AI for Everyone
데이터·DB

Text-to-SQL

텍스트 투 에스큐엘

자연어로 쓴 질문을 데이터베이스에서 실행할 수 있는 SQL 쿼리로 자동 변환하는 기술입니다. 학술적으로는 시맨틱 파싱의 대표 과제로, 2018년 예일대의 Spider 벤치마크가 표준 평가 기준을 세웠습니다. LLM 등장 이후 정확도가 크게 올라, 개발자가 아닌 직군도 채팅으로 데이터를 조회하는 사내 도구로 확산하고 있습니다. 다만 깨끗한 벤치마크와 달리 실제 기업 데이터베이스 환경에서는 정답률이 크게 떨어져, 사람의 검증 절차와 함께 쓰는 것이 전제입니다.

쉽게 말하면?

텍스트 투 에스큐엘(Text-to-SQL)은 '지난달 가장 많이 팔린 상품은?' 같은 일상 언어 질문을 데이터베이스 전용 언어인 SQL(Structured Query Language) 문장으로 바꿔 주는 기술입니다. 데이터는 회사 데이터베이스에 쌓여 있는데 SQL을 다루는 사람은 소수라는 간극을 메워 줘요. 최근에는 LLM이 테이블 구조(스키마)를 읽고 쿼리를 짜 주는 방식이 표준이 됐습니다. 생성된 쿼리가 맞는지 검증하는 일은 여전히 사람 몫입니다.

한 줄로 비유하면?

말로 주문하면 주방 전용 용어로 바꿔 셰프에게 전달하는 홀 매니저입니다.

어디에 쓰이나?

케이스 1Uber — 사내 쿼리 도구 QueryGPT

Uber는 2024년 자연어로 SQL을 생성하는 사내 도구 QueryGPT를 공개했습니다 [4]. 비즈니스 도메인별 테이블·샘플을 묶은 워크스페이스와 다단계 에이전트 구조를 썼습니다 [4]. Uber 데이터 플랫폼은 월 약 120만 건의 대화형 쿼리를 처리합니다 [4]. 제한 릴리스 기준 일간 활성 사용자는 약 300명이었습니다 [4].
도입효과: 쿼리 1건 작성 시간 약 10분→약 3분(자체 추정, 2024년 공개 기준), 사용자 78%가 시간 절감에 동의 [4]

케이스 2Pinterest — 사내 SQL 도구에 통합

Pinterest는 사내 SQL 도구 Querybook에 Text-to-SQL 기능을 넣었습니다 [5]. 수십만 개 테이블 중 맞는 테이블을 찾도록 RAG 기반 테이블 검색을 붙였습니다 [5]. 스키마 컨텍스트를 개선하자 첫 생성 SQL 수용률이 20%에서 40% 이상으로 올랐습니다 [5].
도입효과: SQL 작성 작업 완료 속도 35% 개선(AI 보조 사용 시, 실사용 데이터·과제 차이 미통제 조건) [5]

케이스 3LinkedIn — 전 직군용 사내 Text-to-SQL 챗봇

LinkedIn은 멀티 에이전트 구조의 사내 Text-to-SQL 챗봇을 만들어 배포했습니다 [6]. 지식그래프 기반 컨텍스트 검색과 쿼리 자기 수정 에이전트를 결합했습니다 [6]. 주간 사용자 300명 이상이 쓰고 있습니다 [6].
도입효과: 사내 벤치마크 기준 응답의 53%가 '정확 또는 거의 정확' 판정(전문가 평가, 2025년 논문 기준) [6]

케이스 4우아한형제들(한국) — AI 데이터 분석가 '물어보새'

우아한형제들은 슬랙에서 자연어로 질문하면 SQL 생성·해석·검증까지 해 주는 사내 봇 '물어보새'를 만들었습니다 [7]. RAG와 Text-to-SQL을 결합하고 6개월간 500회 이상의 A/B 테스트로 다듬었습니다 [7]. 2025년에는 ReAct 기반 에이전트 구조로 확장했습니다 [8].
도입효과: 전사 구성원 4명 중 1명(약 25%)이 업무에 사용(2025년 10월 기준), 질문당 응답 30초~1분 [7][8]

주의할 점은?

