AI 잘 쓰는 회사들이 먼저 고친 것 (스노우플레이크 월드투어 서울 총정리)

한 줄 핵심

AI를 잘 쓰는 회사의 공통점은 좋은 모델을 고르는 데서 끝나지 않고, 데이터에 의미·거버넌스·실행 환경을 함께 얹어 AI가 바로 업무에 쓸 수 있게 만든다는 점이다.

시간별 요약

1. 0:00
   스노우플레이크 월드투어 서울의 핵심 메시지 이번 행사는 AI를 비즈니스 성과로 연결하려면 데이터를 AI가 이해할 수 있게 만들고, 누구나 쉽게 쓰게 하며, 보안과 거버넌스 안에서 운영해야 한다는 메시지를 중심으로 정리된다. 여러 고객 사례를 통해 이 원칙이 실제 현업에서 어떻게 적용되는지 빠르게 훑는다.
2. 4:03
   AI 프로젝트가 실패하는 가장 흔한 착각 AI가 알아서 데이터를 해결해 줄 것이라는 기대가 실패의 출발점이 되기 쉽다. 데이터가 부서별로 흩어지고 용어가 제각각이면, 모델 성능과 무관하게 AI는 정확한 답을 만들기 어렵다.
3. 5:17
   KB국민은행: 모델보다 데이터가 더 중요하다 KB국민은행 사례는 검색형 AI보다 행동하는 AI로 가려면 신뢰할 수 있는 데이터 기반이 먼저라는 점을 강조한다. 사일로화된 데이터, 부족한 메타데이터, 엄격한 금융권 거버넌스를 해결하는 것이 경쟁력의 핵심으로 제시된다.
4. 7:18
   데이터에 의미를 입히는 시맨틱 뷰 스노우플레이크는 데이터를 모으는 것에 더해 비즈니스 문맥을 입히고, 자연어로 질의하고 결과를 받는 인터페이스까지 하나의 플랫폼으로 묶는 방식을 설명한다. 시맨틱 뷰는 같은 단어라도 부서마다 다른 의미를 AI가 구분하도록 돕는 핵심 레이어로 다뤄진다.
5. 11:55
   티냅스: AI에게 어디까지 맡길 수 있나 티냅스는 AI의 판단이 맞는지 즉시 검증하고, 실수가 있으면 다음 판단에 반영하는 구조로 신뢰를 설계한다. AI가 할 수 있는 일과 기업이 맡겨도 되는 일의 경계를 정하는 것이 에이전트 도입의 핵심이라는 점이 부각된다.
6. 17:34
   아모레퍼시픽: 시맨틱 뷰와 온톨로지 아모레퍼시픽은 흩어진 브랜드·채널 데이터를 모은 뒤 시맨틱 뷰로 의미를 정의하고, 온톨로지로 객체 간 관계까지 표현해 분석 정확도를 높였다. 코드 없이도 현업이 자연어로 질문해 트렌드와 원인 분석까지 수행할 수 있는 환경을 만든다.
7. 26:04
   위메이드플레이: 게임 로그를 AI가 알아듣게 위메이드플레이는 초단위로 쏟아지는 게임 로그를 평탄화하고, 한곳에 모아, 각 데이터에 이름표를 붙이는 방식으로 시맨틱 뷰를 구성했다. 아이스버그 테이블과 카탈로그 연동으로 데이터 복사 없이 여러 엔진이 같은 데이터를 바라보게 해 실시간성과 일관성을 확보했다.
8. 32:20
   GS건설: 2주 걸리던 일을 하루 이틀로 GS건설은 복잡한 현장 데이터를 AI로 정리하고 검증해, 사람이 2주 이상 걸리던 AI 레디 데이터 생성 시간을 하루 이틀 수준으로 줄였다. 현장 직원은 복잡한 처리를 직접 하지 않고 AI가 정리한 결과를 확인·승인하는 방식으로 업무가 바뀌었다.
9. 35:15
