들어가며
Databricks Summit 2026 키노트에서 가장 인상 깊었던 메시지는 Agentic AI 시대의 데이터 플랫폼 전략이었습니다. 이제 데이터 플랫폼은 데이터를 저장하고 분석하는 역할에 머무르지 않습니다. AI Agent가 기업의 업무 맥락을 이해하고, 실제 실행까지 이어갈 수 있는 기반으로 확장되고 있습니다.
많은 기업이 생성형 AI와 AI Agent 도입을 검토하고 있습니다. 하지만 실제 업무 환경에 Agent를 적용하는 일은 쉽지 않습니다. 기업 데이터는 여러 시스템에 흩어져 있습니다. 데이터마다 권한과 보안 정책도 다릅니다. 업무 맥락을 이해하지 못한 AI는 신뢰할 수 있는 의사결정에 활용되기 어렵습니다.
Databricks는 이번 키노트에서 Context와 Control을 강조했습니다. Agent가 기업 업무를 이해하려면 데이터만으로는 부족합니다. 비즈니스 용어, 지표, 프로세스 같은 맥락도 함께 이해해야 합니다. 동시에 기업은 AI 사용에 대한 거버넌스와 정책 적용 체계를 갖춰야 합니다. 비용 관리도 중요한 운영 요소입니다.
이번 글에서는 DAIS 2026 키노트의 주요 발표를 중심으로 살펴봅니다. 기업이 Agentic AI 시대를 준비하기 위해 어떤 데이터 플랫폼 전략을 고민해야 하는지 정리했습니다.
1. Agentic AI 도입의 핵심: Context와 Control
AI Agent에 대한 관심은 빠르게 커지고 있습니다. 소프트웨어 엔지니어링 Agent, 개인 업무 Agent, 세일즈 Agent, 고객 서비스 Agent 등 다양한 형태가 등장하고 있습니다. 그러나 기업 환경에서는 Agent를 도입한다고 해서 업무 방식이 바로 바뀌지는 않습니다.
가장 큰 이유는 데이터 맥락입니다. Agent는 기업 내부 데이터를 자동으로 이해하지 못합니다. 예를 들어 같은 “고객”이라는 단어도 부서마다 의미가 다를 수 있습니다. 영업, 마케팅, 재무, 고객지원 조직이 보는 고객의 기준은 서로 다릅니다.
또한 특정 지표가 어떤 시스템에서 생성되었는지도 중요합니다. 누가 그 데이터를 조회할 수 있는지도 확인해야 합니다. 어떤 업무 프로세스와 연결되는지도 알아야 합니다. 이 맥락이 부족하면 Agent는 신뢰할 수 있는 결과를 제공하기 어렵습니다.
Databricks는 Agentic AI의 핵심 조건으로 두 가지를 제시했습니다.
첫 번째는 Context입니다. Agent가 기업 데이터를 이해하려면 단순한 데이터 연결만으로는 부족합니다. 데이터 간 관계, 비즈니스 용어, 지표 정의가 함께 필요합니다. 사용자 권한과 업무 프로세스도 함께 연결되어야 합니다.
두 번째는 Control입니다. 엔터프라이즈 환경에서는 모든 데이터를 Agent에게 열어줄 수 없습니다. 어떤 사용자가 어떤 데이터에 접근할 수 있는지 관리해야 합니다. 어떤 모델을 사용할 수 있는지도 통제해야 합니다. Agent가 어떤 행동을 수행할 수 있는지도 관리 대상입니다.
결국 Agentic AI의 성공은 모델 성능만으로 결정되지 않습니다. 기업 내부 데이터를 안전하게 연결해야 합니다. 업무 맥락도 이해시켜야 합니다. 그리고 통제 가능한 방식으로 운영할 수 있어야 합니다.
2. Databricks Agentic Data 전략: Lakehouse//RT와 Lakebase
이번 DAIS 2026 키노트에서 Databricks는 Agentic Data라는 방향성을 제시했습니다. 핵심은 Lakehouse를 분석 플랫폼에서 실행 기반으로 확장하는 것입니다. AI Agent가 실제 업무를 수행할 수 있는 실시간 데이터 기반을 만들겠다는 의미입니다.
Agentic AI 시대에는 과거 데이터를 분석하는 것만으로는 충분하지 않습니다. 고객 응대, 운영 모니터링, 보안 분석, 영업 지원 Agent는 최신 데이터를 필요로 합니다. 주문 정보, 고객 행동, 시스템 로그, 운영 지표를 빠르게 이해해야 합니다. 따라서 데이터의 최신화와 응답 속도가 중요해집니다.
이 흐름에서 발표된 것이 Lakehouse//RT입니다. Lakehouse//RT는 새로운 Reyden 엔진을 기반으로 합니다. BI 서빙과 운영 분석을 지원합니다. 빠른 응답성과 높은 동시성이 필요한 워크로드에도 대응합니다.
