핵심 요약

  • Eon 공동창업자들은 기업이 이미 보유한 데이터도 여러 시스템과 사업부에 흩어져 있어 AI에 활용하기 어렵다고 설명했다.
  • Eon은 데이터의 위치와 민감도를 파악하고, 여러 출처의 데이터를 가져와 검색·조회·AI 활용과 복구에 쓰도록 하는 기반을 제공한다고 밝혔다.
  • 공동창업자들은 실제 기업 운영을 담은 데이터가 AI 에이전트 개발에 중요하다고 봤다. 다만 민감한 정보를 다루는 문제가 따른다.
  • 정당한 권한을 가진 AI 에이전트도 데이터를 잘못 변경할 수 있다. 에이전트의 실행 속도는 기존 복구 체계에 새로운 부담을 준다.
  • AI 도입 압박이 커지는 가운데, 기업에는 데이터 활용 범위를 넓히면서 접근과 비용을 통제해야 하는 과제가 생겼다.

백업 데이터에서 AI용 데이터 기반으로

Eon은 클라우드의 데이터 백업과 재해 복구에서 출발했다. 공동창업자들의 설명에 따르면 현재는 여러 클라우드 환경에 걸친 데이터를 찾아 위치와 민감도를 분류하고, 구조화된 데이터와 비정형 데이터를 하나의 기반으로 가져오는 기능을 제공한다. 가져온 데이터는 보호·복구뿐 아니라 검색, 조회, AI 모델 적용에도 사용할 수 있다.

이들이 강조한 출발점은 기업에 데이터가 없다는 문제가 아니다. 데이터가 서로 다른 형태로 보관돼 있고, 어떤 자료가 어디에 있는지조차 파악하기 어렵다는 점이다. 과거에 축적한 자료를 AI에 쓰려면 내용과 맥락을 알아야 하며, 누가 접근할 수 있는지도 정해야 한다.

실제 기업 데이터의 가치와 한계

한 공동창업자는 모델과 컴퓨팅 자원보다 기업이 쌓아 온 데이터와 구성원이 차별화의 원천이라고 주장했다. 실제 업무가 담긴 데이터는 에이전트를 현실의 업무에 맞게 개발하는 데 유용하지만, 그런 데이터셋을 구하기 어렵다는 설명이다.

대담에서는 파산 절차에 들어간 스피릿항공의 데이터를 구글이 1,000만 달러에 샀다는 사례가 나왔다. 이는 출연자의 발언으로 제시된 내용이다. 진행자는 다른 입찰자가 Mercor였다는 이야기를 소문으로 언급했다. 출연자들은 이 데이터를 항공업뿐 아니라 여러 직급과 부서가 함께 일하는 대기업의 운영 방식을 이해하는 데 쓸 수도 있다고 추정했다. 실제 활용 목적이 확인됐다고 말하지는 않았다.

데이터를 얻는 것만으로 활용 문제가 끝나지도 않는다. 공동창업자들은 실세계 데이터를 확보하거나 새로운 합성 데이터를 만드는 방법을 함께 거론하면서, 기존 기업 데이터에는 개인정보와 금융 정보 같은 민감한 내용이 포함될 수 있다고 지적했다.

사업부 사이에 막힌 데이터

기존 데이터팀은 정해진 프로젝트에 필요한 자료를 찾아 처리하는 방식으로 일해 왔다. 그러나 조직 전체의 데이터를 AI에 활용하라는 요구를 받으면, 다른 사업부가 관리하는 오래된 시스템까지 살펴야 한다. 사업부 책임자는 시스템의 가동과 데이터 보호를 우선하므로 데이터를 넘겨주는 일에 다른 이해관계를 갖는다.

