들어가며
2026년 Databricks Data + AI Summit은 단순히 데이터 플랫폼의 기능 확장을 소개하는 자리가 아니었습니다. 이번 키노트의 핵심 메시지는 명확했습니다. 이제 기업의 데이터 플랫폼은 데이터를 저장하고 분석하는 수준을 넘어, AI Agent가 실제 업무를 이해하고 실행할 수 있는 기반으로 진화해야 한다는 것입니다.
최근 많은 기업들이 생성형 AI와 AI Agent 도입을 검토하고 있습니다. 하지만 실제 서비스 환경에서 Agent를 업무에 적용하는 것은 생각보다 쉽지 않습니다. 이유는 단순합니다. 기업의 데이터는 여러 시스템에 흩어져 있고, 데이터마다 권한과 보안 정책이 다르며, 업무 맥락을 이해하지 못한 AI는 실제 비즈니스 의사결정에 활용되기 어렵기 때문입니다.
이번 키노트에서는 AI Agent를 상용 수준으로 도입하기 위해 컨텍스트(Context)와 제어(Control)가 필요하다는 점을 강조했습니다. Agent가 기업의 업무를 이해하려면 데이터뿐 아니라 비즈니스 용어, 지표, 프로세스와 같은 맥락을 함께 이해해야 하며, 동시에 기업은 AI 사용에 대한 거버넌스, 정책 적용, 비용 관리 체계를 갖춰야 합니다.
이번 글에서는 DAIS 2026 키노트에서 발표된 주요 내용을 중심으로, 기업이 Agentic AI 시대를 준비하기 위해 어떤 데이터 플랫폼 전략을 고민해야 하는지 정리해보고자 합니다.
1. Agentic AI 도입의 본질: 컨텍스트와 제어
AI Agent에 대한 관심은 빠르게 커지고 있습니다. 소프트웨어 엔지니어링 Agent, 개인 업무 Agent, 세일즈 Agent, 고객 서비스 Agent 등 다양한 형태의 Agent가 등장하고 있습니다. 그러나 기업 환경에서는 Agent를 단순히 도입한다고 해서 업무 방식이 바로 바뀌지는 않습니다.
가장 큰 이유는 Agent가 기업 내부의 데이터를 제대로 이해하지 못하기 때문입니다. 예를 들어, 같은 “고객”이라는 단어도 영업, 마케팅, 재무, 고객지원 부서에서 의미하는 범위가 다를 수 있습니다. 특정 지표가 어떤 시스템에서 생성되었는지, 어떤 권한을 가진 사용자만 조회할 수 있는지, 어떤 업무 프로세스와 연결되는지를 이해하지 못하면 Agent는 신뢰할 수 있는 결과를 제공하기 어렵습니다.
Databricks는 이를 해결하기 위해 Agentic AI의 핵심 조건을 두 가지로 제시합니다.
첫 번째는 컨텍스트입니다. Agent가 기업 데이터를 이해하려면 단순히 데이터를 연결하는 것만으로는 부족합니다. 데이터 간 관계, 비즈니스 용어, 지표 정의, 사용자 권한, 업무 프로세스까지 함께 이해해야 합니다.
두 번째는 제어입니다. 엔터프라이즈 환경에서는 모든 데이터를 Agent에게 무조건 열어줄 수 없습니다. 어떤 사용자가 어떤 데이터에 접근할 수 있는지, 어떤 모델을 사용할 수 있는지, Agent가 어떤 행동을 수행할 수 있는지, 비용은 어떻게 통제할 것인지에 대한 거버넌스가 필요합니다.
결국 Agentic AI의 성공 여부는 “얼마나 좋은 모델을 쓰는가”만으로 결정되지 않습니다. 기업 내부 데이터를 안전하게 연결하고, 업무 맥락을 이해시키며, 통제 가능한 방식으로 운영할 수 있는 플랫폼을 활용하는 것이 중요하다는 것을 알 수 있습니다.
2. Agentic Data: AI Agent를 위한 실시간 Lakehouse 아키텍처
이번 DAIS 2026 키노트에서 Databricks는 Agentic Data라는 방향성을 제시했습니다. 핵심은 Lakehouse/LakeBase를 분석 플랫폼이 아니라, AI Agent가 실제 업무를 수행할 수 있는 실시간 데이터 기반으로 확장하겠다는 것입니다.
Agentic AI 시대에는 과거 데이터를 분석하는 것만으로는 충분하지 않습니다. 고객 응대, 운영 모니터링, 보안 분석, 영업 지원 Agent가 업무에 활용되려면 최신 주문 정보, 고객 행동, 시스템 로그, 운영 지표를 빠르게 이해해야 합니다. 즉, AI Agent가 신뢰할 수 있는 판단을 내리기 위해서는 데이터의 최신화와 응답 속도가 중요합니다.
이 흐름에서 발표된 것이 Lakehouse//RT입니다. Lakehouse//RT는 새로운 Reyden 엔진을 기반으로, BI 서빙과 운영 분석은 물론 애플리케이션 서비스처럼 빠른 응답성과 높은 동시성이 필요한 워크로드를 지원하기 위한 Databricks의 실시간 데이터웨어하우스 입니다. 핵심은 데이터를 별도 시스템으로 이동하지 않고, Lakehouse 안에 그대로 둔 상태에서 밀리초 수준의 응답 성능을 제공한다는 점입니다.
