ChatGPT Work Data 에이전트: 회사 데이터 분석부터 대시보드까지

“지난주 가입자는 늘었는데, 왜 실제로 서비스를 쓰는 사람은 줄었을까?”

회사에서 이런 질문에 답하려면 여러 단계가 필요합니다. 사용할 데이터를 찾고, 지표의 기준을 확인하고, 조건에 맞게 집계한 뒤 결과를 설명해야 합니다. 대시보드에 원하는 항목이 없으면 데이터팀에 추가 분석을 요청하기도 합니다.

OpenAI가 2026년 9월 10일 발표한 Data 에이전트는 이 과정을 대화로 진행하도록 돕습니다. ChatGPT Work에서 회사 데이터에 질문하고, 결과를 더 파고들고, 공유할 수 있는 대시보드로 만드는 기능입니다. OpenAI 공식 발표

사용자가 직접 쿼리를 작성하는 부담은 줄어듭니다. 다만 회사 데이터의 의미와 접근 권한까지 저절로 정리되는 것은 아닙니다. 이 글에서는 공식 자료를 바탕으로 기능과 활용 흐름, 도입 조건을 살펴봅니다. 직접 사용한 후기는 아니며, 정보 확인 기준일은 2026년 9월 11일입니다.

Data 에이전트로 무엇을 할 수 있나

Data 에이전트는 회사의 데이터와 업무 맥락을 활용해 지표 변화를 조사하고, 후속 질문에 답하며, 대화형 대시보드를 만듭니다. 예를 들어 매출이 줄어든 기간을 비교한 다음, 지역별로 나누어 보고, 특정 고객군의 변화를 추가로 살펴보는 식입니다. OpenAI 공식 발표

연결 대상을 역할에 따라 나누면 이해하기 쉽습니다.

OpenAI는 데이터 소스, 맥락을 제공하는 계층, 시각화 도구를 함께 연결하는 구조로 설명합니다. 서비스마다 제공하는 기능은 다르므로 개별 플러그인의 설명도 확인해야 합니다. 데이터팀 솔루션 페이지, 공식 플러그인 디렉터리

BI는 비즈니스 인텔리전스의 약자로, 회사 데이터를 보고서와 차트로 보여주는 도구를 뜻합니다. 이미 Power BI나 Tableau를 사용하는 팀이라면 기존 보고서와 지표 체계를 활용하는 방향으로 검토할 수 있습니다. 실제로 가능한 대시보드 작업은 연결 도구의 지원 범위와 계정 권한에 따라 달라집니다. Data 사용 가이드

@Data로 시작하는 분석 흐름

공식 가이드는 ChatGPT Work와 Codex에서 Data 플러그인을 사용하는 방법을 안내합니다. 기본 시작 순서는 다음과 같습니다.

1. 플러그인 목록에서 Data를 찾아 설치합니다.
2. 사용할 데이터 소스의 계정 연결과 필요한 설정을 마칩니다.
3. 대화에서 @Data를 지정하고 업무 질문을 입력합니다.

워크스페이스에서 관련 플러그인과 앱 사용이 허용되어 있어야 합니다. Data 사용 가이드

아래는 신규 사용자 분석을 가정해 이 글에서 작성한 프롬프트 예시입니다. 실제 데이터에 실행한 결과는 아닙니다.

@Data 우리 팀의 신규 사용자 활성화 지표를 분석해줘. 연결된 데이터에서 2026년 8월 2430일 가입자와 8월 31일9월 6일 가입자를 비교하고, 가입 후 72시간 안에 첫 프로젝트를 만든 비율을 구해줘. 한국 시간 기준으로 계산하고, 테스트 계정은 제외해줘. 사용한 테이블, 지표 정의, 제외 조건을 먼저 보여줘.

“활성화가 왜 떨어졌어?”라는 질문에 대상, 기간, 계산 기준을 붙인 형태입니다. 가입 후 72시간처럼 관찰 기간을 정했다면 두 집단 모두 그 시간이 충분히 지난 데이터인지도 확인해야 합니다.

첫 답변을 받은 뒤에는 다음처럼 분석을 좁혀갈 수 있습니다.

전체 평균 외에 유입 채널과 기기별로 나눠줘. 전환율이 떨어진 집단의 사용자 수를 함께 보여주고, 표본이 작은 집단은 별도로 표시해줘. 확인된 사실과 추가 검증이 필요한 가설을 구분해줘.

검토할 지표가 정리되면 결과물의 구성도 구체적으로 요청할 수 있습니다.

