AI 잘 쓰는 회사들이 먼저 고친 것: 스노우플레이크 월드투어 서울 핵심 총정리
AI 에이전트를 도입했는데 성과가 기대보다 낮다면, 문제는 모델 성능이 아니라 회사 데이터의 상태일 가능성이 큽니다.
이번 스노우플레이크 월드투어 서울의 핵심은 아주 명확했습니다.
기업 AI의 승부처는 더 좋은 생성형 AI 모델을 고르는 것이 아니라, AI가 이해할 수 있는 데이터를 만드는 것입니다.
KB국민은행, 아모레퍼시픽, KT, 토스플레이스, GS건설, 네오위즈, 뱅크샐러드, 네패스 사례를 관통하는 공통점도 여기에 있습니다.
데이터 거버넌스, 시맨틱 뷰, 아파치 아이스버그, 코텍스 에이전트, 데이터 스트림 같은 기술이 단순한 IT 용어가 아니라 기업 생산성과 디지털 전환의 핵심 인프라로 바뀌고 있다는 점입니다.
특히 이번 행사는 “AI를 어떻게 도입할까?”가 아니라 “AI가 실제 돈이 되게 하려면 데이터 구조를 어떻게 바꿔야 할까?”에 가까웠습니다.
1. 이번 행사의 핵심 메시지: AI 프로젝트 실패 원인은 ‘모델’보다 ‘데이터’에 있다
스노우플레이크 월드투어 서울의 큰 주제는 “Making AI Work for Business”였습니다.
쉽게 말하면, 이제 기업 AI는 실험 단계가 아니라 실제 업무 성과를 내야 하는 단계로 넘어왔다는 뜻입니다.
많은 기업이 챗봇, 생성형 AI, AI 에이전트를 도입했지만 막상 현업에서 쓸만한 답이 나오지 않는 경우가 많습니다.
이때 흔히 “모델이 부족한가?”, “더 좋은 LLM을 써야 하나?”라고 생각하기 쉽습니다.
하지만 이번 행사에서 반복적으로 나온 메시지는 정반대였습니다.
좋은 AI 모델보다 먼저 필요한 것은 AI가 믿고 읽을 수 있는 데이터 기반입니다.
- 부서마다 매출, 고객, 가입자, 실적의 정의가 다르면 AI는 같은 질문에도 다른 답을 냅니다.
- 데이터가 여러 시스템에 흩어져 있으면 AI 에이전트는 전체 맥락을 파악하지 못합니다.
- 정형 데이터와 비정형 데이터가 분리되어 있으면 현업 질문에 대한 답변 품질이 떨어집니다.
- 메타데이터와 비즈니스 용어집이 없으면 AI는 숫자의 의미를 이해하지 못합니다.
- 데이터 접근 권한과 보안 체계가 없으면 기업용 AI 플랫폼으로 확장하기 어렵습니다.
결국 AI 전환의 병목은 모델 호출 비용이나 프롬프트 엔지니어링이 아니라 데이터 품질, 데이터 정의, 데이터 거버넌스였습니다.
이 부분이 정리되지 않으면 AI는 똑똑한 듯 보이지만 실제 업무에서는 믿고 맡기기 어려운 도구가 됩니다.
2. KB국민은행 사례: “행동하는 AI”는 신뢰할 수 있는 데이터에서 나온다
KB국민은행은 금융권에서 AI 에이전트를 도입할 때 가장 현실적인 문제를 짚었습니다.
금융사는 데이터가 많지만, 그만큼 데이터가 복잡합니다.
고객 데이터, 거래 데이터, 상품 데이터, 상담 데이터, 문서 데이터가 서로 다른 시스템에 흩어져 있습니다.
여기에 금융권 특유의 강한 보안, 컴플라이언스, 내부 통제까지 함께 고려해야 합니다.
KB국민은행 발표의 핵심은 “검색하는 AI에서 행동하는 AI로 가려면 더 신뢰할 수 있는 데이터가 필요하다”였습니다.
단순히 답변만 하는 AI는 어느 정도 허용 오차가 있을 수 있습니다.
하지만 실제 업무를 수행하고, 의사결정을 돕고, 프로세스를 자동화하는 AI 에이전트는 다릅니다.
AI가 잘못된 데이터를 근거로 행동하면 금융 리스크와 운영 리스크가 바로 발생할 수 있습니다.
