본문 바로가기
AI와 데이터 서비스의 경쟁력 AI와 데이터 서비스의 경쟁력
AX ·제조

AI와 데이터 서비스의 경쟁력

윤주현
2026-11-20

AI로 필요한 화면과 분석 도구를 직접 구성하는 고객이 늘면 데이터 서비스는 무엇으로 선택 받을까요? BI와 SCM 사례를 통해 공통 데이터 기준을 유지하면서 고객이 선택한 AI와 업무 도구에서 분석·비교·승인된 실행을 연결하는 SaaS의 경쟁력을 살펴봅니다.

Executive Summary

  • AI 에이전트 시대 데이터 서비스의 경쟁력은 화면의 수보다 업무를 마치는 과정에서 드러납니다. 고객은 원하는 데이터를 조회하고 대안을 비교한 뒤, 승인된 후속 작업까지 얼마나 적은 조작으로 연결할 수 있는지 평가하게 됩니다.
  • 대화형 BI 분석의 기반은 일관된 데이터 기준입니다. 지표의 정의와 계산 방식, 데이터 간 관계를 담는 의미 체계 모델과 접근 권한을 정리해야, 질문과 사용 도구가 달라져도 같은 기준으로 분석할 수 있습니다.
  • SCM에서 AI 에이전트의 활용 범위는 현황 조회에서 공급 제약을 반영한 시나리오 비교로 넓어질 수 있습니다. 실제 계획을 바꿀 때는 분석과 변경 권한을 구분하고, 대상 계획과 변경 전후 값을 확인한 뒤 필요한 승인을 거쳐야 합니다.
  • SaaS 제공자는 고객이 선택한 AI와 업무 도구에서도 자사의 데이터와 기능을 활용하도록 지원해야 합니다. 공통 대시보드와 개인별 AI 분석을 함께 제공하고, 반복 입력과 자료 이동을 줄이는 방향으로 서비스의 가치를 넓힐 수 있습니다.

서론: 개발 전성 시대

AI로 자신에게 필요한 화면과 도구를 만들 수 있게 되면, 고객은 기존 소프트웨어에 무엇을 기대하게 될까요? 이 글에서는 데이터를 살펴보고 업무에 활용하는 방식의 변화를 통해, 데이터 서비스 제공자가 어떤 경험을 제공해야 할지 생각해 보겠습니다.

원본 코드 없이 앱의 기능을 분석하고 재현하는 일은 가능하지만, 전문 지식과 상당한 노력이 필요한 작업입니다. 앱의 동작을 분석해 구조를 파악하도록 돕는 오픈소스 프로젝트 REA(Reverse Engineer Anything)[1]는 AI 에이전트의 분석 작업을 지원합니다. AI 코딩 도구는 이 분석 결과를 바탕으로 유사한 기능을 구현할 수 있습니다. 원래 앱과 구현 결과를 비교하며 수정하는 과정을 거쳐 일부 기능을 재현하는 방식입니다. 기능 분석과 코드 작성에 AI를 활용하면, 새로운 앱을 만드는 데 필요한 시간과 비용을 줄일 수 있는 것입니다.

몇 가지 특수 기능과 화면 경험에 가치가 집중된 개인용 앱은 기능 구현 비용의 변화에 더 민감할 수 있습니다. 사용자가 원하는 동작을 설명해 자신에게 맞는 대안을 만들 수 있다면, 특정 기능을 제공한다는 사실만으로 선택받기는 어려워집니다. 단순한 기능일수록 차별점에서 당연히 제공되어야 할 기본 기능으로 바뀔 수 있습니다. 다만 사용자 네트워크, 신뢰, 축적된 데이터처럼 기능 구현만으로 얻기 어려운 가치가 있는 만큼 모든 앱이 같은 압박을 받는 것은 아닙니다.

이러한 흐름은 업무용 도구에서도 살펴볼 수 있습니다. 문서 작성·스프레드시트·프레젠테이션을 위한 개발 중인 오픈소스 프로젝트로는 ArtCraft의 WordCraft, GridCraft, DeckCraft가 있습니다. 각각 Microsoft Word, Microsoft Excel, Microsoft PowerPoint와 유사한 사용 영역을 목표로 하는 별도 프로젝트입니다[2].

