조경진 한국오라클 상무

불과 몇 년 사이 AI는 실험적 기술에서 운영 기술로 이동했다. 그러나 기업 환경에서는 여전히 파일럿 단계에 머무르는 경우가 많다. 개별 모델의 성능은 빠르게 개선되고 있지만 실제 업무에 적용하는 과정에서는 기대만큼의 성과가 나오지 않는다. 최근 주목받는 에이전틱 AI는 이러한 한계를 더욱 분명히 드러낸다. 에이전틱 AI는 단순 응답 생성이 아니라 계획 수립, 의사결정, 실행까지 포함하는 구조로 진화하고 있으며 이는 기존 AI 활용 방식과는 다른 기술적 요구사항을 만들어낸다.

문제의 핵심은 데이터다. 현재 대부분의 기업 데이터는 다양한 애플리케이션과 데이터베이스, 클라우드 환경에 분산되어 있으며, 구조 또한 정형·비정형이 혼재되어 있다. 이러한 환경에서는 AI가 활용할 데이터를 수집하고 정제하는 과정 자체가 복잡한 파이프라인으로 이어진다. 이 과정에서 데이터 지연(latency), 중복, 불일치 문제가 발생하고, 결과적으로 AI의 응답 품질과 신뢰성에 영향을 준다. 특히 에이전틱 AI처럼 실시간으로 데이터를 조회하고 실행까지 이어지는 구조에서는 이러한 지연과 불일치가 치명적인 리스크로 작용한다.

기존 아키텍처는 이러한 요구를 전제로 설계되지 않았다. 전통적인 데이터 플랫폼은 트랜잭션 처리(OLTP)와 분석(OLAP)을 분리하고, AI 처리를 별도의 시스템에서 수행하는 구조를 갖는다. 이로 인해 데이터 이동이 빈번하게 발생하며, 각 계층 간 일관성을 유지하기 위한 추가적인 복잡성이 발생한다. 또한 보안 역시 애플리케이션 레이어 중심으로 설계되어 있어, AI가 자동으로 생성한 질의나 에이전트 기반 실행 환경에서는 통제의 한계가 드러난다.

이러한 한계를 해결하기 위해 데이터베이스 중심의 통합 아키텍처가 다시 주목받고 있다. 예를 들어, 오라클 AI 데이터베이스(Oracle AI Database)는 트랜잭션, 분석, 벡터 검색을 하나의 플랫폼에서 통합적으로 처리하는 구조를 제공한다. 이는 AI 모델이 필요로 하는 다양한 형태의 데이터를 별도의 이동 없이 동일한 환경에서 처리할 수 있도록 한다. 특히 벡터 검색 기능은 비정형 데이터에 대한 의미 기반 검색을 가능하게 하며, 기존 SQL 기반 질의와 결합해 보다 정교한 데이터 활용을 지원한다.

보안 측면에서도 접근 방식이 변화하고 있다. 오라클의 딥 데이터 시큐리티(Deep Data Security)는 데이터베이스 계층에서 사용자별 접근 권한을 직접 정의하고 적용하는 구조를 갖는다. 이는 AI 에이전트가 특정 사용자를 대신해 작업을 수행하더라도 해당 사용자의 권한 범위를 벗어난 데이터에는 접근할 수 없도록 한다. 이러한 방식은 프롬프트 인젝션과 같은 새로운 위협에 대응하는 데 효과적이며, 보안을 애플리케이션 로직에서 분리해 중앙에서 관리할 수 있도록 한다.

멀티클라우드 환경 역시 중요한 고려 요소다. 기업은 특정 인프라에 종속되지 않고, 데이터와 AI 워크로드를 필요에 따라 배치할 수 있어야 한다. 오라클은 멀티클라우드 환경에서도 동일한 데이터베이스 서비스를 제공함으로써, 데이터 이동 없이 AI를 실행할 수 있는 구조를 지원한다. 이는 데이터 일관성을 유지하면서도 운영 복잡성을 줄이는 데 기여한다.

결국 에이전틱 AI 시대 경쟁력은 데이터 아키텍처에서 결정된다. 단순히 데이터를 저장하는 것을 넘어 실시간으로 접근 가능하고, 일관성이 유지되며, 보안이 내재된 구조가 필요하다. 데이터베이스는 다시 한 번 기업 IT 아키텍처의 중심으로 돌아오고 있으며, AI는 그 변화를 가속화하고 있다. 앞으로 기업은 AI 모델의 성능뿐 아니라 이를 뒷받침하는 데이터 구조와 운영 방식까지 함께 설계해야 할 것이다.

조경진 / 한국오라클 상무

<외부 필진의 기고는 본사의 편집방향과 다를 수 있습니다.>