- 데이터 사일로를 줄이고 여러 시스템의 데이터를 통합해야 합니다.
- 정형 데이터와 비정형 데이터를 함께 다룰 수 있어야 합니다.
- 비즈니스 메타데이터를 통해 데이터의 의미를 명확히 해야 합니다.
- AI가 접근 가능한 데이터와 접근하면 안 되는 데이터를 구분해야 합니다.
- 금융권 수준의 데이터 거버넌스를 AI 에이전트에도 적용해야 합니다.
이 사례는 대기업과 금융사가 AI를 도입할 때 가장 먼저 해야 할 일이 무엇인지 보여줍니다.
AI 모델을 더 많이 붙이는 것이 아니라, AI가 믿고 행동할 수 있는 데이터 기반을 먼저 만드는 것입니다.
3. 시맨틱 뷰: AI가 회사 데이터를 ‘알아듣게’ 만드는 핵심 레이어
이번 행사에서 가장 중요한 개념 중 하나는 시맨틱 뷰였습니다.
시맨틱 뷰는 데이터를 단순한 숫자와 컬럼이 아니라 비즈니스 의미가 담긴 정보로 바꿔주는 레이어입니다.
예를 들어 “매출”이라는 단어 하나만 봐도 부서마다 의미가 다를 수 있습니다.
- 영업팀의 매출은 계약 기준일 수 있습니다.
- 재무팀의 매출은 회계 인식 기준일 수 있습니다.
- 마케팅팀의 매출은 캠페인 기여 매출일 수 있습니다.
- 해외사업팀의 매출은 환율 반영 기준이 다를 수 있습니다.
사람은 회의에서 맥락을 물어보고 조정할 수 있습니다.
하지만 AI는 명확한 정의가 없으면 가장 그럴듯한 답을 만들어낼 가능성이 있습니다.
이것이 기업 AI에서 가장 위험한 지점입니다.
시맨틱 뷰는 이런 문제를 줄여줍니다.
“매출은 어떤 테이블의 어떤 컬럼을 어떤 기준으로 집계한 값인지”를 AI가 이해할 수 있게 정의합니다.
“신제품은 출시 3개월 이내 상품”, “북미는 미국과 캐나다”, “활성 고객은 최근 30일 내 구매 고객”처럼 업무 기준을 데이터에 입히는 방식입니다.
결국 시맨틱 뷰는 AI 시대의 새로운 기업 언어 사전이라고 볼 수 있습니다.
이 사전이 잘 만들어져야 AI가 현업 질문에 정확하게 답할 수 있습니다.
4. 아모레퍼시픽 사례: 시맨틱 뷰와 온톨로지로 AI 레디 데이터를 만들다
아모레퍼시픽은 브랜드, 채널, 국가, 제품군이 복잡하게 얽혀 있는 대표적인 리테일 기업입니다.
이런 회사에서는 데이터가 많아도 질문 하나에 답하기가 쉽지 않습니다.
예를 들어 “지난 분기 북미 신제품 매출이 왜 늘었지?”라는 질문에는 여러 데이터가 필요합니다.
- 신제품의 정의가 필요합니다.
- 북미 지역의 범위가 필요합니다.
- 판매 채널별 매출 기준이 필요합니다.
- 프로모션, 재고, 고객 반응 데이터가 함께 필요합니다.
- 제품, 고객, 재고, 실적 사이의 관계를 이해해야 합니다.
아모레퍼시픽은 데이터를 한곳에 모으는 데서 끝내지 않았습니다.
시맨틱 매니저를 통해 도메인 용어, 시맨틱 뷰, 배포 이력, 메타데이터를 관리했습니다.
그리고 설화수처럼 표기가 조금 달라도 올바른 브랜드로 매핑할 수 있도록 코텍스 서치 기반의 검색 기능을 붙였습니다.
여기에 온톨로지까지 적용했습니다.
온톨로지는 데이터 객체 사이의 관계를 표현하는 기술입니다.
예를 들어 재고 부족이 발생했을 때 단순히 “재고가 부족합니다”라고 알려주는 데서 끝나지 않습니다.
어떤 제품의 수요가 늘었는지, 어떤 채널에서 판매가 증가했는지, 어떤 프로모션이 영향을 줬는지, 이후 품절 가능성이 있는지를 관계 중심으로 보여줄 수 있습니다.