[그림 1] WordCraft 문서 편집 화면 — 개발 중인 오픈소스 프로젝트 (출처: ArtCraft 공식 프레스킷)
[그림 2] GridCraft 스프레드시트와 차트 화면 — 개발 중인 오픈소스 프로젝트 (출처: ArtCraft 공식 프레스킷)

개발의 문턱이 낮아지면 사용자는 자신의 목적과 업무 방식에 맞는 도구를 직접 구성할 수도 있습니다. 원하는 기능을 AI에게 설명하고 결과를 보며 수정하는 방식으로, 필요한 정보를 한데 모으거나 반복 작업을 처리하는 애플리케이션을 만들어 가는 것입니다. 예를 들어 자주 확인하는 정보를 하나의 화면에 모으고, 필요한 조건만 선택해 결과를 정리하는 작은 도구를 생각해 볼 수 있습니다. 기존 앱에 없는 기능을 추가해 달라고 기다리던 사용자가, 자신에게 필요한 범위의 기능을 직접 구성하는 과정에 참여하게 되는 셈입니다.

이러한 변화가 기업용 소프트웨어에도 이어진다면, 미리 만들어 둔 화면과 기능만으로 고객을 설득할 수 있을까요? 특히 데이터를 조회하고 보고서를 만드는 일이 주요 가치인 서비스라면, 고객이 직접 구성할 수 있는 경험과 서비스가 제공하는 경험의 차이를 다시 생각해야 합니다. 이 글에서는 기업 데이터를 대시보드와 보고서로 분석하는 BI(Business Intelligence) 도구와, 수요·공급을 조율하고 생산·재고·물류를 관리하는 SCM(Supply Chain Management, 공급망 관리) 시스템의 사례를 살펴보겠습니다. 이를 통해 기존 사용자 인터페이스(UI), 즉 사용자가 조작하는 화면이 제공하던 가치가 어떻게 달라지고, 서비스 제공자가 어떤 업무 경험으로 가치를 넓혀야 하는지 짚어보겠습니다.

[그림 3] AI 에이전트를 활용해 사용자가 구성하는 업무 도구 (출처: 작성자 제작)

BI와 업무 소프트웨어의 분석 방식 변화

기업용 소프트웨어에서 이런 변화는 데이터를 조회하고 분석하는 분야에서 특히 잘 드러납니다. BI 솔루션은 데이터를 조회하고, 여러 기준으로 관점을 바꾸며, 보고서를 만드는 기능을 제공해 왔습니다. AI가 사용자의 질문에 맞춰 표와 차트, 요약을 구성하기 쉬워지면, 미리 만든 대시보드와 반복 보고서를 갖추었다는 사실만으로는 차별화하기 어려워집니다. 사용자는 필요한 분석을 위해 제공된 화면을 찾아다니는 수고를 줄일 수 있기 때문입니다.

이 변화는 BI 전문 제품에만 해당하지 않습니다. 고객관계관리(CRM) 시스템의 영업 파이프라인, 전사적자원관리(ERP) 시스템의 비용·수익 분석, 제조 시스템의 품질 추이처럼 분석과 리포트가 제품 가치의 한 축인 업무용 서비스형 소프트웨어(SaaS, Software as a Service)도 영향을 받습니다. 이러한 제품은 업무 데이터와 긴밀하게 연결되어 있어, 거래나 업무 단계에 맞춰 분석할 수 있다는 장점이 있습니다. 다만 고객의 질문은 미리 정해 둔 화면의 구성과 항상 일치하지는 않습니다. 특정 지역의 실적을 보다가 제품별 차이를 확인하거나, 기간을 바꾸어 비교하려면 여러 화면과 필터를 오가야 할 수 있습니다.

