Skip to content
Published on

증강 분석 & BI AI 2026 완벽 가이드 - Tableau Pulse · Power BI Copilot · Qlik Answers · ThoughtSpot Spotter · Sigma Computing · Looker + Gemini · Mode · Hex · Domo · MicroStrategy 심층 분석

🇰🇷KO🇺🇸EN🇯🇵JA
Split View필사 모드
Authors

들어가며 — 2026년 5월, BI는 "대시보드 시대"를 마감했다

5년 전만 해도 BI는 "대시보드를 잘 만드는 것"이 핵심이었다. 데이터팀이 SQL로 뷰를 만들고, 분석가가 Tableau나 Power BI로 차트를 깔고, 비즈니스 사용자는 그 화면을 보고 의사결정을 내렸다. 2026년 5월, 그 워크플로는 빠르게 폐기되고 있다. 자연어로 질문하면 답이 나오고, 메트릭이 비정상이면 알람이 오고, AI 에이전트가 데이터를 탐색해 인사이트를 보고서로 정리해주는 단계로 BI가 넘어갔다.

이 변화의 한가운데에는 4개의 사건이 있다. Tableau Pulse(2024년 2월 GA) — Einstein이 메트릭을 모니터링하고 자연어로 인사이트를 요약. Power BI Copilot(2024년 중반 Premium GA) — Microsoft Fabric 위에서 자연어 → DAX → 시각화 전체 파이프라인. Qlik Answers(2024년 5월) — 회사 데이터에 RAG를 결합. ThoughtSpot Spotter(2024년 8월) — 대화형 에이전트로 진화. 이 글은 이 네 축과 그 주변 생태계를 한 글에 정리한다.

BI 진화 2026 — 대시보드 → 대화형 분석 → 에이전트형 탐색

BI 도구의 세 세대를 한 줄로 요약하면 다음과 같다.

  1. 1세대(2003-2018): Self-service 대시보드. Tableau, Qlik, Power BI 초창기. SQL/MDX를 모르는 사용자도 차트를 만든다.
  2. 2세대(2018-2023): 증강 분석. Auto-insight, NLG(Natural Language Generation), 이상 탐지가 BI에 내장. ThoughtSpot SpotIQ, Tableau Ask Data가 대표.
  3. 3세대(2024-2026): 대화형 + 에이전트형. LLM으로 자연어 질의응답, AI가 메트릭을 능동 모니터링, 에이전트가 다단계 분석을 수행. Pulse, Copilot, Answers, Spotter가 이 세대다.

세대 전환의 핵심은 시맨틱 레이어(Semantic Layer)의 부상이다. LLM이 "환각된 메트릭"을 만들지 않으려면 비즈니스 메트릭 정의가 데이터 모델 단계에서 명확해야 한다. 그래서 dbt Semantic Layer, Cube, AtScale, MetricFlow가 BI의 새 인프라로 자리잡았다.

Tableau Pulse — Einstein 기반 메트릭 모니터링의 표준

Salesforce가 Tableau에 가장 크게 투자한 결과가 Tableau Pulse다. 2024년 2월 GA, 2025년 Agentforce와 통합되며 에이전트화의 길로 들어섰다.

Pulse의 모델은 단순하다.

  • 사용자는 "매출", "DAU", "전환율" 같은 메트릭을 선언적으로 정의한다(Tableau Cloud의 Metrics Definition).
  • Pulse가 그 메트릭을 매일/시간 단위로 자동 추적한다.
  • 변화가 비정상적이면 Einstein 1 Platform의 LLM이 자연어로 요약해 슬랙/이메일/Pulse 인박스로 보낸다.
  • 사용자는 "왜 줄었어?"라고 후속 질문을 던질 수 있고, Pulse가 차원별로 깎아 보여준다.

전형적인 알림 메시지는 다음과 같다.

[Pulse Insight] 2026-05-15
"이번 주 미국 모바일 매출이 전주 대비 -12% 감소"
주요 원인:
- iOS 15.x 이하 사용자에서 결제 실패 +220%
- 광고 채널별 ROAS는 정상
권장 액션: 모바일 결제 SDK 로그 확인

Pulse는 선언적 메트릭 정의 + LLM 요약을 합친 것이 핵심이다. "대시보드를 누가 보러 가느냐"가 아니라 "메트릭이 알아서 나에게 오느냐"로 패러다임을 바꿨다.

