원문 : Vibe Analytics: When Everyone Becomes an Analyst (And Analysts Become Everything Else), Timo Dechau
1. 서론: 바이브의 변화
바이브 코딩이라는 게 있습니다. 이 글에서 그게 왜 중요한지 길게 설득할 생각은 없어요. 지금은 좀 애매한 과도기에 있는 게 사실입니다. 한쪽에서는 주말 동안 백만 달러짜리 앱을 만들었다는 과장된 성공담이 넘쳐나고(솔직히 말도 안 되죠), 또 다른 쪽에서는 경험 많은 개발자들이 “이건 절대 제대로 작동할 수 없다”라고 단언합니다. 그리고 그 중간에는 “프로토타입에는 유용하지만 그 이상은 아니다”라고 말하는 개발자들도 있죠.
저는 전문 개발자는 아니지만(컴퓨터 과학을 전공하긴 했습니다), 1년 넘게 이 도구들을 직접 써봤어요. 발전 속도는 정말 미쳤습니다. 1년 전 제가 만들던 앱과 지금 만드는 걸 비교하면 차이가 엄청나요. 앞으로 12개월을 더 내다보면 완전히 다른 얘기를 하게 될 겁니다.
그래서 지금 상황 자체는 크게 중요하지 않아요. 제가 다루고 싶은 건 이겁니다: 소프트웨어 개발이 새로운 패러다임이 진화하는 첫 번째 영역일지도 모른다는 거죠. 여러 이유가 있겠지만, 흥미로운 건 만약 바이브 코딩이 진짜 흐름이 된다면, 바이브 애널리틱스는 어떨까?
여기서는 제 초기 생각들을 모아보려 합니다. 확실한 결론은 없고, 제대로 검증된 것도 아니고, 그냥 사고 실험 정도예요. 바이브 애널리틱스라는 개념을 탐구해보며 앞으로 어떻게 흘러갈 수 있는지 살펴보려는 겁니다.
사실 애널리틱스라는 건 원래부터 애매한 위치였어요. 복잡한 데이터 스택을 쌓고, 정작 아무도 보지 않는 대시보드를 만들고, 소수만 이해하는 데이터 모델링에 수많은 시간을 써왔습니다. 그런데 이제 LLM이 코드 다루는 방식을 바꾸고 있다면, 애널리틱스는 어떻게 될까요?
저는 이걸 오래 고민해왔어요. “AI가 분석가를 대체하나?” 같은 질문은 솔직히 재미도 없고 중요한 포인트도 아닙니다. 더 중요한 건 장벽이 낮아진다는 거예요. 소프트웨어 개발 장벽이 급격히 낮아지고 있다면, 분석 장벽도 낮아지는 건 당연하죠. 누구나 데이터를 그냥 던져 넣고 인사이트를 얻을 수 있는 상황이 되면 어떻게 될까요? 그리고 더 중요한 질문은, 오랫동안 분석적 사고로 일해온 우리 같은 사람들은 어디에 위치하게 될까요? 모두가 “분석할 수 있는” 세상에서 우리는 무슨 역할을 하게 될까요?
제 생각은 이렇습니다. 지금 우리가 알고 있는 애널리틱스는 보이지 않는 미들웨어가 될 거예요. 수도나 전기처럼 그냥 돌아가는 기반 레이어가 되는 겁니다. 데이터 모델링, ETL 파이프라인, 정성껏 만든 지표들… 이런 건 여전히 필요하지만 배경에서 당연히 돌아가는 인프라가 되죠. 플랫폼 엔지니어는 여전히 필요하지만, 무거운 작업을 하는 사람은 훨씬 줄어들 겁니다.
그리고 흥미로운 건, 애널리틱스 자체가 투명해지는 동시에 분석가의 역할은 완전히 달라진다는 점입니다. 더 이상 복잡한 데이터 모델이나 인사이트를 만드는 사람이 아니라, 오히려 운영자이자 전략가가 되는 거죠. 우리는 이제 비즈니스, 성장, 제품, 마케팅 같은 실제 문제에 직접 뛰어듭니다. 탐정 같은 사고, 패턴 인식 능력, 올바른 질문을 던지는 힘을 데이터가 아니라 비즈니스 문제에 적용하는 겁니다. 그게 바로 우리가 비즈니스에 제공할 수 있는 초능력이 될 거예요.
