DevOps 데이터, 자연어 한 줄로 즉시 보고하는 법

"우리 개발팀 이번 분기 성과가 어땠지? 임원 회의가 다음 주인데, 정리할 시간이 빠듯하네."

CTO나 개발팀장이라면 한 번쯤 떠올렸을 만한 고민입니다. 코드 리뷰·MR·파이프라인·배포 데이터는 GitLab 안에 모두 쌓여 있는데요. 이 데이터의 의미를 경영진이 이해할 수 있는 보고 형태로 정리하려면 며칠이 걸리죠.

이러한 고민을 해결해 주는 기술은 2024년 이후 BI(Business Intelligence) 시장에서 본격화했습니다. 사용자가 자연어로 요청하면 생성형 AI가 데이터를 시각화하고 인사이트까지 자동 해설하는 모델인데요. 같은 시기, 소프트웨어 개발 데이터를 다루는 영역에서도 비슷한 흐름이 나타났습니다. Gartner가 '소프트웨어 엔지니어링 인텔리전스(SEI, 이하 엔지니어링 인텔리전스)'로 명명한 이 영역은 Git·CI/CD·이슈 트래커 데이터를 엔지니어링 리더가 활용할 수 있는 지표로 전환하죠. BI와 엔지니어링 인텔리전스 양쪽에서 발전한 이 흐름은 최근 GitLab을 비롯한 DevOps 영역에도 도달했습니다.

생성형 AI 기반 데이터 분석을 지원하는 글로벌 플랫폼은 다수 있는데요. 그러나 한국 기업의 컨텍스트에 최적화된 맞춤형 인사이트를 제공하는 플랫폼은 많지 않습니다.

이 글에서는 BI와 엔지니어링 인텔리전스 시장에서 발전한 생성형 AI 기반 데이터 분석 흐름이 GitLab Data Analyst Agent를 중심으로 DevOps 영역에 도달하기까지의 과정을 짚어보겠습니다. 나아가 한국 기업의 비즈니스·기술 조직 운영 컨텍스트에 최적화된 인포그랩 Mantis의 문제 해결 방식도 알아보겠습니다.

생성형 AI 기반 데이터 분석은 어떻게 DevOps 영역으로 확장됐나?

자연어로 데이터를 요청하면 생성형 AI가 자동으로 이를 시각화하고, 의미까지 해설하는 데이터 분석 흐름은 2024년부터 BI 시장을 중심으로 빠르게 확산했습니다. 이 흐름은 엔지니어링 인텔리전스 시장에도 이어졌으며, 이제 DevOps 영역에도 도달했죠. 단계별로 과정을 살펴보겠습니다.

1단계: BI에서 시작된 자연어 요청 → 시각화 + 분석

자연어로 요청하면 데이터 분석 도구가 시각화 자료를 생성하는 기능은 BI 시장에서 10년 넘게 진화해 왔습니다. 2013년 Microsoft가 Power BI for Office 365 프리뷰에 Q&A를 선보였고, 2019년 Tableau Ask Data가 차트 생성 단계를 열었죠. 2022년 ChatGPT 출시 이후 생성형 AI가 확산하면서 '차트 생성 + 자연어 해설' 모델로 발전했습니다.

차트 생성 단계에서 자연어 해설 단계로 나아간 이유는 이렇습니다. 차트는 '어떤 현상이 나타나는지'는 보여주지만, '왜 그 현상이 발생하는지', '무엇을 어떻게 해야 하는지'까지 알려주지는 않죠.

2024년 이후에는 자연어 요청만으로 데이터를 시각화하고 의미·추세·기여 요인까지 자연어로 해설하는 도구가 잇따라 등장했는데요. Tableau Pulse, Microsoft Power BI Copilot, Google Looker Conversational Analytics가 대표적이죠. 세 도구의 기반 모델과 특징은 아래 표와 같습니다.

이러한 도구가 등장한 데에는 비즈니스 리더의 데이터 활용 어려움도 한몫했습니다. Salesforce가 2023년 발표한 Untapped Data Research에 따르면, 비즈니스 리더의 41%는 '데이터가 너무 복잡하거나 접근하기 어려워 이해하지 못한다'고 응답했고, 33%는 '데이터에서 인사이트를 생성하는 능력이 부족하다'고 답했죠. 도메인 전문성이 비교적 높은 비즈니스 리더조차 데이터를 정확히 이해하고 방향을 도출하는 데 어려움을 겪는다는 의미입니다. '차트 생성 + 자연어 해설' 모델은 이 문제의 해결책으로 시장에 빠르게 자리 잡았습니다.

