AI 에이전트 데이터 준비 방법, BigQuery 대화형 분석과 Muse 사례로 본 점검법

무슨 일이 일어나고 있나

세 갈래 발표가 몇 주 사이에 겹쳤어요.

첫째, Google Cloud의 BigQuery 크로스클라우드 대화형 분석입니다. Apache Iceberg REST 카탈로그 표준을 기반으로 Databricks Unity Catalog, Snowflake Horizon Catalog, AWS Glue Data Catalog의 테이블을 복사하지 않고 BigQuery에서 읽습니다. 작동 방식은 두 층으로 나뉘어요. Lakehouse runtime catalog가 사용자가 정한 주기로 원격 카탈로그의 스키마, 스냅샷 포인터, 테이블 정의를 동기화하고, 쿼리 시점에는 원격 객체 스토리지의 Parquet 파일을 임시 자격증명으로 직접 읽습니다. 원격 Databricks 클러스터나 Snowflake 웨어하우스는 호출되지 않고 연산은 전부 Google Cloud에서 처리돼요. 데모는 BigQuery 네이티브 판매 데이터에 세 외부 카탈로그의 고객, 상품, 매장 테이블을 쿼리 하나로 조인하고, 그 결과를 뷰로 저장한 뒤 그 뷰 위에서 자연어로 묻는 흐름입니다. 운영 조건으로는 메타데이터 동기화 간격 최소 300초, 쿼리 캐시가 연합 카탈로그 리전에 저장되는 데이터 거주 문제, CMEK 정책 적용 시 캐시를 우회하는 동작이 명시됐습니다.

둘째, 모델 쪽입니다. Google DeepMind는 Gemini 4 Argon을 AI Studio와 Gemini 플랫폼 API로 전 세계에 공개했어요. 출시 기념 가격은 입력 100만 토큰당 2달러, 출력 10달러, 캐시 입력 95% 할인입니다. 구글은 금융, 코딩, 법률, 세무 성능을 재는 Vals Index 1위, 내부 Antigravity 기반 에이전틱 코드 제출 35% 이상 증가와 코드 롤백 3분의 1 가까이 감소를 발표했고, 4천만 줄 규모 Chromium 코드베이스 안 약 600만 줄짜리 레거시 폴더를 분리하는 수백 개 파일 구조 개편을 몇 달에서 몇 주로 줄였다고 밝혔어요. Gemma 4 E2B 추론 속도를 초당 약 3만 7,900개에서 10만 8,000개 이상 토큰으로 2.85배 끌어올린 사례도 있습니다. 로보틱스 쪽에서는 3D 공간 추론 벤치마크 ERQA에서 순수 추론만으로 87%를 기록했다고 해요. 같은 시기 Meta도 첫 프런티어 모델 Muse Wonder를 내놨는데, API 가격은 입력 100만 토큰당 4달러, 출력 20달러이고 가장 큰 Wonder Full은 Muse Code 구독자 전용이라 API로는 제공되지 않습니다.

셋째, 소비자 에이전트입니다. Meta의 Muse는 CBS News가 보도한 Sensor Tower 데이터 기준 출시 2주 만에 250만 다운로드를 넘겼고, 한때 Apple App Store 정상에서 ChatGPT를 앞질렀어요. 대응은 사흘 만에 갈렸습니다. Amazon은 2026년 9월 20일부터 Muse로 쇼핑하는 사용자에게 무단 AI 에이전트 접속은 이용 약관 위반이라는 팝업을 띄웠어요. 다음 날 Shopify는 전 매장에서 Muse용 Shop Pay 결제를 열었고, 그다음 날 PayPal이 전 세계 PayPal 가맹점에서 Muse 결제를 허용했습니다. OpenAI도 9월 말 ChatGPT 안에서 연결된 앱을 오가며 백그라운드로 워크플로를 돌리는 Dots를 출시했어요.

왜 중요한가

세 사건은 서로 다른 뉴스처럼 보이지만, 에이전트가 사람 대신 데이터를 읽고 판단하는 지점이 사내 분석과 사외 구매 양쪽에서 동시에 늘고 있다는 같은 방향을 가리킵니다.