2. 애널리틱스 강화의 진화
1단계: 데이터랑 대화하기 (이건 바이브 애널리틱스가 아님)
LLM으로 애널리틱스를 강화하려는 첫 시도들은 대부분 “데이터랑 대화하기”라는 발상이에요. ChatGPT가 잘 작동하는 걸 보니, 활용되지 않는 데이터는 산더미처럼 쌓여 있고, 누구도 보고 싶어 하지 않는 대시보드를 계속 만들고 있으니 “대화형으로 바꿔보자”라는 거죠.
저도 초기 도구들을 테스트해봤는데, 초반 결과물을 뽑아내는 건 꽤 멋졌습니다. 하지만 그건 어디까지나 강화된 애널리틱스일 뿐, 바이브 애널리틱스는 아니에요. 엉망진창인 기존 시스템 위에 챗봇 하나 올려놓고 혁신이라고 부르는 거죠.
여기서 핵심 문제는 예나 지금이나 같아요. 분석의 어려움은 “답을 얻는 것”이 아니라, “올바른 질문을 찾는 것”입니다. 좋은 분석팀은 어떤 질문이 진짜 중요한지, 어떤 질문이 실제 비즈니스 임팩트로 이어질지를 찾는 데 대부분의 시간을 씁니다. 올바른 질문만 찾으면 답을 찾는 건 보통 쉽습니다. 대부분의 분석 프로젝트가 실패하는 건 데이터를 못 찾거나 대시보드를 못 만들어서가 아니라, 답을 찾은 질문 자체가 비즈니스 결과와 연결이 없기 때문이에요.
그래서 “데이터랑 대화하기”는 근본 문제를 해결하지 못합니다. 마케팅 담당자가 몇 달간 궁금했던 질문을 이제는 데이터팀 도움 없이 답을 얻을 수 있다면 좋긴 해요. 하지만 결국 똑같은 한정된 질문을 더 빨리 할 뿐, 더 나은 질문을 하는 건 아니에요. 그래서 이건 바이브 애널리틱스가 아니라, 그냥 대화형 인터페이스를 얹은 기존 분석에 불과합니다.
3. 바이브 애널리틱스는 실제로 이렇게 보일 수 있다
마케팅 캠페인 예시
예를 들어, 마케팅 팀이 큰 이니셔티브를 돌린다고 합시다. 산업 리포트를 만들고, 설문조사에 돈을 쓰고, 멋진 PDF로 정리했어요. 전형적인 리드 마그넷 전략이죠. 사람들이 리포트를 다운로드하고 이메일을 남기면, 잠재 고객이 될 수 있다는 가정입니다. 그리고 여기에 맞춰 광고, LinkedIn 콘텐츠, 여러 캠페인을 돌립니다.
전통적인 접근에서는 데이터가 여기저기 흩어져 있어요. 웹 분석 도구에서 랜딩 페이지 방문자 수, GA4의 소스 정보, CRM 속 리드 데이터, 광고 성과 데이터… 좋은 분석팀이라면 마케팅팀과 긴밀히 협력해서 이 모든 데이터를 웨어하우스에 연결하고 모델을 확장한 뒤, 깔끔한 대시보드나 리포트를 만들어낼 겁니다. 고급 버전이라면 분석가가 직접 인사이트와 추천을 담은 맞춤 보고서를 내주죠.
하지만 바이브 애널리틱스에서는 이렇게 합니다. 마케팅 담당자가 그냥 Claude나 ChatGPT 같은 툴을 열고, 전략 문서, 캠페인 자료, Google Ads 데이터, LinkedIn Ads 데이터, GA4 익스포트, HubSpot 데이터, 세일즈콜 피드백까지 전부 던져 넣어요. 그리고 이렇게 묻습니다:
“이번 마케팅 캠페인 사후 분석 좀 해주세요. 뭐가 잘 됐고, 뭐가 안 됐고, 어디를 개선해야 할까요?”
여기서 중요한 차이는 속도나 편의성이 아니에요. 맥락과 데이터를 함께 연결한다는 점입니다. LLM은 단순히 ‘무슨 일이 일어났는가’를 보여주는 게 아니라, ‘무엇을 달성하려고 했는가’를 이해합니다. 연결하기 어려운 데이터 간의 패턴을 알아내고, 무엇보다 더 나은 후속 질문을 할 수 있게 도와줍니다. 이제는 사전에 정의된 지표에 묶이지 않고, “왜?”, “만약 ~라면?” 같은 탐구가 가능해지는 거죠. 이때 분석은 답을 제공하는 일을 넘어, 새로운 인사이트를 발견하는 과정으로 바뀝니다.
