0.들어가며
Snowflake Summit 26에서 가장 인상 깊었던 것은 새로운 AI 기능의 수가 아니었습니다. 더 근본적인 변화는 데이터 플랫폼의 역할이 바뀌고 있다는 점이었습니다.
과거의 데이터 플랫폼이 데이터를 모으고 분석하는 공간에 가까웠다면, Agentic AI 시대의 데이터 플랫폼은 AI가 신뢰할 수 있는 맥락을 이해하고, 필요한 데이터를 찾아, 통제된 방식으로 실행까지 이어갈 수 있도록 돕는 기반으로 진화하고 있었습니다. 데이터 플랫폼은 이제 단순한 저장소가 아니라, 기업의 AI 실행 역량을 좌우하는 운영 체계에 가까워지고 있습니다.
안녕하세요. KT에서 AI플랫폼과 Data플랫폼의 통합 FinOps 문화를 만들고 정착시키기 위해 작은 노력을 더하고 있는 정주헌입니다.
최근 저는 AX Platform Company라는 비전을 AI+Data플랫폼에서는 어떻게 구체적으로 적용할 수 있을지 고민하고 있었습니다. AI를 잘 활용하기 위해서는 좋은 모델도 중요하지만, 결국 기업 안에 축적된 데이터를 얼마나 신뢰 가능한 형태로 정비하고, 연결하고, 활용할 수 있느냐가 더 중요하다고 느끼고 있었기 때문입니다.
KT 역시 이러한 방향성을 바탕으로 데이터 거버넌스와 메타데이터 관리 체계를 지속적으로 정비해왔습니다. AI와 Data 플랫폼을 별개의 영역으로 바라보기보다, 단일 거버넌스 체계 안에서 데이터의 의미와 품질, 권한, 활용 맥락을 함께 관리하려는 노력이 이어지고 있습니다. 특히 Databricks Unity Catalog 기반의 메타데이터 관리 체계를 통해 데이터 자산을 일관된 기준으로 관리하고 있으며, 내부적으로는 K Feature Map과 같은 데이터 피처 셋을 운영하며 AI 활용에 필요한 데이터 기반을 단계적으로 강화하고 있습니다.
이러한 고민을 가지고 2026년 6월 1일부터 4일까지 미국 샌프란시스코 Moscone Center에서 열린 Snowflake Summit 26에 다녀왔습니다. 이번 Summit의 중심 슬로건은 ‘MAKING AI REAL FOR BUSINESS’였습니다. AI를 실험이나 데모가 아니라 실제 비즈니스 성과로 연결하려면, 기업의 데이터 플랫폼은 무엇으로 진화해야 하는가. 이번 Summit은 그 질문에 대한 여러 기업의 답을 보여준 자리였습니다.
1. SUMMIT 26 개요
- 일시/장소 : 2026.06.01~04 / Moscone Center, San Francisco
- 테마 : MAKING AI REAL FOR BUSINESS
- 참관 세션 : Opening Keynote, Platform Keynote, 15개의 개별 세션
- 핵심 키워드
- Agentic Enterprise : AI 에이전트가 데이터를 기반으로 판단하고 실행까지 수행
- Governed AI : 거버넌스가 제약이 아닌 신뢰의 기반
- Open Interoperability : 상호운용성을 기반으로 하는 통합(Open Semantic Interchange, Zero-Copy, MCP, Iceberg v3+v4)
이번 Summit에서 가장 인상 깊었던 메시지 중 하나는 “Your Data is Your Most Defensible Moat”였습니다. AI 모델은 점점 범용화되고 있지만, 각 기업이 보유한 고유 데이터는 쉽게 복제될 수 없습니다. 결국 기업의 AI 경쟁력은 모델 자체보다, 기업 내부의 데이터를 얼마나 잘 정비하고 연결하고 활용할 수 있느냐에 달려 있다는 의미로 받아들였습니다.
이 메시지는 KT의 AI+Data플랫폼 방향성과도 맞닿아 있었습니다. 통신, 미디어, 금융, B2B, 네트워크, 고객 접점 등 다양한 영역에서 축적된 데이터는 KT가 가진 중요한 자산입니다. 중요한 것은 이 데이터를 단순히 많이 보유하는 것이 아니라, AI가 이해하고 활용할 수 있는 형태로 정비하는 것입니다. 단일 거버넌스 체계와 통합 메타데이터 관리는 이러한 전환을 위한 출발점입니다.
2. 데이터 플랫폼의 역할이 바뀌고 있다
Platform Keynote에서는 Snowflake가 지향하는 데이터 플랫폼의 진화 방향을 구체적으로 확인할 수 있었습니다. 키노트는 네 개의 Act로 구성되어 있었고, 각 Act에서는 다양한 기능 업데이트가 소개되었습니다.
하지만 이번 키노트에서 더 중요하게 느껴졌던 것은 개별 기능 자체가 아니었습니다. 그 기능들이 향하는 방향이었습니다. Snowflake가 보여준 변화는 크게 네 가지로 정리할 수 있었습니다.
첫째, 데이터 흐름을 더 짧고 단순하게 만든다.
둘째, AI가 신뢰할 수 있는 데이터 맥락을 만든다.
셋째, 데이터를 복사하지 않고 개방적으로 연결한다.
넷째, AI Agent가 통제된 방식으로 실행할 수 있는 기반을 제공한다.