핵심은 데이터를 별도 시스템으로 이동하지 않는다는 점입니다. 데이터는 Lakehouse 안에 그대로 둡니다. 그 상태에서 밀리초 수준의 응답 성능을 제공하는 것이 목표입니다.
함께 봐야 할 발표는 Lakebase입니다. Lakebase는 apps and agents를 위한 Serverless Postgres입니다. 서비스가 필요로 하는 운영 데이터베이스 영역을 담당합니다.
Lakebase는 자동 확장, scale to zero, branching, recovery를 제공합니다. Lakebase Cross-Cloud DR도 함께 소개되었습니다. 이는 리전과 클라우드 간 장애 조치에 대응하기 위한 기능입니다. Agentic AI 시대에 필요한 복원력까지 고려한 발표였습니다.
Lakehouse//RT와 Lakebase는 같은 방향을 보여줍니다. Databricks는 Lakehouse를 실시간 데이터 플랫폼으로 확장하고 있습니다. Lakehouse//RT는 실시간 분석과 서비스 영역을 강화합니다. Lakebase는 운영 데이터와 Agentic 애플리케이션을 위한 데이터 계층을 제공합니다.
3. Genie와 Genie Ontology: AI Agent가 데이터를 이해하는 방식
이번 키노트에서 Databricks는 Genie도 소개했습니다. Genie는 단순한 챗봇이나 대시보드 질의 도구가 아닙니다. 사용자가 데이터 기반으로 업무를 수행하도록 돕는 AI Assistant에 가깝습니다.
기존 BI 환경에서는 사용자가 대시보드를 직접 찾아야 했습니다. 필요한 데이터를 요청하고, SQL이나 분석 도구로 결과를 확인해야 했습니다. Genie는 이 과정을 자연어 기반으로 바꿉니다. 사용자는 질문을 입력하고, Genie는 데이터의 의미를 해석해 인사이트를 제공합니다.
중요한 점은 Genie가 Agent로 확장된다는 점입니다. 단순히 데이터 인사이트를 제공하는 데서 끝나지 않습니다. 업무 자동화와 연결될 수 있습니다. 예를 들어 매출 변화의 원인을 분석할 수 있습니다. 관련 고객 세그먼트를 도출할 수도 있습니다. 후속 액션을 추천하거나 실행하는 방식으로 확장될 수 있습니다.
Genie Ontology도 핵심 발표 중 하나였습니다. 이는 Agent가 기업을 이해하기 위한 기반입니다. 기업 내부에는 다양한 용어와 지표가 존재합니다. 프로세스와 데이터 소스도 복잡하게 연결되어 있습니다. Genie Ontology는 이러한 정보를 연결합니다. AI가 기업의 업무 맥락을 이해하도록 돕는 역할입니다.
이 부분은 AI 도입에서 매우 중요합니다. 많은 기업이 RAG나 LLM 도입을 검토합니다. 하지만 실제 현업에서는 문제가 자주 발생합니다. AI가 우리 회사의 용어와 업무 기준을 제대로 이해하지 못하는 문제입니다.
따라서 AI가 실질적인 비즈니스 가치를 내려면 구조가 필요합니다. 단순 문서 검색을 넘어야 합니다. 기업 고유의 맥락을 이해하는 구조가 필요합니다.
4. Genie ZeroOps와 App Builder: 데이터 운영과 개발 자동화
이번 키노트에서는 운영과 개발 방식의 변화도 강조되었습니다. Agentic AI는 데이터 분석에만 영향을 주지 않습니다. 데이터 플랫폼 운영과 애플리케이션 개발 방식도 바꾸고 있습니다.
Genie ZeroOps는 Agentic 운영 모델을 제시합니다. Databricks 환경의 Job, Pipeline, Table, Model, App 등을 모니터링합니다. 문제가 발생하면 Agent가 이를 감지합니다. 어떤 자산에 영향이 있는지도 파악합니다. 원인을 설명하고 조치 방향도 제안할 수 있습니다.
기존 운영 방식은 사람이 중심이었습니다. 장애나 성능 저하가 발생하면 운영자가 로그를 확인해야 했습니다. 영향 범위를 분석하고 조치 방안을 찾아야 했습니다. Genie ZeroOps는 이 과정을 자동화하는 방향을 보여줍니다.
Genie App Builder도 함께 소개되었습니다. 이는 엔터프라이즈 환경에서 데이터 기반 앱을 만들고 배포하는 방식입니다. 최근 자연어 기반 개발 경험이 확산되고 있습니다. 하지만 기업 환경에서는 보안과 권한이 중요합니다. 데이터 연결과 배포 안정성도 함께 고려해야 합니다.
Genie App Builder는 앱 제작을 쉽게 만드는 데서 그치지 않습니다. 인증된 데이터와 권한 체계 안에서 앱을 만들 수 있도록 지원합니다. 현업 사용자는 데이터 기반 앱을 더 쉽게 만들 수 있습니다. IT 조직은 이를 안전하게 거버닝할 수 있습니다.