Tableau Einstein Copilot for Tableau — 자연어로 워크북 만들기

Pulse가 "메트릭 알림" 쪽이라면, Einstein Copilot for Tableau는 워크북 저작 보조다. 2024년 도입 후 2025년 일반 가용, 2026년에는 Tableau Cloud의 Pro 라이선스에 기본 포함된다.

기능 매트릭스:

  • Ask Data 2.0: "이번 분기 지역별 매출 비교 보여줘" → 시각화 자동 생성
  • Calculation 보조: LOD(Level of Detail) 표현식, Table Calculation을 자연어로 생성
  • 데이터 설명: 시각화 위에 마우스를 올리면 "이 상승의 80%는 일본 시장 기여" 같은 NLG 요약

한계도 있다. Copilot이 LOD를 잘못 짜는 경우가 있어, 분석가의 검토가 여전히 필수다. 메트릭 정의가 약한 데이터 모델에서는 신뢰도가 빠르게 떨어진다.

Tableau Agentforce 통합 — 2025년의 큰 변화

Salesforce가 2024년 9월 Agentforce를 발표한 후, 2025년에 Tableau와 Agentforce가 통합됐다. 의미하는 바는 명확하다. Tableau의 시각화를 단순 "보여주는 BI"가 아니라, 에이전트가 다른 시스템(Service Cloud, Sales Cloud)과 협업하는 분석 노드로 만든다는 것.

예: 영업 에이전트가 "이번 분기 영업 파이프라인 어때?"라고 묻는다 → Agentforce가 Tableau를 호출 → Pulse의 메트릭 + 시각화를 가져와 자연어로 요약 + 다음 행동을 Sales Cloud에서 실행. BI가 액션 레이어와 직접 연결되는 첫 사례다.

Power BI Copilot — Microsoft Fabric 위의 풀스택 AI

Microsoft의 BI 전략은 명확하다. 모든 것을 Microsoft Fabric 위에 얹고, 그 위에 Copilot을 통합한다. Power BI Copilot은 2024년 중반 Premium 티어 GA, 2025년에는 일부 기능이 Pro 티어로 내려왔다.

핵심 기능:

  • 자연어 → DAX: "지난 분기 대비 매출 성장률" → DAX measure 생성
  • 자연어 → 보고서: "지역별 매출 보고서 만들어줘" → 페이지 자동 구성
  • 데이터 요약: 시각화 위에서 "이게 무슨 뜻이야?" → NLG 응답
  • Direct Lake 모드: OneLake의 Delta 테이블을 메모리 적재 없이 직접 쿼리. 임포트와 DirectQuery의 중간 형태.

Power BI Copilot이 잘 동작하려면 Power BI Semantic Model(이전 명칭: dataset)에 측정값(measure)과 차원(dimension)이 잘 정의돼 있어야 한다. 즉 시맨틱 레이어 품질이 곧 Copilot 품질이다.

Microsoft Fabric + Copilot Studio — 데이터부터 에이전트까지 한 묶음

Microsoft가 그리는 그림은 한 줄로 이렇다. OneLake에 데이터 적재 → Fabric에서 변환·모델링 → Power BI로 시각화 → Copilot Studio로 에이전트화 → Teams/Outlook에서 호출. 데이터 → BI → 에이전트 → 액션 사이의 마찰을 0에 가깝게 줄이는 게 목표다.

2026년 시점 Fabric의 주요 워크로드:

  • Data Factory: 데이터 통합, 파이프라인
  • Synapse Data Engineering: Spark 노트북
  • Synapse Data Warehouse: SQL 분석
  • Real-Time Intelligence: 스트리밍
  • Data Science: ML 학습/배포
  • Power BI: 시각화 + Copilot

이 모두가 OneLake라는 단일 저장소를 공유한다. 데이터 이동 없이 같은 Delta 테이블을 여러 워크로드에서 읽는다.

