최근 많은 기업이 LLM(대규모 언어 모델)을 단순한 챗봇을 넘어, 스스로 도구를 사용하고 데이터를 조회하는 ‘AI 에이전트’로 진화시키려 노력하고 있습니다. 하지만 실제 프로덕션 환경에 에이전트를 배포한 개발자들이 공통적으로 마주하는 거대한 벽이 있습니다. 바로 데이터의 파편화와 포맷 불일치입니다. LLM이 아무리 정교한 SQL 쿼리를 생성하더라도, A 데이터베이스의 사용자 ID는 UUID 형태인데 B 데이터베이스의 ID는 정수형(Integer)이거나 특정 접두사가 붙은 문자열이라면, 두 데이터를 조인(Join)하는 순간 에이전트는 ‘결과 없음’이라는 잘못된 답변을 내놓게 됩니다.

이 문제는 단순한 코딩 실수가 아니라, 현대 기업의 레거시 시스템이 가진 구조적 한계에서 기인합니다. 서로 다른 시기에 구축된 시스템, 서로 다른 벤더의 솔루션들이 얽혀 있는 환경에서 AI 에이전트가 ‘자율적으로’ 데이터를 통합하길 기대하는 것은 무리가 있습니다. 결국 AI의 지능보다 중요한 것은, AI가 활동할 수 있는 데이터 환경의 엔지니어링 회복탄력성(Engineering Resilience)을 구축하는 일입니다.

AI 에이전트가 겪는 ‘키 포맷 미스매치’의 본질

AI 에이전트가 텍스트-투-SQL(Text-to-SQL) 기능을 통해 여러 DB를 넘나들며 데이터를 조회할 때, 가장 빈번하게 발생하는 오류는 ‘논리적 연결의 단절’입니다. 예를 들어, 고객 관리 시스템(CRM)에서는 고객 식별자를 CUST_12345로 저장하지만, 결제 시스템에서는 12345라는 숫자 값으로만 저장하고 있을 수 있습니다. 인간 개발자라면 REPLACE 함수를 쓰거나 데이터 타입을 캐스팅(Casting)하여 해결하겠지만, AI는 스키마 정보만으로는 이러한 암묵적인 규칙을 알 수 없습니다.

이러한 불일치는 단순히 데이터 타입의 차이를 넘어 다음과 같은 형태로 나타납니다.

• 포맷의 불일치: 대소문자 구분, 공백 포함 여부, 하이픈(-)이나 언더바(_)의 사용 차이.
• 인코딩의 차이: UTF-8과 EUC-KR 등 서로 다른 문자 인코딩으로 인한 키 값 변형.
• 버전 불일치: 최신 API는 새로운 키 포맷을 사용하지만, 레거시 DB는 구형 포맷을 유지하는 경우.

프롬프트 엔지니어링 vs 하네스 엔지니어링

많은 이들이 이 문제를 해결하기 위해 프롬프트에 “A DB의 ID에서 ‘CUST_’를 제거하고 B DB와 조인해”라고 지시하는 ‘프롬프트 엔지니어링’에 매달립니다. 하지만 이는 매우 위험한 접근입니다. 데이터 포맷이 변경될 때마다 수천 개의 프롬프트를 수정할 수는 없으며, LLM의 할루시네이션(환각)으로 인해 잘못된 변환 로직이 적용될 가능성이 크기 때문입니다.

여기서 필요한 개념이 바로 하네스 엔지니어링(Harness Engineering)입니다. 프롬프트 엔지니어링이 ‘어떻게 말할 것인가’에 집중한다면, 하네스 엔지니어링은 AI가 안전하고 정확하게 작동할 수 있도록 하는 ‘실행 환경과 제약 조건’을 설계하는 것입니다. 즉, AI에게 변환 로직을 맡기는 것이 아니라, AI가 호출하는 API나 미들웨어 층에서 데이터 포맷을 표준화하여 제공하는 인프라적 접근이 필요합니다.

기술적 구현 전략: 시맨틱 레이어의 도입

키 포맷 미스매치를 근본적으로 해결하기 위해서는 AI와 DB 사이에 시맨틱 레이어(Semantic Layer) 또는 가상화 뷰(Virtualized View)를 배치해야 합니다. AI 에이전트가 직접 물리적 테이블에 접근하게 하는 대신, 표준화된 인터페이스를 통해 데이터에 접근하게 만드는 방식입니다.