사내부터 메커니즘을 따라가 볼게요. 기존 구조는 예약된 추출 파이프라인으로 원격 데이터를 중앙 스테이징 웨어하우스에 복사했습니다. Google 원문은 이 방식이 동기화 지연, 반복 스토리지 비용, 변동 egress 요금을 만들고, 상류 스키마가 바뀌면 파이프라인이 깨져 어긋난 대시보드의 지표를 맞추느라 시간을 쓴다고 짚어요. 연합 조회는 이 중 복사와 스테이징을 없앱니다. 그런데 복사 단계는 비용만이 아니라 사람이 데이터를 한 번 손보는 검문소 역할도 했어요. ETL 과정에서 키를 맞추고 중복을 걸러내던 작업이 사라지면, 세 플랫폼의 고객 ID가 같은 규칙으로 만들어졌는지, 매출이 어떤 기준으로 집계됐는지 같은 의미 문제가 그대로 쿼리 결과까지 흘러갑니다. 에이전트는 이 차이를 스스로 알지 못해요. Google 데모가 조인 결과를 굳이 뷰로 저장한 뒤 자연어 질의를 붙인 이유, Tableau 사례에서 30-45%와 85% 이상이 갈린 이유가 같은 지점에 있습니다. 검문소가 파이프라인에서 시맨틱 레이어로 자리를 옮기는 셈이에요.

모델 가격은 이 이동을 가속합니다. 캐시 입력 95% 할인을 적용하면 Argon의 캐시 입력 단가는 100만 토큰당 0.1달러가 돼요. 지표 정의서, 조인 규칙, 비즈니스 용어집처럼 매 질문마다 반복해서 넣는 긴 컨텍스트가 정확히 캐시 대상입니다. 다시 말해 정의를 길고 정확하게 써 둘수록 정확도는 오르는데 추가 비용은 거의 늘지 않는 구조가 됐어요. 정의 문서가 없는 조직은 같은 할인을 받아도 넣을 것이 없습니다. 모델은 싸지는데 정확도 격차는 데이터 정의를 가진 쪽과 없는 쪽 사이에서 벌어지는 구도입니다.

사외에서는 측정과 노출 두 가지가 동시에 흔들려요. Muse 에이전트는 Muse Wonder 모델이 구동하는데, Meta는 사용자가 준 정보를 며칠, 몇 주, 몇 달에 걸쳐 기억하는 active memory를 핵심으로 내세웠습니다. 고객 선호가 브랜드 CRM이 아니라 에이전트의 장기 기억에 쌓이는 설계라는 뜻이에요. 결제까지 에이전트 환경에서 끝나면 브랜드는 행동 데이터를 볼 수 없고, MarTech 칼럼에 따르면 Shopify의 Meta 직접 결제에서는 Google Analytics와 커스텀 픽셀이 작동하지 않습니다. 노출 측면에서는 에이전트가 사이트를 방문하는 대신 정책과 상품 정보를 비교하기 때문에, 채널마다 반품 정책이 다르면 일관된 정책의 경쟁사를 상단에 올린다는 것이 필자의 주장이에요. 사내 에이전트가 정의 없는 지표에서 틀린 답을 내듯, 사외 에이전트는 불일치한 정책 앞에서 브랜드를 걸러냅니다.

이해관계와 역학

Google의 유인은 연산 지출의 이동입니다. 원격 Databricks 클러스터와 Snowflake 웨어하우스는 호출되지 않고 쿼리 처리는 전부 Google Cloud에서 일어나니, 데이터 저장은 경쟁 플랫폼에 그대로 두되 매번 발생하는 연산과 Gemini 기반 대화형 분석 사용량은 Google이 가져가는 설계예요. 데이터 이전이라는 가장 큰 전환 장벽을 없앴기 때문에 영업 대화가 마이그레이션 프로젝트에서 첫 쿼리 시연으로 바뀝니다. 개방 표준인 Iceberg REST를 앞세운 것은 종속 우려를 누그러뜨리는 장치인 동시에, 같은 표준을 지원하는 세 플랫폼 모두를 한 번에 공략할 수 있게 해 줘요. 마테크노트가 다룬 Looker Data Apps, Data Agent Kit까지 함께 보면, Google은 데이터 위치보다 그 위에서 돌아가는 분석과 에이전트 계층을 쥐려는 쪽으로 움직이고 있습니다.

모델 가격 경쟁은 진입가 싸움입니다. Argon 2달러 대 Muse Wonder 4달러, 출력 10달러 대 20달러로 구글은 절반 가격을 제시했지만 이것은 출시 기념가이고 정가는 공개되지 않았어요. Muse Wonder의 캐시 할인 여부도 공개되지 않았습니다. Vals Index 1위, 코드 제출 35% 증가, 롤백 3분의 1 감소, ERQA 87%는 모두 구글 자체 발표이고, Muse Wonder가 Fable 5.1, GPT-6 Astra와 비슷하다는 것도 Meta 모델 카드의 자체 테스트입니다. 외부 재현 결과는 어느 쪽도 공개되지 않았어요. 코딩, 금융, 법률, 로보틱스까지 한 모델로 쓰라는 범용 메시지는 API 사용처를 최대한 넓혀 캐시가 쌓이는 장기 워크로드를 선점하려는 전략과 맞물립니다. Meta가 가장 큰 Wonder Full을 API에서 빼고 자사 구독과 Muse 에이전트에 묶어 둔 것도 같은 맥락이에요. 최고 성능은 외부 개발자보다 자기 소비자 접점을 강화하는 데 먼저 쓰겠다는 선택입니다.