다만 이 도구들은 BI 영역에 특화돼, 기술 조직의 개발·DevOps 데이터 분석에는 한계가 있습니다. 또한 이 도구들이 한국 조직의 운영 컨텍스트에 맞는 해설까지 보장할지는 확실하지 않습니다.

2단계: 엔지니어링 인텔리전스로 확장

BI 시장에서 자리 잡은 생성형 AI 기반 ‘차트 생성 + 자연어 해설' 모델은 엔지니어링 인텔리전스 시장에서도 발전했습니다. 엔지니어링 인텔리전스 플랫폼은 GitLab·GitHub·Jira와 같은 다양한 개발 도구의 데이터를 통합해 개발팀의 생산성·품질·AI 활용 효과 등을 측정하는데요. 그동안 SQL이나 복잡한 대시보드 설계 능력이 필요했던 이 영역에도 자연어 요청만으로 데이터를 조회·시각화·분석하는 기능이 잇따라 도입되고 있죠.

LinearB, Faros AI가 대표적인 예입니다. 두 플랫폼은 자연어 인터페이스를 활용해 기술 조직에서 사이클 타임·DORA 메트릭·AI 코딩 도구 ROI와 같은 복잡한 데이터를 SQL 없이 직접 조회·분석하도록 지원합니다. 다만 LinearB의 자연어 쿼리 기능(MCP Server)은 글 작성 시점(2026년 5월 19일) 기준 베타 단계로, 정식 출시 전까지 동작과 출력이 달라질 수 있습니다.

엔지니어링 인텔리전스 플랫폼은 생성형 AI 기반 데이터 분석을 BI 영역에서 CTO·개발팀장의 일상 영역으로 가져왔다는 의의가 있습니다. 나아가 이러한 흐름은 엔지니어의 DevOps 워크플로 내부로 직접 통합되기 시작했습니다.

3단계: DevOps 워크플로 내부로 통합

엔지니어링 인텔리전스 플랫폼이 외부에서 GitLab·GitHub·Jira 데이터를 가져와 분석하는 흐름이었다면, 이제 생성형 AI 기반 데이터 분석은 DevOps 워크플로 내부에 바로 통합되는 단계로 진입했습니다. GitLab Duo Agent Platform의 Data Analyst Agent가 그 주인공인데요. 이 에이전트는 2026년 4월 16일 GA(Generally Available)로 전환돼 프로덕션에서 안정적으로 사용할 수 있죠.

Data Analyst Agent는 생성형 AI로 자연어 요청에 따라 GitLab 데이터를 조회·분석하고 그 결과를 시각화해 인사이트와 함께 제공하는 AI 에이전트입니다. 이 에이전트의 기반 기술은 GLQL(GitLab Query Language)인데요. GLQL은 GitLab이 직접 만든 데이터 조회 언어입니다. Data Analyst Agent는 사용자의 자연어 요청을 GLQL 쿼리로 변환한 뒤, 이 쿼리로 GitLab 안의 데이터를 조회하고 분석합니다.

Data Analyst Agent로 조회·분석할 수 있는 데이터는 Merge request(MR) 사이클 타임, 파이프라인 정상 작동률, 배포 빈도와 같은 소프트웨어 개발 라이프사이클 데이터인데요. 예를 들어, '우리 팀의 지난 분기 MR 평균 처리 시간은?'과 같은 자연어 질의에 시각화된 답변과 인사이트를 제공받을 수 있죠.

데이터 조회·분석 범위는 GLQL 데이터 소스 확장과 함께 넓어지는 추세입니다. 최근 릴리즈된 GitLab 18.11에서 GLQL은 기존 work items(이슈·에픽 등)·MR 데이터 소스에 더해 프로젝트·파이프라인·job을 추가로 지원하기 시작했는데요. 위키·이슈·MR·리포지터리 마크다운에서 GLQL 쿼리 결과를 직접 표시하는 임베디드 뷰 기능도 함께 제공하죠. 이로써 Data Analyst Agent는 소프트웨어 개발 라이프사이클 전반의 데이터를 자연어 요청만으로 조회·분석할 수 있게 됐습니다.

