<div id="readability-page-1" class="page"><div>안녕하세요. 토스플레이스에서 ‘판다(PANDA)’를 기획하고 만든 Data Analysis Team Leader 김윤아, Data Analytics Engineer 정이을 입니다. 업무를 하다 보면 이런 순간이 있지 않으셨나요? “지금 이 데이터만 빠르게 확인할 수 있으면 좋을텐데.” 대시보드를 찾아 들어가거나, 누군가에게 요청을 남기고 기다리지 않고 필요한 데이터를 바로 꺼내 쓸 수 있다면 어떨까요?토스플레이스 Data 조직은 AI를 활용해 이런 환경을 만들어 데이터 민주주의를 실현할 수 있다고 믿었습니다. 그리고 그 결과, 데이터 분석 어시스턴트 ‘판다(PANDA)’를 세상에 선보였습니다.<figure id="34ba360d-33e3-80e6-a191-ecdbac8c57c5"><img src="https://static.toss.im/ipd-tcs/toss_core/live/fc2f9c1e-1e01-4a20-b063-7971b71a8062/01._%E1%84%83%E1%85%A6%E1%84%8B%E1%85%B5%E1%84%90%E1%85%A5_%E1%84%87%E1%85%AE%E1%86%AB%E1%84%89%E1%85%A5%E1%86%A8_%E1%84%8B%E1%85%A5%E1%84%89%E1%85%B5%E1%84%89%E1%85%B3%E1%84%90%E1%85%A5%E1%86%AB%E1%84%90%E1%85%B3_%E1%84%91%E1%85%A1%E1%86%AB%E1%84%83%E1%85%A1(PANDA).png" alt=""></figure><h2 id="342a360d-33e3-8054-ba89-c574299c007a">판다는 무엇이고, 왜 만들었을까요?</h2>판다(PANDA)는 Place Analytics &amp; Data의 약자로, 토스플레이스의 데이터를 추출하고 분석하는 임무를 수행하고 있어요. 판다를 통해 토스플레이스 팀원들은 보안 등급에 따라 허용된 데이터 범위 내에서 필요한 정보를 손쉽게 조회하고 활용할 수 있게 되었어요.토스플레이스에서는 데이터 기반 의사결정이 자연스러운 문화로 자리 잡혀 있습니다. 그만큼 다양한 팀에서 매일 많은 데이터 많은 데이터 요청을 주셨죠. 판다가 세상에 나오기 전에는 데이터 분석가가 그 요청을 처리하기 위해 수십 개의 대시보드를 확인하거나 복잡한 SQL 코드를 직접 작성해야 했습니다. 그런데 데이터 분석 요청 내용을 살펴보았더니 한 가지 흥미로운 사실을 발견할 수 있었습니다. 전체 요청의 70%는 복잡한 분석이 아니라 정확한 수치를 확인하는 단순 추출 작업이었다는 것이에요. 그래서 저희는 데이터 추출과 인사이트를 제공할 수 있는 데이터봇을 기획하고 만들게 되었어요. 판다를 통해 팀원들에게는 기다림 없이 바로 확인할 수 있는 데이터 경험을 제공하고, 데이터 분석가들에게는 밀도 있는 분석에 집중할 수 있는 시간을 선물할 수 있었어요.<h2 id="342a360d-33e3-80b0-9383-cf347ead5680">판다는 어떻게 만들어졌을까요?</h2>판다를 만드는 것은 단순한 챗봇 하나를 만드는 것 이상이었어요.처음에는 “요즘 AI 성능이면 텍스트로 질문만 던지면 알아서 정확한 답을 해주지 않을까?”라고 생각했어요. 하지만, 실제로 만들어 보니 현실은 기대와 달랐습니다.<h2 id="342a360d-33e3-8036-9d37-fc5dae79eaf4">판다는 이 문제들을 어떻게 해결했을까요?</h2>판다는 단순히 모델을 개선하는 방식이 아니라, 데이터부터 답변 구조까지 전반을 다시 설계하는 방식으로 문제를 해결했어요.그 과정에서 진행한 핵심적인 작업들을 소개해 드릴게요.