소비자 에이전트 국면에서는 각자의 수익원이 입장을 정했어요. Amazon은 자기 장터의 고객 접점과 광고 지면이 핵심 자산이라, 에이전트가 화면을 건너뛰면 광고 노출이 사라지므로 차단을 택했습니다. Shopify와 PayPal은 결제 수수료를 받는 위치라 어떤 경로든 거래량이 늘면 이득이에요. 필자가 중간 경로로 제안한 Visa Trusted Agent Protocol과 Mastercard Agent Pay는 검증된 에이전트만 통과시키는 관문인데, 그 관문을 쥐는 쪽이 에이전트 거래의 신원 확인과 결제 흐름을 함께 쥡니다. Meta는 active memory로 고객 선호를 자기 환경에 축적해요. 이 구도에서 측정 데이터와 고객 기억을 동시에 잃는 쪽은 브랜드입니다. 덧붙여 이 칼럼은 마케팅 교육 과정 광고가 함께 실린 글이라, 긴박감을 높이는 서술에는 편집 의도가 섞였을 수 있다는 점도 감안해야 해요.

실무에 주는 함의

내일 바로 바꿀 수 있는 항목 순서대로 정리했습니다.

• 대화형 분석을 붙일 테이블을 다섯 개 안팎으로 먼저 고르고, 플랫폼 간 조인 키의 생성 규칙과 중복률, 매칭률을 표로 만드세요. ETL이라는 검문소가 사라지면 키 오류는 결과에 그대로 섞여 나옵니다.
• 원본 테이블에 바로 자연어 질의를 열지 말고 매출, 전환, 활성 고객 같은 핵심 지표를 뷰나 시맨틱 레이어로 먼저 고정하세요. 검증된 질문과 정답 쌍을 20-30개 정도 만들어 두면 도입 전후 정확도를 같은 기준으로 잴 수 있어요.
• 크로스클라우드 PoC에서는 정확도와 함께 쿼리별 원격 읽기 비용과 지연을 기록하세요. 복사 방식은 동기화할 때 비용이 났지만, 연합 조회는 쿼리가 원격 Parquet를 읽을 때마다 비용 구조가 생기니 자주 도는 대시보드일수록 실제 청구서로 확인해야 합니다.
• 메타데이터 동기화 최소 300초를 기준으로 리포트를 분류하세요. 일 단위, 시간 단위 성과 리포트는 맞고, 분 단위로 입찰을 조정하는 대시보드는 맞지 않아요.
• 규제 산업이라면 쿼리 캐시가 저장되는 리전과 CMEK 적용 테이블 목록을 PoC 시작 전에 법무, 보안과 공유하세요. CMEK로 캐시를 우회하면 반복 쿼리의 응답 속도와 비용도 달라집니다.
• 모델 파일럿은 지표 정의서를 캐시 입력으로 넣은 경우와 뺀 경우를 같은 질문 세트로 비교하고, 기념가와 정가 인상 가정 두 시나리오로 손익을 계산하세요. 비교 대상 모델은 API로 실제 쓸 수 있는 버전 기준으로 잡아야 해요. Muse Wonder Full처럼 API 미제공 모델은 후보에서 빼야 합니다.
• 반품, 배송, 가격 정책을 자사몰, 오픈마켓, 소셜 커머스 등 채널별로 모아 차이표를 만드세요. 차이가 의도된 것인지 관성인지를 가려, 의도되지 않은 차이부터 통일합니다.
• 에이전트 접속 허용 기준은 보안팀의 봇 차단 규칙에만 맡기지 말고 마케팅이 허용, 조건부 허용, 차단 세 단계로 정의하세요.
• 에이전트 결제 경로 매출을 별도 채널로 분리해 추적하세요. 나중에 매출은 늘었는데 어트리뷰션이 비는 현상을 설명할 근거가 됩니다.

리스크와 반대 관점

먼저 과장 가능성입니다. Muse의 250만 다운로드는 설치 수이지 결제 전환이 아니에요. 에이전트 경유 거래 규모는 공개되지 않았고, GA4가 작동하지 않는다는 측정 공백도 플랫폼별 데이터 제공 범위가 확정되지 않은 상태의 주장입니다. 플랫폼이 전환 데이터를 서버 간으로 넘기는 경로를 열면 공백은 생각보다 빨리 메워질 수 있어요. 일관된 정책의 경쟁사가 상단에 오른다는 명제도 필자의 추론이고, 에이전트의 순위 로직은 공개되지 않았습니다. 정책을 통일하는 일은 그 자체로 고객 경험에 도움이 되니 손해 보는 투자는 아니지만, 이것만으로 에이전트 추천 순위가 오른다고 장담할 근거는 아직 없어요.

