AI 에이전트 시대의 비즈니스 분석가

AI는 1분 이내에 사용 사례 개요를 생성하고, 간단한 아이디어를 1시간 안에 기본 프로토타입으로 전환하며, 요구사항 문서를 이전보다 훨씬 짧은 시간에 만들어낼 수 있습니다. 이러한 변화는 이미 눈에 보이고 있습니다 일상적인 비즈니스 분석 현장에서 실무자들은 AI를 활용해 요구 수집 세션을 준비하고, 요구사항 초안을 작성하며, 검증 전에 격차를 식별하고 있습니다. 이러한 산출물만 보아도 결론은 명확합니다: 비즈니스 분석가가 사라지고 있습니다.

I do not share that conclusion. I have worked in business and IT analysis, solution design and digital transformation for years, watching continuous change and different stages of adaptation. What is disappearing is not the role. What is disappearing is its periphery. And that is something entirely different.

분석가가 하는 일

고객에게 무엇이 필요한지 물으면, 그들은 원하는 것을 말합니다. 이것은 항상 동일하지 않습니다. 고객이 자신의 업무를 이해하지 못해서가 아니라, 자신의 필요를 충분히 명확히 표현하지 못하기 때문입니다. 일상적인 활동은 고객이 매일 자동으로 수행하기 때문에 언급되지 않는 경우가 많습니다. 예외 상황은 실제 발생했을 때만 기억되는 경향이 있어 쉽게 간과됩니다.

부서 간 연결은 전체적인 관점이라기보다 개인적인 관점에서 이해됩니다. 고객이 한 번에 여러 시스템을 변경하려 할 때, 하나의 시스템을 바꾸면 거의 항상 그와 연관된 프로세스도 변경된다는 사실을 간과하기 쉽습니다.

분석가의 업무는 고객이 말한 내용을 기록하는 것이 아니라, 고객이 말하지 않은 부분을 찾아내고 모든 것이 드러날 때까지 계속 질문하는 것입니다. 분석가는 시스템, 데이터, 비즈니스 프로세스 전반에 걸친 연결, 의존성 및 결과를 추적합니다.

That is a diagnostic capability, not an administrative activity.

비즈니스 분석가를 위한 세 가지 방향

비즈니스 분석의 경계는 한 번도 고정된 적이 없습니다. 분석가들은 오랫동안 제품 소유, 프로젝트 관리 및 보다 기술적인 역할로 이동해 왔으며, AI는 일상적인 산출물에 소요되는 시간을 단축함으로써 이러한 이동을 가속화하고 있습니다.

최근 Gartner 설문조사에 따르면, 절반 이상 조직이 AI 때문에 역할을 재설계하거나 재정의했으며, HR 리더의 78%는 워크플로와 역할이 AI 투자 가치를 실현하기 위해 변화가 필요하다고 동의했습니다.

제 관찰과 직접적인 경험에 비추어 볼 때, 세 가지 주요 흐름이 형성되고 있습니다.

1. 제품 및 비즈니스 지향

제품을 설계하는 것을 즐기는 분석가는 제품 소유, 비즈니스 분석, 전달 조정을 포괄하는 더 넓은 역할로 이동할 수 있습니다. 이러한 조합은 특히 소규모 팀에서 이미 존재합니다. AI가 일상적인 산출물을 만드는 데 소요되는 시간을 줄이면서, 이러한 책임 사이의 경계는 더욱 유연해질 가능성이 높습니다.

이는 AI가 문서를 작성할 수 있다는 이유만으로 한 사람에게 네 가지 업무를 떠맡기는 것을 의미하지 않습니다. 기회는 이미 고객 요구, 제품 우선순위 및 비즈니스 결과에 대한 동일한 이해를 기반으로 하는 책임들을 결합하는 데 있습니다.

이 방향은 데이터에 대한 보다 깊은 이해도 요구합니다. 분석 작업은 종종 프로세스, 기능 및 요구사항에 초점을 맞추고 데이터 계층은 배경에 남겨두었습니다. AI 시스템은 이러한 구분을 점점 더 어렵게 만들고 있습니다.

비즈니스 맥락과 데이터를 모두 이해하는 분석가는 모델이 올바른 질문에 답하고 있지 않을 때 이를 식별할 수 있습니다. 이는 사용 가능한 데이터가 상황을 정확히 반영하지 않거나, 메트릭 뒤의 비즈니스 정의가 변경되었거나, 원래 질문 자체가 부실하게 설정된 경우에 발생합니다.

AI는 거의 모든 사람이 대시보드나 보고서를 만들 수 있도록 돕습니다. 그러나 특정 시점의 특정 비즈니스에 대한 결과 해석은 여전히 맥락과 판단을 필요로 합니다. Forrester는 소프트웨어 역할 전반에 걸친 유사한 변화를 설명하며, AI가 반복적인 산출물 제작 시간을 절감하고 검증, 오케스트레이션, 제어와 같은 활동으로 시간을 전환하고 있다고 말합니다.

2. 기술 프로토타이핑 지향

개발에 강한 친화력을 가진 분석가는 고객과 대화한 뒤 작업 가능한 프로토타입을 구축할 수 있습니다 – 단순한 목업이 아니라 고객이 테스트하고 검증할 수 있는 실제 모델입니다.

