AI 에이전트 시대, 데이터 활용의 새 기준

AI 에이전트는 이제 질문에 답하는 도구를 넘어, 장시간 작업을 맡아 진행하고 데이터에서 근거를 찾아오는 작업 환경으로 이동하고 있습니다. 이번 흐름의 핵심은 에이전트에게 일을 맡기는 방식과, 그 결과를 사람이 검토할 수 있게 만드는 구조입니다.

대화창에서 작업함으로: 비동기 에이전트

AWS가 공개한 Pizza Bot은 AI 에이전트의 작업을 받은편지함 형태로 관리하는 오픈소스 도구입니다. 사용자는 긴 작업을 맡긴 뒤 계속 화면을 지켜보지 않아도 되고, 완료된 결과나 추가 승인이 필요한 작업을 나중에 확인할 수 있습니다. 이는 채팅 중심 인터페이스에서 벗어나 비동기 작업(사용자가 기다리지 않아도 뒤에서 진행되는 작업) 중심으로 이동하는 신호입니다.

Claude도 기존 대화와 Cowork 기능을 하나로 합치는 방향을 발표했습니다. 짧은 질문부터 마감이 있는 보고서 작업까지 하나의 환경에서 처리하려는 시도입니다. 도구 이름을 구분해 익히는 부담은 줄어들 수 있지만, 작업이 길고 복잡해질수록 사용자는 결과물뿐 아니라 진행 기록, 사용한 자료, 승인 요청을 살펴봐야 합니다.

교육에서 중요한 것은 ‘맡기기’보다 ‘검토하기’입니다

과제 조사, 데이터 정리, 코드 초안 작성은 에이전트에 맡길 수 있습니다. 그러나 출처가 적절한지, 계산이 재현되는지, 결론이 질문에 맞는지는 학습자가 판단해야 합니다. 교육자는 결과만 제출하게 하기보다 작업 지시문, 중간 산출물, 검토한 오류를 함께 남기게 하는 평가 방식을 고려할 필요가 있습니다.

데이터 작업은 자연어와 SQL의 협업으로

DuckDB는 Claude Code용 Skills(반복 작업 절차를 AI 도구에 제공하는 기능)를 공개했습니다. CSV, JSON, Parquet 같은 파일을 직접 읽고 SQL로 질의하도록 안내해, 에이전트가 임의로 열 이름이나 자료형을 추측하는 일을 줄이려는 접근입니다.

여기서 SQL(구조화 질의 언어)은 단순한 개발자 기술이 아닙니다. AI가 만든 요약을 검증할 때 “어떤 행을 세었는가”, “어떤 조건을 적용했는가”를 확인할 수 있는 공통 언어가 됩니다. 자연어는 질문과 설명에 강하고, SQL은 정해진 데이터에서 정확한 값을 확인하는 데 강합니다. 둘을 구분해 쓰는 습관이 중요합니다.

데이터 기반 AI를 위한 맥락 관리

dbt Labs는 dbt State를 정식 출시하며, 변경되지 않은 데이터 모델은 다시 계산하지 않고 재사용하는 방식을 제시했습니다. 초기 사용자 사례에서 15~30%의 컴퓨팅 비용 절감이 보고됐지만, 교육 현장에서 더 주목할 점은 데이터의 최신성, 변환 과정, 검증 규칙을 코드로 남긴다는 데 있습니다.

AI가 학생 성취도나 교육 운영 데이터를 다룰 때도 같은 원칙이 필요합니다. 데이터가 언제 갱신됐는지, 어떤 기준으로 정제됐는지, 누가 책임지는지를 알 수 있어야 AI의 답변을 신뢰할 수 있습니다. AI에 더 많은 데이터를 넣는 것보다, 데이터의 의미와 검증 상태를 구조화하는 일이 먼저입니다.

학생 활용법

학생은 에이전트에게 자료 파일의 요약을 맡긴 뒤, 핵심 수치 하나 이상을 SQL 또는 스프레드시트 필터로 직접 재확인해 보세요. 또한 긴 작업을 맡길 때는 최종 답만 요구하지 말고 사용한 자료, 가정, 확인이 필요한 항목을 함께 보고하도록 지시하는 습관이 도움이 됩니다.