Excel Copilot — 스프레드시트의 BI화

Microsoft 365 Copilot의 Excel 통합도 의외로 강력하다. "이 시트에서 매출이 줄어든 지역 찾아줘", "피벗 만들어줘", "이상 탐지해줘" 같은 자연어 질의에 응답한다. BI 도구가 아니라 스프레드시트가 직접 증강 분석을 한다는 점이 큰 변화다. 데이터팀이 없는 중소기업에 결정적 의미를 가진다.

Qlik Answers — RAG로 회사 데이터에 묻기

Qlik의 2024년 5월 발표가 흥미로웠다. Qlik Answers는 BI 도구라기보다 RAG(Retrieval-Augmented Generation) 기반 사내 지식 검색 + 분석 도구다. 회사의 정형(데이터베이스) + 비정형(문서, PDF, Confluence) 데이터를 인덱싱하고, LLM이 그 위에서 답한다.

차별점:

  • Qlik Talend Cloud의 데이터 통합과 결합 — 데이터 거버넌스가 처음부터 들어가 있다
  • 벡터 임베딩 + 메트릭 컨텍스트를 같이 활용
  • 회사가 OpenAI/Anthropic/Azure OpenAI 중 LLM을 골라 쓸 수 있다

Qlik의 약점은 글로벌 인지도다. 대시보드 사용자 기반은 Tableau/Power BI보다 작지만, Qlik Sense의 **연관 분석(Associative Engine)**은 여전히 강력한 기술적 차별점이다.

Qlik Sense + Insight Advisor — 클래식 증강 분석의 원조

Qlik Sense의 Insight Advisor는 증강 분석의 1세대다. 2018년경부터 "데이터를 던지면 자동 차트 추천 + 상관관계 탐지 + NLG 요약"을 제공했다. 2026년 Insight Advisor는 Qlik Answers와 통합되어 자연어 인터페이스를 공유한다.

Qlik Cloud + AutoML — BI에 AutoML 끼워 넣기

Qlik AutoML(2021년 도입, Big Squid 인수 기반)은 BI 사용자가 코드를 쓰지 않고도 예측 모델을 만들 수 있게 한다. 매출 예측, 이탈 예측 같은 표준 시나리오에서 충분히 쓸 만하다. 그러나 정교한 ML이 필요하면 결국 데이터팀이 별도 파이프라인을 짠다.

ThoughtSpot Spotter — 대화형 AI 에이전트의 결정판

ThoughtSpot의 2024년 8월 발표는 BI 업계에서 가장 공격적인 AI 베팅이었다. Spotter는 단순 자연어 질의응답을 넘어 대화형 에이전트다.

특징:

  • 다단계 분석: "매출이 줄었어" → "어떤 제품?" → "왜 그 제품이?" 같은 follow-up이 자연스럽게 흐른다
  • 메트릭 카탈로그: 회사 KPI를 메트릭으로 등록 → Spotter가 그것만 가지고 답한다(환각 방지)
  • 데이터 소스 통합: Snowflake, Databricks, BigQuery, Redshift에서 직접 라이브 쿼리

Spotter의 약점은 가격이다. ThoughtSpot의 엔터프라이즈 가격은 Tableau/Power BI보다 높고, 도입 컨설팅 비중도 크다. 대신 잘 도입한 회사는 "BI 사용률"이 평균 3-5배 높다는 보고가 있다.

SpotIQ — AI 기반 자동 인사이트

SpotIQ는 ThoughtSpot의 클래식 증강 분석 기능이다. 차트 위에서 "Analyze" 버튼을 누르면 AI가 자동으로 트렌드 분해, 이상 탐지, 상관관계 분석을 돌려 자연어로 정리한다. 2026년 Spotter와 통합되어, "결과만 보여주는" 모드와 "대화형으로 파보는" 모드가 한 인터페이스에 있다.

Sigma Computing — 스프레드시트 스타일의 클라우드 BI

Sigma는 BI 도구이지만 사용자 경험이 Excel/스프레드시트와 매우 가깝다. 분석가가 셀 단위로 수식을 짜듯이 데이터셋을 다룰 수 있다. 2025년 시리즈 D 마무리, 2026년 Snowflake 생태계에서 가장 빠르게 성장하는 BI다.