이 사례에서 중요한 점은 현업 담당자가 코드를 몰라도 질문할 수 있는 환경을 만들었다는 것입니다.
데이터 분석이 일부 전문가의 일이 아니라 전사 생산성을 높이는 업무 방식으로 바뀐 것입니다.
5. GS건설 사례: 2주 걸리던 데이터 준비를 하루 이틀로 줄인 방식
GS건설 사례는 AI가 현장 업무를 어떻게 바꿀 수 있는지 보여줬습니다.
건설업은 프로젝트마다 데이터 구조가 다르고 현장 단위로 정보가 쌓이는 산업입니다.
기존에는 담당자가 시스템에 들어가 메뉴를 찾고, 조건을 설정하고, 엑셀로 내려받고, 다시 가공해야 했습니다.
예를 들어 “어제 용접 작업이 있었던 현장은 어디지?”라는 질문을 하려면 여러 단계를 거쳐야 했습니다.
하지만 코텍스 에이전트와 시맨틱 뷰를 활용하면 자연어로 질문하고 바로 답을 받을 수 있습니다.
- AI가 질문의 의미를 해석합니다.
- 시맨틱 뷰를 기반으로 필요한 데이터를 찾습니다.
- L2 데이터 등 관련 데이터를 조회합니다.
- 현업 담당자는 결과를 확인하고 판단합니다.
GS건설은 AI 레디 데이터를 만드는 과정에서 과거 2주 이상 걸리던 작업을 하루 이틀 수준으로 단축했다고 설명했습니다.
이건 단순한 업무 자동화가 아닙니다.
건설업처럼 보수적이라고 여겨지는 산업에서도 AI가 기업 생산성을 직접 개선할 수 있다는 신호입니다.
6. 코코(Cortex Code): 데이터 분석의 진입장벽을 낮추는 자연어 코딩 도구
스노우플레이크가 강조한 또 하나의 변화는 코코입니다.
코코는 Cortex Code를 줄여 부르는 이름으로, 데이터 작업을 자연어로 도와주는 코딩 어시스턴트입니다.
예전에는 데이터 엔지니어가 SQL, 파이썬, 파이프라인, 대시보드를 직접 만들어야 했습니다.
이제는 “이 데이터를 이렇게 시각화해서 보고 싶어”라고 입력하면 AI가 대시보드와 분석 흐름을 만들어주는 방향으로 가고 있습니다.
이 변화가 중요한 이유는 데이터 활용 주체가 바뀌기 때문입니다.
예전에는 데이터팀에 요청하고 기다리는 방식이었습니다.
앞으로는 현업 담당자가 직접 질문하고, 직접 대시보드를 만들고, 직접 인사이트를 얻는 방식으로 바뀝니다.
기업 입장에서 이 변화는 비용 절감 이상의 의미가 있습니다.
데이터 분석 병목이 줄어들면 의사결정 속도가 빨라집니다.
의사결정 속도는 곧 매출, 비용, 리스크 관리와 연결됩니다.
그래서 AI 데이터 플랫폼은 단순한 IT 투자가 아니라 기업 경쟁력과 직결되는 인프라 투자가 되고 있습니다.
7. 위메이드플레이와 네오위즈 사례: 게임 데이터도 AI가 이해할 수 있게 바꾼다
게임사는 초단위로 엄청난 로그 데이터가 쏟아지는 산업입니다.
유저 행동, 결제, 접속, 스테이지 진행, 광고 반응, 이탈 신호가 계속 쌓입니다.
문제는 이런 데이터가 사람이 읽기 어려운 JSON 형태로 떨어지는 경우가 많다는 점입니다.
위메이드플레이는 게임 로그를 AI가 이해할 수 있는 구조로 바꾸기 위해 세 단계를 적용했습니다.
- 첫째, 복잡한 로그 구조를 컬럼 형태로 펴는 평탄화를 진행했습니다.
- 둘째, 흩어진 데이터를 한곳에서 답할 수 있도록 단일 소스화했습니다.
- 셋째, 데이터에 설명과 의미를 붙이는 시맨틱화를 적용했습니다.
이렇게 되면 게임 기획자나 운영자가 복잡한 쿼리를 몰라도 AI에게 질문할 수 있습니다.