이는 요구사항 검증 방식을 바꿉니다: 고객은 문서에서 해석하려 애쓰는 대신 아이디어와 직접 상호작용할 수 있습니다. 오해가 더 일찍 드러나며, 변경 비용도 아직 비교적 저렴합니다.

하지만 프로토타입은 생산 시스템이 아닙니다.

보안, 통합, 확장성 및 부하 하에서의 성능은 ‘AI가 코딩을 도와준다’는 것만으로 해결되지 않습니다. 생산용 엔터프라이즈 소프트웨어를 구축하려면 다른 수준의 엔지니어링 전문성이 필요합니다. 일부 분석가는 이러한 기술을 점진적으로 습득하여 생산 수준 개발에 가까워질 수 있습니다. 이는 빠른 프로토타이핑이 제시하는 것보다 훨씬 더 까다로운 경로이지만 현실적인 선택입니다.

3. 프로젝트 및 전달 관리 지향

분석가는 이미 고객 논의를 조율하고, 견적에 기여하며, 범위, 요구사항 및 변경에 관한 질문을 관리합니다. 이는 프로젝트 관리와 자연스럽게 겹칩니다.

소규모 프로젝트에서는 분석과 조정 책임을 한 사람이 결합할 수 있습니다. 두 역할 모두 범위, 이해관계자 및 의존성을 이해하는 데 기반하기 때문입니다. 이는 커뮤니케이션 경로를 단축하고 일상적인 전달 결정과 원래 비즈니스 요구를 연결하기 쉽게 합니다.

이는 프로젝트 관리자를 불필요하게 만들지는 않습니다. 사람, 위험 및 의존성을 조정하는 것이 실제로 복잡한 대규모 프로젝트에서는 프로젝트 관리가 여전히 전문 분야로 남아 있습니다. 혼합 접근법은 범위가 허용하는 경우에만 타당합니다.

이 구분은 중요합니다. AI가 계획, 회의 요약, 상태 보고서 작성에 필요한 노력을 줄일 수는 있지만, 이러한 산출물을 만드는 것이 프로젝트 관리의 전체 가치를 의미하지는 않았습니다.

이를 잘 헤쳐 나가는 사람들의 차별점

세 가지 방향 모두 분석가가 익숙한 역할 경계를 넘어설 것을 요구합니다. 호기심은 새로운 도구와 접근 방식을 시험하려는 의지를 제공합니다. 지속적인 학습은 제가 ‘지식 부채’라고 부르는 것을 방지합니다: 구식 가정과 기술이 점진적으로 축적되는 현상으로, 레거시 시스템의 기술 부채와 유사합니다.

하지만 가장 중요한 것은 검증 능력일 것입니다. 분석가는 “이것이 실제로 정확한가?”를 먼저 묻고, 그 다음에 “완료됐는가?”를 묻는 데 익숙합니다. 유창하고 전문적으로 제시된 AI 결과물이 넘쳐나는 환경에서는 이러한 습관이 더욱 가치 있게 됩니다.

AI는 자신감 있고 설득력 있는 형태로 잘못된 답변을 생성할 수 있습니다 – 이는 MIT Sloan 연구자들이 인간 감독이 여전히 필수적인 주요 이유 중 하나라고 강조한 패턴입니다. AI의 산출물은 구조적이고 유창하며 다듬어져 있습니다.

실패는 AI를 사용하는 순간 발생하는 것이 아니라, 그럴듯한 산출물을 검증 없이 수용할 때 시작됩니다.

비즈니스 분석가가 사라질지 여부가 문제가 아니다

분석가 역할의 미래에 관한 많은 기사들이 예측 형태로 작성됩니다. 이것은 예측이 아니라 관찰입니다: 역할은 언제나 그렇듯 변화하고 있습니다. 이번에 다른 점은 변화 속도가 빠르다는 것과 그 주변 영역이 거의 모든 사람에게 접근 가능해지고 있다는 사실입니다.

개발자는 AI를 활용해 요구사항 분석을 수행할 수 있고, 관리자는 이를 이용해 사용자 스토리를 생성할 수 있습니다. 이들이 각각 뛰어나게 수행하지는 못하겠지만, 오직 산출물 생산에만 가치를 두는 분석가는 어려움을 겪게 될 것입니다.

역할의 핵심에 남아 있는 것은 명시되지 않은 요구를 밝혀내고, 비즈니스와 기술적 맥락을 연결하며, 산출물을 검증하고, 고객이 파악하지 못하는 연결성을 보는 능력입니다. IIBA의 2025년 글로벌 비즈니스 분석 현황 보고서에 따르면, 실무자의 74%가 AI가 자신의 경력에 긍정적인 영향을 미친다고 답했으며, 커뮤니케이션, 전략적 사고, 적응력과 같은 인간 역량이 더욱 중요해지고 있습니다.

문제는 비즈니스 분석이 사라질지 여부가 아니라, 그 주변 영역이 모두에게 열릴 때 무엇이 남는가입니다.

답은 수년간의 실무, 다양한 프로젝트 및 실패 경험을 통해 길러지는 판단력입니다. 이는 문서화된 요구사항이 불완전하거나, 작업 중인 프로토타입이 잘못된 문제를 해결하고 있거나, 다듬어진 답변이 잘못된 가정에 기반하고 있음을 인식하는 능력입니다.

그것이 빠르게 습득할 수 없는 비즈니스 분석의 영역입니다.