채팅창이 어려운 부분은 아니었습니다: BI 네이티브 AI와 수평형 데이터 에이전트

Turner · 2026/06/12

BI 전략 및 GenAI

수평 AI 데이터 에이전트 인 Snowflake Cortex, Databricks Genie, Microsoft Fabric에 대한 실무자의 정직한 모습과 JAS와 같은 BI 네이티브 어시스턴트가 실제로 가치를 발휘하는 지점. 스포일러 : 채팅 상자는 결코 어려운 부분이 아니 었습니다.

작년에 데이터 에이전트 데모를 시청했다면 그 흐름을 아실 것입니다. 누군가가 채팅 상자에 "지난 분기에 지역별로 수익을 보여줍니다"를 입력하고, 깨끗한 SQL 쿼리가 스스로 작성하고, 테이블이 나타나고, 어쩌면 차트가 나타나고, 참석자들이 고개를 끄덕입니다. 좋은 데모입니다. 그렇게 좋은 데모가 되도록 설계된 것입니다.

그런 다음 3,000 건의 보고서가있는 환경, 2009 년에 누군가에게 의미가있는 40 년의 누적 테이블 이름, 판매와 다르게 "활성 고객"을 정의하는 재무 팀, 환자 데이터가 건물을 떠나면 개인적으로 당신을 끝낼 규정 준수 담당자로 돌아가서 데모 마술이 더 조용 해집니다.

우리는 Snowflake Cortex, Databricks Genie, Microsoft Fabric의 데이터 에이전트 및 Copilot과 같은 수평 데이터 에이전트가 성숙 해지는 것을 보면서 2026의 좋은 부분을 보냈으며, 사람들이 ClickHouse, LibreChat, 벡터 스토어를 이용해 주말 동안 직접 구성한 기술 스택도 지켜봤습니다. 그들은 진정으로 인상적이며, 우리는 그 한계가 드러나는 지점을 말하기 전에 그들에게 정당한 평가를 하고 싶습니다. 왜냐하면이 비교의 정직한 버전은 브로셔 버전보다 유용하며 어쨌든 BI 네이티브 접근 방식에 더 아첨하기 때문입니다.

여기 솔직한 버전이 있습니다.

수평 에이전트가 실제로 잘하는 일

이러한 도구는 원시 데이터에 가깝습니다. 그것은 그들의 전체 논문이며, 그것은 좋은 것입니다. 이전에 질문이 제기되지 않았을 때 - 분석가가 예상하지 못한 진정으로 새로운 조각 - 창고에 직접 연결된 에이전트는 원시 테이블을 분석해 대답하려고 할 수 있습니다. 개방형 탐구, 데이터 과학 작업, "나는 아직 내가 찾고있는 것을 모른다"단계를 위해, 레이크하우스와의 근접성이 진정한 이점입니다. 그들은 사용 가능한 컴퓨팅 자원에 맞춰 확장됩니다. 그들은 당신의 질문이 이상하다는 것을 신경 쓰지 않습니다.

Snowflake 중심의 조직이거나 Fabric에서 작업하는 경우 통합 스토리도 깨끗합니다. 에이전트는 이미 구성한 액세스 제어에서 이미 지불 한 플랫폼 내부로 실행됩니다. 창고 수준의 거버넌스는 Snowflake의 행 액세스 정책, Databricks의 Unity Catalog 권한 및 Fabric의 Microsoft Purview가 모두 에이전트에게 전달됩니다. 이 에이전트를 "보안을 무시"한다고 말하는 사람은 당신에게 무언가를 팔고 있습니다. 에이전트는 보안 규칙을 준수합니다. 사용자는 볼 수 있는 행을 봅니다.

그래서: 강력하고, 데이터 계층에서 잘 관리되고, 탐험에 좋습니다. 이것이 공정한 출발점이다.

슬라이드에 나오지 않는 핵심

데모가 보여주지 않는 것과 마케팅을 지나치면 공급 업체가 놀라 울 정도로 솔직한 것을 보여줍니다.

이러한 에이전트 중 어느 것도 원시 스키마의 마법이 아닙니다. 누군가가 데이터 위에 시맨틱 계층을 구축하는 어렵고 눈에 띄지 않는 작업을 수행한 이후에야 신뢰할 수 있습니다.