이 네 가지 변화는 데이터 플랫폼이 저장과 분석의 공간에서 AI 실행 기반으로 진화하고 있음을 보여주었습니다.
2.1. 복잡성을 줄이는 플랫폼
첫 번째 방향은 복잡성의 감소였습니다. Data와 AI, 그리고 여러 서비스가 결합되면서 기업의 데이터 시스템은 점점 복잡해지고 있습니다. 데이터 수집, 변환, 적재, 분석, AI 활용이 각각 분리되어 있으면 데이터 흐름은 길어지고, 운영 부담은 커집니다.
Snowflake는 이러한 복잡성을 줄이는 방향으로 플랫폼을 확장하고 있었습니다.
- Datastream : Kafka 인프라를 Snowflake에 포함시키는 완전 관리형 스트리밍 서비스
<자료 제공 : Snowflake>
Snowflake는 실시간 데이터 수집 OSS(Open Source Solution)인 Kafka를 Snowflake 서비스로 제공하여 복잡성을 줄이고자 합니다. 특히 Datastream으로 수집된 데이터를 AI Agent와 실시간 분석에 쉽게 활용할 수 있도록 구성하려는 방향이 인상적이었습니다.
- AIM(AI-powered Migrations) : AI Agent를 통해 SQL과 워크로드를 마이그레이션하는 서비스
<자료 제공 : Snowflake>
저 역시 클라우드 기반 데이터 플랫폼에서 데이터를 수집하고 적재하는 업무에 관여한 경험이 있습니다. 당시에는 소스 시스템과의 인터페이스 협의부터 실제 ETL 작업과 테스트까지 대부분 사람이 직접 수행했습니다. 하지만 Agentic AI 시대로 진입하면서, 데이터 수집과 마이그레이션 업무도 Agent가 상당 부분 처리하고 사람은 검수와 판단에 집중하는 방향으로 진화하고 있음을 확인할 수 있었습니다.
이 변화의 핵심은 단순히 데이터 수집 도구를 자동화하는 것이 아닙니다. AI가 활용할 수 있는 데이터 흐름을 더 짧고 단순하게 만드는 데 있습니다.
KT AI+Data플랫폼 관점에서도 이 부분은 중요한 시사점을 줍니다. 데이터가 여러 플랫폼과 업무 시스템에 분산되어 있는 환경에서는 단순한 수집 자동화보다, 데이터 흐름 자체를 단순화하고 표준화하는 것이 중요합니다. 단일 거버넌스 체계와 통합 메타데이터 관리를 기반으로 데이터 흐름을 관리할 수 있어야, 이후 AI Agent가 필요한 데이터를 안정적으로 찾고 활용할 수 있습니다.
2.2. 신뢰 가능한 AI를 위한 거버넌스
두 번째 방향은 신뢰와 거버넌스였습니다. AI가 정확하게 동작하기 위해서는 신뢰할 수 있는 데이터가 필요합니다. 그리고 신뢰할 수 있는 데이터는 단순히 테이블이 잘 정리되어 있다는 의미를 넘어섭니다. 데이터의 의미, 출처, 품질, 권한, 비즈니스 맥락이 함께 관리되어야 합니다.
Snowflake는 이를 위해 메타데이터, 카탈로그, 데이터 맥락을 중요한 기반으로 강조했습니다.
- Horizon Context : AI, BI, App 등을 활성화하는 콘텍스트
<자료 제공 : Snowflake>
이 관점에서 Horizon Context는 단순한 기능 소개를 넘어, AI 시대의 Catalog가 어떤 방향으로 진화할 수 있는지를 보여주는 사례로 느껴졌습니다. AI 시대의 카탈로그는 단순한 데이터 목록이 아니라, AI가 업무 맥락을 이해하기 위한 지식 기반에 가까워지고 있습니다.
KT 역시 데이터 플랫폼 내에서 메타데이터와 카탈로그의 중요성을 지속적으로 강화해왔습니다. Databricks Unity Catalog 기반의 단일 메타데이터 관리 체계를 통해 데이터 자산, 권한, 계보, 활용 기준을 일관되게 관리하고 있으며, 이는 향후 AI가 데이터를 안전하게 이해하고 활용하기 위한 중요한 기반이 될 수 있습니다.
특히 AI Ready Data를 준비하는 과정에서는 “어떤 데이터가 어디에 있는가”보다 “이 데이터가 어떤 의미를 가지며, 어떤 업무 맥락에서 신뢰할 수 있는가”가 더 중요해집니다. KT가 내부 사업 영역에서 Semantic Layer 기반으로 데이터를 정비하고 적용하려는 방향은 이러한 변화와 맞닿아 있습니다.
- Snowflake Postgres : 운영 DB와 분석 플랫폼 사이의 경계를 없애고 추출(Extraction)과 로드(Load)를 제거
<자료 제공 : Snowflake>
이 방향은 FinOps 관점에서도 의미가 있습니다. 데이터 이동과 중복 처리를 줄이는 것은 단순한 아키텍처 개선이 아니라, 운영 비용과 관리 복잡도를 낮추는 비용 최적화 과제이기도 하기 때문입니다.