특징:

  • Cloud-native — 데이터를 추출하지 않고 웨어하우스에서 직접 쿼리
  • 스프레드시트 UX — Excel 마이그레이션이 매끄럽다
  • AI 기능 — AI Sigma(2024년)로 자연어 → 워크북 변환

Mode Analytics — ThoughtSpot 인수 후

Mode는 2023년 ThoughtSpot에 인수됐다. 코드 우선(SQL + Python 노트북 + 시각화) BI로 데이터 사이언티스트 사이에 강한 팬덤을 가졌다. 2024-2025년 ThoughtSpot Mode로 리브랜딩되며 Spotter와 통합되는 과정이다.

Hex — 노트북 + 대시보드의 결합

Hex는 BI라기보다 협업 노트북 + 데이터 앱 빌더다. SQL + Python + 시각화 + 위젯이 한 캔버스에서 흐른다. 2025년 Hex Magic(AI 코파일럿) GA, 2026년에는 데이터팀의 표준 노트북 도구로 자리잡았다.

활용 시나리오:

  • Ad-hoc 분석 → 노트북으로 빠르게
  • 공유 대시보드 → 같은 노트북을 dashboard 모드로 게시
  • 데이터 앱 → 위젯 + 입력 폼으로 인터랙티브 앱

Omni Analytics — Looker 창업자들의 새 도구

Omni는 Looker 창업자들이 2022년 창업한 신생 BI다. LookML 같은 모델링 + Sigma 같은 워크북 UX + Snowflake/BigQuery 친화성을 모두 가지는 게 목표다. 2025년 후반 시리즈 B를 마쳤고, 2026년 빠르게 점유율을 늘리는 중이다.

Lightdash — 오픈소스 + dbt 친화

Lightdash는 dbt 모델을 그대로 BI 메트릭으로 노출하는 오픈소스 BI다. dbt 사용자가 코드를 두 번 쓰지 않아도 된다는 점에서 점유율을 빠르게 올리고 있다. SaaS와 self-host 두 옵션이 있다.

Looker + Gemini in Looker — Google의 통합 전략

Google이 2019년 인수한 Looker는 2024-2025년 사이에 Gemini in Looker로 다시 태어났다. Looker의 시맨틱 레이어(LookML)와 Gemini의 멀티모달 능력이 결합되어, 자연어 질의 → LookML 측정값 매칭 → SQL 생성 → 시각화까지 한 흐름으로 처리한다.

특징:

  • LookML이라는 코드 기반 시맨틱 레이어 — 이 분야에서 가장 오래된 표준
  • Gemini 통합 — Vertex AI와 같은 모델 패밀리 공유
  • Looker Studio + Gemini — 무료 셀프 BI 도구에도 Gemini가 들어가서, 중소기업·개인 분석가의 진입 장벽이 낮아짐
  • BigQuery Studio + Gemini — BigQuery 콘솔에서 자연어로 SQL 작성, 노트북 실행, 시각화

MicroStrategy ONE + Auto — 엔터프라이즈 정통파의 AI

MicroStrategy(MSTR)는 30년 된 엔터프라이즈 BI 회사다. 2024년 ONE 플랫폼 GA, 그 안에 Auto라는 AI 봇이 들어간다. Auto는 자연어 질의응답뿐 아니라, 보고서 생성, 데이터 모델 탐색, 알림까지 한다. 대형 금융·통신·제약사가 주 고객.

SAP Analytics Cloud + Joule

SAP는 2024년 발표한 Joule 코파일럿을 Analytics Cloud(SAC)에 통합했다. SAP S/4HANA의 마스터 데이터와 자연스럽게 연결되어, ERP 데이터 위에 자연어 분석을 얹는 게 강점이다. SAP를 운영 ERP로 쓰는 대기업이 주 고객.

Oracle Analytics + AI Assistant

Oracle Analytics Cloud(OAC)는 Oracle Autonomous Database와 묶여 있다. 2024-2025년 OCI Generative AI와 통합되어 자연어 → SQL → 차트 워크플로를 지원한다. Oracle DB를 중심으로 쓰는 회사에서는 일관성이 강점.

IBM Cognos Analytics + Watson Assistant

IBM Cognos는 클래식 엔터프라이즈 BI 중에서 Watson과의 결합으로 차별화한다. Watsonx.ai 위에서 자연어 분석을 돌리며, IBM이 자랑하는 거버넌스/감사 추적 기능과 결합한다.

