데이터 웨어하우스 AI 연동, Sigma AI Query로 분석부터 실행까지
2026.04.14
Sigma AI Query는 Snowflake, BigQuery 등 클라우드 데이터 웨어하우스에 AI를 직접 연결해, 데이터를 추출하거나 옮기지 않고도 분석부터 실행까지 처리할 수 있게 해주는 Sigma Computing의 기능이다
🤔 AI를 도입했는데, 왜 우리 업무는 그대로일까요?
최근 많은 기업이 막대한 예산을 들여 AI를 도입하고 다양한 실험을 진행 중입니다. 그런데 이상하게도 데이터를 다루는 현장의 업무 방식은 평소와 크게 달라지지 않았습니다.
많은 사람들이 여전히 데이터를 엑셀로 내려받아 가공하고, 필요한 분석은 관련 팀에 요청 후 계속 기다립니다.
이 문제는 AI의 한계 일까요? 실은 더 근본적인 이유가 있습니다. AI가 실제 업무 데이터와 연결되지 않았다는 것입니다.
🔖 이런 내용을 담고 있어요
AI 도입의 딜레마: 전사적인 AI 도입에도 불구하고 실무가 여전히 엑셀 중심인 이유는 AI 모델과 실제 데이터 웨어하우스가 단절되어 있기 때문입니다.
시그마의 해결책 (Sigma AI Query): 웨어하우스가 가진 AI 함수를 SQL 없이 Sigma 수식으로 직접 호출해, 다양한 작업을 데이터 테이블 위에서 바로 실행합니다.
시그마의 2가지 함수: 웨어하우스의 내장 AI 함수를 직접 호출하는 전문가용 '패스스루(Passthrough) 함수'와, 관리자가 복잡한 수식을 숨겨 일반 실무자도 쉽게 활용할 수 있는 '사용자 지정(Custom) 함수'를 만들 수 있습니다.
분석에서 실행으로: 데이터를 단순히 조회하는 것을 넘어, AI가 조치를 추천하고 사용자가 이를 승인하면 결과를 웨어하우스에 직접 기록(Writeback)하는 실질적인 비즈니스 워크플로우를 구축합니다.
📚 목차
1. 문제의 본질: AI가 아니라 데이터 단절
2. Sigma AI Query: AI와 데이터의 연결 방식
3. 분석가부터 실무자까지, 모두를 위한 맞춤형 구조
4. 분석에서 실행(Writeback)까지 이어지는 완벽한 루프
5. 결국 바뀌는 것: “분석 조직”에서 “실행 조직”으로
1. 문제의 본질: AI가 아니라 데이터 단절
많은 조직이 간과하는 사실이 하나 있습니다. AI는 데이터 위에서 작동합니다. 학습이든 추론이든, 데이터가 없으면 AI는 할 수 있는 게 없습니다.
하지만 실제 업무 환경은 어떨까요?
데이터는 여러 시스템에 흩어져 있고, 필요한 순간에 바로 접근하기 어렵습니다. 실무자가 데이터 웨어하우스에 직접 접근하지 못하다 보니, 결국 엑셀로 데이터를 추출해 수작업으로 분석하고 그 결과를 별도로 공유해야 하는 비효율이 반복됩니다.
이렇게 단절된 업무 과정 속에서는 아무리 뛰어난 AI라도 끼어들 틈이 없습니다. AI 성능이 아무리 좋아도 실제 비즈니스 데이터와 연결되지 않으면 무용지물일 뿐입니다. 즉, AI가 실제 우리의 업무를 돕게 하려면 AI와 데이터가 단절된 '구조'부터 바꿔야 합니다.
핵심은 AI와 데이터가 직접 연결되는 구조
이 문제를 해결하려면 단순히 AI를 "도입"하는 것만으로는 부족합니다. AI가 실제 데이터와 연결 할 수 있는 구조를 만들어야 합니다. 데이터를 옮기지 않고, 중간 가공 없이, 필요한 순간 바로 AI가 접근해서 처리할 수 있어야 합니다.
이렇게 되면 무엇이 달라질까요?
실무자가 직접 데이터 기반 질문을 던질 수 있고
분석 결과를 기다릴 필요 없이 즉시 확인할 수 있으며
단순 조회를 넘어 실제 업무 실행까지 이어질 수 있습니다
AI는 더 이상 "보조 도구"가 아니라, 업무 흐름 안에서 직접 작동하는 도구가 됩니다.
중요한 건 AI를 얼마나 도입했느냐가 아니라, AI가 데이터와 얼마나 잘 연결되어 있느냐입니다.
2. Sigma AI Query: AI와 데이터의 연결 방식
많은 기업이 이미 데이터 웨어하우스를 잘 구축해두었습니다. 문제는 기존 프로세스에 AI를 붙이면서 복잡한 파이프라인이나 추가 개발이 필요해지기 때문입니다.
