신뢰를 기반으로 한 엔터프라이즈 분석 경쟁에 뛰어든 OpenAI Data Agent

OpenAI는 9월 10일 OpenAI Data Agent를 출시하며, 엔터프라이즈 분석 경쟁이 치열해지는 가운데 거버넌스가 적용된 기업 분석 기능을 ChatGPT Work에 도입했다.

새 에이전트는 승인된 비즈니스 시스템에 연결해 변화를 조사하고, 자연어 요청으로 인터랙티브 대시보드를 만든다. 또한 후속 조치를 추천하고, 승인된 결과물을 연결된 업무 도구를 통해 전송할 수 있다.

이러한 범위는 OpenAI를 점차 성숙해지는 Google의 대화형 분석 스택과 직접 경쟁하게 만든다. 그러나 이 경쟁은 단순히 어느 모델이 더 나은 SQL을 작성하느냐의 문제가 아니다. 비즈니스 정의를 이해하고, 권한을 준수하며, 근거를 제시하고, 실제 의사결정에 영향을 줄 만큼의 신뢰를 얻는 플랫폼이 어디냐의 문제다.

OpenAI는 유용한 강점을 갖고 출발한다. 이 회사는 고객용 기능으로 패키징하기에 앞서 복잡한 데이터 환경에서 관련 내부 시스템을 이미 시험했다. 다만 Google, Microsoft, Snowflake, Databricks 및 기존 비즈니스 인텔리전스 공급업체들은 현존 분석 스택의 중요한 부분을 장악하고 있다.

그 결과 형성되는 경쟁은 이례적인 양상을 띤다. OpenAI는 직원들이 질문하고, 조사하고, 시각화하고, 행동하는 장소가 ChatGPT가 되기를 원한다. 반면 파트너들은 데이터 웨어하우스, 시맨틱 레이어, 대시보드가 이 경험의 기반이 되는 권위 있는 토대로 남기를 바란다.

OpenAI Data Agent, 답변에서 실행으로 이동하다

중요한 변화는 자연어 질의 자체가 아니다. 전체 분석 워크플로를 하나의 ChatGPT 대화 안에 배치하려는 시도다.

Data Agent 출시 발표에 따르면, 사용자는 Amazon Redshift, Google BigQuery, ClickHouse, Databricks, MongoDB, Snowflake 등 승인된 소스를 연결할 수 있다. Google Drive와 SharePoint의 파일도 분석에 활용할 수 있다.

이 에이전트는 질문을 데이터베이스 쿼리로 변환하는 데 그치지 않는다. OpenAI는 이 에이전트가 지표 변동 원인을 조사하고, 뒷받침하는 근거를 검토하며, 후속 지시를 받아들이고, 결과를 인터랙티브 대시보드로 전환할 수 있다고 설명한다.

이 워크플로는 대규모 조직에서 흔히 발생하는 지연을 겨냥한다. 영업 책임자가 갱신률이 약화된 사실을 발견하고 분석가에게 원인을 묻지만, 분석가가 적절한 테이블을 찾는 동안 기다려야 한다. 이후 분석가는 정의를 확인하고, 조인을 점검하며, 대시보드를 대조하고, 결과를 정리해야 한다.

OpenAI Data Agent는 이 단계를 대화형 루프로 압축한다. 사용자는 주간 활성 사용자 수가 왜 감소했는지 묻고, 이전 기간과의 비교를 요청하며, 에이전트가 가능성 있는 원인을 향하도록 지시할 수 있다. 그러면 에이전트는 정적인 차트로 끝나는 대신 추가 점검을 제안할 수 있다.

OpenAI는 이 에이전트가 Omni, Oracle BI, Power BI, Sigma, Tableau, ThoughtSpot에서 대시보드를 생성하거나 상호작용할 수 있다고도 밝혔다. 이는 OpenAI가 모든 고객에게 현재의 시각화 레이어를 즉시 포기하라고 요구하지는 않는다는 점에서 중요하다.

대신 ChatGPT Work가 오케스트레이션 표면이 된다. 에이전트는 데이터 저장소, 비즈니스 문서, 시맨틱 시스템, 기존 대시보드를 가로지르며 접근하면서도, 해당 시스템들을 신뢰할 수 있는 원천으로 유지할 수 있다.

