ChatGPT Data agent 이해하기: 지표 정의와 숫자 확인 연습

ChatGPT Data agent는 회사 데이터를 읽고 질문에 답하거나 대시보드를 만드는 ChatGPT Work의 도구입니다. 대시보드는 여러 지표와 그래프를 한 화면에 모은 보고서입니다. 2026년 9월 10일 공개됐으며, 이 글은 10월 4일 확인한 공식 안내를 반영했습니다. 공식 발표

같은 주문표를 보고도 영업팀은 3만 원, 운영팀은 2만 5천 원이라고 답할 수 있습니다. 한쪽은 환불 전 금액을, 다른 쪽은 환불을 뺀 금액을 계산했다면 산술보다 정의가 다른 문제입니다. AI에 회사 데이터를 연결하기 전에, 어떤 숫자를 구할지 먼저 정합니다.

첫 연습: 가상 주문표에서 지표 하나 계산하기

메모와 계산기만 준비합니다. 아래는 학습용 가상 자료이며 실제 회사 자료나 계정 연결은 필요하지 않습니다. 모든 주문은 2026년 9월에 생성됐다고 가정합니다. 주문 ID는 주문을 구분하는 번호이고, 표의 한 행은 주문 하나입니다. 상태와 환불액은 2026년 10월 4일 기준으로 봅니다.

이번 지표는 ‘9월 주문의 환불 차감 금액’입니다. 결제완료 행만 포함하고 해당 주문의 환불액을 뺍니다. 이것은 연습용 집계 기준이며 회사의 회계상 매출 정의를 대신하지 않습니다.

1. 메모에 포함할 주문을 적습니다. A001과 A002가 대상이고 결제대기 A003은 제외합니다.
2. 10,000 + 20,000 − 5,000을 계산합니다. 결과는 25,000원입니다.
3. 환불 전 결제완료 주문 금액도 계산합니다. 이 값은 30,000원이며 다른 지표입니다.
4. 두 결과 옆에 각각 계산 기준을 붙입니다. 숫자와 기준을 짝지어 적었다면 첫 연습을 마친 것입니다.

40,000원이 나왔다면 결제대기 행까지 더했는지 확인합니다. 45,000원은 결제대기 행을 더하고 환불도 빼지 않은 결과입니다. 30,000원이 나왔다면 환불액을 빼지 않았는지 확인합니다. AI의 답이 다를 때도 ‘다시 계산해 줘’만 반복하기보다 포함한 주문 ID와 계산식을 요청합니다.

다음에는 A002의 환불액만 8,000원으로 바꾸어 계산해 봅니다. 나머지 조건이 같다면 환불 차감 금액은 22,000원이고 환불 전 금액은 그대로 30,000원입니다. 어떤 입력을 바꿨을 때 어떤 지표가 바뀌는지 확인하는 연습입니다.

Data agent가 연결하는 곳과 뜻을 가져오는 곳

Data agent가 하는 일은 두 가지입니다. 데이터를 가져오는 일과 그 데이터를 해석하는 일인데, 데이터가 있는 곳과 해석 기준이 있는 곳이 서로 다릅니다.

데이터를 가져오는 쪽은 데이터 웨어하우스(data warehouse), 즉 회사 데이터를 한곳에 모아 둔 저장소입니다. 공식 발표에 적힌 연결 대상은 다음과 같습니다.

• 데이터베이스와 웨어하우스: Amazon Redshift, Datadog, Google BigQuery, ClickHouse, Databricks, MongoDB, Snowflake
• 파일과 문서: Google Drive, SharePoint
• 대시보드 도구: Omni, Oracle BI, Power BI, Sigma, Tableau, ThoughtSpot

해석하는 쪽이 이번 발표에서 눈여겨볼 대목입니다. OpenAI는 Data agent가 조직의 업무 용어와 지표 정의, 사용자 정의 계산식, 데이터 사이의 관계를 써서 숫자를 해석한다고 밝혔습니다. 이 내용은 시맨틱 레이어(semantic layer)와 신뢰할 수 있는 참고 자료에서 가져옵니다. 시맨틱 레이어는 업무 용어와 계산 기준을 데이터에 연결해 도구가 사용할 수 있게 관리하는 설정입니다. 발표는 Databricks Genie Ontology, dbt, GitHub, Snowflake Horizon과 기존 BI 대시보드 등을 정보의 출처로 듭니다. 이 서비스가 모두 같은 종류의 제품이라는 뜻은 아닙니다. BI는 회사 데이터를 분석하고 보고서로 보여 주는 도구를 가리킵니다.