예를 들어 영업 책임자가 “이번 달 매출이 계획보다 낮은 지역과 제품을 찾고, 전월과 비교해 원인을 정리해줘”라고 요청한다고 해 보겠습니다. 기존에는 지역별 실적 화면에서 미달 지역을 찾고, 제품별 화면에서 차이를 확인한 뒤, 다시 기간을 바꾸어 전월 수치와 대조해야 했습니다. 이후 결과를 보고서에 옮기고 설명을 덧붙이는 일도 담당자의 몫이었습니다. AI가 필요한 데이터를 조회해 비교 결과와 원인 검토에 필요한 정보를 정리한다면, 담당자는 화면 조작과 자료 정리에 쓰던 시간을 결과를 검토하는 데 더 활용할 수 있습니다.

결과를 확인한 뒤에는 “감소 폭이 큰 세 제품만 추려서 회의 자료로 정리해줘”처럼 요청을 이어갈 수도 있습니다. 처음부터 모든 질문에 맞는 화면과 보고서 양식을 마련하기 어려운 상황에서, 사용자의 목적에 따라 분석 범위와 결과물을 바꿀 수 있는 것입니다. 이런 경험이 가능해질수록 고객은 제공되는 보고서의 종류뿐 아니라, 새로운 질문이 생겼을 때 얼마나 쉽게 답을 얻고 활용할 수 있는지도 평가하게 될 것입니다.

데이터를 시각화하고 대시보드로 분석하는 대표적인 BI 솔루션 업체인 Tableau는 이러한 변화의 한 사례입니다. 분석 화면을 구성하고 결과를 해석하는 과정에 AI를 활용해 사용자의 수고를 줄이려는 방향을 보여줍니다. 공식 소개에 따르면 Tableau의 AI 기능은 데이터 탐색과 시각화 작성, 계산식 작성과 설명을 돕고, 주요 지표에서 도출한 인사이트를 사용자에게 제공합니다[3]. 구체적으로 사용할 수 있는 기능은 제공 제품과 버전, 설정에 따라 다릅니다.

[그림 4] Tableau의 AI 분석 도우미 Tableau Agent가 개요와 인사이트를 제공하고 질문에 답하는 대시보드 (출처: Tableau 공식 사이트)

물론 질문만으로 원하는 결과를 얻으려면 데이터의 기준이 정리되어 있어야 합니다. 같은 “매출”도 주문액인지 출하액인지, 반품을 포함하는지에 따라 결과가 달라집니다. 계획 대비 실적을 비교할 때는 어느 계획 버전을 사용하는지, 데이터가 언제 갱신되었는지도 영향을 줍니다. 따라서 지표의 계산 방식과 데이터 간 관계를 미리 정해, 질문이 달라져도 같은 기준으로 분석하도록 하는 기반이 필요합니다. 예를 들어 “지역별 매출”을 요청할 때마다 계산 방식이 달라지지 않도록, 매출의 정의와 지역 정보의 관계를 정리해 두는 것입니다. Microsoft의 BI 도구인 Power BI는 이러한 기준과 관계를 담는 ‘의미 체계 모델(Semantic model)’을 제공합니다[4].

이러한 기준은 사용자가 질문할 때마다 다시 설명해야 하는 부담을 줄이는 데도 필요합니다. 고객이 원하는 것은 일관된 수치를 바탕으로 자신에게 필요한 데이터의 관점을 쉽게 바꾸어 보는 사용성입니다. 공통 기준을 유지하면서도 지역·제품·기간을 바꾸고, 결과를 표나 요약으로 정리할 수 있다면 분석의 활용 범위가 넓어집니다. 서비스 제공자는 데이터 기준을 뒷받침하면서, 사용자가 원하는 분석에 도달하기까지 거쳐야 하는 조작과 자료 정리 과정을 함께 줄여 나가야 합니다.

앞서 BI 사례에서는 사용자의 질문에 맞춰 데이터를 조회하고 보고서로 정리하는 경험을 살펴봤습니다. SCM은 여기에 공급사의 생산 능력, 재고, 납기 같은 업무 제약을 반영한 대안 비교가 더해집니다. 선택한 대안을 담당자의 검토와 승인을 거쳐 실제 공급 계획에 반영하고 후속 업무로 연결하는 과정이 더해진 SCM 업무 분야에 AI가 어떤 도움을 줄 수 있을지 살펴보겠습니다.