시맨틱 레이어는 기업이 매출, 유지율, 활성 사용자 같은 측정값을 어떻게 계산하는지 설명하는, 거버넌스가 적용된 정의 집합이다. 이러한 정의는 서로 다른 팀이 같은 레이블에 서로 다른 의미를 부여하는 일을 방지한다.

OpenAI는 자사 에이전트가 dbt, GitHub, Snowflake Horizon, Databricks Genie Ontology 등을 포함한 소스에서 지표 정의, 맞춤 계산, 관계, 비즈니스 용어를 활용할 수 있다고 밝혔다. 이러한 기반 맥락은 이 제품을 범용 텍스트-투-SQL 인터페이스와 구분한다.

관리자는 여전히 중심적인 역할을 맡는다. 관리자는 사용할 수 있는 연결을 선택하고, 데이터 소스 플러그인을 구성하며, 어떤 역할이 이를 사용할 수 있는지 결정한다. 쿼리는 연결된 사용자가 기존에 보유한 테이블, 행, 열 권한을 적용하도록 설계됐다.

이 에이전트는 ChatGPT Work Plugins 디렉터리에서 Data로 표시된다. 관리자가 이를 설치하고 관련 연결을 구성하면, 직원들은 대화 중 @Data를 지정해 호출할 수 있다.

OpenAI는 마지막 단계가 분석을 넘어설 수 있다고 말한다. 에이전트는 참여해야 할 사람을 식별하고, 다음 조치를 추천하며, Slack 또는 이메일을 통해 결과를 공유하고, 사용자가 승인한 작업을 수행할 수 있다.

이러한 진행은 경쟁의 판도를 바꾼다. 대시보드는 전통적으로 누군가가 무슨 일이 일어났는지 이해하도록 돕는다. 변화를 분석하고 대응을 시작하는 에이전트는 의사결정 워크플로 자체의 주도권을 놓고 경쟁하기 시작한다.

엔터프라이즈 분석은 첫 접점을 둘러싼 싸움이 되고 있다

OpenAI는 직원이 비즈니스 질문을 할 때 가장 먼저 찾는 장소를 ChatGPT로 만들며 분석 공급업체에 압박을 가하고 있다.

비즈니스 인텔리전스 플랫폼은 수년간 정적 보고서를 넘어 발전해 왔다. Tableau, Power BI, Looker, ThoughtSpot 및 신흥 데이터 플랫폼은 이미 자연어 질문, 자동화된 설명, 보조 시각화를 지원한다.

OpenAI Data Agent는 이러한 변화보다 앞서 등장한 것이 아니다. 대화형 분석이 업계 전반의 전략적 우선순위가 된 뒤에 등장했다.

Google은 2026년 6월 30일 BigQuery의 Conversational Analytics를 정식 출시했다. 이 시스템은 기술 사용자와 비즈니스 사용자가 BigQuery 내부에서 자연어로 여러 단계의 분석을 수행하고 시각적 보고서를 생성할 수 있게 한다.

Google의 대화형 분석은 Databricks Unity, AWS Glue, SAP, Salesforce 등을 포함한 크로스 클라우드 소스에도 접근할 수 있다. 데이터 팀은 Gemini Enterprise, Data Studio 또는 맞춤 애플리케이션에 특화 에이전트를 배포할 수 있다.

이는 Google에 경쟁에서 분명한 위치를 제공한다. 이 회사는 주요 클라우드 데이터 웨어하우스, Gemini 모델군, 엔터프라이즈 인터페이스, 그리고 다수의 쿼리가 실행되는 인프라를 통제한다.

OpenAI는 다른 경로를 택하고 있다. Google, Snowflake, Databricks, Amazon을 포함한 여러 데이터 플랫폼 위에 ChatGPT Work를 놓으려 한다. 기반 웨어하우스가 경쟁사의 시스템이더라도 이 제품은 공통 대화 레이어가 될 수 있다.

이 때문에 이번 출시는 전통적인 비즈니스 인텔리전스를 넘어 압박을 만든다. 직원의 출발점을 장악하는 플랫폼은 어떤 도구가 계속 눈에 띄고 어떤 도구가 대화 뒤에 숨은 인프라가 되는지에 영향을 줄 수 있다.