예를 들어 “최근 결제 전환율이 떨어진 구간이 어디야?”라고 물었을 때 AI가 로그의 의미를 이해하고 데이터를 탐색할 수 있습니다.
네오위즈는 또 다른 문제를 해결했습니다.
여러 게임 IP가 각각 독립적으로 운영되기 때문에 팀마다 분석 요구가 다릅니다.
기존에는 동일 인프라를 여러 게임팀이 함께 쓰면서 경합과 운영 부담이 생겼습니다.
네오위즈는 스노우플레이크를 통해 거버넌스는 통합하고, 분석 컴퓨팅은 게임별로 독립시키는 구조를 만들었습니다.
이 구조의 장점은 명확합니다.
보안과 데이터 거버넌스는 하나의 기준으로 관리하면서, 각 게임팀은 자신의 워크로드에 맞게 자유롭게 분석할 수 있습니다.
데이터 통제와 분석 자유도를 동시에 잡은 사례라고 볼 수 있습니다.
8. 뱅크샐러드 사례: 작은 데이터팀일수록 자동화가 생존 전략이다
뱅크샐러드는 금융 앱 특성상 매일 많은 데이터가 들어옵니다.
하지만 데이터 엔지니어 인원이 충분하지 않은 상황에서 기존 파이프라인 운영, 신규 데이터 적재, 품질 확인, 장애 대응까지 모두 처리해야 했습니다.
특히 반복적인 배치 복구 작업이 큰 부담이었습니다.
기존 구조에서는 에어플로우가 실행을 조율하고, EKS 위의 파이스파크 작업이 변환과 집계를 수행하고, 결과를 S3에 저장했습니다.
비용 효율성을 위해 스팟 인스턴스를 활용했지만, 스팟 인스턴스가 회수되면 배치가 실패하는 문제가 발생했습니다.
배치가 실패하면 담당자가 로그를 보고 수동으로 복구해야 했습니다.
이런 일이 반복되면 데이터팀은 새로운 데이터 활용을 만드는 대신 장애 복구에 시간을 쓰게 됩니다.
뱅크샐러드는 스노우플레이크 기반으로 자동화된 환경을 구축해 운영 부담을 줄였습니다.
오류를 즉시 감지하고, 비즈니스팀이 직접 품질을 확인할 수 있는 셀프서비스 환경을 만든 것이 핵심입니다.
이 사례는 AI 시대 데이터 엔지니어링의 방향을 보여줍니다.
데이터 엔지니어가 인프라 장애와 반복 복구에 묶여 있으면 AI 활용은 확장될 수 없습니다.
앞으로 데이터 엔지니어링의 핵심은 더 많은 코드를 짜는 것이 아니라, 더 안정적이고 자동화된 데이터 운영 체계를 만드는 것입니다.
9. 데이터 스트림: 카프카 운영 부담을 줄이는 실시간 데이터 처리 방식
실시간 데이터 처리는 AI 시대에 점점 더 중요해지고 있습니다.
공장 센서 데이터, 보안 이벤트, 사용자 행동 로그, 결제 이벤트, 앱 클릭 데이터는 배치로만 처리하기 어렵습니다.
이런 데이터를 처리하기 위해 많은 기업이 카프카를 사용해왔습니다.
하지만 카프카는 강력한 만큼 운영이 어렵습니다.
토픽을 만들기 전에 클러스터 사이징을 해야 하고, 브로커, 파티션, 복제, 리밸런싱, 커넥터를 관리해야 합니다.
데이터팀이 원하는 것은 실시간 데이터와 인사이트인데, 실제로는 인프라 운영에 많은 시간을 쓰게 됩니다.
스노우플레이크 데이터 스트림은 이 문제를 줄이기 위한 접근입니다.
시작점이 클러스터가 아니라 토픽입니다.
토픽이 스노우플레이크 안에서 카탈로그 자산으로 관리되고, 물리적인 데이터 이동 서버는 브로커 그룹으로 분리됩니다.
- 복잡한 클러스터 설계 부담을 줄입니다.
- 토픽 중심으로 실시간 데이터를 다룹니다.
- 커넥터 구성 부담을 줄입니다.
- 데이터 최신성과 파이프라인 상태에 집중할 수 있습니다.
- 컴퓨팅과 스토리지 분리 개념을 스트리밍에도 적용합니다.
이 흐름은 실시간 데이터 분석이 일부 빅테크만의 영역이 아니라 일반 기업의 AI 인프라로 내려오고 있다는 의미입니다.