권한도 함께 정리됐습니다. 관리자가 어떤 연결을 열어 둘지, 어느 역할이 쓸 수 있는지를 고르고, 조회는 연결된 계정이 원래 가진 권한을 그대로 따릅니다. 테이블과 행, 열 단위 제한이 여기에 포함됩니다. 테이블은 데이터 표, 행은 개별 기록, 열은 금액이나 이름 같은 항목입니다. 사람마다 허용된 범위가 다르면 같은 질문의 결과도 달라질 수 있습니다.

지표 정의가 없는 회사에서 생기는 일

지표 정의 문서는 합의한 계산 기준을 사람이 읽을 수 있게 적은 자료입니다. 시맨틱 레이어는 그 기준을 분석 도구가 실제 계산에 사용하도록 구현한 설정까지 포함합니다. 문서 한 장을 쓰는 것과 dbt 같은 도구에 정의를 반영하는 것은 다른 작업입니다.

앞의 연습을 지표 사전으로 옮기면 다음과 같습니다.

실제 업무에서는 기간의 시작과 끝, 시간대, 취소와 부분 환불 처리, 중복 주문 기준, 정의 담당자와 변경 날짜도 적습니다. 기준일 뒤에 추가 환불이 생기면 과거 주문의 집계도 달라질 수 있습니다.

정의를 먼저 맞추는 순서를 OpenAI 스스로 밝혔다는 점이 이번 발표에서 실무적으로 중요한 대목입니다. 발표 당시 사내 제품팀 거의 전원과 시장 진출 관련 조직인 GTM의 3분의 2 이상이 데이터 에이전트를 사용한다고 밝혔습니다. OpenAI는 이를 가능하게 한 배경으로 데이터팀의 준비를 꼽았습니다. 공통 업무 정의와 접근 규칙을 만들고 민감한 데이터에 보호 장치를 둔 작업입니다.

비슷한 사례가 하나 더 있습니다. 한 평가 협력사는 운영팀이 성과 추적 대시보드를 30분 만에 다시 만들면서 기존 것에 있던 오류를 찾아냈다고 밝혔습니다. 기준이 한곳에 정해져 있으면 새로 만든 쪽과 예전 것을 맞대 볼 수 있습니다.

데이터 문제를 세 가지로 나누어 보면 이 작업이 어디에 해당하는지 분명해집니다. 기록이 아예 없는 경우와 여러 곳에 흩어져 있는 경우, 그리고 모여 있지만 뜻이 정해지지 않은 경우가 서로 다른 문제입니다. 기록이 없는 자료를 Data agent가 만들어 낼 수는 없습니다. 흩어진 자료를 연결해 분석하는 데 도움을 줄 수 있지만, 누락과 중복을 자동으로 모두 해결한다는 뜻도 아닙니다. 정의가 다른 경우에는 담당자들이 기준을 합의해야 합니다. 정의를 한곳에서 관리하는 방법은 SSOT 개념 정리에 따로 적어 두었습니다.

실제로 Data를 시작할 때 확인할 것

공식 시작 안내에서는 ChatGPT Work의 Plugins 목록에서 Data를 찾도록 설명합니다. 플러그인은 ChatGPT에 연결해 쓰는 도구입니다. 조직에서는 관리자가 Workspace settings > Plugins에서 Data와 데이터 소스 도구를 허용하고 사용할 역할을 정합니다.

이미 허용된 환경이라면 Data 설치와 필요한 계정 연결을 마친 뒤 대화에서 @Data를 지정해 질문합니다. 회사 계정을 처음 연결하는 작업은 데이터 담당자와 허용 범위를 확인한 뒤 진행합니다. 이 글의 가상 표 연습만 하려고 새 구독이나 회사 데이터 연결을 할 필요는 없습니다.

처음에는 정의와 정답을 아는 지표 하나를 사용합니다. 다음 요청에서 대괄호는 회사가 합의한 내용으로 바꿉니다.

먼저 익숙한 기존 보고서와 같은 조건으로 비교합니다. 값이 다르면 기간, 시간대, 포함한 행, 환불 기준과 중복 처리부터 맞춥니다. SQL이라는 조회 명령이 제시됐는데 이해하기 어렵다면 데이터 담당자에게 지표 정의와 함께 검토를 요청합니다.

연결한 저장소에서 조회 비용이 발생할 수 있습니다. 특히 BigQuery처럼 처리한 데이터에 따라 비용이 달라지는 환경은 데이터 담당자와 조회 범위 및 비용 제한을 확인합니다. 같은 정의를 사용해도 잘못된 원본이나 AI의 계산 오류가 자동으로 사라지는 것은 아닙니다.