재무 책임자는 더 이상 대시보드 카탈로그를 열고, 보고서를 선택하고, 필터를 조정하지 않을 수 있다. 대신 ChatGPT에서 의사결정을 설명하고, 에이전트가 관련 데이터세트와 대시보드를 찾도록 맡길 수 있다.

이 변화가 BI 플랫폼을 자동으로 없애는 것은 아니다. OpenAI가 발표한 통합 기능은 ChatGPT가 의도 파악과 오케스트레이션을 담당하고, 기존 시스템이 거버넌스가 적용된 지표, 저장소, 시각화, 접근 제어를 제공하는 계층형 시장을 시사한다.

전략적 질문은 누가 지속적인 사용자 관계를 확보하느냐다. 대부분의 분석이 ChatGPT에서 시작된다면 기존 대시보드 제품은 주요 작업 공간이 아니라 렌더링 목적지가 될 위험이 있다.

OpenAI의 파트너들도 이러한 가능성을 인지하고 있지만, 참여는 동시에 이들의 도달 범위를 넓힌다. Microsoft는 Power BI 사용자가 비즈니스 질문을 설명하는 방식으로 대시보드를 만들 수 있다고 말한다. Tableau는 ChatGPT가 또 하나의 작업 공간을 제공하는 동안 자사의 시맨틱 레이어가 답변의 기반이 될 수 있다고 강조한다.

Snowflake는 직원이 어디에서 질문하든 거버넌스가 적용된 데이터와 접근 제어를 공동 기반으로 제시한다. Databricks도 마찬가지로 Genie를 엔터프라이즈 데이터와 신뢰할 수 있는 답변을 연결하는 맥락 레이어로 소개한다.

이러한 발언은 협상된 경계를 드러낸다. OpenAI는 대화형 경험을 소유하려 하고, 파트너들은 데이터, 정의, 거버넌스에 대한 권위를 유지하려 한다.

Google은 이러한 레이어를 내부적으로 결합할 수 있기 때문에 가장 분명한 주요 경쟁자다. Google의 분석 에이전트는 BigQuery 데이터 가까이에 존재하며, 외부 대화 인터페이스에 의존하지 않고 Gemini Enterprise로 확장될 수 있다.

OpenAI의 크로스 플랫폼 접근 방식은 유연성을 제공하지만 통합 작업도 만들어 낸다. 추가되는 모든 시스템은 서로 다른 스키마, 권한, 메타데이터 규칙, 갱신 일정, 운영상 제약을 도입한다.

따라서 이 경쟁은 기능 목록 이상의 문제로 귀결된다. 고객은 독립적인 오케스트레이션 레이어가 분석 아키텍처에 또 하나의 핵심 제어 지점을 추가할 만큼 충분한 편의성을 제공하는지 결정해야 한다.

어려운 것은 SQL이 아니라 비즈니스 맥락이다

OpenAI Data Agent는 기술적으로 유효한 답변과 기업이 실제로 의미하는 답변을 구별할 수 있을 때에만 성공한다.

대규모 언어 모델은 잘못된 테이블, 세분성, 필터 또는 비즈니스 정의를 선택하면서도 문법적으로 올바른 SQL을 생성할 수 있다. 쿼리가 실행되고 차트가 그럴듯하게 보이기 때문에 결과는 설득력 있어 보일 수 있다.

OpenAI는 자체 운영 환경에서 이 문제를 마주했다. 회사는 1월에 600페타바이트 이상의 데이터와 7만 개 데이터세트 전반에서 3,500명 이상의 사용자를 지원하는 내부 데이터 에이전트를 설명했다.

내부 아키텍처는 엔터프라이즈 분석에 데이터베이스 접근 이상의 것이 필요한 이유를 보여준다. 이 시스템은 스키마 메타데이터, 과거 쿼리, 인간이 작성한 주석, 코드에서 파생된 맥락, 조직 지식, 메모리, 실시간 웨어하우스 검사를 결합한다.

