Rethinking Legacy Data Infrastructure with Eon Co-Founders Ofir Ehrlich and Gonen Stein

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Rethinking Legacy Data Infrastructure with Eon Co-Founders Ofir Ehrlich and Gonen Stein를 중심으로, 모델과 컴퓨팅의 교체 비용이 낮아질수록 장기간 축적된 기업 고유 데이터는 쉽게 복제할 수 없는 경쟁 자산이 된다. Google이를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. 모델과 컴퓨팅의 교체 비용이 낮아질수록 장기간 축적된 기업 고유 데이터는 쉽게 복제할 수 없는 경쟁 자산이 된다. Google이 파산한 Spirit Airlines의 데이터를 1,000만 달러에 매입한 사례는 운영 기록 자체가 모델 학습 자산으로 거래될 수 있음을 보여준다.
2. 기존 데이터 인프라는 부서별 단일 목적의 DBT·ETL·BI 파이프라인에 맞춰져 있어 데이터의 위치·민감도·관계를 전사적으로 파악하기 어렵다. AI가 예상하지 못한 질문과 데이터 조합을 요구하면서 이러한 사일로의 한계가 커지고 있다.
3. Eon이 제시하는 해법은 여러 하이퍼스케일러의 구조화·비구조화 데이터를 자동으로 매핑·분류하고, 의미와 맥락을 부여하는 시맨틱 계층을 통해 보호·복구·검색·질의·LLM 활용을 하나의 기반에서 연결하는 것이다.
4. AI 에이전트는 정상 권한으로도 데이터를 빠르게 삭제하거나 외부 서비스로 전달할 수 있다. 에이전트 연쇄 호출과 비기술 직원의 개발자화까지 더해지면 비인간 신원, 접근 경로, 책임 소재를 기존 보안 체계만으로 추적하기 어려워진다.
5. 기업의 AI 전환 속도는 과거 클라우드 이전보다 빠르지만 데이터 유출·규제 위반·시스템 장애에 대한 우려가 도입을 중단시킬 수 있다. 자동화된 데이터 통제, 침해를 전제로 한 복구 체계, 현장 배치 엔지니어와 PLG를 결합한 도입 방식이 전환 속도를 좌우한다.

🧩 배경과 문제 정의

• AI 모델과 컴퓨팅의 전환 비용이 낮아지면서 기업이 축적한 고유 데이터가 핵심 경쟁 자산이자 차별화 수단으로 부상했다.
• 기존 데이터 인프라는 부서별 단일 목적과 인간 중심의 분석 업무에 맞춰져 있어, 조직 전체에 흩어진 데이터를 AI에 안전하게 연결하기 어렵다.
• 합법적인 권한을 가진 AI 에이전트가 데이터에 직접 접근하면서 유출·삭제·오용의 속도가 빨라지고, 비기술 직원까지 개발자가 되면서 기존 보안·통제 체계의 경계가 흔들리고 있다.
• 데이터의 수집·분류·보호·복구·활용을 하나의 기반에서 처리해야 AI 도입 속도와 보안·비용·규제 준수를 함께 관리할 수 있다.

🕒 시간순 섹션별 상세정리

1. 클라우드 데이터를 통합하는 새로운 기반

• Eon의 데이터 기반은 여러 하이퍼스케일러에 흩어진 데이터를 매핑·분류하고, 위치와 민감도를 파악해 기업이 보유한 정보의 전체 구조를 드러낸다. [02:00]
• 구조화·비구조화 데이터를 함께 수집해 저비용으로 보호·복구하면서 검색·질의·LLM 적용까지 지원하므로, 백업 데이터가 AI 활용 자산으로 전환된다. [02:16]

2. 모델보다 희소해진 기업 고유 데이터

• 모델과 컴퓨팅은 비교적 쉽게 교체할 수 있지만 기업이 장기간 축적한 데이터는 대체하기 어려워, 업종과 규모를 막론하고 가장 가치 있는 자산이 된다. [03:18]
• Google은 파산한 Spirit Airlines의 항공기가 아니라 데이터를 1,000만 달러에 매입했으며, 해당 데이터를 모델 학습에 활용하려는 목적이 뒤따른다. [03:47]