SAS Viya — 통계 명문가의 클라우드 전환

SAS는 BI라기보다 통계·예측 분석의 정통파다. SAS Viya 4(2024-2025)는 클라우드 네이티브로 재설계됐고, Viya Workbench(개발자 친화 IDE), Viya Generative AI 통합을 통해 LLM 시대에 적응 중이다.

Domo + AI Service

Domo는 풀스택 클라우드 BI다. ETL + 시각화 + 알림 + 앱 빌더가 한 SaaS 안에 있다. 2024년 AI Service Layer를 도입해 OpenAI, AWS Bedrock 등 모델을 골라 쓸 수 있게 했다. 영업·마케팅 부서가 자율적으로 쓰기 좋은 BI라는 평이 많다.

Zoho Analytics + Zia — 중소기업의 가성비 카드

Zoho Analytics는 Zia라는 AI 어시스턴트와 결합된다. Tableau/Power BI 대비 가격이 1/3-1/5 수준이라, 중소기업·스타트업이 많이 채택한다. 기능 깊이는 떨어지지만 "쓰는 만큼 충분"하다는 후기가 많다.

Klipfolio · Geckoboard — TV 대시보드 카테고리

Klipfolio와 Geckoboard는 사무실 벽에 띄우는 KPI 대시보드 카테고리의 표준이다. 풀 BI라기보다 메트릭 시각화 도구다. 단순한 대신 셋업 시간이 짧다.

Apache Superset — Airbnb 출신 오픈소스 리더

Apache Superset은 Airbnb에서 시작해 Apache Foundation으로 옮긴 오픈소스 BI다. 2026년에도 self-host 오픈소스 BI 1티어. SQL Lab, 대시보드, 풍부한 차트 종류가 강점. Preset.io가 매니지드 SaaS를 제공한다.

# superset_config.py 발췌
SQLALCHEMY_DATABASE_URI = 'postgresql://superset:password@db:5432/superset'
FEATURE_FLAGS = {
  'DASHBOARD_NATIVE_FILTERS': True,
  'EMBEDDED_SUPERSET': True,
  'ALERT_REPORTS': True,
}

Metabase — 오픈소스 BI의 자체 호스팅 리더

Metabase는 사용성에서 Superset보다 한 발 앞선다. "쉬운 자연어 질문 → 차트" UX가 OSS에서 가장 잘 다듬어져 있다. 2024년 Metabase AI(Cloud 한정)가 추가되어 자연어 질의응답이 가능해졌다. 자체 호스팅 + AI는 아직 제한적.

Redash — Databricks 인수 후

Redash는 SQL 쿼리 + 시각화 중심의 OSS BI다. 2020년 Databricks가 인수했고, 이후 Databricks SQL의 일부로 통합되어 가는 중이다. 독립 OSS로는 정체된 분위기.

Evidence — 마크다운으로 분석하는 새 패러다임

Evidence는 마크다운 + SQL + 차트를 한 문서에 쓰는 BI다. Git 친화적이고, 보고서가 코드로 버전 관리된다. 2025년 시리즈 A 마무리, 2026년 데이터팀 사이에서 빠르게 인기. "정적 사이트로 BI 보고서를 게시한다"는 패러다임이 신선하다.

Briefer · Quadratic — 노트북 BI 신생 강자

Briefer는 노트북 + 대시보드 + 스케줄링이 한 SaaS에 있는 오픈소스 BI다. Quadratic은 Python을 직접 셀에 쓸 수 있는 스프레드시트다. 두 도구 모두 "코드와 시각 분석의 경계 허물기" 흐름의 일부.

dbt Semantic Layer · Cube · AtScale — 시맨틱 레이어 전성기

LLM 시대에 BI의 신뢰도는 시맨틱 레이어에 달려 있다. 비즈니스 메트릭이 한 곳에 정의돼 있어야 LLM이 환각하지 않는다.