10. 네패스 사례: 제조업 AI는 ‘믿되 무조건 맡기지 않는 구조’가 중요하다
네패스는 반도체 부품과 화학 제품을 제조하는 기업입니다.
제조업에서 AI 에이전트를 활용할 때는 일반 사무업무보다 더 신중해야 합니다.
설비, 품질, 생산 일정, 불량률, 안전 문제가 직접 연결되기 때문입니다.
네패스는 정형 데이터와 비정형 데이터를 함께 활용하는 구조를 만들었습니다.
MES, ERP, 설비 데이터 같은 정형 데이터는 코텍스 애널리틱스를 활용하고, 매뉴얼이나 점검 기록 같은 비정형 데이터는 코텍스 서치를 활용하는 방식입니다.
특히 중요한 점은 휴먼 인 더 루프 구조입니다.
AI가 분석하고 추천하더라도 최종 판단이 필요한 지점에서는 사람이 개입합니다.
제조업에서는 AI에게 무조건 맡기는 것이 능사가 아닙니다.
어디까지 자동화하고, 어디서 사람이 확인할지 명확히 설계하는 것이 핵심입니다.
이 사례는 산업 AI의 현실적인 방향을 보여줍니다.
AI는 사람을 완전히 대체하는 방식보다, 현장의 판단 속도와 정확도를 높이는 보조 의사결정 시스템으로 먼저 확산될 가능성이 큽니다.
11. 토스플레이스 사례: 데이터는 그대로 두고 엔진만 골라 붙이는 아파치 아이스버그 전략
이번 행사에서 기술적으로 가장 중요한 키워드 중 하나는 아파치 아이스버그였습니다.
아파치 아이스버그는 데이터를 특정 플랫폼에 가둬두지 않고 여러 엔진이 함께 읽을 수 있게 해주는 오픈 테이블 포맷입니다.
기존 데이터 플랫폼에서는 A 시스템의 데이터를 B 시스템에서 쓰려면 복사하거나 이동해야 했습니다.
그러면 데이터 중복, 저장 비용 증가, 동기화 문제, 정합성 논쟁이 발생합니다.
특히 AI 에이전트처럼 언제 얼마나 많은 쿼리가 발생할지 예측하기 어려운 워크로드에서는 문제가 더 커집니다.
토스플레이스는 이 문제를 “데이터는 한 벌만 유지하고, 워크로드에 맞는 엔진을 골라 붙이는 방식”으로 풀었습니다.
아래에는 오브젝트 스토리지에 아이스버그 테이블이 단 한 벌 존재합니다.
그 위에서 폴라리스 카탈로그가 최신 스냅샷, 위치, 권한을 관리합니다.
스노우플레이크는 배치 ETL, BI, 애드혹 분석을 담당하고, 스타락스는 높은 동시성이 필요한 서빙 워크로드를 담당합니다.
- 데이터 복제 파이프라인이 줄어듭니다.
- 두 엔진이 같은 스냅샷을 읽기 때문에 정합성 논쟁이 줄어듭니다.
- 워크로드별로 가장 적합한 엔진을 선택할 수 있습니다.
- 특정 벤더에 종속되는 리스크를 줄일 수 있습니다.
- 클라우드 비용과 운영 복잡도를 동시에 관리할 수 있습니다.
이건 차세대 데이터 플랫폼의 핵심 방향입니다.
앞으로 기업은 하나의 거대한 플랫폼에 모든 것을 넣기보다, 데이터를 개방형 표준으로 관리하고 여러 분석 엔진을 조합하는 방식으로 이동할 가능성이 큽니다.
12. KT 사례: 도구가 달라도 지표는 하나여야 한다
KT는 대규모 조직에서 데이터 정의를 통일하는 문제를 다뤘습니다.
KT의 BIDW는 전 직원의 상당수가 사용하고, 20만 개 이상의 리포트가 활성화된 대규모 데이터 환경입니다.
이런 조직에서는 같은 “매출”이나 “가입자 수”도 부서마다 계산 기준이 달라질 수 있습니다.
문제는 회의가 숫자의 의미를 맞추는 데서 시작된다는 점입니다.
어떤 팀은 특정 항목을 포함하고, 다른 팀은 제외하면 같은 지표를 보고도 다른 결론이 나옵니다.