3. 잠자던 기록이 기업의 경쟁 해자로 전환

• AI 기업과 연구소는 기업·금융시장을 분석할 실제 자료를 확보하려고 파산 기업이나 헤지펀드의 데이터를 찾으며, 기업 CEO에게 데이터 판매 의향을 묻는 사례도 늘고 있다. [04:30]
• 과거에는 테이프나 선반에 방치됐던 기록이 AI 시대의 수익원과 사업 확장 기반으로 바뀌고, 동일한 도구를 쓰는 기업 사이에서는 사람과 독점 데이터가 실질적인 우위를 만든다. [05:09]

4. 실제 기업 데이터가 에이전트 훈련을 좌우

• 에이전트는 실험실에서 만든 합성 자료만으로 현실 업무를 익히기 어렵고, 조직의 계층·협업·업무 흐름이 담긴 양질의 실제 데이터셋도 충분하지 않다. [06:56]
• 현실적인 기업 데이터로 제품을 사전 훈련하면 초기 고객에게 바로 실험을 의존하지 않아도 되지만, PII와 금융정보를 제거하거나 안전하게 가공하는 절차가 필요하다. [08:19]

5. 부서별 데이터 도구가 만든 조직의 사일로

• 기존 데이터팀은 프로젝트별로 필요한 자료를 찾아 DBT·Monte Carlo 같은 목적별 도구로 처리했으며, 다른 사업부가 가진 데이터의 존재조차 모르는 경우가 많았다. [10:07]
• 경영진이 AI로 전사 데이터를 활성화하라고 요구하면서 데이터팀의 과제가 개별 분석에서 조직 전체 데이터의 발견과 연결로 확대됐지만, 정작 데이터의 위치가 불명확하다. [10:56]

6. 레거시 시스템과 상충하는 책임 구조

• 사업부 데이터는 20년간 여러 시스템과 정체불명의 서버에 누적돼 있으며, 생산 데이터와 민감정보가 섞여 있어 담당자도 내용을 모르고 시스템을 끄지 못한다. [11:51]
• 데이터팀은 활용을 위해 추출을 원하지만 사업부는 가동률·보안·규제 준수·무결성을 책임지므로, 데이터 이동 과정에서 생산 장애나 CEO 급여 같은 민감정보의 학습 유입 위험이 생긴다. [12:33]

7. 데이터 발견부터 AI 연결까지의 통합 계층

• 전사 데이터를 자동으로 찾고 매핑·분류한 뒤 의미와 맥락을 부여하는 시맨틱 계층을 만들면, 관련 데이터만 지속적으로 가져올 수 있다. [13:17]
• 분류·감사·접근 통제를 함께 적용하면 생산 환경과 규제 준수를 훼손하지 않고 민감정보 공유를 차단하면서, 기존 데이터를 효율적인 형식으로 바꿔 AI 워크플로에 연결할 수 있다. [13:37]

8. 인간형 랜섬웨어에서 비인간 행위자로의 확장

• 한 대형 고객은 재해복구 기술을 사용하면서도 리소스를 제대로 매핑·분류·태깅하지 않아 보호 공백이 생겼고, 랜섬웨어에 환경의 60%가 노출됐다. [15:46]
• AI 에이전트는 정상 권한으로 데이터베이스에 접근한 뒤 테이블을 빠르게 삭제할 수 있으며, 이상 패턴과 엔트로피 변화를 탐지해 세밀하게 복구하는 기존 방법은 유효하지만 사고 속도가 훨씬 빠르다. [16:31]

9. 승인된 에이전트까지 포함하는 침해 가정

• 불과 몇 달 사이 기업 리더들은 에이전트 사고를 막연한 우려가 아니라 직접 겪었거나 임박한 위험으로 받아들이기 시작했고, 데이터에서 무엇이 실행되는지 파악하기 어려워졌다. [17:02]
• 외부 공격자는 새로운 모델로 공격 역량을 높이고 내부에서는 승인된 에이전트가 사고를 일으킬 수 있으므로, 악의 여부와 관계없이 침해를 전제로 대응·복구 체계를 갖춰야 한다. [17:36]