여기에 함께 봐야 할 발표가 Lakebase입니다. Lakebase는 apps and agents를 위한 Serverless Postgres로, 서비스가 필요로 하는 운영 데이터베이스 영역을 담당합니다.
Lakebase는 자동 확장, scale to zero, branching, recovery를 제공하고 있으며, 키노트에서 함께 소개된 Lakebase Cross-Cloud DR은 리전과 클라우드 간 장애 조치 대응하여, Agentic AI 시대에 필요한 복원력까지 강조하고 있습니다.
결국 Lakehouse//RT와 Lakebase는 Databricks가 Lakehouse를 Agentic AI 시대의 실시간 데이터 플랫폼으로 확장하고 있음을 보여줍니다. Lakehouse//RT가 서비스 영역의 실시간성을 강화한다면, Lakebase는 운영 데이터와 Agentic 애플리케이션을 위한 Postgres 기반 데이터 계층을 제공합니다. 이는 OLTP와 OLAP를 연결하는 LTAP, Lake Transactional + Analytical Processing 방향으로의 확장이라고 볼 수 있습니다.
3. Genie: 데이터에 밝은 동료로 진화하는 AI
이번 DAIS 2026에서 Databricks는 Genie를 소개했습니다. 이는 단순한 챗봇이나 대시보드 질의 도구를 넘어, 사용자가 데이터 기반으로 업무를 수행할 수 있도록 돕는 AI Assistant의 방향성을 보여줍니다.
기존 BI 환경에서는 사용자가 직접 대시보드를 찾아보고, 필요한 데이터를 요청하고, SQL이나 분석 도구를 통해 결과를 확인해야 했습니다. 하지만 Genie는 사용자가 자연어로 질문하고, 데이터의 의미를 이해하며, 필요한 인사이트를 제공합니다.
특히 주목할 부분은 Genie가 단순 질의응답을 넘어 Agent로 확장된다는 점입니다. 데이터 인사이트를 제공하는 것에서 끝나는 것이 아니라, 업무 자동화와 연결될 수 있습니다. 예를 들어 매출 변화의 원인을 분석하고, 관련 고객 세그먼트를 도출하고, 후속 액션을 추천하거나 실행하는 형태로 확장될 수 있습니다.
또한 Genie Ontology는 Agent가 기업을 이해하기 위한 핵심 기반으로 볼 수 있습니다. 기업 내부에는 다양한 용어, 지표, 프로세스, 데이터 소스가 존재합니다. Genie Ontology는 이러한 정보를 연결해 AI가 기업의 업무 맥락을 이해하도록 돕습니다.
이는 AI 도입에서 매우 중요한 포인트입니다. 많은 기업이 RAG나 LLM 도입을 검토하지만, 실제 현업에서 “우리 회사의 용어와 업무 기준을 AI가 제대로 이해하지 못한다”는 문제가 자주 발생합니다. 결국 AI가 비즈니스에 실질적인 가치를 주기 위해서는 단순 문서 검색을 넘어, 기업 고유의 맥락을 이해하는 구조가 필요합니다.
4. Genie ZeroOps와 App Builder: 운영과 개발 방식의 변화
이번 키노트에서는 Agentic AI가 데이터 분석 뿐만 아니라 운영과 개발 방식까지 바꿀 수 있다는 점도 강조되었습니다.
Genie ZeroOps는 Databricks 환경의 Job, Pipeline, Table, Model, App등을 모니터링하고, 관리하며, 최적화하는 Agentic 운영 모델을 제시하였습니다. 기존 운영 방식에서는 장애나 성능 저하가 발생하면 운영자가 로그를 확인하고, 영향 범위를 분석하고, 조치 방안을 찾아야 했습니다.
하지만 Genie ZerOps에서는 Agent가 문제를 감지하고, 어떤 자산에 영향이 있는지 파악하며, 원인을 설명하고, 조치 방향을 제안할 수 있습니다. 이는 데이터 플랫폼 운영의 생산성을 크게 높일 수 있는 부분입니다.
또한 Genie App Builder는 엔터프라이즈 환경에서 누구나 데이터에 연결된 앱을 만들고 배포할 수 있는 방향을 보여줍니다. 최근 “vibe coding”이라는 표현처럼 자연어 기반 개발 경험이 확산되고 있지만, 기업 환경에서는 보안과 권한, 데이터 연결, 배포 안정성이 함께 고려되어야 합니다.
Genie App Builder는 단순히 앱을 쉽게 만드는 것에 그치지 않고, 데이터와 권한이 인증된 상태에서, 엔터프라이즈 환경에 안전하게 배포할 수 있는 서비스를 제공합니다. 이는 앞으로 기업 내 현업 사용자는 직접 데이터 기반 앱을 만들고, IT 조직은 이를 안전하게 거버닝하는 방식으로 업무의 방향이 변화할 것으로 예상됩니다.