공동창업자들은 오래된 시스템에서 자료를 꺼내는 과정이 운영 안정성, 보안, 규정 준수에 영향을 줄 수 있다고 설명했다. 급여 정보처럼 의도하지 않은 민감한 내용이 학습에 쓰일 가능성도 살펴야 한다. Eon이 제시한 접근은 데이터를 먼저 찾아 분류하고 맥락을 파악한 뒤, 관련 자료를 지속적으로 가져오면서 접근을 통제하고 기록을 감사할 수 있게 하는 것이다. 생산 시스템에 부담을 주지 않고 이 과정을 수행할 수 있다는 것은 회사 측의 설명이다.

정당한 권한을 가진 에이전트의 위험

보안 문제도 달라지고 있다. 한 공동창업자는 과거 AWS에서 재해 복구 서비스를 관리할 때 겪은 랜섬웨어 사례를 들었다. 고객은 보호받고 있다고 생각했지만 자원 목록을 제대로 파악·분류·표시하지 않아 환경의 60%가 랜섬웨어에 노출됐다는 설명이다. 그는 이 경험이 Eon을 시작한 이유 중 하나라고 말했다.

그에 따르면 이제는 외부 공격이나 사람의 실수뿐 아니라, 정당한 권한으로 데이터베이스에 접근하는 AI 에이전트도 문제가 될 수 있다. 에이전트가 테이블을 갑자기 삭제하는 상황이 그 예다. 비정상적인 데이터 변경 패턴을 감지하고 세부 단위로 복구한다는 대응 방식은 비슷하지만, 에이전트가 행동하는 속도는 훨씬 빠르다는 주장이다.

다른 공동창업자는 비기술직 직원도 도구를 이용해 앱과 에이전트를 만들고 회사 데이터를 넣을 수 있다고 지적했다. 그렇게 만든 에이전트가 다른 에이전트나 외부 서비스와 연결되면, 조직 안팎에서 누가 민감한 데이터를 다루는지 추적하기가 어려워진다. 그는 이를 모든 직원이 도구를 만들 수 있게 된 데 따른 기회이자 위험으로 봤다.

더 많은 데이터를 쓰기 위한 조건

공동창업자들은 기존 데이터 처리 도구가 개별 작업에 맞춰 발전했다고 평가했다. AI 활용에서는 여러 곳의 데이터를 함께 파악하고 맥락을 연결할 필요가 커졌다는 주장이다. 한 부서가 가진 햄버거 선호 고객 목록과 다른 부서의 피자 선호 고객 목록을 결합하면 새로운 질문을 할 수 있다는 가상의 예도 들었다. 이는 데이터 결합의 가능성을 설명한 사례이지, 실제 고객 활용 성과는 아니다.

이들은 에이전트가 생성하는 데이터까지 늘면서 유용한 정보와 잡음을 가려야 한다고 말했다. 데이터를 저장하고 모델에 입력하는 데도 비용이 든다. 따라서 더 많은 데이터를 모으는 일과 함께, 필요한 데이터를 골라 실제 쓰임에 맞게 활용하는 일이 중요해진다는 설명이다.

클라우드 전환보다 빠른 AI 도입 압박

공동창업자들은 이전 회사 CloudEndure와 AWS에서 대규모 클라우드 이전을 경험했다. 그들은 당시 이전에는 기술과 인력이 많이 필요했지만, AI와 에이전트 도입은 더 빠르게 진행된다고 비교했다. 경영진의 도입 요구가 커지는 한편, 데이터 유출이나 시스템 장애를 우려해 추진을 멈추는 고객도 있다는 설명이다.

한 공동창업자는 기업이 외부 엔지니어를 현장에 투입해 도입 속도를 높이거나, 제품을 먼저 써 본 뒤 구매를 확대하는 방식에도 주목했다. 다만 그는 많은 기업이 아직 AI 활용의 초기 단계에 있다고 봤다. 대담에서 제시된 핵심 과제는 도입 속도만 높이는 것이 아니라, 기업이 이미 가진 데이터를 파악하고 안전하게 사용할 수 있는 통제력을 갖추는 일이다.