DataAgents: How We Turned 9 Months of Analysis into 10 Days (Capital One)

Author: Capital One Tech | Source: Medium (Capital One Tech) | Published: 2026-06-10

한 줄 요약

권위 있는 데이터 프로덕트 + AI 에이전트 + human 검증 루프(DataAgent)로 350개 클라우드 리소스 타입의 dormancy 탐지 로직을 6~9개월에서 10일로 단축한 재사용 가능한 패턴.

반복되는 painful 패턴: 이종 엔티티의 큰 catalog + 엔티티별 규칙(일반화 안 됨) + 미지의 우선순위 + 높은 오류 비용(클라우드 리소스, 데이터 거버넌스 800 테이블, 보안 entitlement, 컴플라이언스 500 control)
데이터 기반이 먼저: “분석 품질은 데이터 품질에 묶임”. 권위 있는 데이터 프로덕트(표준 스키마, 필드 정의, PK-FK, lineage)가 AI 분석을 신뢰할 수 있게 만드는 전제조건
DataAgent = 권위 데이터 + AI 에이전트 + human-AI 검증 루프. 출력은 스프레드시트가 아니라 self-documenting 아티팩트(탐지 로직 + 신뢰도 + false-positive 위험 + plain-English reasoning)
3단계: ① Broad assessment(config-detectable vs needs-telemetry 분류) ② Classification + logic 생성(탐지 로직 + 신뢰도 + 위험, Spark SQL) ③ Deep validation(MEDIUM/LOW를 하나씩 재검토 — game-changer)
에이전트가 발견한 것: false-positive trap(config 변경 없이 사용되는 S3는 age 기반 시 40-60% false-positive), state-based vs age-based 프레임워크, 가치 집중(12개 HIGH 타입이 절감의 30-40%)
AI는 오류 발생(필드 casing, 존재 않는 컬럼, 과대 신뢰도) → human 검증이 모두 잡음. “AI는 인간 전문성을 대체가 아닌 증폭”