<figure id="34ba360d-33e3-80db-bc1d-cdf6a6982cf5"><img src="https://static.toss.im/ipd-tcs/toss_core/live/d8ff9c6d-9c59-4221-bdd6-a905e8186a34/02._%E1%84%91%E1%85%A1%E1%86%AB%E1%84%83%E1%85%A1_%E1%84%8B%E1%85%A1%E1%84%8F%E1%85%B5%E1%84%90%E1%85%A6%E1%86%A8%E1%84%8E%E1%85%A5.png" alt=""></figure><h3 id="342a360d-33e3-8063-a997-cfb104eee20f">단 하나의 기준, 표준 데이터 마트(SSOT) 정비</h3>AI가 엉뚱한 답을 하지 않으려면 무엇보다 믿고 참고할 수 있는 하나의 기준이 필요했어요. 그래서 Data Analysis Team과 Data Platform Team이 협업해 매장 정보와 같이 핵심적인 데이터를 단일화된 테이블로 정비했습니다.이 과정에서 단순히 테이블을 모으는 것을 넘어 같은 개념을 서로 다른 이름으로 사용하지 않도록 DW 표준화 컨벤션 작업에 많은 시간을 집중했어요. 특히 네이밍 룰을 일관되게 적용해 테이블과 컬럼명만 보더라도 어떤 목적과 역할인지 직관적으로 파악할 수 있도록 했습니다.위와 같은 규칙을 속성별로 정의해 데이터 구조의 의미를 이름 자체에 담았습니다.여기에 모든 표준마트 테이블과 컬럼 Description을 빠짐없이 채워넣어 AI가 데이터를 더 정확하게 이해하고 탐색할 수 있는 기반을 다졌어요.<h3 id="342a360d-33e3-80fd-a33a-cff9d914e0d5">비즈니스 언어를 데이터와 연결하기</h3><blockquote id="342a360d-33e3-8075-940e-f50a02fe44ad">“설치 매장의 기준이 뭐죠?”, “업종 분류는 어떤 기준인가요?”</blockquote>이런 질문에 답변을 하려면 단순한 데이터 구조만으로는 부족하기에 비즈니스 맥락이 함께 정의되어 있어야 했어요. 그래서 각 도메인에서 사용하는 용어와 지표의 정의를 정리해 표준 데이터 마트와 연결된 비스니스 언어 체계를 구축했어요. 이 작업에는 데이터 분석가들이 함께 참여해 사람마다 다르게 이해하던 기준을 하나로 맞추는 데 집중했어요.
<h3 id="342a360d-33e3-80f4-9794-d900c124a864">일관된 선택을 위한 Scoring &amp; Ranking 시스템</h3>데이터가 잘 정리된 데이터 마트가 있어도 AI가 매번 다른 테이블을 선택한다면 결과는 신뢰할 수 없게 됩니다. 판다는 이를 해결하기 위해 유사도와 신뢰도를 함께 고려하는 선택 기준을 만들었어요. 또한 DW 전체를 탐색하는 것은 정확도를 떨어트리기 때문에 dbt tags를 활용해서 잘 관리된 테이블만 Manifest 파일로 가져오고 있어요.이러한 구조를 통해 판다는 정확도, 신뢰도, 일관성을 동시에 확보한 답변을 제공할 수 있게 되었어요.
<h3 id="342a360d-33e3-80f8-8fde-d0db130eba36">스스로 답을 찾아가는 Agentic Loop 시스템</h3>판다의 설계 원칙은 ‘AI에게 최대한의 자율성을 보장하는 것’입니다. 토스플레이스 비즈니스에 맞춘 tool을 설계했고, AI가 스스로 상황에 맞는 도구를 선택하고, 결과를 검토한 뒤 다시 시도하는 Loop 방식으로 설계했어요. 정답을 한 번에 맞추기보다 여러 번 시도하며 점점 정답에 가까워지는 구조예요.판다는 테이블 탐색 → 쿼리 실행 → 결과 검증(필요시 사용자 재질문) → 재시도 → 수정 → 최종 결과 도출의 과정을 통해 단순 조회를 넘어서 문제를 해결하는 방식 자체를 학습된 형태로 수행하고 있어요.
