Decision Agent

우리 회사의 데이터 자산과 업무 맥락을 이해하는
의사결정 AI Agent

기업의 KPI 정의와 데이터 자산, 업무 맥락을 바탕으로 AI Agent가 변화의 원인과 대응 방향을 제안합니다.

THE SHIFT

AI 활용의 중심이 질의응답에서
의사결정 지원으로 이동하고 있습니다.

AI 활용은 단순 질의응답을 넘어, 정량 데이터와 업무 규칙에 기반한 의사결정 지원으로 확장하고 있습니다.
기업 경쟁력은 조직의 KPI를 이해하고 실행 가능한 의사결정을 지원하는 AI Agent의 역량으로 결정될 것입니다.

STAGE 1

Document Q&A

문서 기반 AI 챗봇

질문예시

"매출채권 회수 기준을 알려줘"

"보험금 예외 승인 절차 알려줘"

시스템 동작

사내 규정·매뉴얼·FAQ 검색 후 관련 근거를 인용해 답변

RAG

STAGE 2

Data Q&A

정형 데이터 기반 AI 챗봇

질문예시

"이번 달 매출은 얼마야?"

"담보별 손해율 현황은?"

시스템 동작

지표·차원 메타데이터 참조 → SQL 생성·실행 → 결과 반환

Meta data + Text-to-SQL

STAGE 3

Decision Agent

의사결정 지원 AI Agent

질문예시

"매출 개선 방안 제안해줘"

"손해율 최적화 계획 알려줘"

시스템 동작

KPI 개선안 생성 → 분석 결과를 실행으로 연결 → HITL 실행

Semantic MCP

숫자를 보여주는 것과
다음 행동을 제안하는 것은 다릅니다.

Decision Agent

KPI 변화의 원인을 분석하고 다음 행동까지 제안하는 의사결정 AI Agent입니다.
우리 회사의 지표 정의와 업무 맥락을 이해하고 답합니다.

STEP 1

KPI 이상 감지

지표 변화·이상 징후 포착

STEP 2

Driver 분석

변화 요인을 정량 분해

STEP 3

Lever 탐색

개선 수단 후보 도출

STEP 4

Action 후보 제시

실행 후보안 제시·담당자 검토

범용 AI

지난주 손해율이 3%p 올랐습니다.

숫자는 보여줍니다.
개선을 위해 우리팀이 무슨 일을 해야할지는
다시 고민해야 합니다.

cancel 맥락 없는 수치 - 실행 불가

Decision Agent

상품 A가 손해율 상승의 40%를 차지합니다.
병원 B 청구가 25% 영향을 미쳤습니다.
지급 정책 관련 개선안 2가지를 제안합니다.

변화의 원인을 찾고, 대응 방향을 제안합니다.

check_circle 원인 분석 → 대응 방향 제안

기업의 데이터 자산을 활용하는 Semantic Store

KPI 정의, 변화 요인(Driver), 개선 수단(Lever), 접근 권한을 Semantic Store에 담습니다.
Decision Agent는 정의된 의미 체계를 기반으로 분석하므로, 같은 질문에는 항상 같은 답이 나옵니다.

기존 데이터 자산

DB/DW 영업, 고객, 운영, 재무 데이터 등

기존 BI 자산 대시보드 · 차트 · SQL

Metadata 테이블 구조, 스키마, 지표

Semantic Store + MCP

KPI 정의 Driver (변화요인) Lever (개선 수단) 접근 권한

Decision Agent

KPI 모니터링 원인 분석 대응 방향 제안 Slack · 이메일 알림

정확한 SQL은 더 긴 Prompt가 아니라,
구조화된 의미 계층에서 만들어집니다.

LLM은 질문 의도를 해석하고 분석 계획을 수립합니다.
실제 SQL은 Semantic MCP가 지표 정의와 권한 규칙을 반영해 생성합니다.

"내가 담당하는 보상센터의 사고 유형별 청구건수와 총 지급 금액을 알려줘"

AS-IS : Prompt 기반 SQL 생성

-- 프롬프트로 제공되는 스키마
fact_accident, fact_payment, claim_center_nm, payment_amt,
total_payment_amt ...
-- LLM이 직접 생성하는 SQL
SELECT accident_type_l1,
COUNT(*) AS claim_count,
SUM(payment_amt) AS total_payment_amt
FROM fact_accident
JOIN fact_payment
  ON fact_accident.accident_id = fact_payment.accident_id
GROUP BY accident_type_l1;

close "내가 담당하는" 권한 맥락 누락

close "총 지급금액" 공식 지표 선택 오류

close 잘못된 조인 후 건수 과대 집계

TO-BE : Semantic MCP 기반 실행

-- LLM이 생성하는 Query 생성 계획
metrics:    [claim_count, total_payment_amt]
dimensions: [accident_type_l1]
context:    { group: regional_manager,
            claim_center: '서울본부' }
-- Semantic MCP가 생성하는 SQL
SELECT accident_type_l1,
COUNT(DISTINCT claim_id) AS claim_count,
SUM(total_payment_amt) AS total_payment_amt
FROM claims_access_test
WHERE claim_center_nm = '서울본부'
GROUP BY accident_type_l1;

check 사용자 조직 context 반영

check 공식 지표와 허용된 차원만 사용

check 권한 기반 행 필터 자동 적용

Semantic MCP가 궁금하다면
블로그에서 자세한 내용을 확인해보세요

자세히 보러가기 →

USE CASES

KPI를 반복적으로 점검하고 대응해야 하는
모든 곳에서 작동합니다.

	KPI 변화 감지	변화 요인 분석 (Driver)	개선 수단 제안 (Lever)	실행 효과
account_balance금융/보험	손해율 상승	담보 · 심사 방식 · 청구 패턴	고위험 설계사 · 병원군 점검	과잉지급 감소
headset_micAICC	대기시간 증가, SLA 미달	콜량 · 상담 유형 · 숙련도	스케줄 · 라우팅 조정	대기시간 감소, SLA 회복
local_mall유통	품절률 증가, 과잉재고	수요 변동 · 발주 주기 · 리드타임	발주량 조정 · 점포 간 재배치	품절 감소, 재고 효율 개선
work공공	민원 증가, 처리 지연	지역별 위험도 · 예산 집행률	예산 배분 · 지원 우선순위	민원 완화, 정책 효과 향상