SCM 계획과 분석, 화면 제공을 넘어 업무 수행으로

필자가 공급망 관리 솔루션 중 하나인 o9를 활용하면서 가치를 느낀 지점은 품목·공장·공급사·시간 등 여러 기준에 따라 데이터를 나누고 필요한 지표를 비교할 수 있다는 점입니다[5]. 담당자는 이번 주 어떤 품목이 부족한지, 위험이 특정 공장이나 공급사에 집중됐는지, 지난주와 비교해 무엇이 달라졌는지 확인합니다. 필요하면 공급 비율이나 공급에 걸리는 시간의 가정값을 바꿔 그 결과를 비교합니다. 문제를 좁히고 대안을 검토할 수 있도록 구성된 화면과 기능은 이러한 업무를 수행하는 데 도움이 됩니다.

이런 분석 경험을 제공하려면 고객의 업무에 맞는 분석 화면과 필터, 비교 화면을 구성하는 데 시간과 노력이 필요합니다. 따라서 필요한 화면을 얼마나 잘 갖추고 있는지는 제품을 선택하는 이유가 될 수 있습니다. 그러나 AI가 사용자의 질문에 맞춰 조회 결과를 정리하고 필요한 표와 차트를 구성할 수 있다면, 미리 만들어 둔 화면이 많다는 사실만으로는 같은 수준의 차별성을 유지하기 어려워집니다. 여러 관점에서 데이터를 분석하는 기반은 여전히 필요하지만, 고객의 질문에 맞는 화면을 빠르게 구성하는 능력도 함께 평가받게 되는 것입니다.

이제 담당자가 메뉴를 찾아 필터를 조합하는 대신 이렇게 요청한다고 상상해 보겠습니다. “이번 주 공급 부족 위험을 품목·공장·공급사별로 정리하고 지난주와 비교해줘. 특정 공급사의 배분 비율을 5%포인트 높인 시나리오에서는 재고와 서비스 수준이 어떻게 바뀌는지 보여줘.” 에이전트가 필요한 조회와 시나리오 계산을 요청하고 결과를 비교해 제시할 수 있다면, 담당자는 여러 화면에서 조건을 반복해서 입력하는 수고를 줄일 수 있습니다. 이어서 “재고가 가장 많이 늘어나는 공장만 보여줘”라고 요청하면, 질문의 흐름에 따라 살펴보는 범위와 결과의 표현도 달라질 수 있습니다. 고객의 질문이 달라질 때마다 분석 화면을 별도로 개발해야 하는 부담도 줄어들 수 있습니다.

비교 결과를 검토한 뒤 담당자가 “선택한 안으로 공급사별 배분 비율을 갱신해줘”라고 요청하는 다음 단계도 생각해 볼 수 있습니다. 에이전트가 대상 계획과 변경 전후 값을 제시하고, 필요한 승인을 거쳐 변경을 반영한다면 담당자는 분석 화면에서 확인한 내용을 별도의 입력 화면에 다시 옮기는 수고도 줄일 수 있습니다. 조회, 비교, 수정 기능을 각각 갖추는 데서 더 나아가, 사용자의 요청에 따라 이 기능들을 이어서 수행하는 경험을 제공하는 것입니다.

이러한 경험이 가능해질수록 고객은 서비스가 제공하는 화면의 종류뿐 아니라, 원하는 분석을 얼마나 적은 조작으로 수행하고 후속 작업까지 마칠 수 있는지를 평가하게 될 것입니다. 익숙한 분석 화면과 정교한 시나리오 도구는 여전히 유용하지만, 조회·필터·리포트 같은 기능을 UI로 제공한다는 사실만으로는 고객이 그 제품을 선택해야 할 이유를 충분히 설명하기 어려워집니다. SCM처럼 복잡한 업무에서도, 고객의 질문이 달라질 때마다 필요한 분석과 작업을 유연하게 수행하도록 돕는 경험으로 서비스의 가치를 넓혀야 합니다.