스키마 메타데이터는 에이전트에 열과 데이터 유형을 알려준다. 테이블 계보는 데이터세트가 어떻게 연결되고 어떤 업스트림 프로세스가 이를 만들었는지 설명한다. 과거 쿼리는 일반적인 조인과 확립된 사용 패턴을 보여준다.

그러나 이러한 요소들만으로도 조직을 완전히 설명할 수는 없다. 두 테이블은 유사한 필드를 포함하면서도 서로 다른 제외 규칙을 적용할 수 있다. 겉보기에 단순한 지표도 문서화되지 않은 관례, 실험 필터 또는 제품별 로직에 의존할 수 있다.

OpenAI의 내부 에이전트는 사람이 작성한 설명과 코드 수준 분석으로 이러한 모호성을 다룬다. Codex는 파이프라인을 검사해 테이블의 소유권, 세분성, 의존성, 조인 키, 갱신 동작을 추론한다.

에이전트는 업무 시스템에서 조직 내 맥락도 가져올 수 있다. 내부 문서는 데이터베이스 스키마로는 표현할 수 없는 제품 출시, 장애, 코드명, 표준 지표 정의를 설명할 수 있다.

메모리는 또 다른 레이어를 더한다. 사용자가 미묘한 필터를 수정하거나 모호한 용어를 명확히 하면, 내부 시스템은 그 교훈을 이후 대화에 보존할 수 있다. OpenAI는 사용자가 이러한 메모리를 검토하고 편집할 수 있다고 밝혔다.

상용 OpenAI Data Agent도 같은 핵심 아이디어를 따른다. 다만 OpenAI는 모든 고객 배포가 내부 아키텍처를 그대로 재현한다고 공개적으로 확정하지는 않았다. 원시 접근 권한에는 기업별 맥락이 함께해야 한다.

이 메커니즘은 시맨틱 시스템과의 통합을 설명한다. 모델이 모든 비즈니스 규칙을 안전하게 추론할 수 없기 때문에 OpenAI에는 Databricks Genie Ontology, dbt 모델, Snowflake Horizon, BI 대시보드 및 기타 신뢰할 수 있는 소스가 필요하다.

이는 기존 데이터 공급업체를 대체하기 어려운 이유이기도 하다. Snowflake의 Cortex Analyst는 이미 구조화된 데이터에 연결된 시맨틱 모델을 기반으로 자연어 질문을 처리한다.

Google은 팀이 검증된 쿼리, 맞춤 메타데이터, 용어집 항목, 명시적 지침으로 데이터 에이전트를 구성할 수 있게 한다. Google 문서는 그럴듯한 답변도 사실과 다를 수 있으므로 생성된 결과를 검증할 것을 권장한다.

OpenAI도 같은 근본적 한계에 직면해 있다. 추론 모델은 여러 가설을 탐색할 수 있지만, 그 확신이 선택한 데이터 세트가 조직이 승인한 사실을 대표한다는 보장은 아니다.

실질적인 기준은 에이전트가 대시보드를 만들어 내는지가 아니다. 분석가가 그 증거를 검토하고, 논리를 재현하며, 예상치 못한 결과의 배경이 된 가정을 식별할 수 있는지다.

이 지점에서 지식 관리는 운영 인프라가 된다. 에이전트가 부서 전반에 걸쳐 신뢰성 있게 추론하려면, 팀에는 유지·관리되는 정의, 문서화된 의사결정, 검색 가능한 비즈니스 맥락이 필요하다.

잘 정리된 AI 지식 베이스는 직원이 관련 맥락을 찾는 데 도움이 될 수 있다. 엔터프라이즈 분석에는 데이터 계보, 권한, 승인, 지표 소유권에 관한 더욱 엄격한 요구사항이 추가된다.

이러한 기반이 없으면 셀프서비스 분석은 이견을 해소하기보다 늘릴 수 있다. 더 많은 직원이 답을 만들 수는 있지만, 각 답변은 서로 다른 비즈니스 해석에 의존할 수 있다.

대시보드 뒤에 가려져도 신뢰 문제는 사라지지 않는다

완성도 높은 차트는 불확실한 추론에 이미 확정된 증거처럼 보이는 외관을 부여하기 때문에 분석상의 오류를 더 위험하게 만들 수 있다.