5. Omnigent와 OpenSharing: 개방형 AI Agent 생태계
Databricks는 이번 키노트에서 Omnigent와 OpenSharing도 발표했습니다.
Omnigent는 다양한 Agent를 실행하고 거버닝하기 위한 구조로 소개되었습니다. 앞으로 기업은 하나의 Agent만 사용하지 않을 가능성이 높습니다. 다양한 벤더, 프레임워크, 모델, MCP, Skill을 조합해 사용할 수 있습니다. 이때 중요한 것은 실행과 관찰, 통제입니다.
즉 Omnigent는 멀티 Agent 환경의 운영 문제를 다룹니다. 기업은 특정 모델이나 Agent 프레임워크에 종속되기를 원하지 않습니다. 다양한 Agent를 통합적으로 운영할 수 있는 구조가 필요합니다.
OpenSharing도 중요한 의미를 가집니다. 데이터, 모델, Agent, 앱을 클라우드와 벤더에 관계없이 공유하는 개방형 프로토콜입니다. AI 시대에는 공유 대상이 데이터셋에만 머무르지 않습니다. 모델, Agent, 애플리케이션까지 공유와 재사용의 대상이 됩니다.
이 흐름은 데이터 플랫폼 경쟁력의 기준을 바꾸고 있습니다. 폐쇄형 기능만으로는 충분하지 않습니다. 앞으로는 얼마나 개방적이고 상호운용 가능한 생태계를 제공하는지가 중요해질 것입니다.
6. 기업이 준비해야 할 Agentic AI 데이터 플랫폼 전략
DAIS 2026 키노트를 통해 확인할 수 있는 변화는 명확합니다. AI Agent를 도입하려는 기업은 단순히 LLM API를 연결하는 수준을 넘어야 합니다. 챗봇을 만드는 것만으로도 충분하지 않습니다. 데이터 플랫폼 자체를 Agentic AI에 맞게 재설계해야 합니다.
첫째, 데이터 기반을 실시간화해야 합니다. Agent가 실제 업무를 수행하려면 최신 데이터에 접근할 수 있어야 합니다. 배치 중심의 분석 환경만으로는 한계가 있습니다. 고객 응대, 운영 자동화, 실시간 의사결정에는 실시간 데이터 기반이 필요합니다.
둘째, 비즈니스 컨텍스트를 구조화해야 합니다. AI가 기업 업무를 이해하려면 데이터 카탈로그가 필요합니다. 지표 정의, 업무 용어, 권한, 프로세스도 연결되어야 합니다. 단순히 데이터를 모으는 것만으로는 부족합니다. AI가 이해할 수 있는 형태로 기업 지식을 정리해야 합니다.
셋째, AI 거버넌스 체계를 먼저 설계해야 합니다. Agent가 많아질수록 관리해야 할 요소도 늘어납니다. 비용, 보안, 권한, 모델 사용 정책, 감사 추적이 모두 중요해집니다. AI를 빠르게 확산시키기 위해서도 중앙 거버넌스는 필수입니다.
결국 Agentic AI의 성공은 모델 성능보다 데이터 준비도에 달려 있습니다. 운영 체계도 함께 준비되어야 합니다.
Key Points
- Databricks Summit 2026 키노트의 핵심은 Agentic AI를 위한 데이터 플랫폼 전략입니다.
- Lakehouse//RT와 Lakebase는 AI Agent가 최신 데이터와 운영 데이터를 활용할 수 있는 실시간 기반을 제공합니다.
- Genie, Genie Ontology, Unity AI Gateway는 AI Agent가 비즈니스 맥락을 이해하고 통제된 방식으로 실행되도록 지원합니다.
마치며
Databricks Data + AI Summit 2026 키노트는 데이터와 AI 플랫폼의 방향을 명확하게 보여주었습니다. 지금까지 데이터 플랫폼은 분석과 리포팅 중심이었습니다. 앞으로는 Agent가 업무를 수행할 수 있는 실행 기반으로 발전하고 있습니다.
하지만 Agentic AI는 새로운 도구를 도입한다고 완성되지 않습니다. 기업 데이터의 통합이 필요합니다. 실시간 처리와 비즈니스 컨텍스트도 필요합니다. 권한 관리, 비용 통제, 운영 자동화도 함께 준비되어야 합니다.
중요한 질문은 “어떤 AI Agent를 도입할 것인가”가 아닙니다. 더 중요한 질문은 “우리 데이터 플랫폼이 Agent가 신뢰할 수 있는 방식으로 일할 수 있는 환경을 제공하는가”입니다.
앞으로 Agentic AI 시대의 경쟁력은 모델 자체에서만 나오지 않습니다. 데이터를 이해하고 통제하는 역량이 필요합니다. 그리고 이를 실행으로 연결하는 플랫폼 역량에서 시작됩니다.
Business Development 장채훈
![Read more about the article [Databricks Data + AI Summit 2026] Oracle에서 Databricks Lakehouse로의 마이그레이션 전략](https://tech.cloud.nongshim.co.kr/wp-content/uploads/2606_databricks.png)