앤트로픽(Anthropic)이 자사 AI 모델 클로드(Claude)를 내부 비즈니스 분석에 전면 적용해 전체 쿼리의 약 95%를 자동화했다고 밝혔다. 데이터과학·데이터엔지니어링팀 5명이 이 결과를 공개 보고서로 정리했으며, 핵심은 모델 성능 향상이 아니라 데이터 기반 구축에 있다고 강조했다.
보고서에 따르면 클로드는 초기에 분석 질문에 대해 21%의 정확도를 보였다. 그러나 분석 워크플로와 비즈니스 맥락을 ‘스킬(skill)’로 체계화해 제공한 이후 정확도는 95% 이상으로 올랐고, 일부 도메인에서는 99%에 근접했다. 앤트로픽은 이 전환이 AI 모델의 능력 자체보다 데이터 플랫폼의 품질에 달려 있다고 설명했다. 자동화된 분석 덕분에 데이터과학팀은 반복적인 쿼리 처리 대신 인과 모델링, 예측, 머신러닝 등 전략적 업무에 집중할 수 있게 됐다고 덧붙였다.
앤트로픽이 공개한 시스템 구조는 네 개의 계층으로 이뤄져 있다. 첫 번째는 관리되는 데이터 모델과 메트릭·메타데이터로 구성된 데이터 기반 계층이다. 두 번째는 시맨틱 정의, 데이터 계보(lineage), 비즈니스 맥락을 담은 지식 계층이다. 세 번째는 반복 가능한 분석 워크플로를 인코딩한 스킬 계층이고, 네 번째는 출력 결과의 정확성과 일관성을 검증하는 유효성 검증 계층이다. 이 중 지식 계층의 역할이 핵심으로, ‘주간 활성 사용자’처럼 모호한 질문을 데이터 모델 안의 명확한 정의로 연결하는 역할을 한다.
보고서는 성공적인 AI 분석 자동화의 세 가지 원칙으로 지표의 단일 진실 소스 유지, 올바른 데이터를 쉽게 찾을 수 있는 환경 구성, 그리고 오래된 정의를 지속적으로 감지·갱신하는 체계를 꼽았다. 데이터 커뮤니티 일각에서는 분석 결과가 결정론적이고 멱등성(idempotent)을 가져야 한다는 반론도 나왔다. 시맨틱 레이어 전문가들은 앤트로픽의 접근법이 사실상 잘 설계된 시맨틱 레이어를 AI 에이전트에 연결한 구조라고 평가했다.
이번 사례는 엔터프라이즈 AI 도입 시 모델 선택보다 데이터 준비 수준이 실제 성과를 결정한다는 점을 보여준다. AI 성능은 종종 모델 능력보다 맥락 정의의 품질에 의해 제약받는다는 분석이 현장 사례로 뒷받침된 셈이다. 앤트로픽은 분석 에이전트를 안내하는 데 쓰인 스킬 파일의 수정된 템플릿도 보고서 부록에 공개했다.