<h3 id="342a360d-33e3-8032-bdb1-da772e2bb258">결과를 이해할 수 있게 만드는 답변 구조 설계</h3>정확한 숫자의 단순한 나열만으로는 충분하지 않아요. 사용자가 그 결과를 신뢰하고 활용할 수 있어야 했어요. 그래서 판다는 답변을 다음과 같은 구조로 제공할 수 있도록 설계했습니다.이러한 구조를 통해 판단은 단순한 챗봇을 넘어, 데이터 분석가의 사고 과정을 함께 제공하는 도구로 활용할 수 있어요. 토스플레이스 팀원이라면 누구나 데이터 분석가의 도움을 받을 수 있는 환경을 만들어가고 있어요.<h3 id="342a360d-33e3-8081-981d-ce2e7932dc5e">예시 질문 &amp; 답변 </h3>*모든 데이터와 해석은 예시용 가정이에요.<figure id="34ba360d-33e3-8002-b70c-f6c38db51be6"><img src="https://static.toss.im/ipd-tcs/toss_core/live/2db51519-8206-42fd-a035-acf93bb3bf49/03._%E1%84%8B%E1%85%A8%E1%84%89%E1%85%B5_%E1%84%8C%E1%85%B5%E1%86%AF%E1%84%86%E1%85%AE%E1%86%AB%E1%84%83%E1%85%A1%E1%86%B8%E1%84%87%E1%85%A7%E1%86%AB.png" alt=""></figure><h2 id="342a360d-33e3-801e-ba23-d06194380db3">판다를 사용한 팀원들의 반응은 어땠을까요?</h2>판다는 출시와 동시에 예상보다 훨씬 빠르게 조직 안에 스며들었어요.오픈 첫날부터 팀원 3명 중 1명이 판다를 사용했고, 일주일 만에 전체 팀원의 절반이 판다를 경험했어요. 같은 기간 동안 오간 메시지만 4,000건이 넘을 정도로 판다는 자연스럽게 업무 흐름 속 도구로 자리 잡았어요. 현재는 70%가 사용중일 만큼 사내에 없어서는 안될 소중한 팀원으로 자리 잡았습니다.<blockquote id="342a360d-33e3-80eb-888d-d06176370750">“데이터 분석가분들 리소스를 뺏는 것 같아서 사소한 질문은 망설였는데, 이제는 부담 없이 물어볼 수 있어요.”</blockquote>"판다 최고예요! 너무 잘쓰고 있어요!"라는 감사 인사와 기능에 대한 긍정적인 반응이 이어졌습니다. 이전에는 데이터 요청 자체가 ‘조심스러운 일’이었다면, 지금은 필요한 순간 판다에게 바로 확인하는 자연스러운 행동으로 바뀌었어요.<blockquote id="342a360d-33e3-8089-b6b6-c1347298bd31">“데이터 확인이 아니라 바로 활용하게 됐어요”</blockquote>“외근 중에도 필요한 지표를 바로 확인할 수 있어서 좋아요.”, “숫자만 주는 게 아니라 인사이트까지 같이 주니까 해석 시간이 줄었어요.” 등 판다는 단순히 ‘데이터를 확인하는 것’에서 ‘바로 활용하는 것’으로 실제 업무 방식 변화에도 영향을 주고 있어요.<h3 id="342a360d-33e3-8072-857e-d5bcfe8aac03">직군별 질문 패턴 차이 </h3><figure id="34ba360d-33e3-80f6-82e6-cdaf2c76262c"><img src="https://static.toss.im/ipd-tcs/toss_core/live/a250f8d7-493b-4e12-8a0f-9bb80d1fa433/04._%E1%84%8C%E1%85%B5%E1%86%A8%E1%84%80%E1%85%AE%E1%86%AB%E1%84%87%E1%85%A7%E1%86%AF_%E1%84%8C%E1%85%B5%E1%86%AF%E1%84%86%E1%85%AE%E1%86%AB_%E1%84%91%E1%85%A2%E1%84%90%E1%85%A5%E1%86%AB_%E1%84%8E%E1%85%A1%E1%84%8B%E1%85%B5.png" alt=""></figure>가장 흥미로웠던 것은 판다를 사용할 것이라 예상하지 못했던 직군에서도 활발히 활용되었다는 점입니다. 