5. Omnigent와 OpenSharing: 개방형 Agent 생태계로의 확장
Databricks는 이번 키노트에서 Omnigent와 OpenSharing도 함께 발표했습니다.
Omnigent는 자율 코딩 Agent와 비즈니스 Agent를 실행하고 거버닝하는 개방형 메타 하네스로 소개되었습니다. 기업은 앞으로 하나의 Agent만 사용하는 것이 아니라, 다양한 벤더와 프레임워크, 모델, MCP, Skill을 조합해 사용할 가능성이 높습니다. 이때 중요한 것은 Agent를 어떻게 실행하고, 관찰하고, 통제할 것인가입니다.
즉 Omnigent는 멀티 Agent 환경에서의 실행과 거버넌스 문제를 다루는 방향으로 이해할 수 있습니다. 기업 입장에서는 특정 모델이나 특정 Agent 프레임워크에 종속되지 않고, 다양한 Agent를 통합적으로 운영할 수 있는 구조가 필요합니다.
OpenSharing 역시 중요한 의미를 가집니다. 데이터, 모델, Agent, 앱을 클라우드와 벤더에 관계없이 공유할 수 있는 개방형 프로토콜입니다. AI 시대에는 데이터 공유의 대상이 단순 데이터셋에 머무르지 않습니다. 모델, Agent, 애플리케이션까지 공유와 재사용의 대상이 됩니다.
이러한 흐름은 데이터 플랫폼의 경쟁력이 폐쇄형 기능이 아니라, 얼마나 개방적이고 상호운용 가능한 생태계를 제공하는지로 확장되고 있음을 보여줍니다.
6. 기업이 준비해야 할 세 가지 방향
DAIS 2026 키노트를 통해 확인할 수 있는 변화는 명확합니다. AI Agent를 도입하려는 기업은 단순히 LLM API를 연결하거나 챗봇을 만드는 수준을 넘어, 데이터 플랫폼 자체를 Agentic AI에 맞게 재설계해야 합니다.
첫째, 데이터 기반을 실시간화
Agent가 실제 업무를 수행하려면 최신 데이터에 접근할 수 있어야 합니다. 배치 중심의 분석 환경만으로는 고객 응대, 운영 자동화, 실시간 의사결정 같은 Agentic 워크로드를 충분히 지원하기 어렵습니다.
둘째, 비즈니스 컨텍스트를 구조화
AI가 기업의 업무를 이해하려면 데이터 카탈로그, 지표 정의, 업무 용어, 권한, 프로세스가 연결되어야 합니다. 단순히 데이터를 모으는 것이 아니라, AI가 이해할 수 있는 형태로 기업 지식을 정리해야 합니다.
셋째, AI 거버넌스 체계를 먼저 설계
Agent가 많아질수록 비용, 보안, 권한, 모델 사용 정책, 감사 추적이 중요해집니다. AI를 빠르게 확산시키기 위해서도 중앙 거버넌스는 필수입니다.
결국 Agentic AI의 성공은 모델 성능보다 기업 내부의 데이터 준비도와 운영 체계에 달려 있습니다.
Key Points
이번 DAIS 2026 키노트의 핵심은 “Agentic AI 시대의 데이터 플랫폼은 컨텍스트와 제어를 제공해야 한다”는 점입니다.
Databricks는 Lakehouse//RT와 Agentic Data를 통해 실시간 데이터 기반을 강화하고, Unity AI Gateway와 Unity Catalog를 통해 AI 사용과 데이터 거버넌스를 중앙에서 관리하는 방향을 제시했습니다. 또한 Genie의 다양한 기능을 통해 데이터 분석, 업무 자동화, 운영, 앱 개발까지 Agentic AI의 적용 범위를 확장했습니다.
앞으로의 데이터 플랫폼은 데이터를 저장하고 분석하는 시스템을 넘어, AI Agent가 기업의 업무를 이해하고 안전하게 실행할 수 있도록 돕는 기반이 되어야 합니다.
마치며
이번 Databricks Data + AI Summit 2026 키노트는 데이터와 AI 플랫폼의 방향이 어디로 가고 있는지를 명확하게 보여주었습니다. 지금까지의 데이터 플랫폼이 분석과 리포팅 중심이었다면, 앞으로의 플랫폼은 Agent가 업무를 수행할 수 있는 실행 기반으로 발전하고 있습니다.
하지만 Agentic AI는 단순히 새로운 도구를 도입한다고 완성되지 않습니다. 기업 데이터의 통합, 실시간 처리, 비즈니스 컨텍스트, 권한 관리, 비용 통제, 운영 자동화가 함께 준비되어야 합니다.
결국 중요한 질문은 “어떤 AI Agent를 도입할 것인가”가 아니라, “우리 기업의 데이터 플랫폼은 Agent가 신뢰할 수 있는 방식으로 일할 수 있는 환경을 제공하고 있는가”입니다.
앞으로의 Agentic AI 시대의 경쟁력은 모델 자체가 아니라, 데이터를 이해하고 통제하며 실행으로 연결하는 플랫폼 역량에서 시작된다고 볼 수 있습니다.
Presales 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)