인공지능(AI) 시대에 접어들면서 기업의 데이터 스택은 과거와는 완전히 다른 형태로 진화하고 있습니다. 기존 데이터 스택이 데이터 과학자의 역할을 단일 서버 분석에서 전사적 데이터 활용과 운영으로 확장했다면, 포스트 AI 시대에는 기업이 무엇을 '사실'로 보고 중요하게 판단할지 설계하는 단계로 그 역할이 확장됩니다. 이제 데이터 스택의 핵심 과제는 분석 생성 자체를 넘어, 어떤 인터페이스나 모델을 사용하더라도 동일한 기준과 답에 도달하도록 만드는 전사적 합의(consensus)를 구축하는 것입니다.
이러한 변화에 따라 포스트 AI 데이터 스택은 세 가지 핵심 요소를 요구합니다. 첫째, 데이터 산출물은 대규모 언어모델(LLM)이 읽을 수 있어야 하며, 에이전트가 도구를 직접 조작할 수 있도록 설계되어야 합니다. 이는 대시보드가 단순한 시각화 도구를 넘어 에이전트가 분해하고 재조립할 수 있는 사실, 계약, 해설의 저장소로 기능해야 함을 의미합니다. 둘째, 기업 컨텍스트는 특정 모델이나 공급자에 종속되지 않아야 합니다. 하나의 공급자에 모든 것을 맡기는 대신, 컨텍스트와 커넥터를 최대한 헤드리스(headless) 구조로 만들어 어떤 에이전트나 인터페이스에서도 동일한 답을 제공할 수 있어야 합니다. 셋째, 합의는 설계하고 단언하며 측정할 수 있어야 합니다. Ramp와 같은 기업은 같은 질문을 여러 인터페이스와 모델에서 반복해 답과 실행 과정을 비교하고, '합의 발산율(consensus divergence rate)'을 측정하여 일관성을 검증합니다.
이러한 포스트 AI 데이터 스택의 변화는 데이터팀의 역할에도 큰 변화를 가져옵니다. 데이터팀은 이제 모든 직원이 데이터와 AI를 정확하고 강력하게 활용하도록 지원하는 동시에, 회사의 운영 기준이 될 '하나의 현실'을 구축하고 확산해야 합니다. 코딩 에이전트나 AI 네이티브 공급자들이 누구나 질문에 답하고 서사를 만들게 하면서 개인화된 분석은 늘었지만, 회사 전체의 합의는 오히려 희소해졌습니다. 따라서 전문가의 판단을 인프라에 인코딩하여 데이터 과학자가 없어도 에이전트가 올바른 분석을 수행할 수 있도록 하는 것이 중요합니다. 구조화 데이터와 비구조화 데이터의 의미를 함께 모델링하고 모든 수정과 판단을 자체 의미 계층에 축적하여, 미래의 직원과 에이전트가 더 나은 기업 지식에서 출발할 수 있도록 해야 합니다. 이는 기업의 지능을 외부 인터페이스에 가두지 않고 지속적으로 축적하고 개선하는 중요한 과정입니다.