“AI, 눈치챙겨!”…코딩 에이전트가 아직 사람을 대체 못한 이유 - 디지털데일리

“AI, 눈치챙겨!”…코딩 에이전트가 아직 사람을 대체 못한 이유 [디지털데일리 오병훈기자] 코딩은 척척 해내는 AI가 왜 우리 회사 데이터는 제대로 못 다루는 걸까. 문제는 코딩 실력이 아니라 시시각각 변하는 비즈니스의 ‘진짜 속뜻’을 읽어내는 인간 고유 능력을 아직 대체하지 못하기 때문이라는 분석이 나왔다. 25일 관련업계에 따르면, 최근 가트너 소속 싱위 구 연구팀은 보고서 ‘데이터 관리 부문에서 AI 코딩 에이전트가 데이터 및 분석(D&A) 팀을 대체할 수 없는 이유’를 통해 "AI 코딩 에이전트에 대한 기대가 과장돼 있다"고 역설했다. ◆AI 에이전트 도입 현주소와 AI가 만능이라는 경영진의 착각 최근 IT 업계 전반에 걸쳐 앤트로픽의 ‘클로드코드’와 오픈AI의 ‘코덱스’와 같은 범용 AI 코딩 에이전트의 영향력이 데이터 관리 영역으로까지 급속히 확장되고 있다 가트너가 전세계 500여명 데이터 리더를 대상으로 실시한 ‘2026년 최고데이터분석책임자(CDAO) 어젠다 설문조사’에 따르면 이미 과반수 조직이 데이터 관리 워크로드에 AI 기술을 부분적으로 통합했거나 시범 운영하고 있는 것으로 나타났다. 특히 데이터 엔지니어링 파이프라인을 위한 코드 생성 분야에서는 응답자 30%가 부분적 통합을, 12%가 완전한 통합 및 최적화를 이뤄냈다고 답했다. 이러한 공격적인 도입 트렌드는 기업 경영진과 이사회가 AI 에이전트를 통해 복잡한 데이터 엔지니어링 로직과 방대한 플랫폼을 제거하고 비용을 크게 줄일 수 있다는 ‘과도한’ 기대를 품게 한다고 보고서는 진단했다. 이는 단순한 기술적 확신 때문이 아니라 타 기업에 뒤처질 수 있다는 불안감과 극심한 IT 예산 동결 압박에서 비롯됐다는 분석이다. 실제로 가트너가 실시한 ‘2026년 CIO 및 기술 경영진 설문조사’에 따르면 2026년 IT 예산의 평균 예상 증가율은 2.6%에 불과하다. 전 세계 예상 인플레이션율인 4%에도 미치지 못하는 실정이다. ◆숨겨진 복병 ‘의미적 부채’ 경영진의 기대와 달리 AI가 데이터 관리 인력을 단순 코딩 도구처럼 대체할 수 없는 가장 큰 이유는 ‘의미적 부채(Semantic Debt)’라는 근본적인 한계 때문이다. 의미적 부채란 비즈니스 환경의 변화에 따라 실제 데이터가 쓰이는 맥락과 시스템상에 정의된 메타데이터 간의 불일치가 점차 누적되는 현상을 뜻한다. 불확실성이 높은 현대 비즈니스 환경에서 현업 부서의 데이터 요구사항은 그 어느 때보다 빠르고 변동성이 크다. 예를 들어보자. ‘고객 위치’ 데이터가 초기에는 고객의 ‘청구서 수령 주소’로 정의돼 시스템에 등록됐다. 이후 마케팅 부서가 지리적 타겟팅 광고를 위해 이를 메타데이터 변경 없이 임의로 ‘배송지 주소’라는 의미로 사용하기 시작했다. 다른 부서 사용자는 여전히 이를 ‘청구서 수령 주소’로 인식해 서로 상충되는 분석 결과를 도출하게 된다. 이렇게 누적된 의미적 부채는 AI 에이전트에게 ‘맥락적 독성(Context toxicity)’으로 작용할 수 있다는 것이 보고서 분석이다. 이러한 문제를 해결하기 위해서는 아직까지 사람의 개입이 필수적이라는 게 연구팀 분석이다. 인간이 직접 데이터 맥락 불일치를 발견하고 사람 대 사람이 소통해 부서 간 불협화음을 찾아내는 과정은 아직 AI가 대체할 수 없는 영역이라는 설명이다. 데이터를 있는 그대로 보는 AI 입장에서는 이해할 수 없는 ‘비논리적’ 사각지대를 아직까지는 인간의 손길로 다듬어야 한다는 것이다. ◆과대포장된 ‘에이전트 세금’의 함정도 AI 공급업체들의 과도한 마케팅도 문제로 지적된다. 