OpenAI는 사용자가 각 발견의 근거를 검토하고 대화를 통해 조사를 구체화할 수 있다고 말한다. 이러한 설계는 일회성 답변보다 바람직하지만, 공개된 정보만으로는 다양한 고객 환경에서의 오류율이 아직 확인되지 않는다.

출시 자료에는 유망한 고객 사례가 포함돼 있다. NTT DATA는 영업 및 기업 부문의 비엔지니어 직원들이 자연어를 사용해 대시보드를 만들고 업데이트했다고 말한다. 이 회사는 라이선스, 업무 투입량, 기술 전문성을 대시보드 활용 확대의 장벽으로 꼽는다.

ServiceTitan은 자사 팀이 Atlas 어시스턴트 사용자가 비사용자보다 약 3배 높은 비율로 캠페인을 시작한다는 내용을 보여주는 대시보드를 만들었다고 말한다. 보도에 따르면 이 결과는 온보딩 변경에 반영됐다.

CookUnity는 성장팀이 계절별 전환 대시보드를 만들고, 결과를 내부 보고서와 대조한 뒤 계획 수립 시간을 줄였다고 말한다. 이 검증 단계는 독립적인 기준점을 유지했다는 점에서 중요하다.

또 다른 평가 파트너인 micro1은 운영팀이 30분 만에 성과 추적 대시보드를 재구축했고 원본에서 오류를 발견했다고 말한다. 이러한 사례는 유용한 시나리오를 보여주지만, 여전히 OpenAI가 제시한 고객의 진술이다.

이들은 정확도, 지연 시간, 총운영비, 권한 오류 또는 분석가 검토 시간을 아우르는 표준화된 비교를 제공하지 않는다. OpenAI는 상용 에이전트가 개입 없이 올바른 결론에 도달하는 빈도를 보여주는 광범위한 독립적 근거를 공개하지 않았다.

이 차이는 중요한데, 분석 오류에는 여러 층위가 있기 때문이다. 생성된 쿼리가 유효하지 않을 수 있고, 선택된 테이블이 부적절할 수 있으며, 비즈니스 질문 자체가 하나의 방어 가능한 답을 내리기에는 지나치게 모호할 수 있다.

계산이 정확하더라도 오해를 부르는 권고가 나올 수 있다. 갱신 감소는 지원량과 상관관계를 보일 수 있지만, 그 관계만으로 어떤 운영 변경이 유지율을 개선할지는 증명되지 않는다.

에이전트에 실행 도구를 부여하면 이러한 실수의 결과도 커진다. 보고서를 전송하는 일은 캠페인을 변경하거나, 인력을 재배치하거나, 고객 워크플로를 수정하는 것보다 위험이 낮다.

사람의 승인은 통제 지점을 제공하지만, 승인 품질은 가시성에 달려 있다. 관리자는 그 뒤의 데이터, 가정, 신뢰도, 대안적 설명을 이해하지 못한 채 행동을 의미 있게 감독할 수 없다.

권한도 또 다른 과제다. OpenAI는 쿼리가 행 수준 및 열 수준 제한을 포함한 기존 접근 규칙을 따른다고 말한다. 이는 직접적인 데이터 조회를 보호하지만, 기업은 생성된 대시보드가 집계를 통해 무엇을 드러내는지도 고려해야 한다.

직원이 개별 레코드에는 접근하지 못하더라도 소규모 집단의 정보를 통해 민감한 정보를 추론할 수 있다. 보안팀은 후속 질문과 결합된 데이터 소스 전반에서 기존 정책이 의도한 대로 작동하는지 시험해야 한다.

시스템 간 추론은 추가적인 노출을 만든다. 영업, 제품, 재무, 지원 데이터를 결합하는 질문은 바로 그 영역들이 이전에는 분리돼 있었기 때문에 가치가 있을 수 있다.

하지만 이는 어떤 단일 시스템도 권한을 부여하도록 설계되지 않은 답을 만들 수도 있다. 관리자는 개별적으로 허용된 사실들의 조합이 제한된 비즈니스 결론을 드러내는지 검토해야 한다.

메모리도 비슷한 수준의 검토가 필요하다. 수정 사항을 기억하면 향후 분석을 개선할 수 있지만, 조직에는 공유 메모리에 대한 명확한 소유권이 필요하다. 잘못된 규칙이 조용히 지속적인 사실의 원천이 되어서는 안 된다.

