 있습니다. 이것이 ADM의 출발점입니다.
문제는 데이터 폭증입니다. 글로벌 공급망을 운영하는 기업의 경우 하루 수천 건의 마스터 데이터 변경 요청이 발생합니다. 스튜어드 인력을 계속 늘릴 수는 없습니다. AI 에이전트 없이는 품질 유지 자체가 불가능한 임계점에 이미 도달한 기업이 많습니다.
2. 에이전틱 데이터 관리(ADM)란 무엇인가
ADM(Agentic Data Management)은 AI 에이전트가 데이터 스튜어드의 반복 업무를 자율적으로 수행하고, 사람은 판단이 필요한 복잡한 케이스와 거버넌스에 집중하는 운영 모델입니다.
- 자율성(Autonomy): 명확한 규칙과 높은 확신도의 케이스는 AI가 사람 개입 없이 처리합니다. 하루 처리량의 60~70%가 이 범주에 해당하는 것을 목표로 합니다.
- 투명성(Transparency): AI의 모든 판단과 실행은 근거와 함께 기록됩니다. "왜 이렇게 결정했는가"를 사람이 언제든 확인할 수 있어야 합니다.
- 에스컬레이션(Escalation): 불확실하거나 영향이 큰 케이스는 즉시 사람에게 넘깁니다. AI가 스스로 모른다고 인정하는 것이 잘못된 자동 처리보다 낫습니다.
3. Data Steward Agent의 5가지 핵심 작업
소스 시스템에서 들어오는 모든 마스터 데이터 변경 이벤트를 실시간으로 스캔합니다. 형식 오류(날짜 형식 불일치, 코드 길이 초과), 필수값 누락, 참조 무결성 위반을 즉시 탐지합니다. 탐지된 오류는 심각도에 따라 자동 수정, 경고 표시, 에스컬레이션 세 가지 경로로 분기됩니다.
자동화 비율: 형식·필수값 오류의 80~90% 자동 처리 가능
단순 문자열 비교를 넘어 의미론적 유사도(Semantic Similarity)와 지식 그래프 맥락을 활용해 중복 후보를 식별합니다. "Samsung Electronics (Korea)" 와 "삼성전자㈜ (서울)" 처럼 표기는 전혀 다르지만 실제로는 동일한 엔티티를 탐지할 수 있습니다. 확신도가 높은 중복은 자동 병합, 불확실한 경우는 스튜어드에게 판단을 요청합니다.
자동화 비율: 확신도 95% 이상 케이스의 자동 병합, 전체 중복 처리량 60~70% 절감
기업 표준에 맞지 않는 표기를 자동으로 변환합니다. 국가 코드 표기(KOR → KR), 단위 통일(EA/개/PCS → EA), 대소문자 및 특수문자 정규화 등 반복적인 표준화 작업을 자동 처리합니다. 표준화 이력은 원본값과 함께 보존되어 언제든 역추적이 가능합니다.
자동화 비율: 표준화 변환 작업의 85% 이상 자동 처리
변경 요청의 영향 범위, 비즈니스 중요도, 요청자 이력, 유사 케이스 선례를 분석해 적절한 승인자를 자동 지정합니다. 단순 속성 변경은 1단계 승인으로, 여러 시스템에 영향을 미치는 핵심 마스터 변경은 상위 승인자에게 자동 배정합니다. 불필요한 승인 단계 제거로 처리 시간을 단축합니다.
효과: 평균 승인 처리 시간 40~60% 단축
개별 레코드 오류 탐지를 넘어 데이터 패턴의 이상 변화를 감지합니다. 특정 소스 시스템에서 오류 발생률이 갑자기 증가하거나, 특정 도메인의 변경 요청이 비정상적으로 급증하는 경우 담당자에게 즉시 알림을 보냅니다. 데이터 품질 사고를 사후 수습이 아닌 사전 예방으로 전환합니다.
