케이스 스터디

AI 기반 Text-to-SQL 시스템으로 데이터 접근성을 확장한 방법

구조화된 메타데이터, AI SQL 에이전트, Athena 기반 검증으로 반복적인 애드혹 분석을 재사용 가능한 Text-to-SQL 워크플로우로 바꿨습니다.

게시일2026년 3월 23일수정일2026년 9월 25일

결과

추정 소요 시간이 약 4~10시간에서 1시간 미만으로 개선됐습니다.

개요

Text-to-SQL의 병목은 SQL 문법이 아니라 데이터 모델 해석에 있었습니다.

상황

애드혹 분석 요청은 분석가의 시간을 많이 소모하고 있었습니다. 실제 병목은 SQL 문법이 아니라, 어떤 테이블을 봐야 하는지, 컬럼이 무엇을 의미하는지, 비즈니스 로직을 어떻게 연결해야 하는지, 어떤 조인 패턴이 신뢰 가능한지를 매번 다시 해석하는 일이었습니다.

그래서 비교적 익숙한 질문도 비싸졌습니다. 당시 운영 경험상 복잡한 요청은 약 4~10시간이 걸리기도 했고, 팀이 한 달에 처리할 수 있는 요청 수 자체를 제한했습니다.

접근

분석가가 실제로 데이터 모델을 이해하는 방식을 YAML 기반 구조화 메타데이터 레이어로 정리했습니다. 테이블 정의, 컬럼 의미, 키, 파티셔닝, 조인 패턴, 비즈니스 용어를 모두 AI가 재사용할 수 있는 형태로 만들었습니다.

그 위에서 AI 코딩 에이전트가 SQL을 생성하고 Athena에서 실행한 뒤 결과를 검증하도록 했습니다. 핵심은 모델을 마법처럼 쓰는 것이 아니라, 반복 활용 가능한 맥락을 먼저 잘 구조화하는 데 있었습니다.

워크플로우

AI 생성 SQL을 실제 분석 시스템으로 바꾸는 검증 루프

먼저 맥락을 좁히고, 그 다음 SQL을 생성·실행·검증해 사람이 검토할 수 있는 결과만 넘기도록 했습니다.

맥락 축소

테이블을 도메인별로 묶고 index 파일로 범위를 좁혀, 에이전트가 관련된 메타데이터만 보도록 했습니다.

SQL 생성

AI 코딩 에이전트가 구조화된 메타데이터를 기반으로 실제 비즈니스 질문에 맞는 SQL을 생성하고 수정했습니다.

실행과 QA

워크플로우는 Athena에서 쿼리를 실행하고, 실행 성공 여부와 결과 품질을 확인한 뒤에만 사람에게 전달했습니다.

지식의 재사용

한 번 구조화한 지식은 다음 요청에서 다시 쓸 수 있어, 매번 처음부터 데이터 모델을 복원하는 비용을 줄일 수 있었습니다.

시스템 흐름

질문에서 검증된 결과까지

이 시스템은 SQL 생성에서 끝나지 않았습니다. 실행, 검증, 반복 수정을 거쳐 신뢰 가능한 결과만 전달했습니다.

결과

구조화된 맥락이 속도와 처리량을 개선했습니다.

도입 전

약 4~10시간

도입 전 애드혹 분석 소요 시간 추정치.

도입 후

1시간 미만

워크플로우 변경 후 소요 시간 추정치.

처리량

약 20→50건+

월간 애드혹 분석 처리 역량 추정치.

위 수치는 당시 운영 경험에 따른 사후 추정치이며, 측정 기간·표본·요청별 기록이 없어 실측 벤치마크로 볼 수 없습니다.

배운 점

실제 시스템의 핵심은 지식 아키텍처였습니다.

무엇이 중요했나

문제는 SQL 문자열을 생성하는 것이 아니라, 분석가가 데이터 모델과 비즈니스 로직을 해석하는 방식을 AI가 재사용할 수 있는 구조로 바꾸는 것이었습니다.

왜 효과가 있었나

테이블 의미, 조인 패턴, 비즈니스 용어를 충분히 구조화했기 때문에 단순한 타이핑 속도보다 반복 탐색 비용 자체를 줄일 수 있었습니다.