   코드 몰라도 대시보드, Cortex Code Cortex Code, 즉 코코는 자연어만으로 데이터를 핸들링하고 대시보드를 자동 생성하게 해 비전문가의 데이터 접근 장벽을 낮춘다. 데이터 엔지니어링의 역할도 기술 구현 중심에서 품질과 비즈니스 로직 개선 중심으로 이동한다.
10. 38:44
    네오위즈: 거버넌스는 하나로, 분석은 자유롭게 네오위즈는 게임별 팀이 각자 독립적으로 분석하되, 거버넌스와 보안 규칙은 하나로 통일하는 구조를 택했다. 각 팀이 자기 컴퓨팅을 쓰면서도 데이터 반출 위험과 인프라 경합 없이 분석할 수 있게 만든 점이 핵심이다.
11. 43:51
    뱅크샐러드: 작은 팀의 데이터 자동화 뱅크샐러드는 소수 인원으로도 대규모 금융 데이터를 운영해야 했기 때문에 반복 복구 작업과 품질 검증을 자동화하는 방향으로 문제를 풀었다. 데이터 엔지니어의 무게중심이 수작업 운영에서 품질·로직 개선으로 이동해야 한다는 흐름도 함께 제시된다.
12. 49:47
    카프카 운영 부담을 덜어주는 Datastream Datastream은 카프카를 직접 설치·운영·튜닝해야 했던 부담을 줄여, 토픽 중심으로 실시간 데이터를 더 쉽게 다룰 수 있게 만든다. 인프라 엔지니어가 아닌 데이터 팀이 인사이트에 집중할 수 있도록 설계된 점이 특징이다.
13. 53:55
    네패스: 믿되 무조건 맡기지 않는다 네패스는 설비·MES·ERP의 정형 데이터와 매뉴얼·점검 기록 같은 비정형 데이터를 함께 다루면서, 상황에 따라 Cortex Analytics와 Cortex Search를 구분해 사용한다. 제조업에서는 AI를 전면 신뢰하되, 최종 책임은 사람이 지는 휴먼 인 더 루프 구조가 중요하다.
14. 59:23
    믿고 쓰는 기업용 AI 플랫폼의 조건 기업용 AI 플랫폼은 확장성, 개방성, 거버넌스를 동시에 갖춰야 한다는 점이 정리된다. 사용자와 워크로드가 늘어나도 성능이 흔들리지 않고, 오픈 포맷과 표준을 지원하며, 민감 데이터 접근과 마스킹을 일관되게 통제해야 한다.
15. 1:03:43
    토스플레이스: 데이터는 그대로, 엔진은 골라 붙인다 토스플레이스는 Apache Iceberg를 공통 데이터 포맷으로 두고, Snowflake와 StarRocks를 워크로드에 맞게 붙이는 구조를 택했다. 데이터를 복제하지 않고도 배치, BI, AI 서빙을 각각 가장 적합한 엔진으로 처리하는 개방성이 핵심이다.
16. 1:08:00
    KT: 도구가 달라도 지표는 하나 KT는 부서마다 다른 매출·가입자수 정의를 하나의 시맨틱 정의로 통일하고, 다양한 도구가 같은 시맨틱 뷰를 참조하게 만들었다. 대규모 조직에서 AI 레디 플랫폼으로 가는 출발점은 도구 통합이 아니라 숫자와 의미의 통일이라는 점을 보여준다.

실무 인사이트

• AI 도입의 우선순위는 모델 선정이 아니라, 데이터의 의미를 통일하고 AI가 읽을 수 있게 만드는 시맨틱 계층을 먼저 세우는 것이다.
• 현업 확산의 관건은 전문가용 도구를 늘리는 것이 아니라, 자연어 질의·자동 대시보드·자동 검증처럼 비전문가도 바로 쓰는 흐름을 만드는 데 있다.
• 대규모 조직일수록 중앙 거버넌스는 하나로 유지하되, 팀별 분석 자율성과 워크로드별 엔진 선택권을 주는 구조가 운영 효율과 확장성을 동시에 높인다.