오라클 “기업 AI 도입률 71%, 실제 운영은 1%뿐… 문제는 데이터 환경” 작성일 05-14 37 목록 <div id="layerTranslateNotice" style="display:none;"></div> <strong class="summary_view" data-translation="true">[AI WAVE 2026] ‘오라클 AI 데이터 플랫폼’으로 실무 도입 라스트 마일 해결</strong> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="bdfezshDvK"> <figure class="figure_frm origin_fig" contents-hash="c72d84e7ea2068571850480e6061ac7d19d68f1de7727b884f2b1f05db95ba2b" dmcf-pid="KJ4dqOlwTb" dmcf-ptype="figure"> <p class="link_figure"><img class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202605/14/552796-pzfp7fF/20260514164145596fdaw.jpg" data-org-width="640" dmcf-mid="qDIExXtWS2" dmcf-mtype="image" height="auto" src="https://img4.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202605/14/552796-pzfp7fF/20260514164145596fdaw.jpg" width="658"></p> </figure> <p contents-hash="ce8adc75c323dc03ff0da7a612bd12d583cc8f89a9f5b912b941b5374027ba67" dmcf-pid="9i8JBISrlB" dmcf-ptype="general">[디지털데일리 이안나기자] 기업 AI 도입률은 빠르게 높아지고 있지만 실제 업무에서 돌아가는 AI는 극소수에 불과하다는 진단이 나왔다. AI 실패의 원인으로 흔히 모델 성능이 지목되지만 정작 문제는 모델이 일할 수 있는 데이터 환경이 갖춰지지 않았다는 데 있다는 것이다. </p> <p contents-hash="eb0a91368477a1d4c56e891311ca9475f8f6f2d5fdac26c018d2731b20dba379" dmcf-pid="2n6ibCvmCq" dmcf-ptype="general">오라클은 이 간극을 메우기 위한 해법으로 데이터에서 AI 에이전트까지 하나의 흐름으로 연결하는 ‘AI 데이터 플랫폼(AI DP)’을 제시했다.</p> <p contents-hash="9c07f3bc7f056e46eb46251916914432d35a71c55cbd99471d2f6b3e1cf05ec5" dmcf-pid="VwoDMZFYvz" dmcf-ptype="general">14일 디지털데일리가 개최한 ‘AI 웨이브 2026(AI WAVE 2026)’ 콘퍼런스에서 김민지 한국오라클 수석 클라우드 엔지니어는 오라클 AI 데이터 플랫폼을 소개하며 기업 AI 도입의 현실적 한계를 짚었다. 그는 “기업의 71%가 이미 업무에 AI를 사용하고 있다고 답했지만 실제 운영 단계까지 간 기업은 1%에 불과하다”며 “개념검증(PoC)이나 데모는 많지만 매일 실제 업무에서 돌아가는 AI는 거의 없다”고 말했다.</p> <p contents-hash="c29fb8f1f64f479b6a23a6d27def1bc374fd41fd73ac047cd5348e7deaa09551" dmcf-pid="frgwR53GC7" dmcf-ptype="general">김 엔지니어는 개인용 AI와 기업용 AI 조건이 근본적으로 다르다는 점을 핵심 원인으로 꼽았다. 이메일 정리나 문서 요약 같은 개인 생산성 도구로는 AI가 잘 작동하지만 회사 시스템에 연결하는 순간부터 상황이 달라진다. 기업 AI는 회사 데이터와 시스템, 기준 위에서 작동해야 하기 때문이다. 특히 검색증강생성(RAG)를 붙이는 순간부터 문제가 드러나기 시작한다고 짚었다.</p> <p contents-hash="9654ce48fe5f4aef1780141ab88221634a4430586d027c4426f64a9a3dab4067" dmcf-pid="4mare10HCu" dmcf-ptype="general">김 엔지니어는 “같은 질문에도 AI 답변이 달라지고 오래된 문서를 근거로 답하기도 한다”며 “문제는 모델이 아니라 파일럿과 실제 운영 환경의 조건이 다르기 때문”이라고 설명했다.</p> <p contents-hash="6e4e3656ed6404e023025016931704e0cde3296919c35fcbc5bffdfdc1ba3bfc" dmcf-pid="8sNmdtpXvU" dmcf-ptype="general">에이전트 단계로 가면 이 간극은 더 벌어진다. 고객 정보는 데이터베이스에, 계약서는 PDF로, 문의 이력은 별도 시스템에 분산돼 있어 에이전트가 어디서 어떤 데이터를 봐야 할지 알지 못한다. 데이터 형식도 제각각인 데다 최신 여부도 불분명하다. 한 단계만 실패해도 에이전트는 재시도나 우회 없이 그냥 멈춰버린다. 답변이 어떤 데이터를 근거로 나온 건지 추적도 안 돼 문제가 생기면 원인을 고치기보다 에이전트를 처음부터 다시 만드는 일이 반복된다.