AI 에이전트 시대, HRD가 가르쳐야 할 4가지 데이터 역량

"우리 회사 데이터를 기반으로 업무를 처리하는 AI 에이전트를 만들어보고 싶어요."

최근 많은 HRD 담당자들이 현업 리더들로부터 이런 요청을 받고 있습니다. Codex, Claude Code, Antigravity처럼 실제 업무를 자율적으로 수행하는 AI 에이전트 도구들이 속속 등장하면서, 임직원이 회사만의 AI 에이전트를 직접 만들고 운영하기를 기대하는 목소리가 커지고 있는 것입니다.

그런데 막상 시작해보면 예상치 못한 곳에서 막힙니다. 보고서를 첨부했더니 AI가 내용을 엉뚱하게 이해하고, 열심히 정리한 Excel 파일을 넣었는데 "데이터를 읽을 수 없다"는 답변이 돌아옵니다. 기술이 부족한 게 아닙니다. AI 에이전트가 제대로 작동하려면 데이터를 어떻게 구성하고 전달해야 하는지를 이해해야 하는데, 그 부분이 빠져 있는 것입니다.

AI 에이전트 시대, 임직원 교육에서 데이터가 핵심 역량으로 떠오르고 있습니다.

왜 데이터인가

AI 에이전트가 잘 작동하려면 두 가지 조건이 필요합니다. 좋은 도구, 그리고 좋은 데이터. 지금까지 기업의 AI 교육은 주로 도구를 잘 다루는 것, 즉 프롬프트를 잘 작성하는 데 집중했습니다. 하지만 AI 에이전트 시대에는 이것만으로 충분하지 않습니다.

회사 데이터를 기반으로 작동하는 AI 에이전트를 만들려면, 그 데이터를 AI가 이해할 수 있는 형태로 전달해야 합니다. 그런데 현실에서는 이 과정이 생각보다 단순하지 않습니다. 회사 내에 존재하는 데이터는 PPT 보고서, Excel 표, PDF 매뉴얼 등 다양한 형태로 흩어져 있고, 이를 그대로 AI에게 넘기면 두 가지 문제가 생깁니다. AI가 데이터의 구조를 제대로 파악하지 못해 엉뚱한 결과를 내거나, 불필요한 정보까지 처리하느라 토큰을 과도하게 소비하게 됩니다.

이 문제의 핵심은 AI 에이전트 활용에서 점점 더 중요해지고 있는 Context Engineering에 있습니다. Context Engineering이란 AI가 올바른 판단을 내릴 수 있도록, 필요한 정보를 올바른 형태로, 올바른 시점에 제공하는 환경을 설계하는 것입니다. Codex, Claude Code, Antigravity 같은 AI 에이전트 도구들을 실제 업무에 제대로 활용하려면 이 Context Engineering이 뒷받침되어야 하는데, 그 출발점이 바로 데이터입니다. 어떤 데이터를, 어떤 형태로 AI에게 전달할 것인가를 설계할 수 있어야 비로소 AI 에이전트가 의도한 대로 작동합니다.

임직원에게 가르쳐야 할 4가지 역량

그렇다면 HRD 담당자는 무엇을 가르쳐야 할까요? Context Engineering의 출발점인 데이터를 다루기 위해 임직원에게 필요한 역량은 크게 네 가지입니다.

첫째, 데이터 유형을 이해하는 눈
데이터는 크게 정성 데이터와 정량 데이터로 나뉩니다. 고객 인터뷰 내용이나 회의록처럼 텍스트로 이루어진 것이 정성 데이터라면, 매출 수치나 설문 응답 점수처럼 숫자로 표현되거나 표현될 수 있는 것이 정량 데이터입니다. 정량 데이터는 다시 나이나 매출처럼 연속적으로 변하는 연속형 데이터와, 부서명이나 직급처럼 범주로 구분되지만 숫자로 변환하여 처리할 수 있는 범주형 데이터로 나뉩니다. 이 구분을 이해해야 AI 에이전트에게 데이터를 줄 때 무엇을 어떻게 구성할지를 판단할 수 있습니다.