물론 한계도 있고, 실패할 수도 있습니다. 하지만 사실 기존 방식에서도 실패는 늘 있었죠. 큰 차이는, 데이터가 이제는 중심이 아니라 하나의 재료라는 겁니다.
분석에서 운영으로
여기서부터가 진짜 흥미로워집니다. 이걸 실제로 해보면, 바이브 애널리틱스는 금세 바이브 파인튜닝으로 바뀐다는 걸 깨닫게 돼요. 이제 단순히 “무슨 일이 일어났는가”를 분석하는 게 아니라, 실시간으로 계속 조정하고 최적화하는 과정이 되는 겁니다. 분석과 실행 사이의 경계가 사실상 사라져버려요.
그림을 하나 그려볼게요. 마케팅, 성장, 제품, 어떤 이니셔티브든 실행한다고 해봅시다. 2주마다 체크인을 합니다. 모든 데이터를 모아요 — 여기서 데이터란 숫자 데이터만이 아니에요. 정량적 분석 데이터뿐 아니라, 질적 피드백, 고객 인터뷰, 지원 티켓, 전략 문서, 자산 성과, 심지어 그 이니셔티브와 관련된 Slack 대화까지 포함됩니다. 이 모든 걸 한데 모아 전체 분석을 돌리고, 다음 단계 계획을 세워서 2주 동안 실행합니다. 그리고 이 과정을 반복하죠.
이건 더 이상 전통적인 의미의 애널리틱스가 아닙니다. 이건 운영(operations)이에요. 다른 사람들이 언젠가 볼지도 모를 대시보드를 만드는 게 아니라, 직접 파인튜닝 과정에 참여하는 거죠. 질문을 던지고, 답을 얻고, 그걸 곧바로 행동으로 옮깁니다. 전체 프로세스가 해석과 조정의 연속 루프로 바뀌는 겁니다.
이게 의미하는 바는, 이제 모두가 운영자(operations manager)이거나 전략가(strategist)가 된다는 거예요. 데이터와 맥락을 기반으로 세세하게 계속 조정하는 사람이라면 운영을 하고 있는 거고, 좀 더 멀리서 큰 패턴을 보고 “다음 큰 승부수를 어디에 둘까” 고민하는 사람이라면 전략을 하고 있는 겁니다. 기존의 분석가 역할 — 데이터를 비즈니스에 번역해 전달하는 중간자 역할 — 은 사실상 사라집니다. 우리 모두가 이제 Slack이나 이메일 쓰듯 자연스럽게 데이터를 활용하는 운영자 혹은 전략가가 되는 거예요.
네, 여기까지 오면 제가 아주 낙관적이라는 걸 아실 겁니다. 하지만, 왜 가능할 미래를 꿈꿔보지 않겠어요?
4. 프로덕트 매니저(PM)와의 유사성
이건 제가 프로덕트 매니저로 일하던 시절을 떠올리게 합니다. 사실 프로덕트 매니저라는 역할은 좀 묘합니다. 가만히 생각해보면, 그 역할은 엔지니어와 비즈니스 사이에 (그리고 지금도 여전히) 존재하는 거대한 간극 때문에 생겨났습니다. 누군가는 비즈니스 요구를 기술적 요구사항으로 바꿔줘야 했고, 실제로 무엇을 만들어야 할지를 결정해야 했으며, 서로 전혀 다른 두 세계를 이어주는 다리 역할을 해야 했습니다. 프로덕트 매니저는 바로 그런 필요 때문에 존재했던 번역자 같은 역할이었죠.
그런데 재미있는 건, 제가 일했던 회사 중에는 아예 프로덕트 매니저가 없는 곳도 있었다는 점입니다. 그들은 그냥 근본 원칙에 따라 일했습니다. 디자이너는 기능을 설계하고, 개발자는 기능을 만들고 (가끔은 서로 역할을 바꿔가기도 하고), 세일즈는 고객 피드백을 바탕으로 기능을 제안했습니다. 제품 개발은 모두가 기여하는 복잡하고 유기적인 시스템 속에서 이루어졌습니다. 다소 혼란스럽긴 하지만, 각자가 비즈니스 맥락을 이해하고 실제로 무언가를 만들 수 있는 도구를 가지고 있었기에 가능했던 방식이었죠.