  • dbt Semantic Layer: 2023년 MetricFlow 인수 후 본격 출시. dbt 사용자가 측정값/디멘션을 dbt 모델 옆에 정의.
  • Cube: 2025년 시리즈 B 마무리. API-first 시맨틱 레이어. BI 도구가 아니라 BI 도구의 백엔드로 동작.
  • AtScale: 엔터프라이즈 시맨틱 레이어. SAP, Oracle 환경에서 강점.
  • Steep: 신생. 시맨틱 레이어 + 협업 협업이 한 묶음.

dbt Semantic Layer의 메트릭 정의 예시는 다음과 같다.

# orders.yml
semantic_models:
  - name: orders
    model: ref('orders')
    entities:
      - name: order_id
        type: primary
      - name: user_id
        type: foreign
    measures:
      - name: order_count
        agg: count
        expr: 1
      - name: order_total
        agg: sum
        expr: amount
    dimensions:
      - name: ordered_at
        type: time
        type_params:
          time_granularity: day

metrics:
  - name: weekly_order_count
    type: simple
    type_params:
      measure: order_count
    filter: "{{ TimeDimension('orders__ordered_at', 'week') }}"

AI 스프레드시트 — Excel Copilot, Google Sheets + Gemini, Equals, Rows, Quadratic

스프레드시트가 BI 도구화하는 흐름이 강하다.

  • Excel Copilot(Microsoft 365): 자연어로 피벗·차트·예측·이상 탐지
  • Google Sheets + Gemini: 마찬가지로 자연어 보조
  • Equals: 라이브 데이터베이스 연결을 가진 AI 스프레드시트. 분석가들이 Excel 대신 쓰는 케이스 증가
  • Rows: 모던 스프레드시트. 외부 API 연결 + AI Assistant
  • Quadratic: 스프레드시트 안에서 Python 셀을 직접 실행. 데이터 사이언티스트가 빠르게 모델링

Auto-narrative & NLG — Yseop, Arria NLG

자연어 생성(NLG)은 BI에서 차트를 자연어 요약으로 변환한다. Arria NLG, Yseop, AX Semantics가 전문 공급사다. 2026년 LLM이 NLG 시장의 상당 부분을 흡수했지만, 규제 산업(금융·제약)에서는 결정성 있는 룰 기반 NLG의 수요가 여전하다.

한국 BI 도입 — 삼성 SDS Brity, LG CNS, NCSOFT, 카카오, 네이버

한국 대기업의 2026년 BI 풍경은 다음과 같다.

  • 삼성 SDS Brity Auto: 자체 RPA + AI 어시스턴트 플랫폼. Tableau Pulse, Power BI Copilot과 함께 사용되는 사례가 늘었다.
  • LG CNS Mvision: 그룹사 데이터 통합 + 시각화 + AI 분석을 묶은 사내 BI 플랫폼.
  • NCSOFT BI Lab: 게임 데이터 특화. 사용자 행동 분석, 매출 예측, LTV 모델링이 모두 한 곳.
  • 카카오페이지 KAR: 콘텐츠 추천 + BI 통합 플랫폼.
  • 네이버 NEXT Connect: 마케팅 데이터 통합 + AI 분석.

한국 BI 시장의 특징은 온프레미스 비중이 여전히 높다는 것. 데이터 주권 이슈로 클라우드 BI 도입이 글로벌 평균보다 늦다.

일본 BI 도입 — Yellowfin Japan, Domo Japan, 리쿠르트·라쿠텐·LINE야후·NRI

일본 BI 시장은 자체 색깔이 강하다.

  • Yellowfin Japan: 호주 본사 BI이지만 일본 진출이 일찍 됐다. 도쿄 미츠비시 UFJ, 일본생명 등에서 사용.
  • Domo Japan: 도쿄 사무소가 본격 운영 중. 영업·마케팅 부서가 자체 운영하는 케이스 다수.
  • 리쿠르트·라쿠텐: Tableau와 Domo를 부서별로 골라 쓴다. 라쿠텐은 사내 분석 플랫폼을 자체 구축한 후 외부 BI와 결합.
  • LINEヤフー Yahoo!Japan BI: 광고/검색 데이터 분석을 위한 자체 BI 플랫폼.
  • NRI(野村総研): 금융 컨설팅 클라이언트용 자체 BI를 운영하면서 Power BI를 큰 비중으로 사용.

