From reporting to reasoning: Getting enterprise data ready for AI agents
Quick Summary
AWS Quick User Group DC 첫 모임에서 참가자들은 기업이 과거 실적을 보여주는 보고서에서 질문에 답하고 후속 업무를 돕는 AI 에이전트로 나아가려면, 신뢰할 수 있는 데이터를 설계하고 한곳에서 접근할 수 있게 해야 한다는 데 뜻을 모았다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약
AWS Quick User Group DC 첫 모임에서 참가자들은 기업이 과거 실적을 보여주는 보고서에서 질문에 답하고 후속 업무를 돕는 AI 에이전트로 나아가려면, 신뢰할 수 있는 데이터를 설계하고 한곳에서 접근할 수 있게 해야 한다는 데 뜻을 모았다.
📌 핵심 요약
- 2026년 10월 7일 미국 버지니아주 알링턴의 AWS Skills Center에서 열린 첫 모임에서 참가자들은 기존 데이터 기반을 현대화하는 방법을 논의했다. FINRA의 수석 데이터 아키텍트 Rakhi Bhatia는 AWS Quick으로 구조화 데이터를 의사결정에 활용한 경험을 공유했다.
- AWS Quick은 분석, 자연어 질의, 여러 단계의 작업 실행을 한 작업 공간에서 지원한다. 에이전트와 스킬은 자연어 질문을 재사용 가능한 작업으로 바꾸고, 내장 커넥터는 Salesforce, Slack, Google Drive, Microsoft 365를 연결한다.
- Financial Independence Group(FIG)의 AI 담당 부사장 Vanessa Gonzalez에 따르면, FIG는 AWS Quick을 기업 분석의 단일 창구로 삼고 공통 관리 기준을 적용하는 데이터 계층을 통해 고객관계관리(CRM)·재무 데이터와 내부 지식 자료·정책 문서를 함께 제공한다.
- FIG는 ‘질문 → 분석 → 자동화 → 실행’의 순환을 지향한다. 영업·운영·마케팅·수수료 등 업무 영역별 포털에 AI 채팅 도우미를 두고, 비기술 직군도 문서와 데이터셋을 직접 탐색할 수 있도록 셀프서비스 도구와 학습 공간을 마련하는 구상을 소개했다.
- 행사 기록에 따르면 현장 참석자 전원이 50분 실습에서 코드 없이 맞춤형 AWS Quick 앱을 설계해 실행했다. 이 가운데 6명은 AWS Quick Flows로 특정 이벤트가 발생하면 여러 단계의 반복 데이터 작업을 수행하는 자동화 흐름을 만들었다.
🧩 주요 포인트
- 데이터 설계와 통합 접근 → AI 에이전트가 신뢰할 수 있는 기업 자료를 근거로 질문에 답할 토대가 된다.
- FIG의 업무 영역별 포털과 AI 채팅 도우미 → 비기술 직군이 자기 업무에 해당하는 수치와 문서를 직접 탐색할 수 있다.
- 분 앱 실습과 6명의 AWS Quick Flows 실습 → 의사결정용 앱 제작과 반복 보고 업무 자동화라는 두 가지 활용 방식을 보여줬다.
🧠 상세 정리
1. 정적 보고서를 넘어설 때 필요한 데이터
2026년 10월 7일 미국 버지니아주 알링턴의 AWS Skills Center에서 AWS Quick User Group DC의 첫 모임이 열렸다. 창업자, 소프트웨어 엔지니어, 기업의 데이터 책임자들이 모여, 대시보드로 과거 실적을 확인하던 조직이 생성형 AI와 에이전트를 업무에 활용하려면 무엇을 준비해야 하는지 논의했다. FINRA의 수석 데이터 아키텍트 Rakhi Bhatia는 AWS Quick 사용 경험을 바탕으로 구조화 데이터 분석이 더 신뢰할 만한 의사결정에 어떻게 기여할 수 있는지 설명했다. 기존 데이터 구조를 현대화하고 에이전트가 활용할 수 있도록 자료를 정비하는 일은 이후 고객 사례와 자동화 실습을 관통하는 주제였다.
2. AWS Quick에서 자연어 질문이 후속 작업으로 이어지는 방식
첫 발표에서는 AWS Quick이 기업 데이터를 시각화하는 기능에서 출발해 분석과 후속 작업을 한곳에서 지원하는 업무용 AI 도우미로 발전한 과정을 소개했다. 에이전트와 스킬을 사용하면 사용자가 자연어로 던진 질문을 여러 단계의 작업으로 바꾸고, 비슷한 판단이 필요할 때 그 작업을 다시 사용할 수 있다. Salesforce, Slack, Google Drive, Microsoft 365용 내장 커넥터는 여러 도구에 흩어져 있던 업무 자료를 연결한다. 사용자는 같은 작업 공간에서 자료를 조사하고 시각 자료를 생성한 뒤, 그 결과를 프레젠테이션이나 문서, 스프레드시트로 만들 수 있다.