AI가 이 환경에 들어오면 혼란은 더 커질 수 있습니다.
KT가 세운 원칙은 “도구가 달라도 지표와 정의는 하나”였습니다.
스노우플레이크, 데이터브릭스, 기존 분석 도구 등 여러 환경을 쓰더라도 동일한 시맨틱 정의를 참조하게 만드는 것입니다.
이것이 되지 않으면 시맨틱 레이어조차 도구별로 파편화되는 문제가 생깁니다.
KT 사례는 대기업 AI 전환에서 가장 중요한 현실 문제를 보여줍니다.
AI를 잘 쓰려면 먼저 조직의 숫자 언어를 통일해야 합니다.
지표 정의가 통일되지 않은 상태에서 AI 에이전트를 붙이면, 더 빠르게 틀린 답을 확산시킬 수 있습니다.
13. 기업용 AI 플랫폼의 조건: 확장성, 개방성, 거버넌스
이번 행사에서 정리할 수 있는 기업용 AI 플랫폼의 조건은 크게 세 가지입니다.
첫째, 확장성입니다.
사용자가 10명일 때도, 1만 명일 때도 안정적으로 작동해야 합니다.
데이터 수집, 처리, BI, AI 에이전트, 실시간 서빙 워크로드가 서로 방해하지 않아야 합니다.
AI가 전사로 확산되면 사용량은 예측하기 어려워집니다.
그래서 컴퓨팅 리소스를 워크로드별로 분리하고 유연하게 늘릴 수 있어야 합니다.
둘째, 개방성입니다.
아파치 아이스버그 같은 개방형 표준을 지원해야 합니다.
데이터가 특정 벤더 포맷에 갇히면 장기적으로 비용과 전략 유연성이 떨어집니다.
앞으로 기업은 하나의 도구만 쓰지 않고, 업무별로 최적의 엔진을 조합하게 될 가능성이 높습니다.
셋째, 거버넌스입니다.
데이터는 기업의 핵심 자산입니다.
누가 어떤 데이터를 볼 수 있는지, 어떤 AI 에이전트가 어떤 데이터를 읽을 수 있는지, 민감정보는 어떻게 마스킹할지 관리해야 합니다.
과거에는 사람의 접근 권한만 관리하면 됐지만, 이제는 AI 에이전트도 하나의 사용자처럼 관리해야 합니다.
특히 인사, 연봉, 고객정보, 금융정보, 영업기밀 같은 민감 데이터는 AI 학습과 응답 과정에서 더 강하게 통제되어야 합니다.
이 부분이 정리되지 않으면 기업은 AI 확산을 하고 싶어도 내부 리스크 때문에 멈출 수밖에 없습니다.
14. 다른 뉴스에서 잘 말하지 않는 핵심: AI ROI는 모델 비용보다 ‘데이터 운영비’에서 갈린다
이번 행사에서 가장 중요하지만 상대적으로 덜 주목받는 포인트는 AI ROI의 구조입니다.
많은 뉴스는 AI 모델 경쟁, GPU 투자, 빅테크 클라우드 경쟁에 집중합니다.
하지만 실제 기업 현장에서는 AI 투자수익률을 결정하는 핵심이 조금 다릅니다.
기업이 AI로 돈을 벌려면 세 가지 비용을 줄여야 합니다.
- 첫째, 데이터를 찾고 정리하는 데 드는 사람의 시간을 줄여야 합니다.
- 둘째, 중복 저장과 데이터 이동에 드는 클라우드 비용을 줄여야 합니다.
- 셋째, 지표 불일치와 데이터 품질 문제로 발생하는 의사결정 비용을 줄여야 합니다.
AI 모델 호출 비용은 눈에 잘 보입니다.
하지만 진짜 큰 비용은 데이터가 준비되지 않아 발생하는 숨은 비용입니다.
회의 때마다 숫자를 맞추고, 데이터팀에 요청하고, 파이프라인 장애를 복구하고, 같은 데이터를 여러 곳에 복사하는 비용이 누적됩니다.
시맨틱 뷰, 아이스버그, 데이터 스트림, 통합 거버넌스가 중요한 이유도 여기에 있습니다.
이 기술들은 멋있어 보이기 위한 기술이 아니라, AI 시대의 운영비를 낮추고 기업 생산성을 높이는 기술입니다.