Sigma AI Query는 이 문제를 다른 방식으로 접근합니다. 새로운 시스템을 구축하거나 별도의 AI 환경을 세팅하는 대신, 이미 있는 데이터 위에 AI를 바로 연결합니다. 이를 통해 데이터를 옮기거나 복제할 필요가 없습니다.
사용자는 챗봇에 질문하듯 자연어 프롬프트로 Sigma 안의 테이블 데이터(Tabular Data)를 직접 다룰 수 있습니다. 기술 수준에 상관없이 누구나 데이터에서 답을 얻고, 데이터셋을 보강하고, 반복적인 프로세스를 줄이고, 나아가 AI 기반 애플리케이션까지 만들 수 있습니다.
또한 사용자의 자연어 요청은 데이터 웨어하우스에서 즉각적으로 실행됩니다. 특히 Sigma는 특정 환경에 종속되지 않아 Snowflake, Databricks, BigQuery 등 연결된 모든 웨어하우스에서 동일한 워크플로우를 실행합니다.
이 예시에서 AI Query는 수천 개의 제품 리뷰에 Snowflake의 AI_SENTIMENT 함수를 실행하여 즉각적인 인사이트를 추출합니다.
3. 분석가부터 실무자까지, 모두를 위한 맞춤형 구조
AI 기능을 도입해도 결국 쓰는 사람만 씁니다. SQL을 다룰 줄 아는 분석가는 활용하지만, 현업 실무자에게는 여전히 남의 이야기가 되는 경우가 대부분입니다.
Sigma AI Query는 이 간극을 두 가지 함수로 풉니다. 기술이 있는 사람에게는 웨어하우스 기능을 직접 연결하는 통로를, 기술이 없는 사람에게는 그 복잡한 과정을 완전히 숨긴 지름길을 제공합니다.
전문가를 위한 강력한 연결: 패스스루(Passthrough) 함수
SQL을 모르면 웨어하우스 함수는 그냥 남의 이야기입니다. 패스스루 함수는 이 장벽을 크게 허물어줍니다.
Sigma는 기본적으로 사용자가 클릭하고 드래그하는 UI 동작을 SQL로 자동 변환해 웨어하우스에 전달합니다. 패스스루 함수는 여기서 한 발 더 나아가, 웨어하우스가 자체적으로 제공하는 AI 함수를 Sigma 수식에서 직접 호출할 수 있게 해줍니다. 사용자가 Sigma에서 함수를 입력하면, Sigma가 필요한 데이터를 웨어하우스로 넘기고 결과를 받아 화면에 표시합니다. SQL 한 줄 없이도 웨어하우스의 AI 기능을 그대로 쓸 수 있는 구조입니다.
Sigma의 패스스루( CALL_TEXT)함수로 Snowflake의 AI_TRANSLATE 기능을 실행해 간편하게 언어를 변환하는 방법을 알아보세요. (이미지 클릭 시 영상 재생)
예를 들어, 데이터 웨어하우스의 AI_TRANSLATE 기능으로 프랑스어 텍스트를 영어로 변환한다고 해보겠습니다.
함수 및 구문 확인: 웨어하우스 문서에서 정확한 함수 이름(AI_TRANSLATE)과 필수 인수(번역할 텍스트, 소스 언어 FR, 대상 언어 EN)를 확인합니다.
패스스루 함수 선택: 번역 결과는 텍스트이므로 CALL_TEXT 함수를 선택합니다.
수식 구성: 사용자가 복잡한 SQL을 직접 짤 필요 없이, Sigma 수식 입력줄에 CALL_TEXT("AI_TRANSLATE", [French_Column], "fr", "en")와 같이 직관적으로 결합하여 입력합니다.
이 방식은 AI_COMPLETE 같은 고급 함수에도 그대로 적용됩니다. 사용자 지정 프롬프트를 결합해 대량 문서의 요약이나 감정 분석 같은 작업도 수행할 수 있습니다.
실무자를 위한 접근성: 사용자 지정(Custom) 함수
패스스루 함수가 강력하긴 하지만, 정확한 웨어하우스 함수명이나 인자 순서, 데이터 유형 등을 알아야 한다는 점에서 여전히 기술적 지식이 필요합니다.
사용자 지정(Custom) 함수는 이 복잡함을 전부 숨깁니다. 데이터 팀(관리자)이 복잡한 패스스루 함수를 사용자 친화적인 '이지 버튼(Easy Button)' 형태로 미리 감싸는 방식입니다.
관리자가 Complete() 같은 맞춤형 함수를 설정해, 누구나 쉽게 AI 요약 및 답변 기능을 이용하는 방법을 알아보세요. (이미지 클릭 시 영상 재생)
앞선 번역 예시를 사용자 지정 함수로 바꾸면, 업무 경험이 크게 달라집니다.
관리자 설정: 관리자 패널에서 새 사용자 지정 함수를 만듭니다. 함수 이름을 TRANSLATE_FRENCH_TO_ENGLISH로 지정하고, 내부에 패스스루 함수(CALL_TEXT), 웨어하우스 함수명(AI_TRANSLATE), 소스/대상 언어("fr", "en")를 하드코딩합니다.
