ChatGPT Data agent 이해하기: 지표 정의와 숫자 확인 방법
같은 주문표도 환불 처리 기준에 따라 숫자가 달라집니다. ChatGPT Data agent가 연결하는 데이터와 지표 정의를 가져오는 곳, 접근 권한, 답의 출처를 확인하는 순서를 정리했습니다.
세 줄로 먼저 읽기
이번 방문에서 한 편은 바로 볼 수 있습니다.
ChatGPT Data agent는 회사 데이터를 읽고 질문에 답하거나 대시보드를 만드는 ChatGPT Work의 도구입니다. 대시보드는 여러 지표와 그래프를 한 화면에 모은 보고서입니다. OpenAI는 2026년 9월 10일 공식 발표로 이 도구를 공개했고, 이 글은 10월 4일 공식 안내를 기준으로 썼습니다.
같은 주문표를 보고도 영업팀은 3만 원, 운영팀은 2만 5천 원이라고 답할 수 있습니다. 한쪽은 환불 전 금액을, 다른 쪽은 환불을 뺀 금액을 계산했다면 계산 실수가 아니라 정의가 다른 것입니다. AI에 회사 데이터를 연결하기 전에, 어떤 숫자를 구할지부터 정해야 합니다.
같은 주문표에서 숫자가 여러 개 나오는 이유
9월에 들어온 주문 세 건이 있습니다. 표의 한 행이 주문 하나이고, 주문 ID는 주문을 구분하는 번호입니다.
| 주문 ID | 상태 | 주문 금액 | 환불액 |
|---|---|---|---|
| A001 | 결제완료 | 10,000원 | 0원 |
| A002 | 결제완료 | 20,000원 | 5,000원 |
| A003 | 결제대기 | 15,000원 | 0원 |
영업팀은 결제완료 주문의 금액을 더해 30,000원을 냅니다. 운영팀은 같은 두 주문에서 A002의 환불 5,000원을 빼 25,000원을 냅니다. 결제대기 주문까지 넣고 환불도 빼지 않으면 45,000원이 됩니다. 원본은 하나인데 포함할 행과 환불 처리 기준에 따라 숫자가 세 가지로 나옵니다.
정의에 따라 달라지는 9월 주문 금액
AI가 다른 숫자를 내놓았을 때도 같습니다. "다시 계산해 줘"를 반복하기보다 어떤 주문 ID를 넣었고 어떤 계산식을 썼는지 보여 달라고 하면 차이가 어디서 생겼는지 바로 드러납니다.
Data agent가 연결하는 곳과 뜻을 가져오는 곳
Data agent는 데이터를 가져오고, 그 데이터를 해석합니다. 데이터가 있는 곳과 해석 기준이 있는 곳은 서로 다릅니다.
데이터를 가져오는 곳은 주로 데이터 웨어하우스(data warehouse), 즉 회사 데이터를 한곳에 모아 둔 저장소입니다. 공식 발표에 적힌 연결 대상은 이렇습니다.
- 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
이번 발표에서 눈여겨볼 부분은 해석 기준입니다. OpenAI는 Data agent가 조직의 업무 용어와 지표 정의, 사용자 정의 계산식, 데이터 사이의 관계를 써서 숫자를 해석한다고 밝혔습니다. 이 정보는 시맨틱 레이어(semantic layer)와 신뢰할 수 있는 참고 자료에서 가져옵니다. 시맨틱 레이어는 업무 용어와 계산 기준을 데이터에 연결해 분석 도구가 쓸 수 있게 관리하는 설정입니다. 발표는 그 출처로 Databricks Genie Ontology, dbt, GitHub, Snowflake Horizon과 기존 BI 대시보드를 듭니다. BI는 회사 데이터를 분석해 보고서로 보여 주는 도구를 말합니다.
