데이터를 가진 것과, 데이터에 물어보는 것은 다르다
값진 위치 데이터를 가지고도, 그것을 다룰 전문가가 없어 묻혀두던 조직이 있었다. 복잡한 GIS 기술 대신 평범한 질문 한 줄로 위치 데이터에 답을 구하게 되기까지. CHANSWER가 설계한 접근의 구조.
데이터는 있는데, 물어볼 사람이 없었다
위치 기반 서비스와 센서가 퍼지고 위성·항공 이미지의 비용이 떨어지면서, 공간 데이터는 기업의 전략적 자산이 되었다. 어디에 매장을 낼지, 어느 지역에 위험이 몰려 있는지, 어떤 경로가 가장 효율적인지 — 이 모든 답이 위치 데이터 안에 있다. 그런데 그 데이터를 실제로 활용하는 일은 전혀 다른 문제였다.
우리가 만난 조직도 그랬다. 그들은 풍부한 위치 데이터를 가지고 있었다. 문제는 그것을 다룰 수 있는 사람이 거의 없었다는 것이다. 공간 데이터는 크기가 테라바이트 단위로 방대하고, 형식이 제각각이며, 복잡한 공간 연산을 요구한다. 이걸 다루려면 전용 데이터베이스 언어와 GIS 함수, 좌표계 처리, 공간 색인 최적화 같은 전문 기술을 알아야 한다. 결국 위치 데이터에 관한 모든 질문은 소수의 전문가에게 몰렸고, 그 병목 때문에 정작 답이 필요한 현업 담당자는 며칠씩 기다려야 했다.
“우리 매장 반경 2km 안에 경쟁업체가 얼마나 밀집해 있나” 같은 질문조차, 현업 담당자가 직접 던질 수 없었다. 그는 전문가에게 요청을 넣고, 전문가가 복잡한 쿼리를 짜고, 결과가 돌아오기를 기다려야 했다. 값진 데이터를 가지고도, 그것에 직접 물어볼 수 없던 상태. 이것이 우리가 함께 풀어야 할 문제였다.
데이터의 가치는 그것을 다룰 수 있는 사람의 수에 묶여 있었다. 그리고 그 수가 너무 적었다.
진입점에서 코드가 사라진다
이 고민은 한 조직만의 것이 아니다. 그리고 공간 분석의 방식 자체가 근본적으로 바뀌고 있다.
오랫동안 GIS의 기술적 복잡성은 비전문가의 접근을 가로막아 왔다. 위치 데이터로 의사결정을 내릴 수 있는 사람과, 그러고 싶지만 기술이 없어 못 하는 사람 사이에 높은 벽이 있었다. 그런데 생성형 AI가 이 벽을 허물기 시작했다. 자연어로 지리 데이터와 대화하게 되면서, 코딩이나 전문 소프트웨어 없이도 공간의 패턴과 근접성, 군집에 관한 복잡한 질문을 던질 수 있게 된 것이다. 한 업계 표현을 빌리면, ‘GIS를 위한 ChatGPT’다.
가장 상징적인 변화는 이것이다. 공간 분석의 진입점에서 코드가 사라지고 있다. 한 연구에서는 비개발자가 “15분 운전 거리 안에 클리닉이 가장 적은 카운티는 어디인가”라고 평범한 말로 묻자, 시스템이 답과 함께 재현 가능한 분석까지 내놓았다. 전문가가 며칠 걸려 하던 일을, 현업 담당자가 한 문장으로 묻고 즉시 답을 받는 시대가 온 것이다.
질문은 더 이상 “어떻게 쿼리를 짜는가”가 아니다. “무엇을 알고 싶은가”다.
평범한 질문을 공간의 답으로 바꾼다
CHANSWER가 이 조직과 함께 설계한 것은 더 강력한 GIS 도구가 아니었다. 누구나 평범한 말로 위치 데이터에 물어볼 수 있는, 접근의 다리였다.