공통 화면과 개인별 분석을 함께 활용하는 방식

앞서 살펴본 조회와 대안 비교, 후속 작업을 고객이 어떤 환경에서 수행할지도 생각해 볼 필요가 있습니다. 조직이 함께 확인해야 하는 정보와 담당자가 개별적으로 살펴보려는 정보가 다를 수 있는 만큼, 공통 화면과 개인별 분석 도구를 함께 활용하는 방식을 생각해 볼 수 있습니다. 사용자의 일상 언어를 해석하고 답변을 생성하는 대규모 언어 모델(LLM)은 개인별 질문에 맞춰 데이터를 조회하고 결과를 정리하는 데 활용할 수 있습니다.

예를 들어 계획 수립과 실적 관리는 기존 업무 시스템에서 수행하고, 정기적으로 확인하는 지표는 공통 대시보드로 제공할 수 있습니다. 담당자는 그 데이터를 바탕으로 자신이 선택한 AI나 업무 도구에서 추가 분석을 요청하는 것입니다. 이때 어떤 도구를 사용하든 지표의 계산 기준과 데이터 접근 권한이 일관되게 적용되도록 해야 합니다. 기존 시스템의 업무 기능을 활용하면서도, 데이터를 살펴보고 결과를 정리하는 방법을 사용자의 필요에 맞게 구성하는 방식입니다.

정기 회의에서 같은 보고서를 보더라도, 회의 전후에 각 담당자가 확인해야 하는 품목과 지역, 비교 기간은 달라질 수 있습니다. 한 담당자는 특정 지역의 실적 변화를 확인하고, 다른 담당자는 일부 품목만 추려 다음 회의에 쓸 자료를 만들고 싶을 수 있습니다. 개인별 분석 도구가 이러한 요청을 받아 결과를 정리할 수 있다면, 모든 질문에 맞춰 공통 화면을 수정해야 하는 부담을 줄일 수 있습니다. 공통 화면은 조직이 같은 기준으로 상황을 파악하는 데 쓰고, 개인별 도구는 그 상황에서 생기는 서로 다른 질문을 살펴보는 데 활용하는 것입니다. 사용자는 필요한 순간에 자신의 업무에 맞는 질문을 던질 수 있습니다.

[그림 5] 분석용 데이터 저장소와 LLM을 연결하는 고객 과제의 구상 (출처: ChatGPT 활용 제작)

필자가 이 과제에서 주목하는 것은 고객이 SaaS의 계획 기능을 활용하면서도, 데이터를 조회하고 보고하는 방식은 자신의 업무에 맞게 직접 구성하려 한다는 점입니다. 이러한 시도가 자리 잡으면 SaaS의 기본 기능을 계속 사용하더라도, 일상적인 분석과 보고는 고객이 선택한 AI와 별도 애플리케이션에서 이루어질 수 있습니다. 계획 기능을 제공하는 업체와 사용자가 매일 데이터를 살펴보는 접점을 제공하는 주체가 달라질 수 있는 것입니다.

이는 SaaS 업체가 자체 화면에 조회와 보고 기능을 갖추고 있어도, 고객이 반드시 그 화면만을 통해 데이터를 활용하는 것은 아니라는 점을 시사합니다. 고객이 업무에 맞는 사용 경험을 직접 구성할 수 있다면, 기존 UI에 기능을 더하는 것과 함께 고객이 선택한 AI와 애플리케이션에서도 자사의 데이터와 기능을 편리하게 활용하도록 지원해야 합니다. 서비스의 가치를 고객의 업무 환경으로 넓혀야 하는 것입니다.

SCM 업체들의 AI 대응

서비스를 이용하는 방법과 경로를 넓히려는 방향은 SCM 업체들의 공개된 AI 활용 설명에서도 나타납니다. 제품 안에서 문제 파악과 대응을 돕는 사례와, 외부 업무 도구에서 자사 데이터와 기능을 활용하도록 하는 사례를 살펴보겠습니다.