지표 정의가 바뀔 때 팀에는 변경 통제도 필요하다. 에이전트는 어느 정의가 이전 기간, 현재 보고, 규제 공시, 실험적 분석에 적용되는지 알아야 한다.

OpenAI의 자체 활용 사례는 이 아키텍처가 상당한 규모로 운영될 수 있다는 고무적인 근거를 제공한다. 회사는 자사 제품팀 거의 전체와 GTM 조직의 3분의 2 이상이 ChatGPT Work에서 데이터 에이전트를 사용한다고 말한다.

그러나 OpenAI는 유난히 AI 네이티브한 환경이다. 직원, 데이터팀, 내부 도구, 실험에 대한 허용도는 모든 의료 서비스 제공업체, 은행, 제조업체 또는 정부 기관을 대표하지 않는다.

이 회사는 자체 워크플로에 맞춰 내부 시스템도 구축했다. 여러 성숙한 플랫폼을 연결하는 고객은 제품 통합만으로 자동 정리할 수 없는 조직적 복잡성을 떠안는다.

구매자에게 가장 안전한 초기 배포는 명확한 지표, 범위가 제한된 데이터 소스, 검토 가능한 쿼리, 되돌릴 수 있는 조치를 갖춘 경우다. 고위험 권고는 캠페인 활동을 요약하는 대시보드보다 더 강력한 평가가 필요하다.

따라서 OpenAI Data Agent는 의심 없이 받아들이는 의사결정 엔진이 아니라 분석 협업자로 평가해야 한다. 그 가치는 불확실성을 얼마나 잘 드러내고 증거가 불완전할 때 검증을 얼마나 잘 지원하는지에 달려 있다.

엔터프라이즈 분석 경쟁을 가를 세 가지 신호

다음 단계는 검증된 도입, 실제 워크로드에서의 거버넌스, 그리고 이미 엔터프라이즈 데이터를 통제하는 플랫폼들의 대응에 의해 결정될 것이다.

첫 번째 신호는 알파 프로그램을 넘어선 지속적인 사용이다. OpenAI는 영업, 지출, 보고, 인력 배치, 운영 분석을 시험하는 조직들을 언급했지만, 초기의 열의가 지속 가능한 도입을 입증하지는 않는다.

비기술 직원들이 초기 시연 이후에도 에이전트를 계속 사용하는지 지켜봐야 한다. 반복적인 주간 사용, 공유 대시보드, 분석 업무 적체 감소는 대화형 조사가 일상 업무가 될 수 있다는 OpenAI의 주장을 강화할 것이다.

질문의 수준도 중요하다. 단순 요약은 널리 제공된다. 지속적인 차별화에는 사용자가 데이터 세트를 넘나들고 기존 보고서에 도전하는 여러 단계의 조사를 에이전트에 맡길 수 있어야 한다.

그러한 워크플로의 증가는 OpenAI의 전면 진입 전략을 뒷받침할 것이다. 사용이 기본 차트 생성에만 머문다면 기존 BI 인터페이스는 현재 역할의 더 많은 부분을 유지하게 될 것이다.

두 번째 신호는 정확도와 거버넌스에 관한 근거다. 기업은 공개된 평가 방법, 감사 기능, 수정 워크플로, 실행에 관한 명확한 경계를 살펴봐야 한다.

OpenAI의 자체 엔터프라이즈 데이터는 도입이 더 깊은 위임으로 향하고 있음을 보여준다. 2026년 6월 기준으로 Codex는 엔터프라이즈 고객의 Codex 및 ChatGPT 결합 출력 토큰 가운데 64%를 생성했다.

회사는 또한 사용량이 가장 높은 엔터프라이즈 고객들이 일반적인 기업보다 활성 사용자당 8.3배 많은 출력 토큰을 생성했다고 보고했다. OpenAI는 토큰량이 비즈니스 가치를 측정하는 불완전한 지표라고 지적한다.