10. 에이전트 연쇄가 무너뜨리는 책임 추적

• 인간의 정형화된 질문을 전제로 만든 웨어하우스·대시보드·ETL·BI와 달리, 에이전트는 SAP·SaaS·과거 데이터에 걸쳐 추론하고 직접 행동한다. [18:21]
• 에이전트가 다른 에이전트를 연쇄 호출하면 비인간 신원과 책임 경로를 사람이 추적하기 어려워지고, 이 문제가 비인간 신원 보안 기업의 급증을 낳는 핵심 수요가 된다. [19:05]

11. 비기술 직원의 개발자화와 데이터 유출 경계

• 노트북에서 실행되는 에이전트는 메신저·내부망·외부 애플리케이션을 동시에 연결하고, IT 책임자는 AI를 즉시 허용하라는 경영진의 압박과 보안 위험 사이에 놓인다. [20:08]
• 비기술 직원이 회사 데이터를 넣어 앱과 에이전트를 만들면 외부 에이전트의 재호출 구조와 데이터 사용처를 이해하지 못한 채, 조직 규칙 밖의 행위자가 민감정보를 처리하게 된다. [20:56]

12. 단일 목적 파이프라인의 구조적 한계

• 기존 데이터 배관은 거래 하나를 추출해 특정 위치에 옮긴 뒤 별도 담당자가 다시 처리하는 단절된 흐름이며, 각 단계는 이전 맥락과 다른 데이터의 관계를 보존하지 못한다. [22:31]
• 과거에는 미리 정한 단일 목적만 수행하면 됐기 때문에 전사 데이터와 전체 맥락이 필요하지 않았지만, AI는 처음부터 예상하지 못한 질문과 조합을 요구한다. [23:02]

13. 전사 맥락 결합과 데이터 폭증

• 데이터를 지능적으로 수집·정제하고 효율적으로 저장하면 서로 몰랐던 팀의 자료를 결합해 새로운 질문을 만들 수 있으며, 피자와 버거 선호 데이터의 교집합처럼 기존 사일로에서는 불가능했던 활용이 가능해진다. [23:38]
• 에이전트가 생성하는 데이터까지 더해지면서 수집량이 급증하고 가치 있는 정보와 잡음이 섞이므로, 여러 위치의 데이터를 이해하고 정제해 실제 사용 가능한 상태로 만드는 도구가 필요하다. [24:48]

14. 목적별 도구에서 자동화된 데이터 통제로

• 기존 도구는 특정 목적에서는 뛰어났지만 에이전트가 계속 생성하는 데이터의 위치·맥락·활용을 사후에 관리하기 어렵고, Databricks 같은 기업도 자체 에이전트와 데이터베이스로 범위를 넓히고 있다. [25:27]
• 앱마다 수동 파이프라인을 만들지 않고 데이터의 발견과 수집을 자동화해야 조직 전체의 개발자 문화를 지원하면서 새로 생성되는 데이터에 대한 통제도 유지할 수 있다. [26:39]

15. 클라우드 전환보다 빠른 AI 인프라 재편

• 과거 클라우드 전환은 수천~수십만 대의 서버를 옮긴 뒤 현대화하는 대규모 작업이었고, 기술과 인력 양쪽에서 상당한 시간과 노력이 필요했다. [27:52]
• AI와 에이전트 전환은 클라우드 이전보다 훨씬 빠르게 진행되며, 데이터 유출·IP 노출·시스템 장애를 우려한 기업이 통제력을 잃고 도입을 멈추는 상황까지 발생한다. [29:07]

16. 현장 엔지니어와 PLG를 결합한 AI 도입 가속

• 기업은 AI의 실질적 가치와 도태될 수 있다는 두려움에 동시에 반응하며, 현장 배치 엔지니어를 활용하는 새로운 소프트웨어 소비 방식으로 이동한다. [30:18]
• 강력한 엔지니어가 실리콘밸리에서 검증된 도구를 들고 레거시 기업에 직접 들어가면 1~2년씩 걸리던 프로세스와 영업 주기가 짧아지고 AI 전환 속도도 빨라진다. [31:13]

