Agentic Analytics(에이전틱 애널리틱스)는 단순히 “무슨 일이 일어났는가”를 알려주는 데서 한걸음 더 나아가, “왜 그런 일이 일어났는가”, “앞으로 무엇이 일어날 것인가”, “그에 대해 무엇을 해야 하는가”를 이해하고, 궁극적으로는 이를 자율적으로 실행하는 시스템을 의미합니다.
이 글에서는 Agentic Analytics의 개념과 작동 원리, 핵심 아키텍처 구성 요소, 그리고 이를 EDB Postgres AI Factory를 활용하여 어떻게 구축·배포·운영할 수 있는지에 대해 설명합니다. 또한 이러한 시스템을 구현할 때 마주하는 주요 과제들도 살펴봅니다.
왜 전통적인 BI를 넘는 분석이 필요한가?
전통적인 비즈니스 인텔리전스(BI) 대시보드는 과거 데이터와 현재 지표를 시각화하는 데 탁월합니다. 차트, 그래프, KPI를 통해 “무슨 일이 일어났는가?”에 대한 질문에는 훌륭히 답합니다. 하지만 “그럼 우리는 무엇을 해야 하지?”라는 질문에는 답하지 못합니다.
더 큰 문제는 BI 시스템이 새로운 기회를 능동적으로 식별하거나, 솔루션을 제안하거나, 문제 해결을 위한 조치를 자동으로 실행하지 못한다는 점입니다. 이는 조직이 항상 사후 대응 모드로 운영된다는 것을 의미하며, 중요한 기회를 놓치거나 문제를 키우는 원인이 될 수 있습니다.
또한, 현재의 BI 도구는 인사이트 도출과 실행을 위한 인간의 개입이 필수적입니다. 비즈니스 사용자는 데이터를 해석하고, 행동 계획을 수립하며, 수동으로 이를 실행해야 합니다. 이 과정은 시간이 많이 들고 의사결정 지연으로 이어질 수 있습니다.
이제는 지속적인 데이터 흐름을 처리하고, 비정형 정보를 해석하며, 문맥을 이해하고, 자연어로 상호작용하며, 자율적으로 실행까지 할 수 있는 분석 패러다임이 필요합니다. 이를 가능케 하는 것이 바로 생성형 AI와 에이전트 아키텍처입니다.
Agentic Analytics란?
Agentic Analytics는 기존 BI를 넘어서, 스스로 분석하고 결정하며 학습하고 실행까지 가능한 지능형 에이전트를 활용하는 분석 접근 방식입니다. 여기서 “agentic”이라는 단어는 **스스로 행동하고 선택할 수 있는 능력(agency)**에서 유래합니다.
주요 기능
Agentic Analytics 시스템의 AI 에이전트는 다음을 수행할 수 있습니다:
자율 분석: 사용자 요청 없이도 지속적으로 데이터 스트림을 모니터링하고 패턴과 이상 현상을 감지합니다.
인사이트 생성: 자연어로 명확하고 실행 가능한 인사이트를 자동 생성하며, 근본 원인 분석, 예측 모델링 등도 수행합니다.
의사결정: 단순 인사이트 제공을 넘어, 사전에 정의된 규칙과 실시간 데이터 기반으로 의사결정을 내릴 수 있습니다.
실행: 경고 전송, 보고서 작성, 캠페인 중단, 인벤토리 재주문, 고객 이슈 에스컬레이션 등 자동으로 조치를 실행할 수 있습니다.
AI Factory를 활용한 Agentic Analytics 구축
Agentic Analytics의 개념이 설득력 있게 느껴지시나요? 그렇다면 이런 시스템을 어떻게 실제로 구축할 수 있을까요?
그 해답이 바로 EDB Postgres AI Factory입니다.
EDB Postgres AI Factory는 GenAI 추론, 에이전트, 지식베이스, 도구 연동, 관찰성까지 통합한 완전한 플랫폼으로, 몇 주 안에 프로덕션 수준의 GenAI 시스템을 구축할 수 있게 도와줍니다.
GenAI Builder는 AI Factory의 핵심 구성 요소로, 강력한 Agentic Analytics 시스템을 구축할 수 있도록 지원합니다. 이 도구는 개발자를 위한 강력한 로우코드 SDK와 비즈니스 사용자를 위한 직관적인 포인트 앤 클릭 인터페이스를 통해, 모든 부서가 자체적인 GenAI 솔루션을 손쉽게 구축할 수 있도록 합니다. 또한 사용자 정의 지식베이스, 규칙 세트, 주권형 배포 방식을 통해 민감한 데이터를 보호하면서도 보안과 정확성을 확보할 수 있으며, DIY 방식 대비 개발 속도를 3배 이상 가속화할 수 있습니다.