이 분석으로 팀 회의용 대시보드를 만들어줘. 기간별 활성화율, 유입 채널별 비교, 가입부터 첫 프로젝트 생성까지의 단계별 이탈을 보여줘. 각 차트에 지표 정의와 데이터 기준 시점을 표시해줘.

이때 “모바일 가입자의 활성화율이 낮다”는 관찰만으로 모바일 화면이 원인이라고 결론 내리면 안 됩니다. 유입 채널 구성이 달라졌거나 이벤트 수집에 문제가 생겼을 수도 있습니다. 분석 결과를 제품 변경으로 연결하려면 가능한 다른 설명을 함께 검토해야 합니다.

정확한 분석에는 회사의 지표 정의가 필요하다

Data 에이전트는 조직의 용어, 계산식, 데이터 간 관계를 참고합니다. 발표문은 그 맥락의 출처로 시맨틱 레이어와 신뢰할 수 있는 문서·코드·BI 대시보드를 제시합니다. OpenAI 공식 발표

시맨틱 레이어는 데이터의 업무상 의미를 일관되게 정의하는 체계입니다. 쉽게 말하면 회사가 함께 쓰는 지표 사전입니다. 숫자를 저장한 위치뿐 아니라, 어떤 조건으로 계산해야 하는지도 알려줍니다.

예를 들어 “활성 사용자”를 다음 중 무엇으로 정의하느냐에 따라 결과가 달라집니다.

• 한 번이라도 로그인한 사용자
• 핵심 기능을 실제로 사용한 사용자
• 유료 계정에서 핵심 기능을 사용한 사용자

따라서 앞의 프롬프트에 나온 “첫 프로젝트 생성”도 예시일 뿐입니다. 회사에 합의된 활성화 지표가 있다면 그 정의를 우선해야 합니다.

이 배경은 OpenAI가 2026년 1월 29일 공개한 내부 데이터 에이전트 구축기에서 더 자세히 볼 수 있습니다. 해당 글은 테이블 사용 정보, 사람의 주석, 데이터를 만드는 코드, 조직 지식, 메모리, 실행 중 얻는 맥락을 결합하는 방식을 설명합니다. OpenAI 내부 데이터 에이전트 구축기

다만 그 글의 대상은 OpenAI의 데이터·권한·업무 흐름에 맞춘 내부 전용 도구입니다. 그 내부 구조나 학습 방식을 이번 Data 플러그인의 제공 기능으로 그대로 옮겨 설명해서는 안 됩니다. 여기서 참고할 부분은 정확한 분석에 데이터의 맥락이 필요하다는 설계 원칙입니다.

데이터팀의 일은 어떻게 달라질까

Vijaye Raji의 기고에는 분석 방법을 다른 동료가 재사용하도록 만드는 사례가 나옵니다. 한 데이터 과학자가 중복 구독 처리 변경과 고객 문의의 관계를 조사한 뒤, 분석을 반복할 수 있는 스킬을 공유했습니다. 이후 제품 담당자는 같은 방법으로 다음 결과를 직접 확인했습니다. Vijaye Raji의 OpenAI 데이터팀 활용 사례

같은 글은 Slack에서 질문에 먼저 대응하는 내부 에이전트, 분석을 웹 대시보드로 발전시키는 작업, 데이터 과학자가 근거와 가정을 검토하는 과정도 소개합니다. 이는 OpenAI 내부 운영 사례이며, Data 설치만으로 동일한 Slack 에이전트나 사내 분석 환경이 만들어진다는 의미는 아닙니다.

이 사례에서 눈여겨볼 변화는 한 번 전달하고 끝나는 분석을, 다음 질문에도 쓸 수 있는 방법으로 남긴다는 점입니다. 실무자는 반복적인 확인을 직접 수행하고, 데이터팀은 지표 정의와 분석 품질, 실험 설계처럼 판단이 필요한 일에 더 집중할 수 있습니다.

도입 효과도 이 관점에서 측정해볼 만합니다. 대시보드를 몇 개 만들었는지에 더해, 후속 질문을 해결하는 데 걸린 시간과 잘못된 지표 정의를 수정한 횟수를 함께 기록하면 실제 업무에 도움이 되는지 판단하기 쉽습니다. 이는 내부 사례를 바탕으로 제안하는 평가 방식입니다.