둘째, 좋은 데이터인지 판단하는 감각
형식을 아무리 잘 맞춰도 데이터 자체가 나쁘면 AI의 결과도 나빠집니다. 임직원이 갖춰야 할 판단 기준은 세 가지입니다. 이 데이터가 현재 상황을 반영하고 있는지(최신성), 중요한 항목이 빠짐없이 채워져 있는지(완결성), 그리고 내가 AI에게 시키려는 일과 실제로 연결되는 데이터인지(관련성)입니다.

예를 들어, 3년 전 고객 데이터로 이탈 고객 분석을 시키면 AI는 이미 떠난 고객을 재방문 가능성이 있는 고객으로 분류할 수 있습니다(최신성). 연락처가 빠진 고객 데이터로 영업 자동화 에이전트를 만들면 AI가 실행 불가능한 액션을 제안하게 됩니다(완결성). 직원 교육 이수 현황 데이터로 고객 만족도를 예측하라고 하면 AI는 관련 없는 패턴을 억지로 찾아냅니다(관련성). 이 세 가지 기준은 데이터 전문가가 아니어도 충분히 체득할 수 있는 실무 감각입니다.

셋째, AI가 이해할 수 있는 형태로 변환하는 이해
회사에서 흔히 쓰는 파일 형식이 AI에게는 낯선 형식일 수 있습니다. PPT 파일은 AI가 구조를 제대로 읽기 어렵기 때문에 텍스트 기반의 Markdown(MD) 형식으로 변환해야 하고, 경우에 따라 AI가 데이터를 처리하기 용이한 JSON 형식으로 한 번 더 변환이 필요합니다. Excel도 마찬가지입니다. 표를 그대로 첨부하면 AI가 셀 구조를 제대로 인식하지 못하는 경우가 많아, CSV로 저장한 뒤 필요에 따라 JSON으로 변환하는 과정이 필요합니다. 직접 변환 도구를 다루는 것보다, 이 흐름 자체를 이해하고 있는 것이 중요합니다.

넷째, Agent의 Input과 Output을 설계하는 역량
AI 에이전트를 만든다는 것은 결국 무엇을 넣고(Input) 무엇을 받을 것인지(Output)를 설계하는 일입니다. 어떤 데이터를 어떤 순서로 넣어야 원하는 결과가 나오는지, 그리고 AI가 내놓은 결과물이 다음 단계에서 어떻게 활용될지를 미리 그려볼 수 있어야 합니다.

예를 들어, 주간 영업 보고서를 자동으로 요약하는 AI 에이전트를 만든다고 가정해봅시다. Input으로 무엇을 줄지(주간 실적 데이터인지, 고객 미팅 메모인지, 아니면 둘 다인지)와 Output으로 무엇을 받을지(단순 요약문인지, 다음 주 액션 아이템 리스트인지)를 먼저 설계하지 않으면 에이전트 자체를 구성할 수 없습니다. 이 설계가 명확하지 않으면 AI는 방향을 잃고, 결과물은 실무에서 쓸 수 없는 형태로 나옵니다. 이 역량은 코딩 능력이 아니라 업무 흐름을 설계하는 사고력에 가깝습니다.

AI 에이전트 시대가 본격화되면서, 기업이 임직원에게 기대하는 수준은 빠르게 높아지고 있습니다. 단순히 AI 도구를 쓸 줄 아는 것을 넘어, 회사 데이터를 기반으로 실제 업무를 수행하는 AI 에이전트를 직접 설계하고 운영하는 것이 새로운 기준이 되고 있습니다.

이 변화의 중심에는 데이터가 있습니다. 데이터 유형을 이해하고, 좋은 데이터를 판단하며, AI가 이해할 수 있는 형태로 변환하고, Input과 Output을 설계하는 역량 — 이 네 가지가 AI 에이전트 시대 임직원의 핵심 데이터 역량입니다. 이는 데이터 전문가에게만 요구되는 기술이 아닙니다. AI를 실제 업무에 연결하려는 모든 임직원에게 필요한 실무 역량입니다.

HRD 담당자라면 지금이 바로 교육 설계의 방향을 점검해볼 시점입니다. 다음 AI 교육 커리큘럼을 기획할 때, 데이터를 다루는 역량을 핵심 항목으로 포함하고 있는지 확인해보세요. AI 에이전트를 제대로 활용하는 조직과 그렇지 못한 조직의 차이는 결국 데이터를 얼마나 잘 다루느냐에서 시작될 것입니다.