특히 개발자 분들은 사용 빈도가 낮을 것이라 예상했는데, 실제로는 다양한 방식으로 판다를 활용하고 있었어요. 그리고 데이터 직군에서도 판다를 통해 질문하는 모습을 관찰할 수 있었고, 이를 통해 단순한 편의성을 넘어 답변의 신뢰도가 일정 수준 이상 확보되었다고 생각했습니다.<h2 id="342a360d-33e3-8058-85ef-eac5f591427e">앞으로 판다는 어떻게 발전해 나갈까요?</h2>판다는 기획부터 출시까지 단 한 달이 걸렸습니다. 짧은 시간 안에 빠르게 선보인 만큼 아직 개선해야 할 부분도 분명히 남아 있어요. 저희는 단계적인 고도화를 통해 데이터 커버리지를 90% 이상, 답변 정확도를 97% 이상까지 끌어올리는 것을 목표로 하고 있습니다.판다가 토스플레이스에 빠르게 자리 잡을 수 있었던 이유는 팀원들의 실제 사용 데이터 덕분이었습니다. 팀원들이 판다에게 어떤 질문을 하는지, 어떤 순간에 멈추거나 다시 질문하는지를 관찰하면서 저희가 미처 예상하지 못했던 진짜 니즈를 발견하는 경우가 많았어요. 반대로, 초기 PoC 단계에서 중요하다고 생각했던 요소들이 실제 사용에서는 크게 중요하지 않다는 점을 깨닫기도 했어요.판다는 지금도 토스플레이스 팀원들과 함께 학습하며 발전하고 있습니다. 앞으로 판다는 단순한 데이터 조회를 넘어서 데이터 직군의 업무까지 실질적으로 덜어줄 수 있는 방향으로 발전시키고자 해요. 누군가에게 물어보지 않아도 스스로 데이터를 확인하고, 이해하고, 활용할 수 있는 환경을 목표하고 있어요. 판다는 그 과정을 돕는 완성형 데이터 파트너가 될 수 있도록 보완해 나갈 예정입니다.AI는 이제 업무 방식 뿐만 아니라 우리가 사고하고 의사결정하는 방식까지 바꾸고 있어요. 토스플레이스는 이 변화 속에서 기술을 도입하는 데 그치지 않고, 일하는 방식이 근본적으로 변화하도록 하는 시도를 계속해 나가고 있습니다. 이 과정에서 저희가 느낀 점은, AI를 잘 활용한다는 것은 꼭 복잡한 기술을 적용하는 데 있지 않다는 점이에요. 결국 중요한 것은 비즈니스 문제를 해결하고, 사내의 실제 Pain Point를 풀어내는 것이었어요. 그것이 단순한 프롬프트 두세 줄일지라도, 제대로 문제를 해결한다면 가장 효과적인 AI 활용 방식이라고 생각해요.이 거대한 AI의 파도 위에서 가장 멋지게 서핑하며 나아가는 토스플레이스 팀이 되기를 기대하며, 판다의 성장을 지켜봐 주세요! </div></div>

토스테크

안녕하세요. 토스플레이스에서 ‘판다(PANDA)’를 기획하고 만든 Data Analysis Team Leader 김윤아, Data Analytics Engineer 정이을 입니다. 
업무를 하다 보면 이런 순간이 있지 않으셨나요? “지금 이 데이터만 빠르게 확인할 수 있으면 좋을텐데.” 대시보드를 찾아 들어가거나, 누군가에게 요청을 남기고 기다리지 않고 필요한 데이터를 바로 꺼내 쓸 수 있다면 어떨까요?
토스플레이스 Data 조직은 AI를 활용해 이런 환경을 만들어 데이터 민주주의를 실현할 수 있다고 믿었습니다. 그리고 그 결과, 데이터 분석 어시스턴트 ‘판다(PANDA)’를 세상에 선보였습니다.
판다는 무엇이고, 왜 만들었을까요?
판다(PANDA)는 Place Analytics & Data의 약자로, 토스플레이스의 데이터를 추출하고 분석하는 임무를 수행하고 있어요. 판다를 통해 토스플레이스 팀원들은 보안 등급에 따라 허용된 데이터 범위 내에서 필요한 정보를 손쉽게 조회하고 활용할 수 있게 되었어요.