일본은 한국과 다르게 클라우드 BI 채택률이 더 높다. AWS Tokyo, Azure Japan 리전을 적극 활용하며, 데이터 거버넌스 가이드가 비교적 명확하기 때문.

"환각된 메트릭" 리스크 — BI AI의 최대 약점

자연어 BI의 가장 큰 위험은 메트릭의 환각이다. 같은 "매출"이라도 회사마다 정의가 다르다(예: VAT 포함/제외, 할인 전/후, 환불 차감 전/후). LLM이 "매출"이라는 단어를 듣고 임의로 SQL을 생성하면, 보고된 숫자가 그럴듯하지만 틀리는 일이 발생한다.

방어선:

  1. 시맨틱 레이어 강제: dbt Semantic Layer, Cube, LookML, Tableau Pulse Metrics — LLM이 미리 정의된 메트릭만 호출하도록 강제
  2. SQL 미리보기 강제: 사용자가 결과 숫자를 보기 전에 LLM이 생성한 SQL을 확인
  3. 메트릭 카탈로그: KPI 정의를 사내 위키 + BI 도구 카탈로그에 연동
  4. 출력 검증: 응답 안에 사용된 측정값/필터를 항상 함께 표기

이 안전망이 없으면 자연어 BI는 "그럴듯한 거짓말 기계"가 된다. 도구 선택보다 시맨틱 레이어 구축이 먼저라는 게 2026년의 합의다.

데이터 리터러시 논쟁 — BI AI가 사람을 게으르게 만드는가

또 다른 논쟁은 "AI BI가 데이터 리터러시를 약화시키는가"다. 비즈니스 사용자가 자연어로만 묻고 SQL/모델링을 배우지 않으면, 잘못된 질문을 던지는 일이 늘어난다는 우려다. 2026년 일부 데이터 리더는 **"AI 결과 위에 항상 사람 검증을 박는다"**는 원칙으로 대응한다. 다른 한편 "AI가 데이터 접근성을 압도적으로 높여 결과적으로 더 많은 사람이 데이터를 본다"는 반박도 강하다.

도구 선택 가이드 — 2026년 5월 기준

거칠게 정리한 선택 가이드는 다음과 같다.

  • Salesforce 생태계 → Tableau Pulse + Einstein Copilot
  • Microsoft Office 생태계 → Power BI Copilot + Fabric
  • 데이터팀이 dbt 사용 → Lightdash, Cube, dbt Semantic Layer + 어떤 BI든
  • 대화형 분석 강력 추구 → ThoughtSpot Spotter
  • RAG + 정형/비정형 통합 → Qlik Answers
  • GCP/BigQuery 중심 → Looker + Gemini
  • 노트북 + 대시보드 결합 → Hex, Mode
  • 스프레드시트 친화 UX → Sigma, Equals
  • 자체 호스팅 OSS → Metabase, Superset
  • 마크다운 보고서 → Evidence
  • 엔터프라이즈 정통파 → MicroStrategy ONE, SAP Joule, Oracle, Cognos
  • 중소기업 가성비 → Zoho Analytics + Zia, Metabase Cloud

마치며 — 2026년 5월, BI는 "메트릭 카탈로그 + LLM"의 시대로

대시보드 시대의 BI는 끝났다. 2026년의 BI는 메트릭이 잘 정의된 카탈로그를 가진 회사와 그렇지 않은 회사 사이의 격차를 크게 벌린다. 시맨틱 레이어가 약한 회사는 BI AI를 잘못 쓰면 자신을 더 큰 위험에 노출시킨다. 반대로 메트릭 정의가 잘 된 회사는 같은 도구로 압도적인 생산성을 얻는다. 도구는 평준화되었고, 차이는 메트릭 위생에서 난다.

다음 12개월의 관전 포인트는 세 가지다. (1) 시맨틱 레이어 표준화(dbt vs Cube vs Looker LookML), (2) BI 에이전트의 액션 통합(Tableau Agentforce, Power BI + Copilot Studio), (3) 오픈소스 진영의 AI 따라잡기(Metabase AI, Superset의 LLM 통합). 이 세 흐름이 어디로 가느냐가 다음 BI 지형도를 결정할 것이다.

References

Discuss on Twitter • View on GitHub