스노우
플레이크

Snowflake Cortex

"시맨틱 모델은 Cortex Analyst를 정확하게 만드는 것입니다."

Snowflake는 자신의 문서에서 거의 단어에 대한 단어를 말합니다. 일반 모델은 데이터베이스 스키마만 제공받으면 어려움을 겪습니다. 스키마에는 비즈니스 정의나 지표 로직이 없기 때문입니다. 그들의 대답은 의미론적 모델입니다. YAML 파일(또는 이제 의미론적 뷰)으로, 사람이 테이블이 무엇을 의미하는지, 어떤 조인이 유효한지, 각 지표의 계산 방법과 "CUST_ID"가 가리키는 대상을 정의합니다. 그것 없이는, 당신은 당신의 결합 경로에서 영리한 자동 완성 추측으로 돌아갑니다. 그리고 Cortex 자체는 API로 제공됩니다. 비즈니스 사용자가 열 수있는 번들 인터페이스가 없습니다.

데이터
벽돌

Databricks 지니

다른 옷에서 같은 이야기.

Genie Space는 데이터 분석가가 구성하는 공간입니다: Unity Catalog에 테이블을 등록하고, 공간당 30개로 캡하고, 예제 SQL 쿼리를 추가하고, 지침을 작성하고, "신뢰할 수 있는 자산"을 정의합니다. 예상 질문에 대해 미리 확인되고 매개 변수가 지정된 쿼리입니다. Genie는 미리 예상하고 준비한 질문에 대해 최선을 다합니다. 대답은 결과의 테이블로 다시 제공되며 Databricks는 비 기술적 인 사용자가 종종 생성 된 SQL을 잘 읽을 수 없다고 분명히 지적합니다.

MS는
직물

Microsoft 패브릭

같은 숙제, 그리고 준수 각주.

Microsoft Fabric은 동일한 숙제를 수행하도록 지시합니다. 손으로 정의한 관계 및 측정값으로 선별된 Power BI 시맨틱 모델을 빌드하고, 그런 다음 해당 모델에 데이터 에이전트를 연결합니다. 그리고 Copilot Studio 또는 M365를 통해 해당 에이전트를 제공하면 응답이 Fabric의 자체 규정 준수 경계 및 지리를 벗어날 수 있습니다. 보안 팀이 이전에 알고 싶어하는 세부 사항입니다.

채팅 상자는 쉬운 부분입니다. 의미 계층은 실제 제품입니다.모든 수평 에이전트는 빌드하고 유지해야 하는 모델링 프로젝트를 감싸는 얇고 화려한 대화식 쉘입니다. 지능은 LLM에 없습니다. 지능은 LLM에 제공하는, 신중하게 정리된 비즈니스 설명에 있습니다.

전체 구매 질문을 재구성합니다. ‘이 도구에 AI가 있는가?’가 아니다. 지금 모든 것이 AI를 가지고 있다. 진짜 질문은: 귀하의 비즈니스 논리는 어디에 살고 있으며, 누가 그것을 유지하고 있으며, 얼마나 많은 곳에서 유지해야합니까?

‘BI-Native’가 다른 답인 이유

이것은 TURBOARD의 JAS가 들어오는 곳이며, 위의 프레임이 테이블 위에 있으면 거의 당황 스러울 정도로 간단합니다.

BI 플랫폼에서 이미 분석을 실행한 경우, 당신은 이미 의미 체계 계층을 구축했습니다. 관리되는 뷰, 노드, 테이블 및 필드 설명, 계산된 측정값, 대시 보드, 필터, 권한 모델 — 이것이 수평 에이전트가 YAML에서 처음부터 구축하도록 요구하는 비즈니스 컨텍스트입니다. JAS는 다른 곳에서 두 번째 사본을 작성하도록 요청하는 대신 이미 지불하고 유지 관리하는 자산을 읽는 조수입니다.

그 단일 사실은 그들이 들리는 것보다 더 중요한 몇 가지로 흘러 들어갑니다.

하나의 진실의 근원, 둘이 아닌

데이터 웨어하우스에 별도 에이전트를 연결하면 인증된 BI 대시보드와 채팅창이 같은 질문에 답하지만, 답이 일치한다는 보장은 없습니다. 어시스턴트가 BI 계층 내부에서 작동하며 대시보드와 동일한 관리 모델로 추론하면, 채팅과 대시보드의 답이 일치합니다. 거버넌스 규칙이 중복되거나 서로 달라져 조용히 충돌하는 일을 막을 수 있습니다.