엔지니어링 인텔리전스 플랫폼과 비교했을 때 GitLab Data Analyst Agent의 차별점은 데이터를 외부로 옮기지 않고 GitLab 안에서 직접 조회·분석한다는 점입니다. 그동안 데이터팀에 대시보드 요청을 넣거나 별도 분석 플랫폼을 거쳐야 답할 수 있었던 질문을 이제 GitLab 워크플로 안에서 해결할 수 있죠. 생성형 AI 기반 데이터 분석 흐름이 BI에서 엔지니어링 인텔리전스를 거쳐 DevOps 워크플로 내부에 도달한 것입니다.

GitLab Data Analyst Agent의 작동 흐름: 자연어 요청에서 시각화·인사이트까지

Mantis는 GitLab 데이터를 어떻게 한국 기업용 즉시 보고로 가공하나?

GitLab Data Analyst Agent의 등장으로 자연어 요청에 따라 GitLab 데이터를 생성형 AI로 분석하는 기능은 자리를 잡았습니다. 그러나 이는 한국 비즈니스·기술 조직의 컨텍스트를 반영한 즉시 보고까지 지원하지 않죠. 한국 기업 보고에 특화된 보고서 생성·원화 환산·ROI 계산 등은 GitLab Data Analyst Agent의 공백으로 남아 있는데요. 인포그랩 Mantis는 이 자리를 채웁니다.

GitLab Data Analyst Agent와 Mantis의 차이점을 정리하면 다음과 같습니다.

인포그랩의 Mantis는 한국 비즈니스·기술 조직의 컨텍스트에 최적화된 AI 개발·DevOps 데이터 분석 솔루션입니다. Mantis는 GitLab 데이터를 경영진의 언어로 번역하는데요. 사용자가 원하는 개발·DevOps 데이터를 자연어로 요청하면, Mantis AI가 GitLab의 커밋·MR·파이프라인·이슈 등 관련 데이터를 분석해 대시보드와 보고서를 자동 생성하죠.

예를 들어, CTO나 개발팀장이 “2026년 1분기 우리 개발팀 성과를 정리해 줘”라고 입력하면, 데이터를 조회하고 차트와 대시보드, 분석 결과를 즉시 생성합니다. ‘보고서 생성’ 버튼을 누르면 바로 템플릿에 맞춰 보고서를 작성하고요. 기존에 며칠씩 걸리던 데이터 정리·보고 준비를 ‘분 단위’로 단축하죠.

Mantis 자연어 요청에서 보고서·대시보드 자동 생성까지 작동 흐름

Mantis의 데이터 분석은 한국 비즈니스·기술 조직의 컨텍스트를 즉시 반영합니다. 예를 들어, 인포그랩이 자체 환경 데이터를 분석한 결과, “파이프라인 성공률을 현재 49.2%에서 70%로 개선하면 연간 8376만원을 절감할 수 있다. DevOps 투자 비용 670만원 대비 ROI가 1246%로 예상된다”며 한국 조직의 기술 투자 비용을 고려해 기술 개선 효과를 원화로 바로 환산하고요. 이러한 경제적 효과를 경영진 보고에 바로 활용하도록 지원합니다.

Mantis가 제공하는 파이프라인 분석과 원화 환산 AI 인사이트

이와 동시에 Mantis는 기술 조직의 DORA 4대 메트릭(배포 빈도·리드타임·변경 실패율·복구 시간)을 실시간으로 추적하는데요. 우리 조직의 개발·배포 흐름에서 무엇이 변했고, 어디를 개선해야 하는지 보여주죠. 예를 들어, 인포그랩이 자체 환경 데이터를 분석했을 때, “2026년 2월 배포 수가 전월보다 95% 급감했다”고 진단하고요. “배포 파이프라인 장애, 인프라 이슈 또는 조직 변화”를 추정 원인으로 분석하죠. 이어서 “일일 배포 수 알림 설정과 같은 배포 파이프라인 모니터링 강화, 배포 중단 시 에스컬레이션 프로세스 수립” 등 구체적인 액션 아이템을 제안합니다.

Mantis가 제공하는 배포 빈도 추이 분석과 원인 진단·액션 아이템

Mantis는 자연어로 데이터를 조회·시각화·분석하고요. 여기에 한국 비즈니스·기술 조직의 운영 컨텍스트를 더해 심층 데이터 해설을 ‘즉시 보고 가능한’ 형태로 가공합니다.