17. 기업 인수를 통한 AI 전환과 아직 초기인 시장

• Long Lake 같은 기업은 AI를 직접 도입하기 어려운 회사를 인수한 뒤 AI 기업으로 전환해 비용 효율과 마진을 높이는 차익거래형 모델을 활용한다. [33:00]
• 대부분의 기업은 아직 AI를 제대로 사용하지 않지만 데이터의 가치와 기존 프로세스의 비효율을 인식하고 있으며, 변화의 필요성과 실행에 대한 두려움이 공존한다. [33:26]

🧾 결론

• AI 시대의 데이터 전략은 새로운 데이터를 더 많이 모으는 일보다 이미 보유한 데이터를 발견하고 맥락화해 안전하게 재사용하는 능력에서 출발한다.
• 백업과 아카이브는 비용 중심의 수동 자산이 아니라 검색·질의·훈련에 활용할 수 있는 경쟁 자산으로 재평가될 수 있다.
• 접근 통제만으로는 승인된 에이전트의 실수나 연쇄 행동을 막기 어려우므로 이상 탐지, 감사, 세밀한 복구를 포함한 침해 대응 구조가 필요하다.
• 장기적인 우위는 범용 모델 자체보다 사람, 독점 데이터, 그리고 두 요소를 안전하게 연결하는 통합 데이터 계층에서 형성될 가능성이 크다.

📈 투자·시사 포인트

• 데이터 발견·분류·시맨틱 계층·접근 통제·복구를 통합하는 기업용 데이터 플랫폼은 AI 도입의 필수 기반으로 부상할 가능성이 있다.
• 비인간 신원 관리, 에이전트 행동 추적, 이상 패턴 탐지, 세밀한 데이터 복구를 제공하는 보안 시장의 수요 확대를 주시필요가 있다.
• 과거 기록과 백업을 AI 활용 자산으로 전환하는 기업은 독점 데이터의 수익화와 기존 사업의 마진 개선 기회를 동시에 확보할 수 있다.
• 저장비와 토큰 비용이 커질수록 데이터 정제와 호출당 가치가 중요해지므로, 단순한 데이터 규모보다 활용 가능한 고품질 맥락을 제공하는 사업자가 유리할 수 있다.
• PLG로 초기 고객을 확보한 뒤 현장 배치 엔지니어로 대기업의 레거시 전환을 지원하는 혼합형 사업 모델은 도입 기간과 영업 주기를 단축하는 성장 전략이 될 수 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• Spirit Airlines 데이터 매입 사례와 고객 환경의 60%가 랜섬웨어에 노출됐다는 사례는 구체적인 거래 조건, 조사 범위, 독립적인 검증 자료가 제시되지 않았다.
• Eon의 통합 기반이 실제 대규모 환경에서 제공하는 검색 정확도, 복구 속도, 비용 절감률, 규제 준수 성과는 정량적으로 확인되지 않았다.
• 실제 기업 데이터가 합성 데이터보다 에이전트 훈련에 유리하다는 주장은 타당한 방향성이 있지만, PII·금융정보 제거 이후에도 성능 우위가 유지되는지는 별도 검증이 필요하다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 조직의 클라우드·SaaS·레거시 서버·백업에 존재하는 데이터를 위치, 소유 부서, 민감도, 규제 범주별로 인벤토리화한다.
• AI 에이전트별 비인간 신원, 허용 데이터, 호출 가능한 외부 서비스, 연쇄 호출 경로를 기록하고 최소 권한 정책을 적용한다.
• 정상 권한을 가진 에이전트의 대량 삭제·복사·외부 전송을 가정해 이상 탐지와 세밀한 복구 훈련을 실시한다.
• 백업 데이터를 검색·질의·LLM 워크플로에 연결하기 전에 PII와 금융정보 제거, 접근 감사, 데이터 계보 보존 여부를 검증한다.

❓ 열린 질문

• 전사 시맨틱 계층의 의미와 분류 기준을 누가 소유하고, 자동 분류 오류에 대한 최종 책임은 어느 조직이 맡아야 하는가?
• 승인된 에이전트가 다른 에이전트를 연쇄 호출할 때 원래 사용자의 권한과 책임을 끝까지 보존할 수 있는가?
• 기업이 독점 데이터를 판매하거나 모델 훈련에 활용할 때 개인정보, 계약상 권리, 지식재산권의 경계를 어떻게 검증해야 하는가?