Looker MCP AI 에이전트: 거버넌스 갖춘 기업 데이터 분석 자동화 구축법

핵심 메시지

• AI 에이전트가 기업 데이터를 제대로 이해하려면 단순한 DB 연결이 아니라 ‘거버넌스가 적용된 의미 계층(semantic layer)’과의 연결이 필요하다.
• 핵심은 MCP(모델 컨텍스트 프로토콜)로, 에이전트가 Looker의 기능을 표준화된 ‘도구’로 발견하고 호출하게 해준다.
• 에이전트는 직접 SQL을 작성하는 대신 LookML에 정의된 차원·측정값·접근 필터를 그대로 따르며 쿼리를 실행한다.
• Looker(비즈니스 로직·거버넌스) → MCP·GenAI 툴박스(전송 계층) → ADK(애플리케이션 계층)의 3계층으로 역할을 분리한다.
• MCP 브리지가 Looker와 동기화돼 LookML 변경이 에이전트 컨텍스트에 자동 반영되므로 항상 ‘근거 있는’ 답을 유지한다.

쉽게 이해하기

기업용 AI 에이전트가 사내 데이터를 신뢰성 있게 다루려면 데이터베이스에 단순히 연결하는 것만으로는 부족하다. 영상은 ‘거버넌스가 적용된 의미 계층’으로 이어지는 다리가 필요하다고 말한다. 목표는 깨지기 쉬운 원시 SQL을 직접 작성하는 에이전트에서 벗어나, 자연어로 정의된 데이터 모델과 직접 상호작용하는 에이전트로 옮겨가는 것이다.

이 연결의 중심에는 MCP(모델 컨텍스트 프로토콜)가 있다. MCP는 에이전트가 Looker의 기능을 발견하고 호출하게 해주는 일종의 보편 언어다. 에이전트는 복잡한 API 호출 방법을 알 필요 없이 표준화된 도구 집합을 보게 되며, 이 도구들은 Looker 모델링 계층에 직접 매핑돼 메타데이터 조회·모델 탐색·쿼리 실행을 LookML에 정의된 차원·측정값·접근 필터를 지키며 수행한다.

구현에는 ‘MCP toolbox for databases’를 사용한다. 데이터 소스를 MCP 도구로 노출하도록 설계된 프로덕션급 오픈소스로, 사전 구축된 Looker 도구 세트를 포함한다. 프로젝트마다 통합 코드를 새로 짤 필요 없이 에이전트를 툴박스에 연결하기만 하면 룩 프로젝트 파일 감사부터 통제된 쿼리 실행까지 수행할 수 있고, 에이전트별로 사용할 도구를 지정할 수도 있다.

전체 구조는 세 계층으로 나뉜다. 비즈니스 로직과 거버넌스를 담아 진실의 원천을 세우는 Looker(LookML 모델링), 그 기능을 tools.yml에 정의된 표준 도구로 노출하는 전송 계층(MCP와 GenAI 툴박스), 그리고 구글 에이전트 개발 키트(ADK)가 LLM과 에이전트를 오케스트레이션하는 애플리케이션 계층이다. ADK는 원하는 모델을 자유롭게 선택할 수 있게 해준다.

이 모듈형 접근의 장점은 에이전트가 항상 근거를 갖추고 통제 아래 동작한다는 점이다. MCP 브리지가 Looker 인스턴스와 동기화되므로 LookML에 가한 변경이 에이전트의 컨텍스트에 그대로 반영된다. 결과적으로 데이터는 대시보드를 넘어 에이전트형 애플리케이션에서도 활용할 수 있게 된다.

주요 인사이트

• 기업용 AI 에이전트의 신뢰성은 모델 성능보다 ‘데이터 거버넌스를 어디에 두느냐’에 좌우된다. 이 구조는 비즈니스 로직을 Looker에, 실행을 에이전트에 분리해 둔다.
• MCP는 에이전트가 복잡한 API 호출 방법을 몰라도 되게 하는 ‘표준 인터페이스’ 역할을 하며, 이는 새 프로젝트마다 드는 통합 비용을 크게 낮춘다.
• 원시 SQL을 생성하는 에이전트는 깨지기 쉽지만, 정의된 데이터 모델(LookML)을 통해 질의하면 접근 권한과 지표 정의가 자동으로 강제된다.
• 사전 구축된 Looker 도구 세트 덕분에 통합 계층을 매번 다시 만들지 않고도 에이전트 시스템을 확장할 수 있다.

자주 묻는 질문

관련 AI 소식