재무 데이터에서 AI 기반 의사결정까지: Power BI, Microsoft Fabric, 시맨틱 모델 & AI 에이전트 (Rishi Sapra [MVP])

AI 에이전트가 단순히 데이터를 보여주는 것이 아니라 금융 및 비즈니스 데이터를 이해하고 해석하기 시작하면 어떤 일이 벌어질까요? 이번 M365.FM 에피소드에서 Mirko Peters는 Microsoft MVP인 Rishi Sapra와 함께, 전통적인 대시보드를 넘어 Microsoft Fabric, Power BI, Copilot Studio, 시맨틱 모델, 온톨로지, 데이터 에이전트를 활용한 AI 기반의 맥락 인식형 분석으로 나아가는 데 필요한 아키텍처에 대해 이야기합니다.

조직에는 ERP 시스템, Excel 통합 문서, Power BI 보고서, Microsoft Fabric, SharePoint, 재무 시스템, 예산, 예측, 운영 애플리케이션 등 여러 곳에 흩어진 방대한 정보가 이미 존재합니다. 그 데이터 위에 AI를 얹는다고 해서 AI가 비즈니스를 자동으로 이해하게 되는 것은 아닙니다.
'매출'은 정확히 무엇을 의미할까요? AI 에이전트는 어떤 마진 정의를 사용해야 할까요? 어떤 KPI가 공식적인 진실을 나타낼까요? 그리고 에이전트는 고객, 제품, 지역, 비용 센터, 계약, 비즈니스 프로세스 간의 관계를 어떻게 이해할까요?
그 답은 점점 더 원시 데이터와 AI 사이에 있는 '맥락 계층(context layer)'에 있습니다.

셀프 서비스 BI에서 셀프 서비스 AI로
Rishi는 재무 모델링과 Excel에서 시작해 Power Query, Power BI 초창기를 거쳐 오늘날의 Microsoft Fabric 및 AI 생태계에 이르기까지 자신의 여정을 설명합니다.
Power BI는 비즈니스 인텔리전스를 중앙 집중식 IT 부서에서 꺼내어 비즈니스 사용자의 손에 쥐어 주는 데 기여했습니다. 하지만 이 플랫폼은 이제 상당히 정교해졌습니다.
시맨틱 모델, DAX, 레이크하우스, OneLake, Direct Lake, Copilot Studio, 데이터 에이전트, 온톨로지, MCP 기반 도구, 거버넌스, AI가 결합되면서 개별 비즈니스 사용자가 이해하기 어려운 아키텍처가 빠르게 만들어질 수 있습니다.
AI 에이전트는 이러한 관계를 바꿔 놓을 수 있습니다. 모든 비즈니스 사용자가 데이터 엔지니어, BI 개발자, AI 엔지니어를 겸해야 하는 대신, 에이전트가 기술 아키텍처의 일부를 점점 더 직접 구축하고 운영하고, 사람은 비즈니스 맥락을 제공하는 역할을 맡을 수 있습니다.

AI에 비즈니스 맥락이 중요한 이유
이 에피소드의 핵심 질문은 놀라울 만큼 단순합니다.
"여러분의 비즈니스 프로세스와 의사결정은 얼마나 잘 문서화되어 있습니까?"
조직의 실질적인 지식 상당수는 데이터베이스에 있지 않습니다. 그것은 Excel 수식, Power BI 측정값, SharePoint 파일, 비즈니스 프로세스 문서, 그리고 사람들의 머릿속에 존재합니다.
AI 에이전트가 의미 있는 비즈니스 인사이트를 만들어 내려면 조직은 데이터뿐만 아니라 맥락까지 포착해야 합니다.
- 누가 질문하고 있는가?
- 그 사람은 어떤 의사결정을 내려야 하는가?
- 어떤 KPI가 중요한가?
- 어떤 비즈니스 규칙이 적용되는가?
- 특정 맥락에서 특정 지표는 무엇을 의미하는가?
이는 단순히 더 많은 데이터를 노출하는 것이 아니라, 특정 비즈니스 사용자의 질문과 의사결정을 중심으로 분석을 설계하는 '페르소나 기반 인사이트(persona-driven insights)'라는 개념으로 이어집니다.

데이터 모델 vs 시맨틱 모델 vs 온톨로지
대화에서는 최신 Microsoft 분석 아키텍처에서 점점 더 중요해지는 세 가지 개념을 살펴봅니다.
- 데이터 모델은 기저의 데이터와 관계를 구조화합니다.
- Power BI 시맨틱 모델은 비즈니스 로직, 측정값, 계산, 관계, 보안을 추가하여 거버넌스가 적용된 분석 계층과 KPI의 신뢰할 수 있는 원천을 만듭니다.
- 하지만 AI에는 종종 그 이상이 필요합니다. 온톨로지는 고객, 제품, 매장, 직원, 지역, 계약, 매출, 비즈니스 프로세스 같은 비즈니스 엔터티와 관계를 기술하여 AI가 이러한 개념에 대해 추론할 수 있게 해 줍니다.
시맨틱 모델은 "그 숫자는 얼마인가?"에 답하고, 온톨로지와 추가 맥락은 AI가 "왜 그 숫자가 변했는가?"를 탐색하도록 도와줍니다. 이 계층들이 함께 작동할 때 AI 에이전트는 훨씬 더 탄탄한 근거를 갖게 됩니다.