결국 AI를 잘 쓰는 회사는 더 좋은 챗봇을 먼저 만든 회사가 아닙니다.
데이터 정의, 데이터 품질, 데이터 접근권한, 데이터 이동 구조를 먼저 고친 회사입니다.
15. 경제 관점에서 보는 AI 데이터 플랫폼 트렌드
이번 행사는 글로벌 경제와 산업 구조 변화 측면에서도 의미가 큽니다.
기업들이 생성형 AI를 도입하는 이유는 단순한 기술 유행이 아닙니다.
고금리, 인건비 상승, 저성장 압력 속에서 기업 생산성을 높일 수 있는 가장 현실적인 수단이 AI이기 때문입니다.
하지만 AI 도입이 곧바로 생산성 향상으로 이어지지는 않습니다.
데이터가 정리되지 않은 기업은 AI를 붙여도 업무 자동화 효과가 제한적입니다.
반대로 데이터 기반이 잘 정리된 기업은 같은 AI 모델을 써도 훨씬 빠르게 성과를 냅니다.
이 차이는 앞으로 기업 가치와 투자 판단에도 반영될 가능성이 큽니다.
AI 인프라를 잘 갖춘 기업은 비용 효율성, 의사결정 속도, 고객 대응력에서 우위를 가질 수 있습니다.
반면 데이터가 사일로화된 기업은 AI 투자비만 늘고 성과는 늦어질 수 있습니다.
그래서 앞으로 디지털 전환의 핵심 지표는 단순히 “AI를 도입했는가?”가 아닙니다.
“AI가 이해할 수 있는 데이터 구조를 갖췄는가?”가 더 중요한 질문이 될 가능성이 큽니다.
16. 기업이 지금 바로 점검해야 할 체크리스트
이번 행사 내용을 실제 기업 관점에서 바꾸면 다음 질문으로 정리할 수 있습니다.
- 우리 회사의 매출, 고객, 상품, 재고, 실적 정의는 부서마다 동일한가?
- AI가 접근할 수 있는 데이터와 접근하면 안 되는 데이터가 구분되어 있는가?
- 정형 데이터와 비정형 데이터를 함께 검색하고 분석할 수 있는가?
- 현업 담당자가 데이터팀 도움 없이 자연어로 질문할 수 있는가?
- 데이터를 여러 플랫폼에 복사하지 않고 단일 원천으로 관리할 수 있는가?
- 실시간 데이터 파이프라인 운영 부담을 줄일 수 있는 구조가 있는가?
- AI 에이전트의 행동을 검증하고 사람이 개입할 지점을 정해두었는가?
- 여러 분석 도구를 쓰더라도 지표 정의는 하나로 유지되는가?
이 질문에 답하지 못한다면 AI 프로젝트가 성과를 내기 어려울 수 있습니다.
반대로 이 질문에 답할 수 있는 기업은 AI 에이전트를 실제 업무에 붙일 준비가 된 기업에 가깝습니다.
< Summary >
스노우플레이크 월드투어 서울의 핵심은 “AI 성과는 모델보다 데이터 준비 상태에서 갈린다”였습니다.
KB국민은행은 행동하는 AI를 위해 신뢰 가능한 데이터 기반이 필요하다고 강조했습니다.
아모레퍼시픽은 시맨틱 뷰와 온톨로지로 AI가 이해할 수 있는 데이터 구조를 만들었습니다.
GS건설은 AI 레디 데이터 준비 시간을 2주에서 하루 이틀 수준으로 줄였습니다.
위메이드플레이와 네오위즈는 게임 로그와 대규모 분석 환경을 AI 친화적으로 바꿨습니다.
뱅크샐러드는 작은 데이터팀의 반복 운영 부담을 자동화로 줄였습니다.
네패스는 제조업에서 AI를 믿되 무조건 맡기지 않는 휴먼 인 더 루프 구조를 보여줬습니다.
토스플레이스는 아파치 아이스버그를 통해 데이터는 한 벌만 두고 엔진을 골라 붙이는 구조를 만들었습니다.
KT는 도구가 달라도 지표 정의는 하나여야 한다는 대규모 데이터 거버넌스의 핵심을 보여줬습니다.
결론적으로 AI를 잘 쓰는 회사는 먼저 데이터 정의, 품질, 거버넌스, 개방형 데이터 구조를 고친 회사입니다.