GA4 화면과 BigQuery 숫자가 다를 때

GA4는 웹사이트와 앱 이용 기록을 분석하는 도구이고, BigQuery는 대량 데이터를 저장하고 조회하는 서비스입니다. GA4 데이터를 BigQuery로 내보낸 상태라면 그 자료를 연결해 분석하는 경로를 검토할 수 있습니다. BigQuery가 연결 목록에 있다는 사실만으로 GA4 연결과 지표 변환이 자동으로 끝나는 것은 아닙니다.

Google의 보고 방식 비교는 GA4 보고서와 BigQuery 원본에 포함되는 정보가 다르다고 설명합니다. 관측하지 못한 활동을 통계적으로 추정하는 모델링 값의 포함 여부 등도 달라 단순히 숫자 하나를 맞추는 문제는 아닙니다. 같은 기간과 시간대, 사용자 또는 방문 단위인 세션의 집계 기준, 데이터 갱신 시각을 먼저 비교합니다.

다른 발표에서 참고할 점: 숫자의 출처

다음 사례는 Data agent 자체의 기능 목록이 아니라 같은 날 나온 별도 제품과 연구입니다.

ChatGPT for Financial Services는 금융기관용으로 구성한 ChatGPT Work 제품입니다. 숫자와 주장에 연결된 원문 표와 문단을 확인하는 인용 기능을 설명합니다. 일반 Data 설치만으로 이 제품의 데이터와 기능을 모두 사용할 수 있다는 뜻은 아닙니다. 금융 서비스 공식 발표

이 화면에서 배울 것은 인용 표시를 누른 뒤 실제 근거가 계산 조건과 맞는지 읽는 습관입니다. 예를 들어 환불 전 금액의 출처가 정확해도, 필요한 지표가 환불 차감 금액이면 답은 여전히 목적에 맞지 않습니다.

다른 발표에서 참고할 점: 음성과 판단의 분리

GPT-Live-1은 듣기와 말하기를 동시에 처리하며 별도 모델에 판단과 도구 사용을 맡길 수 있는 음성 모델입니다. API는 프로그램에서 모델을 호출하는 연결 방식입니다. 공식 발표는 음성 처리와 뒤에서 사용하는 모델을 구분합니다.

목소리가 자연스럽다는 평가와 계산이 정확하다는 평가는 따로 해야 합니다. 발표 당시 음성 처리 가격은 분당 0.05달러이며 뒤의 모델 등 비용은 별도입니다. 음성 10분만 단순 계산하면 0.50달러이지만 이를 전체 서비스 비용으로 보면 안 됩니다.

다른 연구에서 참고할 점: 평가 조건

Anthropic은 같은 날 정보 분석과 무기 개발 관련 모델 능력 평가를 공개했습니다. 아래 그림은 실제 배치 성과가 아닌 모의환경의 평가 결과입니다. 연구 원문

이 그림에서는 왼쪽과 가운데의 성공률은 높을수록 좋고, 오른쪽의 오차 거리는 낮을수록 좋습니다. 다른 단위의 숫자를 합쳐 전체 점수처럼 읽으면 안 됩니다. 연구는 실제 하드웨어 시험과 모의환경의 차이도 설명합니다.

원문의 사진 위치 추정 평가 역시 사람과 같은 사진을 놓고 직접 대결한 실험은 아닙니다. 다른 자료로 측정한 사람의 기록을 비교 대상으로 사용했습니다. 회사 업무에서도 ‘AI 점수가 높다’보다 어떤 자료와 조건으로 측정했는지를 먼저 확인하는 이유입니다.

다음 업무에 적용하기

첫 단계는 자주 쓰는 지표 하나를 골라 정의와 원본, 정답 예시를 적는 것입니다. 그 지표로 계산과 출처 확인이 가능해지면 다른 지표로 범위를 넓힙니다. 정의를 한곳에서 관리하는 개념은 SSOT 안내에서 이어 볼 수 있습니다.

3줄 요약

1. Data agent는 ChatGPT Work에서 회사 데이터를 분석하는 도구이며, 연결할 데이터와 지표의 계산 기준을 함께 준비해야 합니다.

2. 먼저 가상 주문표로 포함할 행과 환불 기준을 정하고, 계산 결과를 직접 확인해 봅니다.

3. 실제 연결에서는 허용된 계정과 자료 범위, 조회 비용 및 결과의 출처를 확인합니다.