AI의 데이터 기반으로서의 Microsoft Fabric
Microsoft Fabric은 이 아키텍처에서 핵심적인 역할을 합니다.
OneLake, 레이크하우스, Delta 테이블, 시맨틱 모델, Direct Lake, Fabric 데이터 에이전트, Copilot Studio와의 통합은 정형 및 비정형 조직 데이터를 위한 통합 기반을 만들 수 있습니다.
에피소드에서는 Direct Lake가 왜 중요한지도 설명합니다. 기존 Power BI 시맨틱 모델에 데이터를 반복적으로 가져오고 새로 고치는 대신, Direct Lake를 사용하면 Power BI가 분석 성능을 유지하면서 Delta 형식으로 저장된 데이터와 직접 작업할 수 있습니다. 이는 기업 데이터에서 분석과 AI로 이어지는 경로를 크게 단순화할 수 있습니다.

조직 두뇌의 다섯 가지 계층
Rishi는 상호 연결된 다섯 가지 계층으로 구성된 '조직 두뇌(organizational brain)'를 설명합니다.
1. 데이터 - 신뢰할 수 있는 기업 정보와 원천 시스템
2. 로직 - DAX, SQL, Python, 계산, KPI, 비즈니스 규칙
3. 도구 - 에이전트가 사용할 수 있는 시맨틱 모델, API, MCP 서버, 애플리케이션 및 기타 기능
4. 스킬 - 에이전트가 도구를 어떻게 사용하고 정보를 어떻게 해석해야 하는지 설명하는 지침과 비즈니스 프로세스
5. 거버넌스 - 에이전트가 무엇을 할 수 있는지를 규율하는 권한, 정책, 보안, 통제, 규칙
목표는 단순히 LLM에 더 많은 데이터를 제공하는 것이 아닙니다. 특정 비즈니스 질문에 어떤 데이터, 로직, 도구, 프로세스를 사용해야 하는지 AI가 이해할 수 있도록 거버넌스가 적용된 환경을 제공하는 것입니다.

AI 에이전트에는 결정론적 데이터가 필요하다
생성형 AI는 유연하게 추론할 수 있다는 점에서 강력합니다. 하지만 재무 보고는 전적으로 유연성에 의존할 수 없습니다. 매출, 마진, 예측, 비용 같은 비즈니스 지표는 종종 결정론적 계산과 신뢰할 수 있는 진실의 원천을 필요로 합니다.
따라서 엔터프라이즈 AI의 미래는 두 세계를 결합하는 데 달려 있을 수 있습니다.
- 신뢰할 수 있는 계산과 비즈니스 로직을 위한 결정론적 컴퓨팅
- 추론, 해석, 탐색, 자연어 상호작용을 위한 생성형 AI
시맨틱 모델과 Microsoft Fabric은 결정론적 기반을 제공하고, AI 에이전트는 유연한 추론 계층을 제공할 수 있습니다.

대시보드에서 개인화된 인텔리전스로
전통적인 대시보드는 무슨 일이 일어났는지를 알려 줍니다. 예를 들어 대시보드는 매출이 7% 감소했다고 보여 줄 수 있습니다. 그러면 사용자는 왜 그런지 이해하기 위해 차원, 필터, 보고서, 데이터셋을 여러 번 드릴스루해야 합니다.
AI 에이전트는 이러한 탐색의 상당 부분을 자동으로 수행할 수 있습니다. 그러나 좋은 스토리텔링에는 여전히 맥락이 필요합니다. 가장 중요한 숫자가 항상 가장 큰 숫자인 것은 아닙니다. 비즈니스 지표는 매출, 예산, 이전 기간, 조직 구조, 기타 요인과 연관지어 해석되어야 할 수 있습니다.
이 지점에서 페르소나 기반 분석의 중요성이 특히 두드러집니다. CFO, 영업 리더, 운영 관리자는 같은 KPI를 두고 질문하더라도 매우 다른 설명과 조치를 필요로 할 수 있습니다.

Copilot Studio와 차세대 에이전트
대화는 또한 Microsoft Copilot Studio가 기존의 주제 및 지식 기반 챗봇 경험에서 더 유능한 에이전트 시스템으로 진화하는 과정을 다룹니다.
최신 에이전트는 도구, 스킬, 기업 데이터, 워크플로, 추론을 결합할 수 있습니다. 그러나 이러한 추가 역량은 추가적인 위험도 함께 가져옵니다. 에이전트의 자율성이 커질수록 근거 확보, 권한, 거버넌스, 평가, 명확히 정의된 지침의 중요성도 커집니다. AI 에이전트는 재무 수치를 임의로 만들어 내거나 데이터 원천을 자의적으로 선택해서는 안 됩니다. 신뢰할 수 있는 시맨틱 모델, 거버넌스가 적용된 데이터, 명시적인 스킬, 명확한 가드레일이 필요합니다.

거버넌스를 다시 제대로 만들기
에이전트 중심 조직에서 거버넌스는 더욱 중요해집니다. 직원들이 읽기를 기대받는 문서로서의 거버넌스가 아니라, 점점 더 AI 에이전트가 사용하는 환경, 정책, 스킬, 지침 속에 거버넌스를 직접 내장할 수 있습니다.
논의는 에이전트를 디지털 직원처럼 취급하는 개념을 탐구합니다. 에이전트에게는 정의된 책임, 승인된 도구, 접근 권한, 비즈니스 규칙, 성과 기대치, 경계가 필요합니다. 따라서 거버넌스는 문서화에 관한 것이라기보다 자동화된 집행에 관한 것이 됩니다.

Fabric과 AI를 위한 운영 모델
마지막으로 에피소드는 조직이 이러한 변화를 어떻게 관리할 수 있는지 살펴봅니다.