토스플레이스에서는 데이터 기반 의사결정이 자연스러운 문화로 자리 잡혀 있습니다. 그만큼 다양한 팀에서 매일 많은 데이터 많은 데이터 요청을 주셨죠. 판다가 세상에 나오기 전에는 데이터 분석가가 그 요청을 처리하기 위해 수십 개의 대시보드를 확인하거나 복잡한 SQL 코드를 직접 작성해야 했습니다. 그런데 데이터 분석 요청 내용을 살펴보았더니 한 가지 흥미로운 사실을 발견할 수 있었습니다. 전체 요청의 70%는 복잡한 분석이 아니라 정확한 수치를 확인하는 단순 추출 작업이었다는 것이에요. 
그래서 저희는 데이터 추출과 인사이트를 제공할 수 있는 데이터봇을 기획하고 만들게 되었어요. 판다를 통해 팀원들에게는 기다림 없이 바로 확인할 수 있는 데이터 경험을 제공하고, 데이터 분석가들에게는 밀도 있는 분석에 집중할 수 있는 시간을 선물할 수 있었어요.
판다는 어떻게 만들어졌을까요?
판다를 만드는 것은 단순한 챗봇 하나를 만드는 것 이상이었어요.
처음에는 “요즘 AI 성능이면 텍스트로 질문만 던지면 알아서 정확한 답을 해주지 않을까?”라고 생각했어요. 하지만, 실제로 만들어 보니 현실은 기대와 달랐습니다.
토큰 낭비
AI가 질문에 답하기 위해 수천 개의 테이블과 사내 문서를 한 번에 참고하면서 불필요하게 많은 토큰을 사용하고 있었어요.
일관성 없는 결과
같은 질문을 하더라도 매번 다른 테이블을 선택하면서 답변이 달라지는 상황이 반복됐어요.
잘못된 비즈니스 로직
비즈니스 맥락을 이해하지 못한 채 데이터를 해석하다 보니 잘못된 기준으로 결과를 반환하는 경우도 많았어요.
예를 들어 ‘활성 매장 수’를 물어보면 설치가 완료된 매장인지, 실제로 결제가 발생한 매장인지 구분하지 못했어요.
Snowflake 비용 문제
비효율적인 쿼리 실행으로 인해 불필요한 데이터 스캔이 발생했고, 데이터 웨어하우스 비용 증가로 이어졌어요.
판다는 이 문제들을 어떻게 해결했을까요?
판다는 단순히 모델을 개선하는 방식이 아니라, 데이터부터 답변 구조까지 전반을 다시 설계하는 방식으로 문제를 해결했어요.
그 과정에서 진행한 핵심적인 작업들을 소개해 드릴게요.
단 하나의 기준, 표준 데이터 마트(SSOT) 정비
AI가 엉뚱한 답을 하지 않으려면 무엇보다 믿고 참고할 수 있는 하나의 기준이 필요했어요. 그래서 Data Analysis Team과 Data Platform Team이 협업해 매장 정보와 같이 핵심적인 데이터를 단일화된 테이블로 정비했습니다.
이 과정에서 단순히 테이블을 모으는 것을 넘어 같은 개념을 서로 다른 이름으로 사용하지 않도록 DW 표준화 컨벤션 작업에 많은 시간을 집중했어요. 특히 네이밍 룰을 일관되게 적용해 테이블과 컬럼명만 보더라도 어떤 목적과 역할인지 직관적으로 파악할 수 있도록 했습니다.
{mart_type}_{domain}_{subject} 형태의 테이블명 규칙
{dw내 모델역할}_{비즈니스 영역}_{핵심 주제}
ex) fact_device_error_log : 단말기 오류 현황 / dim_merchant_category : 매장업종 분류
{prefix}_{entity}_{attribute}_{suffix} 형태의 컬럼명 규칙
{접두어(생략가능)}_{개념의 대상}_{대상의 속성,상태}_{접미어(생략가능)}
ex) is_merchant_active : 매장 활성 상태 / min_order_amount : 최소 주문 금액
위와 같은 규칙을 속성별로 정의해 데이터 구조의 의미를 이름 자체에 담았습니다.
여기에 모든 표준마트 테이블과 컬럼 Description을 빠짐없이 채워넣어 AI가 데이터를 더 정확하게 이해하고 탐색할 수 있는 기반을 다졌어요.