KT AI+Data플랫폼에서도 데이터 이동, 중복 저장, 반복 처리 비용을 줄이는 것은 중요한 과제입니다. 데이터 거버넌스와 FinOps는 별개의 주제가 아니라, 신뢰 가능한 데이터 활용과 비용 효율적인 플랫폼 운영을 함께 달성하기 위한 연결된 과제로 볼 수 있습니다.
2.3. 개방성과 상호운용성
세 번째 방향은 개방성과 상호운용성이었습니다. 상호운용성(Interoperability)은 이번 Summit 전반에서 반복적으로 등장한 핵심 키워드였습니다. 다양한 SaaS와 클라우드 서비스를 조합해 활용하는 최근의 기업 환경에서, 상호운용성은 선택이 아니라 필수에 가까운 주제로 보였습니다.
- Zero-copy 파트너십 확장 : 생태계 락인(Lock-in) 없는 데이터 공유를 위한 파트너십 확장 노력
<자료 제공 : Snowflake>
Snowflake는 Zero-Copy 파트너십을 확대하며, AI 및 애플리케이션을 위한 신뢰할 수 있는 엔터프라이즈 데이터를 구축하려는 방향을 제시했습니다. 특히 Open Semantic Interchange(OSI)를 주도하며 개방형 시맨틱 상호운용성 표준을 만들고, 특정 벤더에 종속되지 않고 다양한 시스템과 연동하는 전략을 택했습니다.
Open Semantic Interchange : https://open-semantic-interchange.org/
KT 관점에서도 OSI와 같은 개방형 시맨틱 상호운용성은 주목할 만한 흐름입니다. AI Agent가 여러 플랫폼과 도메인 데이터를 활용하려면, 특정 시스템 안에서만 통하는 의미 체계로는 한계가 있습니다. 데이터의 의미와 업무 용어, 지표 정의, 권한 체계가 플랫폼 간에 일관되게 해석될 수 있어야 합니다.
KT는 이미 단일 거버넌스 체계와 통합 메타데이터 관리 기반을 갖추고 있으며, 앞으로 Semantic Layer와 AI Ready Data를 보다 확장해가기 위해 OSI와 같은 개방형 표준의 도입 가능성도 검토하고 있습니다. 이는 특정 벤더 종속성을 줄이는 동시에, AI 시대에 필요한 데이터 의미 체계를 더 개방적이고 유연하게 확장하기 위한 방향이 될 수 있습니다.
- Snowflake Iceberg : Iceberg v3 기반 기능 구현 및 v4 스펙 공동 개발 참여 진행 중
<자료 제공 : Snowflake>
Snowflake Iceberg는 실시간으로 관리되는 데이터를 안전하게 공유하고 접근하기 위한 기능입니다. 해외 통신사와 여러 기업 사례에서도 Iceberg를 중심으로 데이터를 재편하고 통합한 사례를 많이 접할 수 있었습니다.
상호운용성은 기술 선택의 자유만을 의미하지 않습니다. 데이터 복제와 이동을 줄여 비용과 거버넌스 복잡도를 낮추는 운영 전략이기도 합니다. AI 시대의 데이터 플랫폼은 모든 데이터를 한곳에 물리적으로 모으는 방식이 아니라, 필요한 데이터와 맥락을 안전하게 연결하는 방식으로 진화하고 있었습니다.
2.4. 에이전트를 위한 Control Plane
네 번째 방향은 AI Agent를 위한 Control Plane이었습니다. Act 4는 Snowflake의 AI Agent인 CoCo와 CoWork에 비교적 집중되어 있었습니다. Snowflake는 Agentic AI의 성공 기준으로 ▲일관된 데이터 기준 ▲전체 맥락 기반 추론 ▲통제된 실행을 강조했습니다. 그리고 이 세 가지 요소를 통합하는 기능으로 Agentic Control Plane을 제시했습니다.
<자료 제공 : Snowflake>
<자료 제공 : Snowflake>
결국 AI Agent가 제대로 동작하려면 단순히 데이터를 많이 보유하는 것만으로는 부족합니다. 데이터의 의미, 업무 맥락, 품질 기준, 권한 체계, 실행 통제까지 함께 제공되어야 합니다. Agentic AI 시대의 데이터 플랫폼은 더 이상 저장소가 아닙니다. 데이터와 맥락, 권한과 실행을 함께 관리하는 운영 체계에 가깝습니다.
KT가 추진하는 AI+Data플랫폼의 방향도 이 지점에서 의미가 있습니다. AI 플랫폼과 데이터 플랫폼을 분리해서 바라보는 것이 아니라, AI가 활용할 수 있는 데이터 기반과 실행 환경을 함께 설계해야 합니다. K Feature Map과 같은 데이터 피처 셋 운영, Semantic Layer 기반의 AI Ready Data 정비, 단일 거버넌스 기반의 메타데이터 관리는 향후 Agentic AI를 안정적으로 확장하기 위한 중요한 준비 단계라고 볼 수 있습니다.
3. 기업들은 AI보다 먼저 데이터를 정비했다
여러 세션에서 반복적으로 확인한 메시지는 분명했습니다. AI를 먼저 도입한 기업이 앞서가는 것이 아니라, AI가 신뢰할 수 있는 데이터 기반을 먼저 정비한 기업이 앞서가고 있었습니다.
업종과 목적은 달랐지만 공통 패턴은 유사했습니다. 데이터 사일로를 줄이고, 메타데이터와 Semantic Layer를 정비하고, 데이터 품질과 거버넌스를 강화한 뒤, 그 위에 AI와 Agent를 올리고 있었습니다.