말을 공간 연산으로 번역한다
핵심은 자연어를 공간 연산으로 옮기는 일이었다. 현업 담당자가 일상의 언어로 던진 질문 — “이 지역 반경 안의 경쟁업체 밀집도” 같은 — 을, 시스템이 정확한 공간 질의로 번역하게 했다. 사용자는 복잡한 함수나 좌표계를 알 필요가 없다. 묻고 싶은 것을 말로 묻기만 하면, AI가 그것을 실행 가능한 공간 분석으로 옮긴다. 전문가의 언어를 모두의 언어로 바꾸는 일이다.
빠르게 답할 수 있도록 구조를 세운다
자연어를 번역하는 것만으로는 충분하지 않았다. 테라바이트 단위의 공간 데이터에서 답을 빠르게 끌어오려면, 그 밑에 단단한 구조가 필요했다. 좌표계를 통일하고, 공간 색인을 세우고, 자주 쓰이는 영역을 미리 처리해두는 작업이다. 사용자는 한 문장을 던지지만, 그 뒤에서는 방대한 데이터를 효율적으로 좁혀 답을 찾는 정교한 설계가 돌아간다. 이 기반 공사가 CHANSWER의 STRUCTURE 프로그램이 다루는 영역이다.
모호함을 되묻고 검증한다
자연어에는 늘 모호함이 따른다. 같은 말이 여러 뜻으로 읽힐 수 있고, 사용자가 빠뜨린 조건도 있다. 그래서 우리는 시스템이 모호한 질문을 그냥 추측해 답하지 않고, 필요하면 되묻도록 했다. “어느 기간을 기준으로 볼까요”, “이 지역의 범위는 어디까지인가요” 하고 확인하는 것이다. 그리고 AI가 생성한 분석이 엉뚱한 방향으로 가지 않도록, 규칙 기반의 검증 장치를 두어 결과를 점검했다. 빠른 답보다 믿을 수 있는 답이 먼저였기 때문이다.
AI가 못하는 자리를 분명히 한다
이 작업에서 우리가 정직하게 그은 선이 있다. 자연어 인터페이스가 모든 것을 해결하지는 않는다는 것이다.
AI는 평범한 질문을 공간 분석으로 옮기는 데 뛰어나지만, 약한 자리도 분명하다. 정밀한 수치 계산이나 고급 수학적 추론이 필요한 분석에서는 실수가 생길 수 있고, 모호한 데이터 이름 앞에서는 엉뚱한 것을 골라낼 수도 있다. 실제로 한 평가에서 AI 모델은 GIS 개념 시험을 우수하게 통과했지만, 정밀한 수치 계산에서는 한계를 드러냈다.
그래서 우리는 AI를 만능 해결사가 아니라, 전문가와 현업 사이를 잇는 다리로 설계했다. 일상적이고 반복적인 질문은 현업 담당자가 직접 자연어로 해결하고, 정밀함과 깊은 판단이 필요한 분석은 여전히 전문가가 맡는다. AI가 전문가를 대체하는 것이 아니라, 전문가에게 몰리던 단순 질문의 부담을 덜어 전문가가 진짜 어려운 일에 집중하게 만드는 것이다. 검증 장치를 둔 것도 같은 이유다. 자동화가 빠르게 답하되, 그 답을 신뢰할 수 있는지를 늘 점검하는 구조다.
누구나 데이터에 물어보기 시작했다
전환 이후 가장 크게 달라진 것은, 위치 데이터에 물어볼 수 있는 사람의 수였다.
전에는 소수의 전문가만 다룰 수 있던 데이터를, 이제 현업 담당자 누구나 평범한 말로 물어보게 되었다. 매장 후보지를 검토하던 담당자는 경쟁업체 분포와 유동인구를 직접 질의했고, 리스크를 분석하던 담당자는 특정 지역의 위험을 실시간으로 확인했다. 전문가에게 요청을 넣고 며칠을 기다리던 일이, 한 문장을 던지고 즉시 답을 받는 일로 바뀌었다.