3. FIG가 기업 분석의 단일 창구를 만든 방법
Financial Independence Group(FIG)의 AI 담당 부사장 Vanessa Gonzalez는 기존 분석 환경을 바탕으로 AWS Quick을 도입한 과정을 소개했다. FIG는 대시보드와 보고서에 AI 분석 기능을 적용하면서, 직원들이 기업 분석을 시작하는 단일 창구로 AWS Quick을 삼았다. 그 창구에서 접근할 수 있는 자료에는 고객관계관리(CRM) 시스템과 데이터베이스의 기록, 재무 데이터뿐 아니라 내부 지식 자료와 정책 문서도 포함된다. FIG는 성격이 다른 자료를 공통 관리 기준이 적용되는 데이터 계층으로 연결했으며, 이를 자사 데이터에 근거한 AI 분석과 향후 에이전트 활용의 기반으로 설명했다.
4. 업무 영역별 포털에서 시작하는 질문과 분석
FIG가 제시한 향후 구상에서는 과거에 무슨 일이 있었는지 확인한 사용자가 다음 질문을 던지고 분석 결과를 업무에 적용하기까지의 과정이 이어진다. FIG는 이 과정을 ‘질문 → 분석 → 자동화 → 실행’의 순환으로 표현했다. 분석 포털을 영업, 운영, 마케팅, 수수료 등 업무 영역별로 구성하면 직원은 자신의 업무와 관련된 문서나 데이터셋을 찾아 내장 AI 채팅 도우미에 질문할 수 있다. 비기술 직군의 직접 탐색을 지원하는 셀프서비스 도구와 팀별로 AI 활용법을 익힐 수 있는 학습 공간도 이 구상에 포함되며, 이용 범위가 넓어져도 데이터에는 공통 관리 기준을 적용한다.
5. 50분 앱 제작과 6명의 자동화 실습
첫 번째 실습의 과제는 50분 안에 AWS Quick으로 맞춤형 앱을 설계해 실행하는 것이었다. 행사 기록에 따르면 현장 참석자 전원이 과제를 마쳤고, 이를 통해 개발자와 비기술 사용자 모두 코드를 작성하지 않고 특정 의사결정을 돕는 도구를 만들 수 있음을 시연했다. 두 번째 실습에는 참석자 중 6명이 참여해 AWS Quick Flows로 특정 이벤트가 발생하면 여러 단계의 데이터 작업이 이어지는 흐름을 구성했다. 첫 실습이 아이디어를 작동하는 앱으로 만드는 데 걸리는 시간을 보여줬다면, 두 번째 실습은 보고 과정에서 사람이 다음 담당자에게 반복해서 넘기던 작업을 자동으로 이어가는 방법을 보여줬다.
6. 마무리 토론에서 제안한 도입의 출발점
마지막 공개 토론에서 참가자들은 기존 인프라 위에 생성형 AI를 도입할 때 파운데이션 모델 선택과 함께 어떤 준비가 필요한지 경험을 나눴다. 토론에서 의견이 모인 지점은 데이터를 용도에 맞게 설계하고 접근 경로를 통합하며, 현업 팀이 직접 필요한 자동화를 만들 수 있도록 해야 한다는 것이었다. 행사 글은 시작점으로 AWS Quick 제품 페이지와 사용자 가이드를 살펴본 뒤, 이미 사용하는 데이터 소스 하나를 연결해 질문을 던져 보는 방법을 제안했다. 이어 매주 반복하는 업무를 골라 앱이나 AWS Quick Flows 자동화를 만들어 보고, 사용자 그룹과 커뮤니티에서 동료들의 적용 경험을 나눌 수 있다고 안내했다.
🧾 핵심 주장 / 시사점
- FIG 사례에서 통합 접근의 의미는 직원이 한곳에서 재무 수치와 내부 정책 문서를 모두 찾아 질문할 수 있다는 데 있다. 두 자료에 공통 관리 기준을 적용하는 데이터 계층이 이를 뒷받침한다.
- FIG는 포털을 직원들이 익숙한 업무 영역별로 구성하고 학습 공간을 함께 제시했다. 현업의 셀프서비스 분석에는 질문할 자료를 찾는 일과 도구 사용법을 익히는 일이 모두 포함된다.
- 행사가 제시한 구체적 성과는 50분 안에 참석자 전원이 앱을 실행했고 6명이 자동화 흐름을 만들었다는 것이다. 실제 기업 업무에서 절감한 시간이나 의사결정 품질의 변화는 별도로 제시되지 않았다.
✅ 액션 아이템
- AI 에이전트가 답해야 할 업무 질문을 기준으로 기업 데이터의 설계와 통합 접근 방식을 검토한다.
- FIG의 업무 영역별 포털 사례를 참고해 비기술 직군이 AI 채팅 도우미로 직접 탐색할 문서와 데이터셋을 파악한다.
- 반복 보고 업무에서 사람이 다음 단계로 넘기는 작업을 찾아 AWS Quick Flows 적용 가능성을 검토한다.
❓ 열린 질문
- AI 에이전트가 기업 자료를 근거로 답할 수 있도록 어떤 데이터부터 통합 접근의 대상으로 삼을 수 있는가?
- FIG의 업무 영역별 포털에서 비기술 직군이 AI 채팅 도우미로 가장 먼저 확인하려는 수치와 문서는 무엇인가?
- 반복 보고 업무 중 특정 이벤트를 계기로 시작되어 AWS Quick Flows로 연결할 수 있는 작업은 무엇인가?