핵심 구성 요소 소개
1. 브레인: Reasoning Model (LLM)
Agentic Analytics 시스템을 구축하는 첫 단계는 에이전트에 적합한 대규모 언어 모델(LLM)을 선택하는 것입니다.
LLM은 Agentic Analytics 시스템의 두뇌 역할을 하며, 시스템이 자연어를 이해하고 소통할 수 있도록 돕습니다. LLM은 에이전트가 문맥을 파악하고, 근거 있는 의사결정을 내리며, 분석 결과를 효과적으로 전달할 수 있도록 하여, 원시 데이터와 실행 가능한 인텔리전스 사이의 간극을 연결해 줍니다.
AI Factory는 OpenAI, Google, NVIDIA 등 다양한 공급업체의 LLM을 기본으로 제공합니다. 이를 통해 에이전트에 가장 적합한 모델을 자유롭게 선택할 수 있습니다.
이에는 챗, 임베딩, 리랭킹 모델 등이 포함되며, 각기 다른 파라미터 설정을 지원합니다.
더 우수한 LLM을 사용할수록, 에이전트가 생성하는 응답의 품질도 향상됩니다.
그림 02 – 기본 제공되는 언어 모델 선택 목록
2. 메모리 및 벡터 저장소: Vector Engine
에이전트에 두뇌가 생겼다면, 이제는 **장기 기억(long-term memory)**이 필요합니다. 이러한 기억이 없다면 에이전트는 매 상호작용마다 처음부터 다시 학습해야 하며, 이는 효과성과 학습 능력을 크게 제한합니다.
pgvector 기반의 벡터 데이터베이스는 에이전트의 장기 기억을 위한 최적의 선택입니다. 이는 고차원 벡터를 효율적으로 저장하고 검색할 수 있으며, 다음과 같은 정보를 나타내는 데 사용됩니다:
과거 상호작용: 이전의 의사결정, 실행 결과 등
문맥 이해: 이전 분석 및 인사이트의 임베딩
패턴 인식: 과거 데이터에서 학습된 패턴 및 상관관계
사용자 선호도: 사용자의 행동 및 기호에 대한 벡터 표현
AI Factory의 **지식베이스(knowledge base)**는 이러한 에이전트의 기억 시스템 역할을 합니다. GenAI Builder의 포인트 앤 클릭 인터페이스를 통해 구조화된 데이터든, 반구조화/비정형 데이터든 상관없이 다양한 소스에서 지식베이스를 손쉽게 생성하고 데이터를 채울 수 있습니다. 입력된 데이터는 자동으로 벡터화되며, AI Factory는 pgvector가 설치된 관리형 Postgres 서비스인 Vector Engine을 제공하여 지식베이스의 저장 엔진 역할을 수행합니다.
이 서비스는 EDB Postgres AI에서 완전 관리형 서비스로 제공되며, 유지관리 부담을 없애고 애플리케이션 구축에 집중할 수 있도록 합니다.
3. 데이터 접근 및 질의: Tools (도구)
Agentic AI 애플리케이션에서 **도구(tool)**란, AI 에이전트가 외부 시스템과 상호작용하고 특정 작업을 수행하거나 기능에 접근할 수 있게 해주는 프로그래밍 인터페이스입니다. 도구는 에이전트의 “손” 역할을 하며, 다음과 같은 기능을 수행할 수 있도록 합니다:
정보 접근: 데이터베이스, API, 파일 시스템 등 다양한 소스에서 정보를 검색
행동 실행: DB 질의, API 호출, 데이터 조작 등 구체적인 작업 수행
데이터 변환: 데이터를 특정 방식으로 변환, 처리, 분석
각 도구는 일반적으로 명확한 입출력 구조와 목적을 가지고 있어, 에이전트가 언제 어떤 방식으로 이를 사용할지 효과적으로 판단할 수 있게 합니다. 즉, 도구는 에이전트의 의사결정을 실제 시스템 내부의 행동으로 전환하는 핵심 수단입니다.
그림 03 – 도구는 에이전트가 외부 데이터를 접근하는 주요 수단입니다.
4. 에이전트 구현: Assistant와 Structure
에이전트에 브레인(LLM), 메모리(벡터 저장소), **손(도구)**이 갖춰졌다면, 이제 이 구성 요소들을 결합해 하나의 작동하는 시스템으로 만드는 단계, 즉 에이전트 구현(agent implementation) 단계에 들어갑니다.
AI Factory는 에이전트를 구현하기 위한 두 가지 방식을 제공합니다:
1. Assistant – 로우코드 기반 생성형 에이전트
첫 번째 방법은 GenAI Builder의 로우코드 환경을 활용해 Assistant를 생성하는 것입니다. Assistant는 LLM, 지식베이스, 도구를 활용해 사람과 대화하며 목표를 달성하는 엔터티입니다. 포인트 앤 클릭 UI를 통해 몇 분 안에 완전한 Assistant를 구축하고 배포할 수 있습니다.
