어제 Anthropic은 자체 내부 "데이터 에이전트"를 어떻게 구축했는지에 대한 글을 발표했습니다: Anthropic이 Claude로 셀프 서비스 데이터 분석을 가능하게 한 방법
OpenAI는 5개월 전에 자체 "사내 데이터 에이전트"에 대한 글을 게시했습니다: OpenAI 사내 데이터 에이전트의 내부
두 글을 다 읽어보고 정리해봤어요.
공통된 의견
- 어려운 부분은 SQL을 작성하는 것이 아닙니다. 올바른 테이블을 찾고, 이를 적절히 사용하는 방법을 이해하는 것이 핵심입니다. 두 회사 모두 이 점을 반복해서 강조합니다.
- 모델은 상품(commodity)입니다(직접적으로 말하지는 않았지만...). 그 모델을 둘러싼 컨텍스트가 바로 제품입니다. Anthropic은 컨텍스트에 접근할 수 있는 스킬(지식 베이스)을 추가하는 것만으로 정확도를 21%에서 95%로 끌어올렸습니다.
- (충격적이지만, 또 그렇지도 않은 점) 더 많은 컨텍스트가 항상 도움이 되는 것은 아닙니다. Anthropic은 과거 수천 개의 쿼리에 대한 접근 권한을 부여한 후 정확도가 1% 미만으로 증가했습니다 (토큰 소비가 얼마나 늘어났을지 상상이 가네요 😅).
차별점
- OpenAI는 독립형 에이전트를 구축했습니다. Codex와 내부 ChatGPT는 MCP를 통해 이 에이전트를 사용하거나, 사용자가 웹이나 Slack을 통해 직접 채팅할 수 있습니다. 반면 Anthropic은 일부 지식 베이스(md 파일 기반)를 통해 데이터 컨텍스트에 접근할 수 있는 스킬만 구축했습니다.
- OpenAI는 파이프라인 작업을 통해 매일 업데이트되는 "인덱스(index)"에 컨텍스트를 저장하는 반면, Anthropic은 동일한 PR에서 업데이트된 데이터 모델과 같은 저장소에 지식 베이스를 md 파일로 커밋합니다.
제 생각 (SQL이 아닌 비정형 데이터를 위한 "데이터 에이전트"를 구축한 경험으로)
Anthropic의 스킬 기반 접근 방식은 "하네스(harness)"에 더 네이티브(native)하기 때문에 기존 도구 세트에 더 잘 맞습니다. 저는 전체 개발자 경험, 데이터 컨텍스트, 그리고 전체 데이터 플랫폼이 하네스 아래로 이동할 것이라고 생각합니다 (이 방향의 최고의 학술 논문 - Code as Agent Harness). OpenAI의 접근 방식은 전용 데이터 에이전트, 600TB의 데이터, 컨텍스트 업데이트를 위한 예약된 파이프라인을 갖추고 있어 더 확장 가능하고 성숙해 보입니다(5개월 앞서 있음?). 어떻게 진화할지 지켜봐야겠네요.
데이터 전문가 분들께 드리는 질문
이러한 에이전틱(agentic) 워크플로우를 어느 정도까지 도입하고 계신가요? 제가 이해하기로는 대부분의 팀이 여전히 SQL을 직접 작성하고, 컨텍스트를 조금씩 복사해서 Claude Code/Copilot/Codex에 붙여넣고, Slack을 통해 지식을 공유하고 있습니다.
더 자세한 내용과 수치가 포함된 전체 비교 표는 블로그 게시물에서 확인하실 수 있습니다 - 댓글에 링크가 있어요 👇