보고서는 아마존 웹 서비스(AWS), 구글 클라우드(Google Cloud), 데이터브릭스(Databricks), 스노우플레이크(Snowflake) 등 주요 데이터 관리 벤더들이 앞다퉈 자사 제품에 AI 에이전트 기능을 탑재하고 있다며 공격적으로 홍보하고 있다. 하지만 이면에는 이른바 ‘에이전트 세금(Agent Tax)’이 숨겨져 있다는 것이 연구팀의 경고다. 에이전트 세금이란 제공업체가 AI 기능 탑재를 이유로 추가 요금을 부과하지만 실제로는 그에 상응하는 비즈니스 가치를 제공하지 못해 소비자의 전체 비용 부담만 가중시키는 현상을 의미한다. 특히 보고서는 벤더들이 보여주는 화려한 시연(Demo) 장면 속에는 기만적인 요소가 존재한다고 비판하고 있다. 시연 환경은 극도로 단순화된 데이터 구조를 갖추고 있거나 대상 데이터 비즈니스 메타데이터가 완벽하게 사전 정의돼 있다는 비현실적인 전제를 깔고 있다는 지적이다. 현실의 데이터는 비즈니스 맥락을 파악하고 의미적 부채를 해결하는 능력이 없으면 무용지물임에도 벤더들은 이를 숨긴 채 비기술 인력도 당장 운영 환경에서 완벽하게 다룰 수 있는 것처럼 과대 포장해 판매하고 있다는 것이 보고서의 내용이다. 더 나아가 일부 벤더는 과거부터 존재하던 성숙한 ‘머신러닝(ML)’ 기능이나 데이터 과학 알고리즘을 ‘AI 에이전트’로 이름만 바꿔 높은 가격표를 붙이기도 한다고 지적했다. 경영진과 데이터 분석 리더들은 마케팅 메시지에 현혹되지 말고 기반 기술과 실제 적용 사례, 가격 구조를 비판적으로 평가해야 한다는 것이 보고서의 조언이다. ◆“단순 코딩만으론 실제 효과 기대 어려워” 보고서는 데이터 관리 업무를 ‘데이터에 대한 코딩 업무’로만 생각하는 것은 조직 분석 및 AI 전략에 치명적이라고 경고하고 있다. 데이터 맥락을 조정하고 효과적인 AI 도입을 위해 보고서는 다음과 같은 해결책을 제시하고 있다. 먼저 의미적 부채를 완화하는데 집중해야 한다. 데이터 관리 조직은 능동적으로 비즈니스 부서의 데이터 소비자와 밀접하게 소통하여 의미적 부채를 완화해야 한다. 데이터 생산자와 소비자 간 관측 가능성을 확보하기 위해 ‘데브옵스(DevOps)’를 결합한 ‘데이터옵스(DataOps)’를 제시하고 이를 기반으로 관련 조직을 정비해야 한다. 구체적으로는 실제 데이터 소비 패턴을 분석하는 ‘활성 메타데이터(Active metadata)’ 기능을 활용해 시스템상 설계된 데이터와 실제 소비되는 데이터 간의 간극을 좁혀야 한다. 데이터 관리 벤더사(AWS, 구글 등)의 마케팅 메시지를 비판적으로 검토해야 한다. 증명 가능한 AI 기능과 단순한 '에이전트 세금'을 구별하는 작업이다. 경영진의 관심과 목적은 항상 ‘비용’에 있다는 점을 잊어선 안 된다는 분석이다. 데이터 관리 부서의 역할이 조직의 전략과 일치하도록 조정하는 방향에서 AI 도입을 검토해야 한다는 분석이다. 마지막으로 보고서는 데이터 맥락을 연결하고 비즈니스의 언어를 시스템에 동기화하는 역할은 AI가 쉽게 흉내 낼 수 없는 고도의 협업 영역이라는 점을 주지해야 한다고 제언한다. AI 코딩 에이전트는 앞으로 데이터 관리 업무의 일부를 자동화하고 생산성을 높일 것이다. 그러나 기업 데이터 의미는 코드 속에만 존재하지 않는다. 사업부의 전략과 현장의 변수, 시장 전략 속에서 급변하고 있다. 사람의 개입이 없어지지 않는 이유도 여기에 있다. AI는 코드를 만들 수 있지만 데이터가 조직 안에서 어떤 의미로 통용돼야 하는지 합의하고 유지하는 일은 여전히 사람의 몫이다.