기업 데이터 자산을 AI 활용을 위해 어떻게 준비할까

기업이 AI 프로젝트를 시작할 때 가장 먼저 하는 일은 대개 모델을 비교하고 공급업체를 평가하는 것이고, 데이터 준비는 뒷전으로 밀리기 쉽습니다. 하지만 실제로는 우선순위가 반대여야 하는 경우가 많습니다. 모델은 범용이어도 상관없지만, 기업의 진짜 경쟁력은 자체 데이터에 있기 때문입니다. 데이터의 품질과 구조는 AI 모델의 역량이 실제로 얼마나 발휘되는지를 직접 좌우합니다. 아무리 뛰어난 모델이라도 불완전하고 오류가 있으며 일관성 없는 데이터를 입력받으면 출력 역시 신뢰할 수 없습니다. 기초를 다지는 작업은 몇 가지 구체적인 단계로 나눌 수 있습니다. 첫 번째는 인벤토리입니다. 데이터가 어떤 시스템에 흩어져 있는지, 어떤 형식인지, 누가 관리 책임을 지는지 파악하는 것입니다. 많은 기업이 이 단계에서 같은 고객 정보가 CRM, 재무 시스템, 상담 티켓에 각각 따로 저장되어 있고 필드명조차 통일되어 있지 않다는 것을 발견합니다. 두 번째는 정제입니다. 중복 레코드를 제거하고, 명백히 잘못된 값을 수정하고, 누락된 필드를 처리하는 작업입니다. 이는 일회성 작업이 아니라 일상적인 데이터 입력 프로세스에 내장되어야 합니다. 그렇지 않으면 정제가 끝난 지 얼마 안 되어 다시 데이터가 지저분해집니다. 세 번째는 형식 표준화입니다. 필드명, 날짜 형식, 단위 환산 규칙을 통일해, 서로 다른 시스템의 데이터를 같은 로직으로 처리할 수 있게 함으로써 새로운 데이터 소스를 연결할 때마다 변환 코드를 다시 짜지 않아도 되게 합니다. 네 번째는 단일 진실 공급원（single source of truth）을 세우는 것입니다. 특정 유형의 정보에 대해 어떤 시스템을 기준으로 삼을지 명확히 해서, 여러 곳에서 관리하다 생기는 데이터 불일치를 막습니다. 다섯 번째는 접근 권한 설계입니다. AI 시스템이 어떤 데이터를 읽을 수 있는지, 개인정보나 영업 기밀에 해당하는 필드는 비식별화나 암호화가 필요한지를 정하는 것입니다. 이 단계는 자주 간과되지만 컴플라이언스 리스크와 직결됩니다. 매뉴얼, 계약서 같은 비정형 콘텐츠에 대해서는 경량 지식베이스나 벡터 스토어 구축을 고려할 만합니다. 텍스트를 청크로 나누고 인코딩해 검색 가능한 형태로 만들어, 검색 증강 생성（RAG） 방식의 애플리케이션이 이를 조회할 수 있게 하면, AI가 질문에 답할 때 구체적인 조항이나 문단을 인용할 수 있어 근거 없이 답을 지어내는 일을 줄일 수 있습니다. 흔한 실수로는 모든 과거 데이터를 완벽히 정비한 뒤에야 시작하려다 프로젝트가 하염없이 미뤄지는 것, 데이터 소유 책임을 소홀히 하고 한 번 정제하면 끝이라고 여기는 것, 데이터 거버넌스를 전적으로 IT 부서에 맡기고 현업 담당자가 참여하지 않아 기준이 실제 사용 상황과 동떨어지는 것 등이 있습니다. 더 현실적인 접근은 구체적인 활용 사례에서 역으로 어떤 데이터가 어느 수준의 품질로 필요한지 파악하고, 단계적으로 진행하는 것입니다. 한 번에 완벽한 데이터 기반을 만들려 하기보다는 말입니다.