이 흐름은 KT에도 중요한 의미를 줍니다. KT는 통신 사업을 기반으로 방대한 고객, 네트워크, 서비스, 운영 데이터를 보유하고 있습니다. 하지만 AI 시대의 경쟁력은 데이터의 양만으로 결정되지 않습니다. 데이터를 얼마나 재사용 가능한 형태로 정비하고, 신뢰 가능한 기준으로 관리하며, AI가 이해할 수 있는 의미 체계로 연결하느냐가 더 중요합니다.
3.1. AT&T: Go fast에서 Go far로
미국의 다국적 통신회사 AT&T는 시장 선점을 위해 “Go fast” 전략을 택해왔습니다. 이 과정에서 데이터 활용은 빠르게 확대되었지만, 전사 차원의 통합 데이터 거버넌스 체계는 충분히 정비되지 못한 상태였습니다. AT&T는 DNA(Data Insights and Analytics)라고 부르는 데이터 플랫폼을 통해 데이터를 수집, 저장, 정제하고 분석해왔지만, AI 시대에 돌입하면서 새로운 데이터 전략이 필요해졌습니다.
이에 AT&T는 “Go fast” 전략에서 “Go far” 전략으로 전환했습니다. 그리고 Go far 전략의 데이터 전략으로 “AI-Focused Data Strategies”를 내세웠습니다.
AT&T의 새로운 데이터 전략은 크게 6개 영역으로 구분됩니다.
- AI 중심 Semantic Layer : 공급망 도메인 지식을 바탕으로 Snowflake의 Semantic Views, Ontology 활용 및 구성
- Data Quality : 데이터 메트릭 함수(Data Metric Function, DMF)로 테이블별 품질 체크 자동 설계 및 현업 전문가(Subject Matter Expert, SME) 검증
- Data Dictionary : AI가 메타데이터 및 데이터 리니지 자동 생성, 25회에 걸친 반복으로 정밀도 향상
- Human-in-the-Loop : 'AI-generated' 태깅된 정보는 SME 검증 후 승격
- Data Catalog & Product : 공급망 전용 카탈로그 및 골드 데이터셋의 제품(product)화
- Security : AI로 개인식별정보(Personally Identifiable Information, PII) 오분류(False positives) 탐지 및 제거
<이미지 출처 : AT&T, Driving Advanced Supply chain AI use cases 세션 자료 재구성, AI 제작 이미지>
주목할 만한 사례로는 Contract AI 개발과 Invisible Spend 탐지가 있었습니다. Contract AI는 80만 건의 계약 문서를 벡터 DB와 RAG(Retrieval-Augmented Generation) 기반으로 구축한 사례로, AT&T 최초의 대규모 벡터 DB 사례였습니다. Invisible Spend 탐지는 부가가치 리셀러(Value Added Resellers, VAR), 전략 파트너, OEM 등에서 발생하는 간접 지출을 머신러닝 모델로 탐지한 사례입니다. 청구서, 구매 주문서, 개별 품목 등의 관련 정보를 자동으로 검토하여 기존에 잘 보이지 않던 지출을 추적했습니다.
AT&T는 상호운용성을 위한 Iceberg 여정에 관한 세션도 진행했습니다. Iceberg 여정 이전에는 멀티 엔진(Snowflake, Databricks 등)별로 개별 데이터가 구성되어 있어 데이터 복사와 동기화 비용이 과다하게 발생했습니다. 하지만 Iceberg 여정을 통해 단일 Iceberg 테이블을 멀티 엔진에서 읽는 구조로 전환했습니다. 이를 통해 데이터 중복을 제거하고 거버넌스를 일원화하는 데 성공했습니다.
<이미지 출처 : AT&T, Interoperable Iceberg Journey 세션 자료 재구성, AI 제작 이미지>
AT&T 사례의 핵심은 AI 전략이 모델 도입이 아니라 데이터 전략의 재정비에서 출발했다는 점입니다. Semantic Layer, 데이터 품질, 데이터 사전, 카탈로그, 보안까지 포함한 전사 데이터 체계가 AI 활용의 기반으로 재정의되고 있었습니다.
이 사례는 KT에도 시사하는 바가 큽니다. KT는 이미 단일 거버넌스와 통합 메타데이터 관리 체계를 기반으로 데이터 자산을 관리하고 있습니다. 앞으로의 과제는 이러한 기반을 AI 활용 관점에서 더욱 확장하는 것입니다. 단순히 데이터를 관리하는 수준을 넘어, AI가 이해할 수 있는 Semantic Layer와 재사용 가능한 데이터 제품 체계로 발전시키는 것이 중요합니다.
3.2. NTT Docomo: Data as a Product
일본의 최대 이동통신 사업자인 NTT Docomo는 데이터 플랫폼을 중앙 집중형에서 분산 자율 모델로 전환했습니다. 핵심 슬로건은 “Data as a Product”였습니다.
기존 문제는 ▲데이터 소유권 부재 ▲팀 병목 ▲도메인 지식 부족이었습니다. NTT Docomo는 Iceberg 표준화와 데이터 플랫폼 부서의 역할 전환을 통해 이 문제를 해결했습니다. 데이터 플랫폼 부서의 역할을 경량화하여 CoE(거버넌스+데이터 활용 지원) 조직으로 전환한 것입니다.