설치 권한과 데이터 접근 권한은 따로 확인해야 한다

Data가 설치되어 있어도 필요한 회사 데이터에 접근하지 못할 수 있습니다. 관리자 문서는 플러그인 설치와 그 안에 포함된 앱의 접근 권한을 별도로 제어한다고 설명합니다. 앱을 쓸 수 있는 사람, 허용되는 읽기·쓰기 작업, 실행 전 승인이 필요한 조건도 서로 다른 설정입니다. 플러그인·앱 관리자 제어 가이드

Snowflake 연결은 이 차이를 보여주는 예입니다. 공식 가이드에 따르면 먼저 Snowflake에서 관리형 MCP 서버를 구성하고, 제공할 도구와 데이터 범위를 정해야 합니다. MCP 서버는 ChatGPT가 사용할 수 있는 도구를 제공하는 연결 지점입니다.

이후 연결에 사용할 Snowflake 역할에 필요한 권한을 부여하고, ChatGPT에서 서버 주소와 인증을 설정합니다. MCP 서버를 만들었다고 원본 테이블의 접근 권한까지 자동으로 생기지는 않습니다. 공식 예시는 읽기 전용 SQL을 사용하며, 쓰기 접근은 조직의 검토·승인이 있을 때 허용하도록 안내합니다. Snowflake 연동 설정 가이드

따라서 도입할 때는 “플러그인이 보이는가”와 함께 “어떤 연결 계정으로 어느 데이터와 작업에 접근하는가”를 확인해야 합니다. 조회에는 연결된 계정의 기존 테이블·행·열 제한이 적용됩니다. OpenAI 공식 발표

대시보드를 공유할 때는 복사된 데이터까지 살펴보자

공식 사용 가이드에서 특히 놓치기 쉬운 부분이 있습니다. Sites로 대시보드를 게시하면 분석에 사용한 데이터가 게시된 사이트에 복사됩니다. 게시할 때 공유 대상을 신중하게 선택해야 하는 이유입니다. 게시 후 갱신은 클라우드 자동화로 설정할 수 있으므로, 단순히 게시했다고 항상 최신 데이터가 유지된다고 생각해서도 안 됩니다. Data 사용 가이드

예를 들어 고객별 매출을 볼 수 있는 담당자가 대시보드를 만들었다면, 공유받을 사람도 그 내용을 볼 수 있는 대상인지 검토해야 합니다. 차트에 이름이 보이지 않는 것만으로 충분하다고 판단하지 말고, 게시물에 포함되는 데이터의 범위를 살펴보는 것이 좋습니다.

실무에서는 공유 목적에 맞는 집계 수준을 먼저 정하면 판단하기 쉽습니다. 팀 전체가 추세만 확인하면 되는 회의라면 고객별 상세 내역 대신 주간 합계와 증감률로 목적을 달성할 수 있습니다. 이는 데이터 복사 동작을 고려한 운영상의 제안입니다.

모델 학습과 데이터 보관도 구분해야 합니다. OpenAI는 Business·Enterprise·Edu 워크스페이스의 콘텐츠를 기본적으로 모델 학습에 사용하지 않는다고 설명합니다. 그러나 대화와 산출물에는 해당 보존 정책이 적용되고, 외부 서비스로 보낸 정보에는 그 제공자의 처리·저장 조건이 적용됩니다. 플러그인·앱 보안 가이드

첫 도입은 이미 답을 아는 질문부터

첫 시험으로는 기존 보고서에서 정답과 계산 기준을 확인할 수 있는 질문이 적합합니다. 예를 들어 지난달 채널별 신규 가입자를 같은 기간·시간대·제외 조건으로 다시 집계해보는 방식입니다.

숫자가 다르면 데이터 소스, 중복 제거 방식, 필터, 집계 시점을 하나씩 비교할 수 있습니다. 일치하는 기준을 확보한 뒤 “특정 채널의 가입자가 왜 줄었는가”처럼 더 열린 질문으로 넘어가면 결과를 검토하기 수월합니다.

Data 에이전트를 도입할 때 마련해야 할 것은 질문을 입력할 창구와 함께, 답을 판단할 기준입니다. 첫 분석의 정의와 근거를 확인하고, 다음에도 쓸 수 있도록 팀의 맥락을 정리하는 일부터 시작해보세요.

실제 시연을 더 살펴보고 싶다면 공식 웨비나 How Our Data Analytics Team Uses ChatGPT Work를 참고할 수 있습니다. 이 글의 기능 설명과 사용 조건은 본문에 연결한 발표문과 문서에서 확인한 내용을 기준으로 작성했습니다.