효과: 데이터 품질 사고 탐지 시간 수일 → 수 시간으로 단축
4. Agent의 판단 메커니즘 — 어떻게 결정하는가
Data Steward Agent는 어떻게 "자동 처리할 것인가, 사람에게 넘길 것인가"를 판단할까요? 핵심은 확신도 점수(Confidence Score)입니다.
| 확신도 구간 | 처리 방식 | 예시 |
|---|---|---|
| 95% 이상 | 자동 처리 및 기록 | 날짜 형식 오류(2026.01.05 → 2026-01-05) 자동 수정. 이력에만 기록 |
| 80~94% | 처리 후 스튜어드 검토 알림 | 중복 가능성 높은 두 레코드 병합 후 "검토 요청" 알림 발송 |
| 60~79% | 스튜어드 승인 후 처리 | 동일 업체로 추정되나 불확실. 스튜어드에게 판단 요청 + AI 추천 근거 제시 |
| 60% 미만 | 스튜어드 전담 처리 | 판단 근거 부족. AI 분석 보조 자료만 제공하고 사람이 직접 결정 |
위 수치는 일반적인 권장 기준입니다. 금융·의료처럼 데이터 오류의 영향이 큰 업종은 자동 처리 임계값을 더 높게(예: 99% 이상) 설정해야 합니다. 반면 변경 건수가 많고 영향이 제한적인 도메인은 임계값을 낮춰 자동화 비율을 높일 수 있습니다. 임계값 설정 자체가 거버넌스의 핵심입니다.
5. Human-in-the-Loop — 사람과 AI의 역할 분담
ADM에서 사람의 역할이 줄어드는 것이 아닙니다. 역할의 성격이 바뀝니다. 반복적인 수작업에서 벗어나 더 높은 가치의 판단과 거버넌스에 집중하게 됩니다.
| 역할 영역 | AI 에이전트 | Data Steward (사람) |
|---|---|---|
| 품질 모니터링 | 24/7 실시간 자동 스캔 | 이상 징후 알림 수신 및 대응 지시 |
| 오류 수정 | 명확한 규칙 기반 오류 자동 수정 | 비즈니스 맥락이 필요한 복잡 오류 판단 |
| 중복 처리 | 고확신도 중복 자동 병합 | 비즈니스 의미를 고려한 병합 기준 결정 |
| 규칙 관리 | 패턴 학습으로 규칙 자동 업데이트 제안 | 새 비즈니스 규칙 정의 및 AI 제안 승인 |
| 거버넌스 | 정책 준수 여부 자동 검증 | 거버넌스 정책 수립 및 예외 사항 결정 |
| 현업 지원 | FAQ성 문의 자동 응답 | 복잡한 비즈니스 판단이 필요한 문의 처리 |
6. ADM 도입 전후 업무 변화 비교
ADM 도입으로 데이터 스튜어드의 하루가 어떻게 달라지는지 구체적으로 보여줍니다.
- 오전 9시: 전날 쌓인 품질 오류 300건 엑셀 다운로드
- 오전 10시~12시: 오류 유형별 수동 분류 및 수정
- 오후 1시~3시: 중복 의심 목록 50건 수동 검토
- 오후 3시~5시: 신규 마스터 요청 승인 처리
- 퇴근 전: 처리 못 한 건 다음 날로 이월
- 결과: 반복 업무에 하루 6~8시간 소진
- 오전 9시: AI가 자동 처리한 240건 요약 리포트 검토 (15분)
- 오전 9시 30분~11시: AI가 에스컬레이션한 고복잡 60건 판단
- 오전 11시~12시: 신규 비즈니스 규칙 수립 및 AI 학습 검토
- 오후 1시~3시: 현업 부서와 데이터 품질 전략 협의
- 오후 3시~5시: 거버넌스 정책 고도화 및 보고서 작성
- 결과: 전략적 업무에 하루의 70% 투자
7. Data Steward의 미래 — 대체인가, 진화인가
"AI가 내 일을 뺏어가는가?"라는 불안은 자연스럽습니다. 결론부터 말하면 단순 수작업은 줄어들지만, 스튜어드라는 직군은 사라지지 않습니다. 오히려 더 중요해집니다.
