이 책은 SQL·Python·스프레드시트로 데이터를 분석해 본 실무자 중, 반복 분석과 보고서 작성을 자동화하고 싶은 데이터 분석가·BI 담당자·데이터 기반 기획자. 기초 분석 경험은 있지만 Agent, Workflow, MCP를 하나의 운영 시스템으로 설계해 본 경험은 없는 독자를 핵심 대상으로 한다.가 독자는 분석 질문을 입력하면 데이터 탐색, 품질 검사, 전처리, 분석, 결과 검증, 시각화, 보고서 생성을 순차적으로 수행하고 검토 가능한 산출물을 남기는 AI 데이터 분석 자동화 시스템을 직접 설계할 수 있다. 모든 판단을 AI에 맡기는 방식이 아니라, 반복 단계는 Workflow로 고정하고 의미 판단이 필요한 지점에만 Agent와 사람의 승인을 배치하는 운영법까지 익힌다.라는 목표를 달성하도록 돕는다. AI 데이터 분석의 핵심 단위는 답변이 아니라 실행 가능한 산출물이다. 프로파일링 결과, 스키마, 변환 코드, SQL, 검증 보고서, 차트와 최종 보고서가 다음 단계의 입력으로 남아야 재현성과 감사 가능성이 생긴다. 분석 자동화는 데이터 해석, 스키마·품질 정비, 질의·분석, 검증, 보고서 생성으로 역할을 분리해야 한다. 각 역할이 공유 작업공간을 통해 파일과 실행 결과를 주고받도록 설계하면 텍스트 전달 과정의 정보 손실을 줄일 수 있다. 정답처럼 보이는 실행 성공과 분석의 타당성은 다르다. SQL이나 코드가 정상 실행되어도 조인, 필터, 집계 단위, 지표 공식이 틀릴 수 있으므로 예상 결과 구조 선언, 실행 검증, 의미 검토를 별도 관문으로 둬야 한다. 반복 업무에서는 Agent가 매번 전 과정을 추론하게 하지 않는다. 최초 설계에서는 AI가 도구와 데이터 구조를 탐색하고, 확정된 반복 단계는 버전 관리 가능한 Workflow로 고정하는 것이 비용·속도·재현성에 유리하다. Agent와 Workflow의 경계는 불확실성으로 결정한다. 해석, 예외 판단, 가설 수정에는 Agent를 사용하고, 데이터 수집·정형화·정기 실행·파일 생성처럼 규칙이 고정된 단계는 Workflow 엔진이 담당한다. 분석 시스템의 기억은 대화 요약보다 검증된 산출물과 조건부 규칙으로 구축한다. 과거 사례를 재사용하되 현재 데이터에서 전제조건을 다시 실행해 확인해야 오래된 경험이 오류로 전파되는 것을 막을 수 있다. MCP는 여러 데이터·파일·보고서 도구를 표준화된 호출 계층으로 연결하는 수단이다. 실무 시스템에는 도구 검색뿐 아니라 입력 스키마 검증, 권한 분리, 호출 기록, 재시도, 속도 제한과 승인 절차가 필요하다. 완전 자율화보다 관찰 가능한 자동화가 먼저다. 단계별 로그, 원본 데이터 계보, 중간 산출물, 실패 격리, 재실행 가능성, 사람 승인 지점을 갖춘 시스템이 실제 업무에서 더 안전하다. 각 장은 개념 설명에 머물지 않고 실제 업무에 적용할 수 있는 점검 기준과 실행 순서를 제시한다.