그림 04 – Assistant 생성은 단 몇 분이면 충분하며, 생성 즉시 대화를 시작할 수 있습니다.
2. Structure – 고급 Python 기반 에이전트
두 번째 방법은 AI Factory Python SDK를 사용해 Structure라는 형태로 에이전트를 구현하는 것입니다. Structure는 더 정밀한 제어와 유연성을 제공하며, 특히 멀티에이전트 워크플로우를 구현할 때 적합한 방식입니다.
에이전트의 행동을 제어하는 Ruleset
Assistant든 Structure든, 에이전트에는 Ruleset을 통해 실행 시 동작을 제어할 수 있습니다. Ruleset은 일종의 시스템 프롬프트 또는 가드레일로 작용하며, 에이전트가 어떤 행동을 취할 수 있는지, 어떤 데이터에 접근할 수 있는지, 다양한 상황에서 어떻게 반응해야 하는지를 정의합니다.
AI Factory에서는 Ruleset을 규칙 집합으로 구성하여 런타임 내내 지속적으로 적용되도록 설계되어 있습니다. 이를 통해 에이전트가 지정된 안전한 범위 내에서 일관되게 작동하도록 보장합니다.
예를 들어, 사용자가 지원 티켓 생성을 요청했을 때 필요한 정보를 수집하도록 에이전트에 다음과 같은 규칙을 설정할 수 있습니다:
사용자가 지원 티켓 생성을 요청하면, 에이전트는 반드시 아래 정보를 사용자로부터 수집해야 합니다:
유효한 이메일 주소
이름
제목
이슈 설명
이러한 규칙 기반 제어는 에이전트의 신뢰성과 안전성 확보는 물론, 비즈니스 요구 사항에 맞는 정밀한 동작 설계를 가능하게 합니다.
필요하시면 Ruleset 작성 템플릿이나 실제 예제도 제공해 드릴 수 있습니다.
5. 사용자 경험: 엔터프라이즈 시스템 통합을 통한 에이전트 노출
분석 기능을 갖춘 AI 에이전트를 구축했다면, 이제는 이를 현업 사용자가 실제로 활용할 수 있도록 노출하는 것이 중요합니다. 세일즈, 마케팅, IT 등 다양한 부서의 사용자들이 일상적인 업무 흐름 속에서 쉽게 접근할 수 있어야, 다시 전통적인 BI처럼 단순히 대시보드만 보는 방식으로 퇴보하지 않게 됩니다.
AI Factory는 Slack과 같은 엔터프라이즈 애플리케이션에 AI Assistant를 직접 임베드할 수 있는 기능을 제공합니다. 이를 통해 사용자는 기존에 사용하던 툴을 벗어나지 않고도 자연어 대화를 통해 비즈니스 인사이트와 예측 결과를 확인할 수 있습니다.
현재 AI Factory는 **Assistant를 Slack 애플리케이션 형태로 직접 내보내기(export)**를 지원합니다.
그림 05 – AI Factory는 에이전트를 여러분이 즐겨 사용하는 엔터프라이즈 애플리케이션에 임베드할 수 있도록 지원합니다.
6. 관찰성: AI Observability
Agentic Analytics 시스템의 마지막 단계는 에이전트가 기대한 대로 작동하는지 관찰하고 확인하는 것입니다. 이때 필요한 기능이 바로 **AI 관찰성(Observability)**입니다.
AI Factory는 에이전트의 행동을 모니터링하고 이해할 수 있도록 종합적인 관찰 기능을 제공합니다. 플랫폼은 다음과 같은 항목들을 추적합니다:
메시지 추적(Message Tracing): 에이전트, 사용자, 도구 간의 모든 상호작용을 완전하게 기록하여 디버깅과 감사 로그 확보가 용이합니다.
토큰 사용량(Token Usage): 다양한 LLM 호출에서 소비된 토큰에 대한 상세 메트릭을 제공하여, 비용과 성능 최적화에 도움을 줍니다.
성능 지표(Performance Metrics): 응답 시간, 성공률 등 에이전트 동작에 대한 주요 KPI를 추적합니다.
오류 추적(Error Tracking): 실패 및 예외를 체계적으로 기록하여 신속한 문제 해결을 지원합니다.
이러한 관찰성 기능은 에이전트가 신뢰성 있고 효율적으로 작동하도록 보장하는 동시에, 의사결정 과정의 투명성을 유지하는 데 큰 역할을 합니다.