공급망 계획 솔루션 업체인 Kinaxis는 자사 계획 플랫폼 Maestro에 AI 에이전트를 도입해 담당자의 의사결정을 돕는다고 설명합니다. 회사의 설명에 따르면 에이전트는 실시간 계획 데이터를 분석해 문제를 식별하고 공급사의 생산 능력, 재고 수준, 생산 일정, 고객별 우선순위 등을 함께 고려하여 다음 조치를 추천합니다. 공급 부족 문제를 검토할 때 부족 수량만 알려주는 데서 나아가, 실제 공급 여력과 고객 수요를 고려해 실행 가능한 대응을 찾도록 지원하는 방식입니다. 각 대응의 추천 이유를 설명하고 담당자가 검토하도록 하는 구조도 제품의 주요 특징으로 제시합니다[6].

Kinaxis는 기업이 자신의 업무에 맞게 에이전트와 작업 흐름을 구성하는 방향도 제시합니다. 공식 안내에서는 미리 마련한 업무 기능과 도구를 조합해 여러 단계의 작업을 연결하는 방식을 설명합니다. 특정 조건이 충족되면 정해 둔 작업을 자동으로 시작하고, 필요한 단계에서는 담당자의 승인을 받도록 구성하는 것입니다. 예외 상황을 조사하고 관련 업무를 조율하는 과정에 조직의 업무 규칙과 전문 지식을 반영해, 기업마다 다른 계획 절차를 지원하려는 접근입니다[7].

또 다른 공급망 솔루션 업체인 Blue Yonder는 운송 중 생기는 예외 상황과 개선 기회를 찾도록 돕는 Logistics Ops Agent를 소개합니다. 회사는 이 에이전트가 현재 조건에서 최적 선적 계획을 찾아 제안하고, 운송 후 복귀 구간에 화물을 확보할 기회를 식별하며, 기상 악화에 따른 운송 차질을 미리 알린다고 설명합니다. 운송 활동과 제약 조건을 지속적으로 살펴 담당자가 우선 확인해야 할 사안을 추리고, 문제와 권고 조치를 제공하는 방식입니다. 이를 통해 담당자가 여러 화면과 알림에서 우선 처리할 문제를 직접 찾아내는 부담을 줄이려는 접근입니다[8][9].

[그림 6] Blue Yonder Logistics Ops의 Microsoft Teams 및 Copilot 화면과 분석 결과 (출처: Microsoft Marketplace 제품 안내)

Blue Yonder는 Microsoft 365 Copilot에서도 자사 운송 데이터와 기능에 접근할 수 있도록 Logistics Ops를 제공합니다[9]. 이는 사용자가 일하는 외부 도구에서도 서비스의 가치를 전달하려는 사례입니다. 업체들이 공개한 이러한 방향은 기존 화면에 조회 기능을 더하는 것에서 나아가, 사용자가 문제를 발견하고 대응하는 과정을 지원하며 서비스에 접근하는 경로도 넓히려는 움직임으로 읽을 수 있습니다.

서비스 제공자가 제공해야 할 새로운 경험

앞의 사례들을 종합하면, 서비스 제공자는 고객이 분석을 시작하고 결과를 활용하기까지 어떤 수고를 들이는지 살펴볼 필요가 있습니다. 조회·필터·보고 기능이 있어도 사용자가 여러 메뉴에서 조건을 반복 입력하고 결과를 다른 도구로 옮겨야 한다면 업무는 여전히 번거롭습니다. AI로 필요한 분석과 후속 작업을 요청할 수 있는 환경에서는 이러한 시간과 노력을 얼마나 줄여 주는지가 서비스 선택에 더 큰 영향을 줄 수 있습니다.

업무에 따라 적합한 접근 방식도 다릅니다. 여러 담당자가 같은 수치를 확인하는 공통 대시보드와 반복 보고서는 익숙한 화면에서 빠르게 확인하도록 하고, 개인별 질문이나 일회성 분석은 대화형으로 탐색하도록 구성할 수 있습니다. 복잡한 계획 대안을 비교할 때는 결과와 가정을 나란히 검토할 수 있는 미리 만들어진 분석 뷰가 도움이 되지만, 고객 개인이 중요시하는 뷰에서의 다양한 데이터 비교는 AI의 도움을 받는 것이 더 도움이 될 것입니다. 고객 사례에서 공통 UI와 개인별 AI 도구를 함께 활용하려는 것도 이러한 역할 분담으로 이해할 수 있습니다.