CoE 조직은 소규모 팀의 hands-on을 지원하고, 데이터 생산자에게 인센티브를 제공하는 정책을 설계했습니다. 역할 전환과 동시에, 에이전트를 포함한 모든 요소를 데이터 프로덕트처럼 관리하는 Agent Mesh 비전도 중요한 역할을 했습니다.
<이미지 출처 : NTT Docomo, Data Platform Evolution for Agentic AI Era 세션 자료 재구성, AI 제작 이미지>
<이미지 출처 : NTT Docomo, Data Platform Evolution for Agentic AI Era 세션 자료 재구성, AI 제작 이미지>
NTT Docomo 사례의 핵심은 데이터 플랫폼 조직의 역할 변화입니다. 모든 데이터를 중앙에서 직접 관리하는 방식에서 벗어나, 도메인 조직이 데이터를 제품처럼 관리하도록 지원하는 방향으로 전환하고 있었습니다.
KT 역시 AI+Data플랫폼을 확장하는 과정에서 모든 데이터를 중앙 조직이 직접 관리하는 방식만으로는 한계가 있을 수 있습니다. 중앙은 거버넌스와 표준, 공통 플랫폼, 메타데이터 체계를 제공하고, 각 도메인은 자신의 데이터를 책임 있게 관리하며 활용하는 구조를 채용할 수 있습니다. K Feature Map과 같은 데이터 피처 셋 운영은 이러한 데이터 제품화 방향과도 연결될 수 있습니다.
3.3. Nokia: 텔레콤 데이터를 분석 프로덕트로
Nokia는 텔레콤 데이터를 공유 가능한 분석 프로덕트로 전환한 사례를 소개했습니다. 특히 VoNR(Voice over New Radio) 분석 프로덕트 구축 사례가 인상적이었습니다. VoNR 분석 프로덕트는 초당 수십억 세션의 페타바이트급 데이터를 실시간으로 상관 분석하는 솔루션입니다. 5G SA 코어 기반 음성 통화 품질 데이터(SBC, Cell site, Subscriber)를 바탕으로 구성되었습니다.
<이미지 출처 : Nokia, How Nokia Turns Telecom Data into Shareable Analytical Products 세션 자료 재구성, AI 제작 이미지>
Nokia는 분석 프로덕트를 구축하는 과정에서 세 가지 핵심 도전 과제를 제시했습니다.
- 아키텍처 복잡성 해소 : 수십만 셀사이트, 수백 패킷코어, 수백만 단말 간 엔드투엔드 상관관계 구성
- 데이터 접근 지연 최소화 : 60분 이상 걸리던 성능을 5분 이내, 이상적으로는 1분 이내로 단축
- 고객 경험 사전 대응 : 반응을 보고 조치하는 사후 대응 방식에서 사전 예방적 조치와 자동화된 네트워크 운영으로 전환
향후 과제는 자율 네트워크 비전입니다. Nokia는 AI 에이전트가 더 많은 일을 수행하도록 발전시킬 계획입니다. Sense(수집/이해), Think(처리 자동화/상관 분석 고도화), Act(자동 조치) 등 AI 에이전트가 KPI를 모니터링하고, 근본 원인을 분석하며, 자동 조치까지 수행하는 방향입니다.
Nokia 사례의 핵심은 통신 데이터가 단순 운영 로그에 머무르지 않고, 고객 경험 개선과 네트워크 자동화를 위한 분석 프로덕트로 발전할 수 있다는 점입니다. 통신 데이터는 비용을 발생시키는 운영 부산물이 아니라, AI 기반 네트워크 운영을 가능하게 하는 핵심 자산으로 재정의되고 있었습니다.
<이미지 출처 : Nokia, How Nokia Turns Telecom Data into Shareable Analytical Products 세션 자료 재구성, AI 제작 이미지>
이 사례는 통신 사업자인 KT에 특히 의미 있게 다가왔습니다. KT가 보유한 네트워크, 고객 경험, 서비스 운영 데이터 역시 AI 기반 운영 고도화와 고객 가치 개선을 위한 핵심 자산이 될 수 있습니다. 중요한 것은 이러한 데이터를 단순 분석용 데이터셋으로 두는 것이 아니라, 품질과 의미, 권한, 활용 목적이 명확한 데이터 제품으로 정비하는 것입니다.
3.4. Nexon: Data Mesh에서 Agent Mesh로
Nexon은 Data Mesh가 Agent Mesh로 확장되는 방향을 보여준 사례였습니다. Nexon은 BigQuery에서 Snowflake로 전환하는 Monolake 프로젝트를 통해 게임별 데이터 사일로를 통합하고 전사 데이터 메시를 구축했습니다. 2,000명 이상이 활용하고, 일 200TB 이상 로그와 50만 개 이상 테이블을 운영하며 연 450만 달러 비용을 절감했습니다.
이후 AI 활용이 확대되면서 Monolake는 단순 데이터 처리 플랫폼을 넘어 AI 기반 데이터 클라우드로 진화하고 있습니다. 특히 인상 깊었던 점은 Workplace 데이터를 모두 Snowflake로 복사하지 않았다는 점입니다. 메일, 메신저, 문서, Jira, Confluence와 같은 데이터는 원본 시스템에 유지하되, MCP를 통해 AI Agent가 필요한 맥락을 직접 조회하도록 구성했습니다.