이제 바이브 코딩이 우리를 어디로 데려갈지 상상해봅시다. 회사의 모든 사람이 잠재적으로 기능을 만들 수 있다면? 세일즈가 주말 동안 직접 자기 아이디어를 프로토타입으로 만들고, 고객 성공팀이 고객들이 불평하던 귀찮은 버그를 직접 고칠 수 있다면? 그렇다면 이런 전문화된 역할은 어떻게 될까요? 다리를 놓을 필요가 없어지니, 프로덕트 매니저라는 역할은 사라질 수도 있습니다. 모두가 두 언어를 동시에 쓸 수 있게 되니까요.
그리고 저는 분석가에게도 똑같은 일이 벌어질 수 있다고 생각합니다. 모두가 데이터를 분석하고, 이메일 쓰듯 쉽게 인사이트를 뽑아낼 수 있다면 분석가라는 전문 역할은 더 이상 의미가 없어집니다. 이제 우리에게 필요한 건 번역자가 아니라, 비즈니스 업무를 하면서 동시에 분석적으로 사고할 수 있는 사람입니다. 바로 그 사람들이 새로운 시대의 주역이 되겠죠.
5. 분석가의 새로운 역할
가드레일과 지표 시스템
하지만 문제는, 모두가 기능을 만들고, 캠페인을 돌리고, 데이터 기반 의사결정을 할 수 있게 되면 엄청나게 탄탄한 가드레일이 필요하다는 겁니다. 회사 전체를 위한 보험 시스템 같은 거라고 생각하면 됩니다. 회사가 위험 구역으로 들어가고 있는지 알려주는 단단한 지표 시스템이 필요합니다. 이건 허울뿐인 지표나 예쁘기만 한 대시보드(예: 누가 네비게이션 바의 어떤 메뉴를 클릭했는지 같은 아무도 관심 없는 세부 분석)가 아닙니다. 정말 중요한 건, 뭔가 잘못되고 있을 때, 누군가의 실험이 핵심 지표를 망치고 있을 때, 혹은 비즈니스가 잘못된 방향으로 흘러가고 있을 때 경고음을 울려줄 근본적인 지표들입니다.
이런 기초 지표 작업은 바이브 시대에 오히려 더 중요해집니다. 화려해 보이는 일은 아니죠. 오히려 사업에서 진짜 중요한 게 무엇인지, 지표들 간의 관계가 어떻게 되는지, 진정한 선행 지표가 무엇인지에 대해 깊고 신중하게 고민하는 작업입니다. 그리고 비즈니스가 변함에 따라 끊임없이 조율이 필요합니다. 누군가는 이 보험 시스템을 관리하면서, 문제가 재앙이 되기 전에 포착할 수 있도록 만들어야 합니다. 아마 일부 분석가들은 보고서를 만드는 대신, 전체 바이브 운영이 탈선하지 않도록 지켜주는 근본적인 측정 인프라를 설계하고 유지하는 일을 맡게 될 겁니다. 마치 이제 막 운전면허를 딴 사람들이 몰려다니는 고속도로에 신호등과 가드레일을 설계하는 사람 같은 역할이죠.
탐정 같은 사고방식의 장점
분분석가들이 테이블 위에 올려놓을 수 있는 가치는 괴짜 탐정 같은 집요한 사고방식입니다. 우리는 이상한 패턴을 찾아내는 데 능하고, 그게 뭔지 완전히 이해할 때까지 집착하듯 파고듭니다. 데이터에서 이상한 스파이크를 보면 그냥 넘어가지 못하죠. 왜 이런 일이 일어났는지, 원인이 무엇인지, 진짜 현상인지 아니면 단순한 노이즈인지 알아내야만 합니다. 이런 탐구 본능, 패턴 인식 능력은 애널리틱스가 보이지 않는 미들웨어가 된다고 해서 사라지지 않습니다. 오히려 비즈니스 문제에 직접 적용될 때 더 가치가 커집니다.
생각해보세요. 분석가가 성장, 마케팅, 제품 같은 영역으로 들어가면 문제를 대하는 방식이 달라집니다. 전통적인 마케터는 캠페인이 잘 되면 단순히 “이걸 더 키우자”라고 하겠죠. 하지만 분석가적 사고를 가진 사람은 똑같은 상황을 보고도 즉시 질문을 던집니다. “근데 왜 잘 되는 거지? 어떤 특정 세그먼트가 이 성과를 이끌고 있나? 이 변수를 따로 떼어놓으면 어떻게 될까? 이 성과는 지속 가능한 건가, 아니면 그냥 쉬운 과실을 딴 것뿐인가?”