이유는 세 가지입니다. 첫째, AI의 판단을 감독하고 검증하는 역할이 필요합니다. AI가 틀렸을 때 이를 발견하고 수정하는 것은 사람입니다. 둘째, 비즈니스 맥락을 이해하는 것은 여전히 사람의 영역입니다. "이 두 회사가 합병됐으니 레코드를 병합해야 한다"는 비즈니스 판단을 AI는 스스로 내릴 수 없습니다. 셋째, 거버넌스 정책과 데이터 전략은 사람이 수립해야 합니다.
| 역할 변화 | 줄어드는 것 | 늘어나는 것 |
|---|---|---|
| 업무 성격 | 반복적 수작업, 오류 수정 | 전략적 판단, 정책 수립 |
| 필요 역량 | 수작업 처리 속도, 규칙 암기 | AI 감독 능력, 비즈니스 이해, 거버넌스 설계 |
| 영향력 | 개별 레코드 수준 | 도메인 전체 품질 전략 수준 |
| 협업 대상 | 내부 데이터팀 중심 | 현업 부서, AI 개발팀, 경영진까지 확대 |
미래의 데이터 스튜어드는 'AI 오케스트레이터'에 가깝습니다. AI가 데이터를 관리하도록 지시하고, 결과를 검토하고, 더 나은 판단을 하도록 훈련시키는 역할입니다.
8. ADM 도입 시 주요 고려사항
AI가 자동으로 데이터를 수정했을 때 "누가, 왜, 어떤 근거로" 변경했는지를 기록해야 합니다. 규제 감사에서 "AI가 했습니다"는 답이 되지 않습니다. AI의 모든 판단을 사람이 검토 가능한 형태로 기록하는 감사 로그 인프라가 ADM 착수 전에 갖춰져야 합니다.
처음부터 높은 자동화 비율을 목표로 하면 신뢰를 잃습니다. 첫 3개월은 AI의 추천만 보여주고 사람이 승인하는 방식으로 AI의 정확도를 검증하십시오. 정확도가 검증된 케이스 유형부터 단계적으로 자동화 범위를 넓혀가는 것이 안전합니다.
데이터 스튜어드팀은 ADM에 적응할 수 있지만, 데이터를 입력하는 현업 부서는 "AI가 내 데이터를 마음대로 바꾼다"는 거부감을 가질 수 있습니다. 자동화 범위와 기준을 투명하게 공개하고, 변경 알림 시스템으로 현업이 자신의 데이터 변경을 인지할 수 있게 해야 합니다.
9. 정리
Data Steward Agent는 MDM의 반복적인 수작업을 자동화하고, 스튜어드가 더 높은 가치의 일에 집중할 수 있게 합니다. 이것은 사람을 대체하는 것이 아니라, 사람이 할 수 있는 일의 수준을 끌어올리는 것입니다.
스튜어드가 더 중요한 일을 할 수 있도록
반복 업무를 대신하는 조력자입니다."
다음 글에서는 AI가 스스로 데이터 오류를 탐지하고 치유하는 Self-healing Master Data의 구체적인 아키텍처와 구현 방법을 살펴봅니다.
Part 1. AI & Agentic MDM — 지능형 데이터 관리의 시대
- 2026 MDM의 대전환: AI 에이전트가 주도하는 지능형 마스터 데이터 혁신
- AI-Ready Data: 왜 현대의 AI는 고품질 마스터 데이터에 목마른가?
- 에이전틱 데이터 관리(ADM)의 핵심: Data Steward Agent의 역할과 미래 (현재 글)
- Self-healing Master Data: AI가 스스로 데이터 오류를 탐지하고 치유하는 방법
- 지식 그래프 기반 엔티티 해상도: 중복 데이터 제로에 도전하다
- Gartner. (2024). Emerging Technologies: Agentic AI for Data Stewardship. Gartner, Inc.
- DAMA International. (2017). DAMA-DMBOK: Chapter 3 — Data Governance. Technics Publications.
- Informatica. (2024). Intelligent Data Management Cloud (IDMC): AI-Powered Stewardship. Informatica LLC.
- Reltio. (2024). Agentic Data Management: Whitepaper. Reltio, Inc.
- IBM. (2024). Watson Knowledge Catalog: AI-Powered Data Governance. IBM Corporation.
- Forrester Research. (2024). Automate Data Stewardship with AI: Emerging Use Cases. Forrester Research.
※ 이 블로그는 MDM, CIAM, DX, AX, AI 등 글로벌 IT 트렌드와 디지털 전략을 실무 전문가 관점에서 분석합니다.
댓글
댓글 쓰기