오늘 바로 해보기
01. 무료 챗봇에 내 팀 테이블 구조(CREATE TABLE 문)와 한국어 질문 하나를 넣고 SQL이 생성되는지 확인합니다.
02. Hugging Face의 Spider 데이터셋 뷰어를 열어 자연어 질문과 SQL이 짝지어진 예시를 훑어봅니다 [1].
03. 오픈소스 Vanna(vanna-ai/vanna)를 pip로 설치해 내 SQLite 파일에 연결하는 튜토리얼을 따라 합니다.
04. 생성된 쿼리를 그대로 실행하지 말고, 테이블·컬럼 이름이 실제로 존재하는지 대조하는 검증 체크리스트를 만듭니다.
05. '물어보새' 기술블로그 1부를 읽고 내 조직에 대입할 때 필요한 요소(스키마 문서화, 용어 사전)를 메모합니다 [7].

한계와 진화
한계는 실전과 벤치마크의 간극입니다. 깨끗한 벤치마크인 Spider 1.0에서는 정답률이 91.2%까지 올랐지만, 실제 기업 워크플로우를 담은 Spider 2.0에서는 상위 모델 기반 에이전트도 21.3%만 풀었습니다 [3]. BIRD 벤치마크 기준 최고 시스템(81.95%)과 인간 전문가(92.96%)의 격차도 남아 있습니다(2026년 7월 리더보드 기준) [2]. 존재하지 않는 테이블·컬럼을 지어내는 환각도 상수입니다. Uber는 환각을 '계속 개선 중인 영역'이라고 밝혔습니다 [4]. 모호한 질문, 복잡한 스키마, 사내 은어가 정확도를 더 떨어뜨립니다 [5].
진화는 두 방향입니다.

  1. 단발 변환에서 에이전트형 분석으로 바뀌고 있습니다. 스스로 스키마를 탐색하고 쿼리를 실행·수정하는 구조로, Spider 2.0의 평가 방식 전환과 '물어보새'의 ReAct 전환이 같은 흐름입니다 [3][8].
  2. 컨텍스트 품질 경쟁입니다. 지식그래프로 테이블 맥락을 찾는 LinkedIn 방식 [6], 테이블 문서화 임베딩으로 검색 적중률을 90%까지 끌어올린 Pinterest 방식 [5]처럼, 모델 자체보다 스키마 컨텍스트 품질이 성패를 가른다는 교훈이 쌓이고 있습니다.

참고 자료

  1. Spider: A Large-Scale Human-Labeled Dataset for Complex and Cross-Domain Semantic Parsing and Text-to-SQL Task — arXiv 논문·Yale LILY Lab·2018 — https://arxiv.org/abs/1809.08887
  2. Can LLM Already Serve as A Database Interface? (BIRD) — arXiv 논문·홍콩대 외·2023 — https://arxiv.org/abs/2305.03111
  3. Spider 2.0: Evaluating Language Models on Real-World Enterprise Text-to-SQL Workflows — arXiv 논문·XLang Lab·2024 — https://arxiv.org/abs/2411.07763
  4. QueryGPT – Natural Language to SQL Using Generative AI — 공식 기술블로그·Uber·2024 — https://www.uber.com/us/en/blog/query-gpt/
  5. How we built Text-to-SQL at Pinterest — 공식 기술블로그·Pinterest·2024 — https://medium.com/pinterest-engineering/how-we-built-text-to-sql-at-pinterest-30bad30dabff
  6. Text-to-SQL for Enterprise Data Analytics — arXiv 논문·LinkedIn·2025 — https://arxiv.org/html/2507.14372v1
  7. AI 데이터 분석가 '물어보새' 등장 – 1부. RAG와 Text-To-SQL 활용 — 공식 기술블로그·우아한형제들·2024 — https://techblog.woowahan.com/18144/
  8. AI 데이터 분석가 '물어보새' – 3부. Agent로 더 넓고 깊은 지식 공유하기 — 공식 기술블로그·우아한형제들·2025 — https://techblog.woowahan.com/23273/

대표 출처

arXiv 논문 (2018) · Yale LILY Lab, Spider: A Large-Scale Human-Labeled Dataset for Text-to-SQL Task
카드뉴스로 공유하기 다른 AI 용어 보기