엔터프라이즈 도입 기준도 충족하고 있습니다. SSO·LDAP·SAML 2.0·OIDC 인증 표준을 지원하고, 대규모 환경 호환성도 검증했죠. Mantis는 2026년 5월 정식 출시되며, 출시와 함께 국내 기업의 도입을 본격적으로 지원할 예정입니다.

자연어 한 줄, 즉시 보고

BI 시장에서 시작된 생성형 AI 기반 데이터 분석 흐름은 엔지니어링 인텔리전스 플랫폼과 GitLab Data Analyst Agent로 이어지며 DevOps 영역에 도달했습니다. 나아가 한국 기업 환경에서는 인포그랩 Mantis가 한국 비즈니스·기술 조직의 운영 컨텍스트를 반영해 즉시 보고를 완성합니다.

CTO·개발팀장이 "이번 분기 우리 개발팀 성과를 정리해 줘"라고 한 줄만 입력하면, 데이터 조회·차트·대시보드·분석 결과·경영진 보고서가 분 단위로 완성되는 흐름이죠. 데이터를 정리하는 데 며칠 들이는 대신, 데이터를 어떻게 활용할지 결정하는 데 시간을 더 쓰는 환경이 한국 기업에도 도달했습니다.

인포그랩 Mantis와 함께 GitLab 데이터를 경영진의 언어로 즉시 받아보시면 어떨까요?

참고 자료

1. "73% of Business Leaders Believe Data Reduces Uncertainty and Drives Better Decisions — So Why Aren't They Using It?", Salesforce, 2023-02-22, https://www.salesforce.com/news/stories/data-skills-research/
2. Tableau Pulse 페이지, https://www.tableau.com/products/tableau-pulse
3. "How Copilot in Microsoft Fabric works", Microsoft Learn, https://learn.microsoft.com/en-us/fabric/fundamentals/how-copilot-works
4. Google Cloud Looker의 대화형 분석 공식 문서, https://cloud.google.com/looker/docs/studio/conversational-analytics
5. GitLab Data Analyst Agent 공식 문서, https://docs.gitlab.com/user/duo_agent_platform/agents/foundational_agents/data_analyst/
6. GitLab Query Language (GLQL) 공식 문서, https://docs.gitlab.com/user/glql/
7. GitLab Work items 공식 문서, https://docs.gitlab.com/user/glql/data_sources/work_items/
8. "GitLab 18.11 release notes", GitLab, https://docs.gitlab.com/releases/18/gitlab-18-11-released/
9. 인포그랩 Mantis 공식 홈페이지, https://mantis-ops.io/
10. LinearB 엔지니어링 메트릭 페이지, https://linearb.io/platform/engineering-metrics/
11. Karina Ung, "Introducing the next chapter in AI productivity with LinearB's MCP Server, AI Insights, and DevEx surveys", LinearB, 2025-09-08, https://linearb.io/blog/introducing-the-next-chapter-AI-productivity
12. Faros AI 플랫폼 페이지, https://www.faros.ai/platform
13. Shubha Nabar, "Guiding The Way To Smarter EngOps With Lighthouse AI", Faros AI, 2023-06-27, https://www.faros.ai/blog/guiding-the-way-to-smarter-engops-with-lighthouse-ai
14. "Meet the new DX AI", DX, https://getdx.com/platform/dx-ai/
15. Leo Epstein, "How to implement the AI Measurement Framework in DX", DX, 2025-08-13, https://getdx.com/blog/how-to-implement-ai-measurement-framework/

관련 글 더 읽기

1. Joshua(홍성현), “GitLab Duo Agent Platform으로 개발 업무 80%를 AI에 맡기기”, 인포그랩, 2026-04-15, https://insight.infograb.net/blog/2026/04/15/gitlab-duo-agent-platform/
2. Grace(박민영), “GitLab 18.11 릴리즈 노트”, 인포그랩, 2026-04-17, https://insight.infograb.net/release/2026/04/17/gitlab-18-11/
3. Grace(박민영), “개발자 생산성 지표 효과적으로 활용하기”, 인포그랩, 2024-07-03, https://insight.infograb.net/blog/2024/07/03/devproductivity/
4. Chad(임희호), “GitLab Value Streams 대시보드의 DORA Performers 점수”, 인포그랩, 2024-03-06, https://insight.infograb.net/blog/2024/03/06/gitlab-vs-dora-score/
5. Sabo(사동환), “GitLab과 AI로 개발 생산성 높이는 노하우”, 인포그랩, 2023-06-28, https://insight.infograb.net/blog/2023/06/28/gitlab-ai/