이 단서는 데이터 에이전트에도 직접 적용된다. 더 많은 쿼리, 더 긴 조사, 추가 대시보드는 더 나은 의사결정을 증명하지 않는다. 구매자에게는 정확성, 분석가 검토, 절감된 시간, 비즈니스 성과와 연결된 측정 기준이 필요하다.

사고 보고 역시 똑같이 많은 것을 보여줄 것이다. 실패한 조인, 오래된 맥락, 권한 실수 또는 오해를 부르는 권고에 대한 투명한 설명은 고객이 운영 성숙도를 평가하는 데 도움이 될 것이다.

OpenAI가 서로 다른 데이터 웨어하우스와 시맨틱 계층에 걸친 재현 가능한 평가를 제공한다면, 크로스 플랫폼 포지션은 더 신뢰를 얻을 수 있다. 근거가 선별된 고객 사례에 계속 지배된다면 신뢰 격차는 남아 있을 것이다.

세 번째 신호는 Google과 데이터 플랫폼 공급업체들이 어떻게 대응하는지다. Google은 이미 BigQuery 내에서 일반적으로 이용 가능한 대화형 분석을 제공하고 있으며, Gemini Enterprise와 API를 통해 에이전트를 배포한다.

Google의 data agent controls에는 검증된 쿼리, 맞춤 지침, 용어집 용어, 접근 제한, 감사 로깅이 포함된다. 또한 Google은 문서화된 BigQuery 환경에서 이러한 에이전트가 쓰기 작업이나 데이터 조작 쿼리를 실행하지 못하도록 한다.

이 경계는 분명한 대조를 만든다. OpenAI는 분석에서 승인된 실행으로의 전환을 강조하는 반면, Google의 문서화된 BigQuery 통제는 제약된 분석 환경을 강조한다.

어느 접근법도 보편적으로 더 낫지는 않다. 더 좁은 시스템은 거버넌스가 더 쉬울 수 있고, 더 광범위한 에이전트는 더 많은 워크플로 마찰을 제거할 수 있다.

Snowflake, Databricks, Microsoft, Tableau 및 다른 파트너들 역시 사용자 경험의 어느 정도를 양보할지 결정해야 한다. 이들은 ChatGPT 통합을 심화하거나, 자체 에이전트를 강화하거나, 시맨틱 거버넌스를 주요 차별화 원천으로 삼을 수 있다.

현재 파트너 지원은 완전한 마이그레이션을 요구하지 않고도 OpenAI가 엔터프라이즈 데이터에 도달하도록 돕는다. 시간이 지나면 같은 파트너들은 ChatGPT 뒤에서 상호 교체 가능한 백엔드 서비스가 되는 것에 저항할 수 있다.

따라서 결정적인 경쟁 대응은 출시 발표가 아니라 제품 행동에서 드러날 것이다. 대시보드가 어디에서 생성되는지, 정의가 어디에서 편집되는지, 권한이 어디에서 관리되는지, 사용자가 후속 질문을 위해 어디로 돌아오는지 지켜봐야 한다.

기업은 결과가 중요하면서도 검토 가능한 하나의 워크플로부터 시작해야 한다. 제품팀은 도입 감소를 조사하고, 결과를 승인된 대시보드와 비교하며, 필요한 모든 수정을 기록할 수 있다.

이 테스트에는 모호한 용어, 오래된 문서, 제한된 열, 상충하는 지표가 포함돼야 한다. 또한 쿼리 작성에서 검토와 거버넌스로 분석가 시간이 얼마나 이동하는지도 측정해야 한다.

OpenAI Data Agent는 엔터프라이즈 분석에 더 쉽게 접근하게 하지만, 접근성은 결코 유일한 병목이 아니었다. 신뢰할 수 있는 맥락, 세심한 권한 관리, 책임 있는 의사결정은 여전히 더 어려운 과제다.

이제 구매자에게 핵심 질문은 실용적이다. 이 에이전트는 더 많은 사람이 방어 가능한 답에 도달하도록 돕는가, 아니면 단지 더 많은 사람이 그럴듯한 대시보드를 만들게 하는가?

이 차이를 신중하게 시험하는 조직은 대화형 분석이 어디에 속하는지 알게 될 것이다. 유창한 출력을 검증된 사실로 취급하는 조직은 가장 비용이 큰 종류의 실수를 자동화할 위험이 있다.