이는 데이터를 모두 복사해 또 다른 사일로를 만드는 방식이 아닙니다. 기존 시스템을 유지하면서도, AI Agent가 필요한 데이터와 맥락에 접근할 수 있도록 논리적으로 연결하는 접근입니다.
Nexon 사례의 핵심은 Data Mesh가 Agent Mesh로 진화할 수 있다는 점입니다. 도메인별 데이터, Semantic View, Agent가 결합되면서 데이터 플랫폼은 분석 기반을 넘어 AI 실행 기반으로 확장되고 있었습니다.
<이미지 출처 : Nexon, Gaming at Scale : How NEXON Built an End-to-End AI Platform 세션 자료 재구성, AI 제작 이미지>
KT에서도 이와 유사한 방향의 고민을 하고 있습니다. 모든 데이터를 하나의 저장소로 복사하는 방식이 아니라, 데이터의 위치와 특성에 따라 적절히 연결하고, AI Agent가 신뢰할 수 있는 맥락 안에서 데이터를 활용하도록 만드는 구조가 중요합니다. Semantic Layer, MCP, OSI와 같은 기술 흐름은 이러한 구조를 가능하게 하는 중요한 연결점으로 보였습니다.
4. 다른 산업에서도 반복된 같은 패턴
통신과 게임 업계 외에도 다양한 세션에서 유사한 흐름을 확인할 수 있었습니다.
Datadog은 Apache Iceberg로 빌링 파이프라인을 통합했습니다. 수십억 달러 규모의 빌링 파이프라인은 1,000개 이상의 데이터셋으로 구성되어 있었지만, 이를 단 3개의 Iceberg 테이블로 통합·정비했습니다. 테이블 크기는 수 페타바이트(PB) 단위로 커졌지만, 단일 테이블에서도 쿼리 성능 저하는 거의 없었다고 합니다. 이 사례는 데이터 통합이 단순한 관리 편의성 개선이 아니라, 대규모 비용·성능 관리와도 연결될 수 있음을 보여주었습니다.
Booking.com은 대규모 데이터 환경에서 AI 도입 전략을 추진한 사례입니다. 2,000명 이상의 데이터 실무자가 약 44만 개의 프로덕트 테이블을 활용하고 있었고, 데이터셋 기준으로 요약해도 5만 개 이상의 데이터 자산이 존재했습니다. Booking.com은 한 번에 전환하기 어렵다고 판단하고, 작게 시작했습니다. 이후 데이터 전문가가 활용하는 영역을 먼저 수행하고, 최종적으로는 데이터 실무자가 직접 활용할 수 있도록 확장했습니다. Booking.com은 AI 답변 품질의 전제 조건으로 ▲메타데이터 ▲데이터 리니지 ▲Semantic View 정비를 언급했습니다.
Kraft Heinz는 AI 에이전틱 커머스에 대비하기 위해 Semantic 모델 기반으로 일관된 AI 결과를 도출할 수 있도록 데이터 체계를 재정비했습니다. Kraft Heinz는 3단계 거버넌스를 통해 이를 달성했습니다. Sandbox에서 시작하고, 인증한 뒤, 제품화(Production)하는 방식입니다. Kraft Heinz는 “데이터 주권은 에이전트 커머스 시대의 생존 조건”이라고 강조했습니다.
이 사례들은 업종은 다르지만 같은 방향을 가리키고 있었습니다. AI를 잘 활용하기 위해서는 데이터를 먼저 정비해야 하고, 데이터 정비는 단순히 저장소를 하나로 모으는 것이 아니라, 데이터의 의미와 맥락을 함께 관리하는 방향으로 나아가야 한다는 점입니다.
KT가 추진 중인 단일 거버넌스 체계, 통합 메타데이터 관리, K Feature Map 운영, Semantic Layer 기반 AI Ready Data 정비 역시 이 흐름과 같은 방향에 있습니다. 이번 Summit은 KT가 이미 준비해온 방향이 글로벌 데이터 플랫폼의 진화 흐름과 맞닿아 있음을 확인하는 계기이기도 했습니다.
5. 참관을 통해 얻은 세 가지 인사이트
<AI 제작 이미지>
5.1. AI 경쟁력은 데이터 제품화에서 시작된다
이번 Summit에서 확인한 첫 번째 인사이트는 AI 경쟁력이 모델이 아니라 데이터 제품화에서 시작된다는 점입니다. 여러 기업은 AI를 잘 쓰기 위해 먼저 데이터를 제품처럼 정비했습니다. 데이터가 어디에 있고, 누가 소유하며, 어떤 품질 기준을 만족하고, 어떤 맥락에서 활용되어야 하는지 정의하는 작업이 선행되었습니다.
AT&T는 Semantic Layer, Data Quality, Data Dictionary, Data Catalog & Product를 중심으로 AI를 위한 데이터 전략을 재정비했습니다. NTT Docomo는 Data as a Product를 슬로건으로 데이터 소유권과 도메인 중심 운영 모델을 강화했습니다. Nexon은 Monolake를 통해 게임별 데이터 사일로를 통합하고, 전사 데이터 메시를 구축했습니다.