동시에 고객이 선택한 AI와 애플리케이션에서 자사의 데이터와 기능을 활용할 수 있는 경로를 마련해야 합니다. 예를 들어 데이터 조회를 시작으로, 업무에 필요한 경우 시나리오 계산과 승인된 변경까지 요청할 수 있도록 지원 범위를 넓힐 수 있습니다. 이때 지표와 접근 권한은 일관되게 적용하고, 가정을 바꿔 보는 작업과 실제 계획을 변경하는 작업을 구분해야 합니다. 이러한 조건은 고객이 사용하는 도구가 달라져도 같은 서비스를 신뢰하고 활용하기 위한 기반입니다.

기업이 제품을 평가할 때도 필요한 화면의 유무와 함께 실제 업무를 수행하는 과정을 살펴봐야 합니다. 분석 조건이 달라질 때 화면을 새로 개발해야 하는지, 고객이 선택한 AI에서도 필요한 데이터를 조회할 수 있는지, 비교한 결과를 후속 작업에 활용하기까지 어떤 조작이 필요한지를 확인할 수 있습니다. 예를 들어 공급 부족 문제 하나를 정해, 현황 조회부터 대안 비교와 결과 공유까지 담당자가 거치는 과정을 따라가 보는 것입니다. 단계마다 같은 조건을 다시 입력하거나 데이터를 옮겨야 한다면, 개별 기능이 잘 갖춰져 있어도 전체 업무는 번거로울 수 있습니다. 이렇게 평가하면 기능 목록에서는 드러나지 않던 사용 부담과 서비스의 확장 가능성을 파악할 수 있습니다.

결론: 고객이 데이터를 활용하는 곳으로

필자가 주목하는 것은 기업이 기존 서비스의 업무 기능을 계속 활용하면서도, 데이터를 조회하고 보고하는 방식은 자신의 필요에 맞게 구성할 수 있다는 점입니다. 계획을 수립하는 시스템과 일상적인 분석·보고에 사용하는 도구가 달라질 수 있다면, 서비스의 가치를 평가할 때도 자사 화면의 편의성과 함께 고객이 데이터를 활용하는 전체 과정을 살펴봐야 합니다.

공통 대시보드와 정기 보고서는 여러 담당자가 같은 상황을 확인하는 데 여전히 필요합니다. 다만 각자가 확인하려는 품목과 지역, 비교 기간까지 모두 미리 정해 둘 수는 없습니다. AI로 이런 질문에 맞는 분석을 구성하기 쉬워질수록, 보고서를 얼마나 많이 갖추었는지 만으로 고객의 선택을 얻기는 어려워집니다. 고객이 필요한 순간에 원하는 관점으로 데이터를 살펴보고, 그 결과를 다음 업무에 활용하는 데 얼마나 도움이 되는지가 중요해집니다.

데이터 서비스 제공자는 고객이 선택한 AI와 업무 도구에서도 자사의 데이터와 기능을 활용할 수 있도록 지원해야 합니다. 고객이 분석 환경을 직접 구성할수록, 서비스가 마련한 기능을 그 환경에서 얼마나 쉽게 쓸 수 있는지가 중요해집니다. 자체 화면을 개선하는 일과 고객의 다른 업무 도구에서 서비스를 활용하도록 돕는 일을 함께 추진해야 하는 이유입니다.

데이터 서비스 제공자는 제품을 개선할 때, 도입 기업은 제품을 선택할 때 다음 세 가지를 실제 업무 흐름에서 확인해야 합니다.