Agentic Analytics 시스템의 실제 적용 사례
지금까지 Agentic Analytics가 어떻게 작동하는지, 그리고 AI Factory를 통해 분석 에이전트를 어떻게 구축하는지를 살펴보았습니다. 이번에는 이를 현실 세계의 시나리오에 어떻게 적용할 수 있는지를 알아보겠습니다. 예시로는 한 리테일 은행의 사례를 들어보겠습니다.
사례: FirstTech Bank의 고객 이탈 방지
FirstTech Bank는 AI Factory 기반의 Agentic Analytics 시스템을 도입하여, 고객 관계를 능동적으로 관리하고 이탈(churn)을 사전에 방지하고 있습니다.
고객 프로필 예시 – Sarah
Sarah는 오랜 기간 FirstTech의 고객으로서 높은 잔고를 유지하고 다양한 금융 상품을 사용해 왔습니다. 하지만 최근 그녀의 행동에는 다음과 같은 변화가 있었습니다:
계좌 잔고가 30% 감소
신용카드 사용 중단
이체 수수료에 대한 문의 다수
이에 대해 시스템은 다음과 같이 작동합니다:
그림 06 – FirstTech가 Agentic Analytics를 활용하는 방식
1. 지속적인 모니터링
AI 에이전트는 다음과 같은 다양한 데이터 소스를 분석하며 지속적으로 패턴을 감지합니다:
거래 패턴
계좌 잔고 변화
고객 서비스 이력
디지털 뱅킹 사용량
금융 상품 활용도
에이전트는 다음과 같은 도구들을 활용합니다:
Zendesk Tool: 과거 고객 지원 티켓 데이터를 수집
Salesforce Tool: 상품 해지 등 이벤트 알림 구독
Snowflake Tool: 거래 이력 데이터를 조회하며, → 이때 EDB Postgres AI Analytics Accelerator를 활용해 대량의 컬럼형 데이터를 고속 분석
2. 조기 탐지
이러한 모니터링을 통해 에이전트는 Sarah 계정에서 다음과 같은 **이탈 신호(churn signals)**를 감지합니다:
최근 3개월간 잔고 지속 하락
고객 서비스 문의 증가
신용카드 해지
3. 선제적 대응
에이전트는 Sarah를 고위험 고객으로 분류하고, 다음과 같은 자동 분석 및 실행을 개시합니다:
리스크 평가 리포트 생성
개인화된 리텐션 전략 설계
자동 커뮤니케이션 워크플로우 실행
구체적으로는:
고객 담당자와의 우선 미팅 일정 자동 생성, → 미팅 시 사용할 맞춤형 대화 주제 제안
사용 패턴 기반의 신규 상품 제안 자동 작성
4. 대화형 분석
고객 담당자는 Slackbot을 통해 에이전트와 직접 대화를 나누며, 이탈의 근본 원인을 탐색하고 개입 전략에 대한 추천을 받습니다.
이 분석을 기반으로, 시스템은 적극적인 고객 접촉 일정을 수립하고, Sarah의 니즈에 맞는 개인화된 상품 제안을 생성합니다.
이처럼 사전에 위험을 감지하고 대응하는 방식을 통해 FirstTech는 고객 이탈이 발생하기 전에 문제를 해결할 수 있었으며, 이는 수동적인 고객 서비스에서 능동적인 관계 관리로의 전환을 보여주는 대표 사례입니다.
도전과 과제
Agentic Analytics의 구현에는 몇 가지 현실적인 과제가 존재합니다:
데이터 품질과 통합: 의미 있는 결과는 고품질 입력 데이터에 달려 있습니다. 기존 BI 시스템의 큐레이션된 데이터셋을 툴로 노출하여 해결 가능
비용 제어: 에이전트가 지속적으로 LLM을 호출하면 비용이 증가하므로, Agentic RAG 등을 활용해 불필요한 호출을 줄여야 함
신뢰와 도입: 초기에는 검증 가능한 소규모 유즈케이스부터 시작해 신뢰를 확보하고, 사용자 교육과 투명한 모니터링 체계를 통해 채택을 유도
결론
Agentic Analytics는 단순한 데이터 시각화를 넘어 능동적이고 지능적인 의사결정 지원 시스템으로 진화한 형태입니다.
LLM, 벡터 저장소, 맞춤형 도구를 결합한 에이전트는 인사이트 도출뿐 아니라 직접 행동을 실행해 비즈니스 성과를 견인할 수 있습니다. EDB Postgres AI Factory는 이를 실현하기 위한 인프라와 도구를 제공하며, 지금 이 순간도 많은 조직이 이를 통해 운영 효율성과 고객 관리 혁신을 달성하고 있습니다.
미래의 데이터 분석은 “무슨 일이 일어났는가”를 넘어서, “왜 그랬는가”, “어떻게 대응할 것인가”를 알고 직접 실행하는 에이전트의 시대입니다.