이 사례들을 보며 AI 활용의 성패는 결국 데이터 기반을 얼마나 잘 정비했는지에 달려 있다고 느꼈습니다. AI가 답을 잘하려면, 먼저 기업이 자신의 데이터를 설명할 수 있어야 합니다.
KT 역시 이 방향에서 중요한 기반을 갖추고 있습니다. 단일 거버넌스 체계 아래 메타데이터를 관리하고, Databricks Unity Catalog 기반으로 데이터 자산과 권한, 계보를 일관되게 관리하는 것은 데이터 제품화를 위한 핵심 기반입니다. 또한 K Feature Map과 같은 데이터 피처 셋 운영은 AI 활용에 필요한 데이터를 보다 재사용 가능한 형태로 정비하는 시도라고 볼 수 있습니다.
5.2. Agentic AI는 Semantic Layer와 거버넌스 위에서 확장된다
두 번째 인사이트는 Agentic AI의 전제 조건이 Semantic Layer와 거버넌스라는 점입니다. AI Agent가 자연어로 질문을 이해하고 실행까지 수행하려면, 단순한 테이블 목록만으로는 부족합니다. 데이터의 의미, 비즈니스 용어, 품질 기준, 데이터 리니지, 권한 체계가 함께 제공되어야 합니다.
이번 Summit에서 Semantic View, Metadata, Catalog, Data Lineage, Governance가 반복적으로 강조된 이유도 여기에 있다고 생각합니다. AI Agent는 데이터를 읽는 것에서 그치지 않고, 데이터가 어떤 의미인지 이해해야 합니다. 그리고 실행까지 이어지는 과정에서는 통제된 권한과 신뢰 가능한 데이터 품질이 필요합니다.
KT도 내부 사업 영역에서 Semantic Layer 기반으로 AI Ready Data를 정비하고 적용하려는 노력을 진행하고 있습니다. 이는 AI Agent가 단순히 데이터를 조회하는 수준을 넘어, 업무 맥락에 맞는 답을 생성하고 실행을 지원하기 위한 기반이 될 수 있습니다.
결국 거버넌스는 AI 활용을 늦추는 제약이 아니라, AI를 실제 비즈니스에 적용하기 위한 신뢰의 기반으로 이해해야 합니다. 이 점에서 KT의 단일 거버넌스 체계는 향후 Agentic AI 확장을 위한 중요한 강점이 될 수 있습니다.
5.3. 데이터 플랫폼은 AI 실행 기반으로 진화한다
세 번째 인사이트는 데이터 플랫폼이 AI 실행 기반으로 진화하고 있다는 점입니다. 과거의 Data Mesh가 도메인별 데이터 소유권과 데이터 제품화를 강조했다면, Agent Mesh는 도메인별 데이터, Semantic Layer, Agent가 결합된 구조로 보였습니다.
Nexon 사례가 특히 인상적이었습니다. Nexon은 Workplace 데이터를 Snowflake로 모두 복사하지 않고, 원본 시스템에 유지한 상태에서 MCP를 통해 AI Agent가 필요한 맥락을 직접 조회하도록 구성했습니다. 이는 데이터를 물리적으로 모두 한곳에 모으는 방식이 아니라, 기존 시스템을 유지하면서 논리적으로 연결하는 방식입니다.
이 접근은 AI 시대의 데이터 플랫폼이 단순한 중앙 저장소가 아니라, 여러 시스템의 데이터와 맥락을 연결하고 Agent가 이를 활용할 수 있게 하는 실행 기반으로 변화하고 있음을 보여주었습니다.
KT AI+Data플랫폼도 이 방향으로 확장될 수 있습니다. 이미 갖추고 있는 메타데이터 관리와 거버넌스 기반 위에, Semantic Layer, AI Ready Data, MCP, OSI와 같은 상호운용성 기술을 결합한다면, 다양한 내부 데이터와 AI Agent를 연결하는 실행 기반으로 발전할 수 있습니다.
6. KT AI+Data플랫폼에 남은 질문
이번 Summit을 보며 KT의 AI+Data플랫폼에도 몇 가지 질문이 남았습니다. 다만 이 질문들은 처음부터 새로 시작해야 한다는 의미라기보다는, 이미 갖추고 있는 기반을 어떻게 다음 단계로 확장할 것인가에 대한 질문에 가깝습니다.
첫째, 우리는 어떤 데이터를 제품으로 정의할 것인가.
AI 활용 확대 이전에 통합 데이터 기반을 지속적으로 정비해야 합니다. 데이터 사일로를 줄이고, 데이터 소유권과 품질 기준을 명확히 하며, 재사용 가능한 데이터 제품을 만드는 것이 중요합니다.
KT는 이미 단일 거버넌스 체계와 통합 메타데이터 관리 기반을 운영하고 있습니다. 앞으로는 이 기반 위에서 어떤 데이터를 AI 활용에 적합한 데이터 제품으로 정의할지, 어떤 기준으로 품질과 소유권을 관리할지, 어떤 데이터셋을 K Feature Map과 같은 재사용 가능한 피처 체계로 발전시킬지에 대한 구체화가 필요합니다.
둘째, AI Agent가 이해할 수 있는 업무 언어와 Semantic Layer는 어디까지 준비되어 있는가.