구체적인 구현 단계는 다음과 같습니다.

• 메타데이터 매핑 테이블 구축: 각 DB의 키 포맷 특성을 정의한 메타데이터 저장소를 운영합니다. (예: DB_A.user_id $\rightarrow$ Strip ‘CUST_’ $\rightarrow$ Standard_ID)
• 동적 쿼리 변환기(Query Transformer) 구현: AI가 생성한 SQL을 실행하기 전, 메타데이터를 참조하여 조인 키 부분을 자동으로 보정하는 인터셉터를 배치합니다.
• 표준 식별자(Canonical ID) 체계 도입: 내부적으로 모든 시스템을 관통하는 단일 표준 ID 체계를 정의하고, 각 DB의 로컬 ID와 표준 ID를 연결하는 매핑 테이블을 관리합니다.

접근 방식별 장단점 비교

실무 적용 사례: 이커머스 통합 분석 에이전트

한 글로벌 이커머스 기업은 마케팅 DB(PostgreSQL)와 물류 DB(Oracle)를 통합 조회하는 AI 에이전트를 구축했습니다. 마케팅 DB는 이메일 주소를 키로 사용했지만, 물류 DB는 내부 숫자 ID를 사용했습니다. 초기에는 LLM에게 두 테이블의 관계를 설명하고 조인하도록 했으나, 이메일 주소의 대소문자 구분 문제와 일부 누락된 데이터로 인해 조인 성공률이 60%에 그쳤습니다.

이들은 전략을 수정하여 ‘ID 리졸버(ID Resolver)’라는 마이크로서비스를 도입했습니다. AI 에이전트가 “A 고객의 배송 상태를 알려줘”라고 요청하면, 에이전트는 먼저 ID 리졸버를 통해 이메일 주소를 물류 ID로 변환한 뒤, 변환된 ID를 가지고 물류 DB에 쿼리를 날리는 방식으로 프로세스를 분리했습니다. 그 결과, 조인 정확도는 99%로 상승했으며, LLM의 토큰 사용량 또한 쿼리 단순화 덕분에 20% 감소하는 효과를 거두었습니다.

실무자를 위한 단계별 액션 가이드

지금 당장 AI 에이전트의 데이터 통합 문제를 해결해야 하는 개발자와 PM이라면 다음 단계를 밟으십시오.

• 1단계: 데이터 인벤토리 작성 – AI가 접근해야 하는 모든 DB의 조인 키 포맷을 전수 조사하십시오. 단순히 타입(String, Int)뿐만 아니라 실제 값의 패턴(Prefix, Suffix, Case)을 기록하십시오.
• 2단계: 실패 패턴 분석 – AI 에이전트가 생성한 쿼리 중 ‘결과 없음’이 발생한 사례를 수집하여, 그것이 실제 데이터 부재인지 아니면 포맷 불일치로 인한 조인 실패인지 구분하십시오.
• 3단계: 추상화 계층 설계 – 가장 빈번하게 발생하는 불일치 패턴 3가지를 선정하여, 이를 자동으로 처리해주는 SQL 뷰(View)나 API 래퍼(Wrapper)를 먼저 구축하십시오.
• 4단계: 피드백 루프 구축 – AI가 조인 실패를 감지했을 때, 이를 개발자에게 알리고 메타데이터 매핑 테이블에 자동으로 추가 제안을 하는 파이프라인을 만드십시오.

결론: 지능보다 중요한 것은 구조다

AI 모델의 성능이 비약적으로 발전하고 있지만, 모델이 스스로 기업의 복잡한 레거시 데이터 구조를 추론해서 해결해주길 기대하는 것은 위험한 도박입니다. 진정한 AI 에이전트의 성능은 LLM의 파라미터 수가 아니라, 그 모델이 데이터를 얼마나 깨끗하고 일관되게 읽어들일 수 있는가 하는 데이터 엔지니어링의 완성도에서 결정됩니다.

결국 엔지니어링 회복탄력성이란, 시스템의 일부가 불완전하더라도 전체 프로세스가 무너지지 않게 만드는 설계 능력입니다. AI에게 모든 것을 맡기지 마십시오. 대신 AI가 가장 잘할 수 있는 ‘추론’에 집중할 수 있도록, 데이터의 ‘연결 고리’를 단단하게 고정하는 인프라를 구축하는 것이 성공적인 AI 프로덕트 도입의 핵심입니다.