사용자 인수 정의: 함수가 받는 인수는 번역할 데이터 열 하나뿐입니다. 나머지 기술적 설정은 전부 관리자 쪽에서 처리됩니다.
사용자 경험: 최종 사용자는 TRANSLATE_FRENCH_TO_ENGLISH라는 직관적인 함수명을 입력하고, 프랑스어 데이터 열만 선택하면 끝입니다.
이 Complete() 사용자 지정 함수를 사용하면, 일반 사용자 누구나 AI에게 영업 통화 메모를 요약하도록 쉽게 요청하고 원하는 구조화된 형식으로 결과를 반환받을 수 있습니다.
실무자는 프롬프트를 어떻게 써야 할지, 데이터 구조가 어떻게 되어 있는지 신경 쓸 필요가 없습니다. 직관적인 함수명을 선택하고 데이터 열(Column)만 클릭하면 됩니다. 프롬프트 엔지니어링이나 SQL 지식이 없는 사람도 AI를 업무에 바로 쓸 수 있습니다.
4. 분석에서 실행(Writeback)까지 이어지는 완벽한 루프
대부분의 BI 도구는 데이터를 분석하고 시각화하는 데 머무릅니다. 하지만 실제 비즈니스에서는 분석 그 자체보다 분석 이후의 행동이 훨씬 중요합니다.
Sigma AI Query는 사람의 판단을 대체하지 않습니다. 대신 판단에 필요한 정보를 빠르게 준비하고, 판단 이후 실행까지 하나의 흐름으로 이어줍니다. 이 과정은 세 단계로 구성됩니다
인사이트 생성 (Insight Generation): AI가 고객 리뷰 등의 데이터를 분석하여 "이 제품은 업데이트가 필요합니다"와 같은 권고 내용을 먼저 생성합니다.
사람의 검토 (Human Review): 제안된 내용은 대화형 AI 앱에 직관적으로 표시되어, 담당자가 비즈니스 맥락에 맞게 정확한 판단을 내릴 수 있습니다.
실행 및 기록 (Action & Writeback): 담당자가 승인 버튼을 클릭하면, 그 결과(예: "조치: 승인됨")가 데이터 웨어하우스에 즉시 기록되어 후속 업무로 연결됩니다.
이 루프가 하나의 도구 안에서 끊기지 않고 돌아간다는 것이 핵심입니다. AI의 역할이 "질문에 답하는 수준"에서 "업무를 직접 움직이는 수준"으로 넓어질 때, 조직의 데이터 활용 방식은 달라집니다!
5. 결국 바뀌는 것: “분석 조직”에서 “실행 조직”으로
지금까지 데이터와 AI를 직접 연결해 비즈니스 실행력을 높이는 Sigma AI Query에 대해 살펴보았습니다.
AI 모델의 성능 보다 중요한 건 그 AI가 실제 업무 데이터와 연결되는 구조입니다. AI가 데이터와 직접 연결되는 순간, 분석, 의사결정, 실행으로 흐름이 연결됩니다. 그리고 이 흐름이 만들어지면 데이터 활용의 주체도 바뀝니다. 기존에는 데이터팀이 중심이었다면, 이제는 실무자가 직접 데이터를 활용하게 됩니다.
이제 중요한건 AI를 도입하는 것 자체가 아니라, 업무 흐름 안에 자연스럽게 녹여내는 것입니다.
그 결과 조직은 더 이상 "분석을 잘하는 조직"에 머무르지 않고, "빠르게 실행하고, 그 결과를 다시 데이터로 연결하는 조직"으로 바뀌게 됩니다.
마지막으로 이 질문을 우리 조직에 던져보시기 바랍니다. 데이터와 AI가 흐르고, 누구나 쉽게 인사이트를 얻으며, 곧바로 비즈니스 실행으로 이어지는 것이 목표라면, 지금이 Sigma Computing을 검토할 때입니다.
SPH는 Sigma Computing 공식 파트너로서 귀사의 데이터 환경에 맞는 도입 방식을 함께 설계하며, '실제로 쓰이는' AI 데이터 환경을 지원합니다.
전문 컨설팅: Snowflake, BigQuery 등 클라우드 데이터 플랫폼과의 최적화된 아키텍처 제안
맞춤형 교육: 현업 담당자들이 Sigma를 엑셀처럼 바로 쓸 수 있도록 실무 중심 가이드 제공
AI를 도입했지만 실무에서 제대로 활용되지 않아 고민이신가요? 성공적인 AI 도입의 정답은 단절된 '기술'이 아니라 데이터와 비즈니스를 하나로 연결하는 '구조'일 것입니다.
SPH와 함께 실제 업무에서 작동하는 데이터 환경을 만들어보세요!
*본 글은 Sigma Computing 파트너사 SPH가 Sigma Computing 공식 블로그의 글을 번역·재구성한 내용입니다.