그러자 의사결정의 속도가 빨라졌다. 더 중요하게는, 더 많은 질문이 던져지기 시작했다. 전문가의 시간을 빌려야 했을 때는 정말 중요한 질문만 골라서 물었지만, 누구나 직접 물어볼 수 있게 되자 작은 호기심도 곧바로 데이터로 확인하게 되었다. 데이터의 가치가, 그것을 다룰 수 있는 소수의 수에서 풀려나 조직 전체로 퍼진 것이다.
그리고 전문가들은 오히려 더 가치 있는 일을 하게 되었다. 단순 질의의 부담을 내려놓은 그들은, 정밀한 분석과 깊은 판단이 필요한 진짜 어려운 문제에 집중할 수 있게 되었다.
조직에 남는 것은 접근의 구조다
CHANSWER의 모든 작업에는 하나의 원칙이 있다. 우리가 만든 것이 고객의 자산으로 남아야 한다는 것.
이 프로젝트가 끝난 뒤 조직에 남은 것은 질의 도구 하나가 아니다. 누구나 자기 데이터에 직접 물어볼 수 있는 접근의 구조가 남았다. 평범한 말을 공간의 답으로 옮기는 다리, 그 답을 빠르고 믿을 수 있게 만드는 기반, 그리고 AI가 잘하는 일과 사람이 맡아야 할 일을 나누는 분별이 조직 안에 자리 잡았다.
이 구조를 가진 조직은, 위치에 관한 질문이 떠오를 때마다 전문가의 일정을 기다리지 않는다. 직접 묻고, 직접 확인하고, 직접 결정한다. 데이터의 가치는 그것을 가진 것만으로 생기지 않는다. 누구나 그것에 물어볼 수 있을 때 비로소 자산이 된다.
복잡한 기술을 추상화해 누구나 쓸 수 있게 만드는 일은, 결국 데이터를 소수의 손에서 풀어 모두의 손에 쥐여주는 일이다. 그리고 그 접근이 정확한 검증 위에 설 때에만, 빠른 답은 믿을 수 있는 답이 된다.
적용을 고민하는 분들께
지금 조직에서 다루기 어려운 전문 데이터를 안고 계신다면, 우리의 경험에서 세 가지를 권한다.
하나, 데이터의 가치를 다룰 수 있는 사람 수로 재지 마세요. 아무리 값진 데이터도 소수의 전문가만 다룰 수 있다면, 그 가치는 그 소수의 시간에 묶입니다. 누구나 평범한 말로 물어볼 수 있게 만드는 것이, 데이터를 진짜 자산으로 푸는 길입니다.
둘, 자연어 위에 단단한 구조를 두세요. 말로 묻게 하는 것은 표면일 뿐입니다. 그 뒤에서 방대한 데이터를 빠르고 정확하게 좁혀내는 기반이 없으면, 자연어 인터페이스는 그럴듯하지만 느리고 부정확한 도구가 됩니다.
셋, AI가 못하는 자리를 분명히 하세요. 자연어 질의는 일상적인 질문에 강하지만, 정밀한 계산이나 깊은 판단에는 약합니다. AI가 단순 질의를 맡고 전문가가 어려운 분석에 집중하는 분업이, 가장 현실적이고 신뢰할 수 있는 구조입니다.
데이터를 가진 것과 데이터에 물어볼 수 있는 것은 다릅니다. 전문가만의 영역이던 질문을 누구나 던질 수 있게 될 때, 데이터는 비로소 조직 전체의 자산이 됩니다. 단, 그 접근이 정확한 검증 위에 설 때에만 그렇습니다.
이 사례와 연결된 프로그램
- STUDIO · 공동 창작 워크숍 — 조직이 직접 참여해 자기 데이터에 묻는 도구를 함께 만든다
- STRUCTURE · 지식 온톨로지 — 방대한 데이터를 빠른 질의가 가능한 자산으로 구조화
- VERTICAL · 도메인 특화 파트너십 — 물류·리테일·보험 등 산업의 공간 질의에 특화된 설계
CHANSWER는 기회를 답으로, 답을 역량으로 옮기는 일을 합니다. 당신의 조직에 누구도 직접 물어보지 못하는 데이터가 있는지 들려주세요. 그 데이터에 평범한 말로 묻는 길부터 함께 열겠습니다.
Comments are closed.