권한 관리 방식도 발표에 나와 있습니다. 관리자가 어떤 연결을 열지, 어느 역할이 쓸지를 고르고, 조회는 연결된 계정이 원래 가진 권한을 그대로 따릅니다. 테이블과 행, 열 단위 제한도 그대로 적용됩니다. 테이블은 데이터 표, 행은 개별 기록, 열은 금액이나 이름 같은 항목입니다. 그래서 허용된 범위가 다른 두 사람이 같은 질문을 하면 결과도 다를 수 있습니다.
| 구분 | 어디서 오는지 | 빠졌을 때 생기는 일 |
|---|---|---|
| 데이터 | Redshift, BigQuery, Snowflake 같은 웨어하우스 | 질문에 답할 재료가 없습니다 |
| 뜻 | dbt, Snowflake Horizon, Databricks Genie Ontology | 숫자는 나오지만 회사가 쓰던 지표와 뜻이 다릅니다 |
| 권한 | 연결된 계정의 기존 접근 권한 | 권한이 없으면 접근이 거부되고, 권한을 넓게 열면 필요 이상의 자료가 보입니다 |
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 쓰도록 구현한 설정입니다. 문서 한 장을 쓰는 일과 dbt 같은 도구에 정의를 넣는 일은 따로 해야 합니다.
앞의 환불 차감 금액을 지표 사전 한 줄로 적으면 이렇게 됩니다.
| 항목 | 예시 |
|---|---|
| 지표명 | 9월 주문의 환불 차감 금액 |
| 대상 | 9월 생성 주문 중 결제완료 상태 |
| 계산식 | 대상 주문 금액 합계에서 그 주문들의 환불액 합계를 뺌 |
| 기준일 | 2026년 10월 4일의 주문 상태와 환불액 |
| 원본 | 주문 테이블, 주문 ID당 한 행 |
| 단위 | 원 |
| 검산 값 | A001과 A002로 계산한 25,000원 |
실제 업무에서는 기간의 시작과 끝, 시간대, 취소와 부분 환불 처리, 중복 주문 기준, 정의 담당자와 변경 날짜도 함께 적습니다. 기준일 뒤에 환불이 더 생기면 이미 집계한 주문의 금액도 바뀌기 때문입니다.
OpenAI도 정의를 먼저 맞추는 순서를 거쳤습니다. 발표에서 밝힌 사내 사용 규모와 평가 협력사의 사례는 이렇습니다.
발표에서 밝힌 사용 규모와 사례
거의 전원OpenAI 사내 제품팀데이터 에이전트 사용
3분의 2이상OpenAI 사내 GTM 조직시장 진출을 맡는 조직
30분평가 협력사 운영팀성과 추적 대시보드를 다시 만든 시간
OpenAI는 이 규모가 가능했던 배경으로 데이터팀의 준비를 꼽았습니다. 데이터팀은 공통 업무 정의와 접근 규칙을 만들고, 민감한 데이터에 보호 장치를 두었습니다. 평가 협력사 한 곳은 운영팀이 대시보드를 30분 만에 다시 만들면서 기존 대시보드의 오류를 찾아냈다고 밝혔습니다. 기준이 한곳에 정해져 있으면 새로 만든 결과와 예전 결과를 맞대 볼 수 있습니다.
데이터 문제는 세 가지로 나뉩니다. 기록이 아예 없는 경우, 여러 곳에 흩어진 경우, 모여 있지만 뜻이 정해지지 않은 경우입니다. 문제마다 Data agent가 할 수 있는 일이 다릅니다.
데이터 문제별로 Data agent가 하는 일과 사람이 할 일
| 문제 |  Data agent연결과 분석 |  담당자기준과 정리 |
|---|---|---|
| 기록이 없음 | 제공하지 않음 | 수집부터 시작 |
| 여러 곳에 흩어짐 | 연결해 함께 분석 | 누락과 중복 정리 |
| 뜻이 정해지지 않음 | 제공하지 않음 | 팀 사이 기준 합의 |
정의를 한곳에서 관리하는 방법은 SSOT 개념 정리에 따로 적어 두었습니다.
실제로 Data를 시작하는 순서
공식 시작 안내는 ChatGPT Work의 Plugins 목록에서 Data를 찾도록 설명합니다. 플러그인은 ChatGPT에 연결해 쓰는 도구입니다. 조직 계정이라면 관리자 허용이 먼저입니다.
관리자 허용부터 첫 질문까지
1. 관리자 허용Workspace settings > Plugins
Data와 데이터 소스 도구, 역할 지정
2. Data 설치ChatGPT Work의 Plugins 목록
Data가 보이면 설치
3. 계정 연결데이터 담당자와 정한 범위의
웨어하우스 계정만 연결
4. @Data로 질문대화에서 @Data 지정
정답을 아는 지표 하나부터
3번에서 회사 계정을 처음 연결할 때는 데이터 담당자와 허용 범위를 정한 뒤 진행합니다. 4번의 첫 질문은 정의와 정답을 이미 아는 지표로 고릅니다. 다음 요청에서 대괄호 안은 회사가 합의한 내용으로 바꿔 씁니다.