AI Agent가 정확한 답을 하기 위해서는 데이터 자체뿐 아니라, 데이터의 의미와 업무 맥락을 이해할 수 있어야 합니다. 이를 위해 Catalog, Data Dictionary, Data Lineage, Semantic View와 같은 기반이 중요합니다.
KT는 Databricks Unity Catalog 기반의 메타데이터 관리 체계를 통해 데이터 자산 관리의 기반을 갖추고 있습니다. 다음 단계는 이를 AI가 이해할 수 있는 업무 의미 체계로 확장하는 것입니다. 내부 사업에서 Semantic Layer 기반으로 AI Ready Data를 정비하고 적용하려는 시도는 이 방향에서 중요한 의미를 가집니다.
셋째, AI 비용 최적화를 모델 사용량 관리로만 보고 있지는 않은가.
FinOps 관점에서도 데이터와 AI 아키텍처의 통합은 중요합니다. AI 비용 최적화는 단순히 모델 호출 비용을 줄이는 문제가 아닙니다. 중복 저장, 중복 처리, 불필요한 데이터 이동, 사일로화된 파이프라인을 줄이는 것도 중요한 비용 최적화 과제입니다.
특히 Iceberg, Zero-Copy, MCP와 같은 흐름은 데이터 이동과 복제를 줄이면서도 여러 시스템이 같은 데이터와 맥락을 활용할 수 있게 한다는 점에서 의미가 있었습니다. 이는 향후 AI+Data플랫폼을 고도화할 때 성능, 거버넌스, 비용 최적화를 함께 고려해야 한다는 메시지로 받아들였습니다.
넷째, 개방형 시맨틱 상호운용성을 어떻게 활용할 것인가.
OSI(Open Semantic Interchange)와 같은 흐름은 AI 시대의 데이터 플랫폼이 특정 벤더나 특정 저장소 중심을 넘어, 의미 체계 중심으로 연결될 가능성을 보여줍니다. KT가 보유한 다양한 데이터와 플랫폼을 AI Agent가 일관된 의미로 이해하고 활용하려면, 개방형 표준과 상호운용성에 대한 검토도 중요해질 수 있습니다.
KT가 이미 갖춘 단일 거버넌스 체계와 메타데이터 관리 기반은 이러한 상호운용성 확장의 출발점이 될 수 있습니다. 앞으로는 이를 어떤 방식으로 Semantic Layer, AI Ready Data, Agent 실행 환경과 연결할 것인지가 중요한 과제가 될 것입니다.
7. 마치며
이번 Snowflake Summit 26은 데이터 플랫폼이 AI까지 품어가는 과정을 직접 확인할 수 있었던 자리였습니다. 특히 Agentic AI 시대에는 AI 모델 자체보다, 기업 내부의 데이터를 얼마나 신뢰 가능하고 재사용 가능한 형태로 정비하느냐가 더 중요해진다는 점을 확인할 수 있었습니다.
여러 기업의 사례는 공통된 메시지를 던지고 있었습니다. AI를 잘 활용하는 기업은 먼저 데이터를 정비하고 있었습니다. 메타데이터, 데이터 품질, Semantic Layer, 데이터 제품화, 거버넌스, 상호운용성은 더 이상 데이터 조직만의 과제가 아니라, 기업의 AI 실행력을 결정하는 핵심 기반이 되고 있었습니다.
이 점에서 KT가 추진해온 단일 거버넌스 체계, Databricks Unity Catalog 기반의 메타데이터 관리, K Feature Map 운영, Semantic Layer 기반 AI Ready Data 정비는 Agentic AI 시대를 준비하는 중요한 기반이라고 생각합니다. 앞으로 여기에 OSI와 같은 개방형 시맨틱 상호운용성, MCP 기반 연결 구조, 데이터 제품화 운영 모델이 더해진다면 KT AI+Data플랫폼은 더 강한 실행 기반으로 발전할 수 있을 것입니다.
개인적으로는 FinOps 관련 세션을 더 많이 듣고 싶었지만, Enterprise AI 시대의 AI 비용 관리와 최적화 방안에 대한 관심이 높았던 탓인지 관련 세션에 참가하기는 어려웠습니다. 그럼에도 여러 기업의 아키텍처와 데이터 정비 사례를 통해 FinOps에 대한 힌트를 얻을 수 있었습니다.
데이터와 AI 아키텍처의 통합, 데이터 사일로 해소, ELT 과정의 단순화, 중복 저장과 이동의 최소화는 모두 비용 최적화와도 연결되는 주제였습니다. AI 비용 최적화는 모델 호출량을 줄이는 것만이 아니라, AI가 활용하는 데이터 기반을 얼마나 효율적으로 설계하느냐의 문제이기도 합니다.
AI를 현실의 비즈니스로 만드는 경쟁은 더 좋은 모델을 고르는 경쟁을 넘어, 기업의 데이터를 얼마나 신뢰 가능한 실행 기반으로 바꾸는가의 경쟁으로 옮겨가고 있습니다. Snowflake Summit 26은 그 전환이 이미 시작되었음을 보여준 자리였습니다.
그리고 KT 역시 그 전환을 준비하고 있습니다. 데이터 거버넌스, 메타데이터, 데이터 제품화, Semantic Layer, AI Ready Data를 하나의 흐름으로 연결하는 노력이 앞으로 KT AI+Data플랫폼의 경쟁력을 결정하는 중요한 기반이 될 것입니다.