출력은 영수증이 아닌 자산입니다.

수평 요원이 당신에게 테이블을 건네줍니다. 탭을 닫으면 사라졌습니다. JAS는 네이티브 대시렛과 대시보드를 생성합니다. 상세 분석, 필터링, 고정이 가능한 대화형 자산입니다. 대답은 "여기에 숫자가 있습니다"에서 멈추지 않습니다. 그것은 조직이 내일 이미 사용하는 분석 표면의 일부가됩니다.

당신이 재건 할 필요가없는 거버넌스

창고 에이전트는 행 수준의 보안을 시행합니다. 이 점은 인정해야 합니다. BI 네이티브 방식의 장점는 “우리는 보안이 있고 그렇지 않다”는 것이 아니다. 두 곳에서 액세스 로직을 유지하면서 동기화되기를 기도할 필요가 없다는 것입니다. 규제 된 작업을 위해 JAS는 온프레미스 소형 언어 모델에서 실행할 수 있으므로 프롬프트와 데이터가 인프라를 전혀 떠나지 않습니다.

사람들이 이미 일하는 곳

별도의 "데이터 포털"은 데모에서 멋지게 보이지만 일상 업무에서는 쓰이지 않게 됩니다.이를 사용하면 대시 보드를 떠나보고있는 내용을 다시 설명하고 돌아 오는 것을 의미하기 때문입니다. JAS는 소비 지점에 나타납니다. 대시보드, 대시렛 옆, 글로벌 패널에 표시되므로 질문과 데이터가 같은 위치에 있습니다.

그 마지막 요점은 JAS의 두 가지 최신 조각이 추상화를 구체화하는 곳입니다.

JASlet과 JAS 패널: 모방하기 어려운 부분

JASlet은

JAS 위젯을 대시보드에 직접 드롭합니다. 그것은 그 대시 보드의 현재 상태를 읽고 - 또는 하나의 특정 대시 렛 - 그것을 요약, 그것을 설명, 또는 화면에 정확히 무엇에 대한 후속 질문을 걸립니다. 우리가 좋아하는 세부 사항 : 위젯마다 페르소나를 설정합니다. 동일한 판매 대시 보드는 정확한 수치와 필요한 유의사항을 원하는 재무 감사관을위한 한 가지 방법과 추세와 "그래서 어떤 의미인가"을 원하는 운영 관리자를위한 또 다른 방법을 설명 할 수 있습니다. 대시 보드 설명은 일반적인 AI 단락이되는 것을 멈추고 역할 인식이됩니다.

글로벌 JAS 패널

수평 에이전트 군중이 대부분 무시하는 문제를 해결합니다. 왜냐하면 그들의 전체 세계관은 "원시 데이터에서 답을 생성"하기 때문입니다. 성숙한 조직에서는, 대답은 보통 이미 존재한다. 누군가 이미 인증된 대시보드를 구축했습니다. 실제 문제는 답변 생성이 아니라 발견: 수천 개의 보고서 중 신뢰할 수있는 견해를 찾습니다.

JAS 패널을 사용하면 플랫폼의 어느 곳에서나 질문을 할 수 있습니다. 노드, 테이블 및 필드 설명과 실제 사용 패턴을 통해 검색 증강 생성을 사용하여 가장 관련성이 높고 가장 많이 사용되는 쇼케이스 또는 대시 보드를 찾고 올바른 필터를 적용하고 몇 초 안에 답을 앞에 놓습니다. 그것은 처음부터 답을 재생하고 공식 자산과 일치하기를 바라지 않습니다. 신뢰할 수있는 자산으로 라우팅하고 질문으로 필터링합니다. 텍스트-SQL 에이전트는 몇 달 전에 분석가가 이미 완성하고 인증한 쿼리를 다른 방식으로 즐겁게 다시 작성할 것입니다. JAS 패널은 인증된 자산으로 안내합니다. 혼잡 한 환경에서는 조수와 위험 요인의 차이가 있습니다.

수평 에이전트가 올바른 선택인 경우

솔직히 말해, BI-native 어시스턴트 대신 Cortex, Genie 또는 Fabric 에이전트를 선택하는 것이 더 나은 실제 사례도 있습니다.