우리는 이런 체계적이고 탐정 같은 접근 방식을 모든 일에 적용합니다. 그리고 모두가 실험을 하고 기능을 출시할 수 있는 세상에서는, 패턴을 포착하고, 이상 현상을 조사하고, 인과관계를 정확히 이해할 수 있는 사람이 엄청난 힘을 발휘하게 됩니다. 우리는 더 이상 데이터를 분석하는 게 아닙니다. 이제는 비즈니스 자체를, 맥락과 함께, 실시간으로 분석하면서, 발견한 것을 곧바로 행동으로 옮길 수 있는 상태가 되는 겁니다.
데이터는 보이지 않는 미들웨어로
그렇다면 실제 데이터 인프라는 어떻게 될까요? 제 생각엔 여전히 데이터 플랫폼 엔지니어링이라고 부를 만한 핵심 역할이 필요할 겁니다. (참고로 Robert Sahlin이 이 주제에 대해 좋은 글을 쓴 게 있어요: https://robertsahlin.substack.com/p/the-golden-path-revolution)
누군가는 데이터가 올바른 곳으로 흘러가고, 접근 가능하며, 적당히 정제되어 있는지 확인해야 합니다. 하지만 이건 어디까지나 기초 작업이에요. 여기서 만드는 건 바이빙이 가능하도록 해주는 토대입니다. 더 이상 보고서용으로 복잡한 데이터 모델을 만들거나, 세밀한 비즈니스 로직을 짜는 게 아니죠. 그냥 사람들이 필요로 하는 기초 데이터가 잘 준비되고 형태가 잡혀 있도록 보장하는 겁니다.
데이터 레이어에 복잡한 비즈니스 모델을 얹는다는 발상 자체가 사라질 수도 있습니다. 왜냐하면, 우리가 그동안 복잡한 모델을 만든 이유는 팀마다 서로 다른 데이터 뷰를 원했고, 대부분의 사람들이 SQL을 직접 쓰기 어려웠기 때문이에요. 그런데 LLM이 비즈니스 맥락을 이해하고 원시 데이터를 가지고 특정 질문에 답할 수 있다면, 왜 굳이 사전에 만들어놓은 모델이 필요할까요? 어차피 그건 항상 타협이었어요. 특정한 경우엔 잘 작동했지만, 다른 경우엔 무용지물이었죠.
물론 원본 데이터 계층(source layer)에는 여전히 훌륭한 모델이 필요합니다. 하지만 이제 데이터 웨어하우스는 세심하게 전시해놓은 박물관이라기보다는, 잘 정돈된 창고에 가까워질 겁니다.
6. 허황된 꿈일까, 현실이 될까
솔직히 말하면, 이게 정말 이렇게 흘러갈지는 저도 잘 모르겠습니다. 하지만 변화가 올 건 확실합니다. 그것도 엄청난 변화 말이죠. 그렇기 때문에 이 변화가 어떤 모습일 수 있을지 미리 생각해보는 게 중요합니다. 여러 시나리오를 돌려보는 거죠.
그리고 무엇보다 중요한 건, 직접 테스트하고 실험해보는 것입니다.
적어도 제가 다음에 할 일은 이겁니다. 앞에서 설명했던 시나리오들을 직접 실행해보는 거예요. 마케팅, 제품, 데이터를 결합해서 운영적이고 전략적인 인사이트를 도출하는 거죠. 그리고 그 결과를 계속 공유하겠습니다.
그동안 분석가는 전략과 현실을 잇는 다리였습니다. 그 다리 위에서 어떤 분석가는 전략을 향해 나아가고 싶어 했고, 또 어떤 분석가는 데이터 더미 속으로 몸을 던지고 싶어 했죠. 이제 바이브 코딩의 시대가 오면서 그 갈림길은 더 이상 흐릿하지 않습니다. 선택은 선명해지고, 머뭇거릴 여지는 사라지고 있네요.
- 원문 :
Vibe Analytics: When Everyone Becomes an Analyst (And Analysts Become Everything Else), Timo Dechau - 번역, 편집 : GPT5 & 에디
이바닥늬우스 