비즈니스 언어를 데이터와 연결하기
“설치 매장의 기준이 뭐죠?”, “업종 분류는 어떤 기준인가요?”
이런 질문에 답변을 하려면 단순한 데이터 구조만으로는 부족하기에 비즈니스 맥락이 함께 정의되어 있어야 했어요. 그래서 각 도메인에서 사용하는 용어와 지표의 정의를 정리해 표준 데이터 마트와 연결된 비스니스 언어 체계를 구축했어요. 이 작업에는 데이터 분석가들이 함께 참여해 사람마다 다르게 이해하던 기준을 하나로 맞추는 데 집중했어요.
일관된 선택을 위한 Scoring & Ranking 시스템
데이터가 잘 정리된 데이터 마트가 있어도 AI가 매번 다른 테이블을 선택한다면 결과는 신뢰할 수 없게 됩니다. 판다는 이를 해결하기 위해 유사도와 신뢰도를 함께 고려하는 선택 기준을 만들었어요. 또한 DW 전체를 탐색하는 것은 정확도를 떨어트리기 때문에 dbt tags를 활용해서 잘 관리된 테이블만 Manifest 파일로 가져오고 있어요.
최종 점수 = (유사도 점수) x (계층 가중치)
유사도 점수 : 질문과 테이블 간의 연관성 (테이블명 일치 +3, 설명 기반 연관성 +1)
신뢰도 가중치 : 데이터 계층별 중요도 반영
전사 주요 지표 (SSOT) : x4
검증된 표준 마트 : x3
도메인별 분석용 마트 :  x2
브론즈성 원시 데이터 & 로그 : x1
이러한 구조를 통해 판다는 정확도, 신뢰도, 일관성을 동시에 확보한 답변을 제공할 수 있게 되었어요.
스스로 답을 찾아가는 Agentic Loop 시스템
판다의 설계 원칙은 ‘AI에게 최대한의 자율성을 보장하는 것’입니다. 토스플레이스 비즈니스에 맞춘 tool을 설계했고, AI가 스스로 상황에 맞는 도구를 선택하고, 결과를 검토한 뒤 다시 시도하는 Loop 방식으로 설계했어요. 정답을 한 번에 맞추기보다 여러 번 시도하며 점점 정답에 가까워지는 구조예요.
자율적 재시도: 결과가 부정확하면 스키마를 다시 확인하고 쿼리를 수정해 재실행해요.
유연한 대처: 모든 예외를 미리 정의해 코딩하지 않고 상황에 따라 스스로 판단해요.
판다는 테이블 탐색 → 쿼리 실행 → 결과 검증(필요시 사용자 재질문) → 재시도 → 수정 → 최종 결과 도출의 과정을 통해 단순 조회를 넘어서 문제를 해결하는 방식 자체를 학습된 형태로 수행하고 있어요.
결과를 이해할 수 있게 만드는 답변 구조 설계
정확한 숫자의 단순한 나열만으로는 충분하지 않아요. 사용자가 그 결과를 신뢰하고 활용할 수 있어야 했어요. 그래서 판다는 답변을 다음과 같은 구조로 제공할 수 있도록 설계했습니다.
결과: 요청한 핵심 데이터
조회 기준: 기간, 조건 집계 방식
인사이트: 실무에 활용 가능한 해석
이러한 구조를 통해 판단은 단순한 챗봇을 넘어, 데이터 분석가의 사고 과정을 함께 제공하는 도구로 활용할 수 있어요. 토스플레이스 팀원이라면 누구나 데이터 분석가의 도움을 받을 수 있는 환경을 만들어가고 있어요.
예시 질문 & 답변 
*모든 데이터와 해석은 예시용 가정이에요.
판다를 사용한 팀원들의 반응은 어땠을까요?
판다는 출시와 동시에 예상보다 훨씬 빠르게 조직 안에 스며들었어요.
오픈 첫날부터 팀원 3명 중 1명이 판다를 사용했고, 일주일 만에 전체 팀원의 절반이 판다를 경험했어요. 같은 기간 동안 오간 메시지만 4,000건이 넘을 정도로 판다는 자연스럽게 업무 흐름 속 도구로 자리 잡았어요. 현재는 70%가 사용중일 만큼 사내에 없어서는 안될 소중한 팀원으로 자리 잡았습니다.