당신의 상황이라면... 더 잘 맞는 것은...
아직 BI 도구에서 모델링되지 않은 데이터 — 그것은 lakehouse에 살고, 사용자는 대규모 원시 테이블에 대해 개방형 탐색을 수행하는 데이터 과학자입니다. 컴퓨팅 자원 가까이에서 작동하는 데이터 웨어하우스 네이티브 에이전트
필요한 가치는 "아무도 예상하지 못한 질문을 포함하여 원시 데이터에 대한 질문을하는 것"입니다. 데이터 웨어하우스와의 근접성이 유리함
당신은 하나의 클라우드 플랫폼의 생태계에 올인하고 있으며 결코 떠날 계획이 없습니다. 네이티브 통합은 정말 편리합니다.
귀하의 분석은 이미 비즈니스 의사 결정권자가 매일 사용하는 지배적 인 BI 플랫폼에 살고 있습니다. JAS와 같은 BI 네이티브 어시스턴트가 이미 빌드한 레이어를 재사용합니다.

JAS도 마법이 아니다. 그 아래의 의미 모델링, 즉 뷰, 설명, 측정값만큼 좋습니다. 그들이 엉성하다면, JAS는 엉성 할 것입니다. 정직한 대칭은 다음과 같습니다. 두 접근 방식은 잘 구축 된 의미 체계 계층에 의존합니다. 차이점은 BI 플랫폼을 사용하면 이미 빌드하고 유지 관리했을 가능성이 높으며 BI 네이티브 어시스턴트가 재사용한다는 것입니다. 수평 에이전트는 해당 레이어를 별도의 인공물로 빌드(또는 재구성)한 다음 영원히 병렬로 유지하도록 요청합니다.

결론

가장 명확하게 표현하면, 수평 데이터 에이전트는 데이터와 대화하도록 해 줍니다. 이는 가치가 있습니다. 하지만 비즈니스 인텔리전스는 테이블과 쿼리만을 뜻하지 않습니다. 관리되는 모델, 대시보드, 필터, 시각적 규칙, 권한, 페르소나, 그리고 신뢰할 보고서에 관한 10 년의 조직적 기억을 포함합니다.

BI-native 어시스턴트는 BI 환경과 대화하도록 해 줍니다. 기반 데이터베이스뿐 아니라 관리되는 환경 전체가 대상입니다.

분석이 이미 BI 플랫폼에 거주하는 경우 AI 보조원을 신뢰할 수 있게 만드는 의미론적 토대는 이미 수행한 작업입니다. 공급 업체에게 물어볼 가치가있는 질문은 채팅 상자를 추가했는지 여부가 아닙니다. 모두가 가지고 있습니다. AI가 이미 모델링 한 비즈니스를 이해하고, 이미 설정 한 거버넌스를 존중하며, 사람들이 이미 사용하는 워크 플로우 내에서 답변하는지 여부 또는이 모든 것을 재건 할 수있는 또 다른 장소인지, 그리고 화해 할 진실의 원천이 하나 더 있는지 여부입니다.

채팅 상자는 결코 어려운 부분이 아니 었습니다. 어려운 것은 답이 사실인지 아는 일입니다

자신의 BI에서 JAS 보기

분석이 이미 관리되는 BI 환경에서 이루어진다면 JAS는 이를 다시 구축하라고 요구하지 않습니다. 이미 투자한 시맨틱 계층을 읽고 사람들이 사용하는 대시보드 안에서 답합니다.

우리 팀과 함께 제품 데모를 예약하고 JAS, JASlet 및 글로벌 JAS 패널이 규제 된 환경에 대한 온프레미스 SLM 지원과 함께 지배적 인 모델에 대해 작동하는 것을 볼 수 있습니다.

당신은 또한 우리의 탐구 할 수 있습니다 전체 BI 비교 TURBOARD가 더 많은 엔터프라이즈 시나리오에 걸쳐 어떤 경쟁력을 보이는지 확인합니다.

실제 비즈니스 질문 하나를 가져오세요. TURBOARD가 어떻게 답하는지 보여드립니다.

범용 샘플 데이터베이스가 아니라, 귀사의 보고서·정의·보안 컨텍스트 위에서 JAS를 시연합니다.

Are you curious?