  • 어떤 도구로 접근하더라도 지표의 의미와 데이터 기준이 일관되게 적용되는가?
  • 고객이 선택한 AI와 업무 도구에서도 필요한 데이터와 서비스 기능을 활용할 수 있는가?
  • 분석 결과를 다음 업무에 활용할 때, 자료를 다시 옮기거나 같은 내용을 반복 입력하는 수고를 줄일 수 있는가?

고객이 다른 AI나 업무 도구를 선택하더라도, 그 안에서 기존 서비스의 데이터와 계획 기능이 계속 쓰일 수 있어야 합니다. 필자가 생각하는 데이터 서비스의 다음 가치는 고객이 일하는 곳에서 그 기능을 활용하고 필요한 업무를 시작부터 끝까지 마칠 수 있도록 돕는 데 있습니다.

FAQ

  • AI 에이전트 시대에 데이터 서비스의 경쟁력은 어떻게 달라지나요?

    데이터 서비스의 경쟁력은 고객이 원하는 분석을 수행하고 후속 업무까지 연결하는 과정에서 드러납니다. 미리 만든 화면과 보고서의 수에 더해, 질문에 맞는 데이터를 일관된 기준으로 조회하고 대안을 비교하며 반복 입력과 자료 이동을 줄일 수 있는지가 평가 기준이 됩니다.

  • 대화형 BI 분석에 의미 체계 모델이 필요한 이유는 무엇인가요?

    의미 체계 모델은 매출 같은 지표의 정의와 계산 방식, 데이터 간 관계를 정리한 분석 기반입니다. 같은 질문에도 주문액·출하액·반품 포함 여부에 따라 결과가 달라질 수 있으므로, 사용 도구와 질문이 바뀌어도 같은 기준을 적용하도록 해야 합니다. 데이터 갱신 시점과 접근 권한도 함께 확인해야 합니다.

  • SCM에서 AI 에이전트는 어떤 업무를 지원할 수 있나요?

    SCM의 AI 에이전트는 공급 부족 현황 조회, 품목·공장·공급사별 비교, 공급 제약을 반영한 시나리오 검토를 지원할 수 있습니다. 실제 계획 변경으로 범위를 넓히려면 대상 계획과 변경 전후 값을 제시하고 담당자의 검토와 필요한 승인을 거쳐야 합니다. 구체적인 지원 범위는 제품과 구현 환경에 따라 다릅니다.

  • AI 분석이 확산되면 공통 대시보드는 필요 없어지나요?

    공통 대시보드는 여러 담당자가 같은 지표와 기준으로 현황을 확인하고 정기 보고를 수행하는 데 여전히 필요합니다. 개인별 질문이나 일회성 분석에는 대화형 AI를 함께 활용할 수 있습니다. 공통 화면과 개인별 분석 도구가 같은 데이터 기준과 접근 권한을 적용하도록 설계하는 것이 중요합니다.

  • 고객이 별도 AI 도구를 사용하면 SaaS 제공자는 무엇을 준비해야 하나요?

    SaaS 제공자는 고객이 선택한 AI와 애플리케이션에서 자사의 데이터와 기능을 활용할 수 있는 경로를 마련해야 합니다. 데이터 조회부터 필요한 시나리오 계산과 승인된 변경까지 지원 범위를 검토하되, 접근 경로가 달라져도 지표의 의미와 권한이 일관되게 적용되도록 해야 합니다.

  • AI 기반 BI와 SCM 서비스를 도입할 때 무엇부터 평가해야 하나요?

    공급 부족 분석처럼 실제 업무 하나를 골라 현황 조회, 대안 비교, 결과 공유까지 담당자가 거치는 과정을 확인해야 합니다. 질문이 바뀔 때 화면을 새로 개발해야 하는지, 같은 조건을 반복 입력하거나 데이터를 옮겨야 하는지 살펴보면 기능 목록만으로 드러나지 않는 사용 부담을 파악할 수 있습니다.

References

저자

삼성전자 DX 차세대SCM Staging 전환 구축 과제 Sub PL, TL 역할로 참여 중입니다.

CONTACT US

무엇이든 물어보세요.

AI 도입부터 최적화까지, 맞춤형 솔루션을 제안해 드립니다.

문의하기

공유하기