“데이터 분석가분들 리소스를 뺏는 것 같아서 사소한 질문은 망설였는데, 이제는 부담 없이 물어볼 수 있어요.”
"판다 최고예요! 너무 잘쓰고 있어요!"라는 감사 인사와 기능에 대한 긍정적인 반응이 이어졌습니다. 이전에는 데이터 요청 자체가 ‘조심스러운 일’이었다면, 지금은 필요한 순간 판다에게 바로 확인하는 자연스러운 행동으로 바뀌었어요.
“데이터 확인이 아니라 바로 활용하게 됐어요”
“외근 중에도 필요한 지표를 바로 확인할 수 있어서 좋아요.”, “숫자만 주는 게 아니라 인사이트까지 같이 주니까 해석 시간이 줄었어요.” 등 판다는 단순히 ‘데이터를 확인하는 것’에서 ‘바로 활용하는 것’으로 실제 업무 방식 변화에도 영향을 주고 있어요.
직군별 질문 패턴 차이 
가장 흥미로웠던 것은 판다를 사용할 것이라 예상하지 못했던 직군에서도 활발히 활용되었다는 점입니다. 특히 개발자 분들은 사용 빈도가 낮을 것이라 예상했는데, 실제로는 다양한 방식으로 판다를 활용하고 있었어요. 그리고 데이터 직군에서도 판다를 통해 질문하는 모습을 관찰할 수 있었고, 이를 통해 단순한 편의성을 넘어 답변의 신뢰도가 일정 수준 이상 확보되었다고 생각했습니다.
앞으로 판다는 어떻게 발전해 나갈까요?
판다는 기획부터 출시까지 단 한 달이 걸렸습니다. 짧은 시간 안에 빠르게 선보인 만큼 아직 개선해야 할 부분도 분명히 남아 있어요. 저희는 단계적인 고도화를 통해 데이터 커버리지를 90% 이상, 답변 정확도를 97% 이상까지 끌어올리는 것을 목표로 하고 있습니다.
판다가 토스플레이스에 빠르게 자리 잡을 수 있었던 이유는 팀원들의 실제 사용 데이터 덕분이었습니다. 팀원들이 판다에게 어떤 질문을 하는지, 어떤 순간에 멈추거나 다시 질문하는지를 관찰하면서 저희가 미처 예상하지 못했던 진짜 니즈를 발견하는 경우가 많았어요. 반대로, 초기 PoC 단계에서 중요하다고 생각했던 요소들이 실제 사용에서는 크게 중요하지 않다는 점을 깨닫기도 했어요.
판다는 지금도 토스플레이스 팀원들과 함께 학습하며 발전하고 있습니다. 앞으로 판다는 단순한 데이터 조회를 넘어서 데이터 직군의 업무까지 실질적으로 덜어줄 수 있는 방향으로 발전시키고자 해요. 누군가에게 물어보지 않아도 스스로 데이터를 확인하고, 이해하고, 활용할 수 있는 환경을 목표하고 있어요. 판다는 그 과정을 돕는 완성형 데이터 파트너가 될 수 있도록 보완해 나갈 예정입니다.
AI는 이제 업무 방식 뿐만 아니라 우리가 사고하고 의사결정하는 방식까지 바꾸고 있어요. 토스플레이스는 이 변화 속에서 기술을 도입하는 데 그치지 않고, 일하는 방식이 근본적으로 변화하도록 하는 시도를 계속해 나가고 있습니다. 
이 과정에서 저희가 느낀 점은, AI를 잘 활용한다는 것은 꼭 복잡한 기술을 적용하는 데 있지 않다는 점이에요. 결국 중요한 것은 비즈니스 문제를 해결하고, 사내의 실제 Pain Point를 풀어내는 것이었어요. 그것이 단순한 프롬프트 두세 줄일지라도, 제대로 문제를 해결한다면 가장 효과적인 AI 활용 방식이라고 생각해요.
이 거대한 AI의 파도 위에서 가장 멋지게 서핑하며 나아가는 토스플레이스 팀이 되기를 기대하며, 판다의 성장을 지켜봐 주세요!

토스플레이스 데이터봇 ‘판다(PANDA)’를 소개합니다 : 모든 팀원이 데이터 전문가처럼 일하는 방법

댓글