@Data [허용된 데이터 이름]에서 [기준 기간]의 [지표명]을 계산해 주세요.
정의: [포함 조건, 제외 조건, 환불 및 중복 처리, 계산식]
숫자와 함께 사용한 원본, 조회 조건, 포함한 기록 수와 계산 과정을 보여 주세요.
정의가 없거나 자료를 볼 수 없으면 추정하지 말고 그 이유를 알려 주세요.
대시보드 공유나 원본 수정은 하지 말고 결과 확인까지만 진행해 주세요.답이 오면 숫자보다 그 아래의 근거를 먼저 봅니다. 원본 테이블, 조회 기간, 포함한 기록 수, 계산식이 있어야 기존 보고서와 맞대 볼 수 있습니다.
ChatGPT Work, @Data결제완료 주문만 넣고, 주문 금액 합계에서 환불액을 빼 주세요.
원본: 주문 테이블, 조회 기간 9월 1일~30일
포함한 주문: 2건(A001, A002), 결제대기 1건 제외
계산: 10,000 + 20,000 − 5,000
기존 보고서와 값이 다르면 기간, 시간대, 포함한 행, 환불 기준, 중복 처리를 차례로 맞춥니다. 답에 SQL(데이터베이스에 보내는 조회 명령)이 들어 있는데 읽기 어렵다면, 지표 정의를 붙여 데이터 담당자에게 검토를 부탁합니다.
막혔을 때 볼 곳
| 막힌 상황 | 다음에 볼 것 |
|---|---|
| Data가 목록에 없음 | 지금 계정과 조직에서 Data를 쓸 수 있는지 관리자에게 묻습니다 |
| 접근 권한 오류 | 연결한 계정과 허용된 자료 범위를 보고, 권한을 임의로 넓히지 않습니다 |
| 조회 결과가 0건 | 조회가 성공했는지와 필터 조건을 봅니다. 접근 실패도 0건처럼 보일 수 있습니다 |
| 출처나 계산 조건이 없음 | 보고서에 옮기기 전에 사용한 자료와 계산 근거를 다시 요청합니다 |
| 같은 질문인데 값이 바뀜 | 자료 갱신 시각, 정의 변경, 연결 계정의 조회 범위를 봅니다 |
연결한 저장소에서는 조회 비용이 생길 수 있습니다. BigQuery처럼 처리한 데이터 양에 따라 비용이 달라지는 환경이라면 조회 범위와 비용 상한을 데이터 담당자와 먼저 정합니다. 정의를 맞춰도 원본이 틀렸거나 AI가 계산을 틀리면 숫자는 틀립니다. 그래서 숫자와 함께 출처와 계산 과정을 받아 둡니다.
GA4 화면과 BigQuery 숫자가 다를 때
GA4는 웹사이트와 앱 이용 기록을 분석하는 구글 도구이고, BigQuery는 대량 데이터를 저장하고 조회하는 서비스입니다. GA4 데이터를 BigQuery로 내보내고 있다면 그 자료를 Data agent에 연결해 분석할 수 있습니다. 다만 BigQuery를 연결해도 GA4 화면의 지표와 같은 정의는 따로 만들어야 합니다.
Google의 보고 방식 비교에 따르면 GA4 보고서와 BigQuery 원본은 담는 정보가 다릅니다. 관측하지 못한 활동을 통계적으로 추정한 모델링 값을 넣는지도 서로 다릅니다. 그래서 숫자 하나를 억지로 맞추기보다 아래 순서로 조건부터 맞춥니다.
GA4와 BigQuery 숫자를 맞춰 보는 순서
1. 기간시작일과 종료일이
같은지
2. 시간대속성 시간대와
조회 시간대- 3. 집계 단위사용자 기준인지
세션(방문) 기준인지 
4. 갱신 시각두 자료가 같은 시점까지
반영됐는지
같은 날 나온 발표에서 참고할 점
아래 세 가지는 Data agent의 기능이 아니라 같은 날 나온 별도 제품과 연구입니다. 숫자의 출처와 평가 조건을 보는 방법은 회사 데이터를 다룰 때도 그대로 쓸 수 있습니다.