사내 쪽 함정은 데모와 현장의 거리입니다. Google 데모는 고객, 상품, 매장처럼 키가 깔끔한 테이블로 구성됐어요. 실제 마케팅 데이터는 광고 플랫폼 ID, CRM ID, 오프라인 회원번호가 섞여 있어서, 연합 조회가 쉬워지는 순간 잘못된 조인이 여러 팀의 리포트로 더 빨리 퍼질 수 있습니다. 복사를 없앤 효율이 검증을 없앤 위험으로 바뀌지 않으려면, 줄어든 ETL 공수 일부를 시맨틱 레이어 관리로 재배치해야 해요. 또 원격 스토리지를 쿼리마다 읽는 구조라 크로스클라우드 egress 비용과 지연이 실제로 얼마인지는 원문에 수치로 제시되지 않았습니다. 구조 단순화가 총비용 절감으로 이어지는지는 PoC 청구서로만 확인할 수 있어요.

모델 쪽 반대 시나리오도 있습니다. 자체 벤치마크 1위는 출시 때마다 바뀌고, 기념가가 끝나면 단가 구조가 달라질 수 있어요. ERQA 87%는 공간 추론 문제의 점수라 현장 로봇의 성공률과 다르고, 실제 하드웨어의 지연, 마찰, 센서 노이즈 앞에서의 수치는 공개되지 않았습니다. 모델 교체 주기가 짧아질수록 특정 모델에 맞춘 프롬프트 튜닝보다 어떤 모델에도 재사용되는 지표 정의와 정책 문서에 투자하는 편이 손실이 적어요. active memory 같은 장기 기억 기능을 자사 서비스에 응용하려 한다면, 사용자 정보를 오래 보관하는 순간 동의 수집과 삭제 요청 대응 책임이 함께 따라온다는 점도 계산에 넣어야 합니다. 마지막으로 에이전트 접속 전면 허용도 정답이 아니에요. 검증되지 않은 에이전트의 가격 수집과 재고 조회가 늘면 인프라 부담과 가격 정보 노출이 커지니, 검증된 에이전트부터 단계적으로 여는 편이 안전합니다.

자주 묻는 질문

BigQuery 대화형 분석이란 무엇인가요

BigQuery의 테이블이나 뷰를 자연어로 질문해 탐색하는 기능이에요. 이번 사례에서는 Iceberg REST 카탈로그로 Databricks, Snowflake, AWS Glue 데이터를 옮기지 않고 BigQuery 판매 데이터와 조인한 뒤, 그 결과 뷰 위에서 질문하는 방식을 보여줬습니다. 정확도는 모델보다 뷰와 지표 정의를 얼마나 정제했느냐에 크게 좌우돼요.

Iceberg REST 카탈로그로 멀티클라우드 데이터를 실시간으로 볼 수 있나요

실시간용은 아닙니다. Lakehouse runtime catalog의 메타데이터 동기화 간격이 최소 300초라서 몇 분 단위 지연을 전제로 설계해야 해요. 일 단위나 시간 단위 마케팅 리포팅에는 맞지만 분 단위 입찰 모니터링에는 맞지 않습니다.

Gemini 4 Argon 가격은 얼마이고, 다른 모델과 비교하면 어떤가요

출시 기념 가격은 입력 100만 토큰당 2달러, 출력 10달러이고 캐시 입력은 95% 할인돼 100만 토큰당 0.1달러가 돼요. Meta Muse Wonder API는 입력 4달러, 출력 20달러입니다. 다만 Argon 정가는 공개되지 않았으니 파일럿 손익은 가격 인상 가능성까지 넣어 계산하세요.

AI 쇼핑 에이전트로 구매하면 GA4로 측정할 수 있나요

MarTech 칼럼에 따르면 Shopify의 Meta 직접 결제에서는 Google Analytics와 커스텀 픽셀이 작동하지 않아요. 플랫폼별 데이터 제공 범위는 아직 확정되지 않았습니다. 에이전트 경유 매출을 별도 채널로 분리해 추적하는 준비부터 해 두는 편이 좋습니다.

AI 에이전트 도입 전에 데이터 준비는 무엇부터 해야 하나요

사내 분석용이라면 핵심 지표 정의와 조인 키 정합성을 시맨틱 레이어로 고정하는 일이 먼저예요. Tableau 사례에서는 시맨틱 모델 유무에 따라 정확도가 30-45%와 85% 이상으로 갈렸습니다. 소비자 에이전트 대응이라면 채널별 반품, 배송, 가격 정책의 차이표를 만들고 일관된 기계 판독형으로 정리하세요.