금융 서비스의 인용 화면: 숫자의 출처
ChatGPT for Financial Services는 금융기관용으로 구성한 ChatGPT Work 제품입니다. 금융 서비스 공식 발표는 숫자와 주장마다 연결된 원문 표와 문단을 확인하는 인용 기능을 설명합니다. 일반 Data를 설치한다고 이 제품의 데이터와 기능이 함께 생기지는 않습니다.
회사 데이터에서도 인용 표시를 누른 뒤 그 근거가 계산 조건과 맞는지까지 읽습니다. 환불 전 금액의 출처가 정확해도, 필요한 지표가 환불 차감 금액이라면 그 답은 목적에 맞지 않습니다.
GPT-Live-1: 음성과 판단의 분리
GPT-Live-1은 듣기와 말하기를 동시에 처리하는 음성 모델이고, 판단과 도구 사용은 뒤에 붙인 별도 모델에 맡길 수 있습니다. 공식 발표도 음성 처리와 뒤에서 쓰는 모델을 나눠 설명합니다. 그래서 목소리가 자연스러운지와 계산이 정확한지는 따로 평가합니다. API는 프로그램에서 모델을 호출하는 연결 방식입니다.
GPT-Live-1 API의 음성 처리 요금
0.05달러음성 처리 1분발표 당시 가격- 0.50달러음성 처리 10분뒤에 붙인 모델 비용은 별도
10분에 0.50달러는 음성 처리만 계산한 값입니다. 서비스 전체 비용은 여기에 판단을 맡긴 모델의 비용을 더해야 나옵니다.
Anthropic 연구: 평가 조건
Anthropic은 같은 날 정보 분석과 무기 개발에 관련된 모델 능력 평가를 연구 원문으로 공개했습니다. 아래 그림은 실제 배치 성과가 아니라 모의환경에서 나온 평가 결과입니다.
왼쪽과 가운데의 성공률은 높을수록 좋고, 오른쪽의 오차 거리는 낮을수록 좋습니다. 단위가 다른 세 숫자를 합쳐 하나의 점수로 만들 수는 없습니다. 연구는 실제 하드웨어 시험과 모의환경의 차이도 함께 설명합니다.
같은 연구의 사진 위치 추정 평가에서 AI와 비교한 사람 기록은 같은 사진으로 측정한 값이 아니라 다른 자료로 측정한 값입니다. 그래서 회사 업무에서도 "AI 점수가 높다"는 말을 들으면 어떤 자료와 조건으로 측정했는지부터 묻습니다.
다음 업무에 적용하기
처음에는 자주 쓰는 지표 하나만 고릅니다. 그 지표의 정의와 원본, 검산 값을 적고, Data agent의 답이 기존 보고서와 같은 숫자와 근거를 내는지 봅니다.
지표 하나에서 시작해 넓히는 순서
1. 정의 적기대상, 계산식, 기준일
원본과 검산 값- 2. @Data로 계산원본과 계산 과정을
함께 요청 
3. 기존 보고서와 대조다르면 기간, 시간대
포함 행부터 맞춤
4. 다음 지표로근거까지 맞으면
범위를 넓힘
3줄 요약
-
ChatGPT Data agent는 2026년 9월 10일 공개된 ChatGPT Work 도구로 BigQuery와 Snowflake 같은 웨어하우스, Google Drive, Tableau 등에 연결해 회사 데이터를 분석합니다.
-
숫자의 뜻은 dbt나 Snowflake Horizon 같은 시맨틱 레이어의 지표 정의에서 가져오고, 조회는 연결된 계정이 원래 가진 권한을 그대로 따릅니다.
-
같은 주문표도 환불을 빼면 25,000원, 빼지 않으면 30,000원이 나오므로 연결 전에 지표 하나의 정의와 검산 값부터 적어 둡니다.
제대로 이해했는지 한 문제로 확인해 볼까요?
답을 고르면 바로 풀이가 나와요.
결제완료 주문 금액이 10,000원과 20,000원이고 두 번째 주문에서 5,000원을 환불했습니다. 결제완료 금액에서 환불액을 빼기로 정의한 지표는 얼마일까요?
이 글이 도움이 되었나요?
아스트라에게 일을 맡기는 절차와 검증 루틴을 업무 순서대로 정리했습니다
코스 전체 보기 →
새 글과 AI 소식을 메일로 받아 보세요
AI가 바꾸는 일과 도구, 측정 실무 이야기를 매주 한 번 보내 드려요.