</p> <p contents-hash="39c11e96c7b81b535757fef496e7e3eb4d8934e2531a70d76bf94912774873db" dmcf-pid="6OjsJFUZvp" dmcf-ptype="general">김 엔지니어는 “관건은 에이전트가 어떤 데이터를 쓰고 어떤 판단을 거쳐 어떤 시스템을 호출했는지 전체 흐름을 관리할 수 있느냐의 문제”라고 짚었다.</p> <div contents-hash="ca47d4c5996f5af5f3f9b5bd17e39d26ae6d60a8fbbb7308746e82770f4b0f56" dmcf-pid="PIAOi3u5W0" dmcf-ptype="general"> 오라클이 내린 결론은 단순하다. AI를 더 똑똑하게 만드는 것이 아니라 AI가 일할 수 있는 데이터 기반을 먼저 만들자는 것이다. 이를 위해 나온 것이 오라클 AI DP다. 플랫폼의 핵심 구조는 ‘메달리온 아키텍처’다. 데이터를 한 번에 완벽하게 만들려 하지 않고 단계적으로 가공하는 방식이다. </div> <figure class="figure_frm origin_fig" contents-hash="5722d74a3ece153bb34acb2aaaea7290c2101948dfb827070cdbca4a99490e7b" dmcf-pid="QCcIn071S3" dmcf-ptype="figure"> <p class="link_figure"><img class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202605/14/552796-pzfp7fF/20260514164146913zvoa.jpg" data-org-width="640" dmcf-mid="BuXUSRiPy9" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202605/14/552796-pzfp7fF/20260514164146913zvoa.jpg" width="658"></p> </figure> <p contents-hash="74b060e3ad1bbe1e496516d1ff741ee296b9925a80dc00ea082b811fc25c5437" dmcf-pid="xhkCLpztyF" dmcf-ptype="general">먼저 원본 데이터를 그대로 수집해 브론즈 레이어에 쌓고 실버 레이어에서 도메인 기준으로 불필요한 항목을 걷어내 분석 가능한 상태로 다듬는다. 최종적으로 골드 레이어에서 AI와 에이전트가 바로 쓸 수 있는 형태로 정제된다. </p> <p contents-hash="34867511998a9eaf8f0ffc61d32d435bc35b588cb2b69ac8b663812088306998" dmcf-pid="y47f1jEoyt" dmcf-ptype="general">기존 데이터베이스나 서비스형소프트웨어(SaaS), 로그 시스템을 바꾸지 않고 그대로 연결해 쓰는 구조다. 여기에 오라클 데이터베이스 기반 보안·거버넌스 체계가 전체를 감싸고 있어 누가 어떤 데이터를 어떤 AI가 썼는지 운영 환경에서도 항상 추적할 수 있다.</p> <p contents-hash="a21a82220551f134b644d54f8b0831a2d49f6d61427935c9f73a77cb8861cd40" dmcf-pid="W8z4tADgl1" dmcf-ptype="general">이날 발표에서는 재무팀의 월말 정산 시나리오 데모도 공개됐다. 회사 전사적자원관리(ERP)에 있는 계정별 정산 데이터와 사내 정산 정책·체크리스트 PDF 문서를 플랫폼에 연결한 뒤 AI 에이전트가 두 가지 도구를 조합해 미정산 계정을 자동으로 점검하는 구조다. </p> <p contents-hash="df258e2cc9f47edb5436feda3d38dbb031afbf8a3695a7d7a7f5de71724cfc67" dmcf-pid="Y6q8FcwaW5" dmcf-ptype="general">하나는 ERP 데이터를 조회하는 SQL 툴이고 다른 하나는 내부 정책 문서에서 관련 기준을 찾아오는 RAG 툴이다. SQL 툴은 AI가 쿼리를 임의로 만들지 않고 미리 정의된 방식으로만 실행하도록 설계해 재무 데이터 특성에 맞게 안전성을 높였다.</p> <p contents-hash="a3f43cb5a36a06a37f16632a2b157f92f3d9e4ee2e8ad8d297ac20ffc4d690f5" dmcf-pid="G2p9XgAiCZ" dmcf-ptype="general">김 엔지니어가 프롬프트에 “2026년 1월 기준으로 회사 정산 기준을 초과한 미정산 계정이 있나요”라는 질문을 던지자 에이전트는 ERP 데이터와 내부 정책 문서를 동시에 뒤져 답을 만들었다. 결과는 단순한 미정산 여부가 아니었다. </p> <p contents-hash="090ad3a86dcb83f167fc3f7cd7a5852ced2fd864c78e7a5591010833c06f1be7" dmcf-pid="HVU2ZacnvX" dmcf-ptype="general">6개 계정에서 총 1억6500만원이 미정산 상태이며 그중 해외 법인 계정이 우선 확인 대상이고 추가 승인 절차가 필요하다는 내용까지 자동으로 정리됐다. 에이전트가 어떤 데이터를 보고 어떤 순서로 판단했는지도 트레이스 화면에서 단계별로 확인할 수 있었다.</p> <p contents-hash="c97426ac647cc411826a7f74604f0b20241a33042b80b75e31f70f6d905a9297" dmcf-pid="XfuV5NkLCH" dmcf-ptype="general">김 엔지니어는 “단순히 숫자를 요약하는 챗봇이 아니라 재무팀이 실제로 판단하고 행동하는 흐름을 그대로 따라가는 업무형 AI 에이전트”라며 “기존에 사용하던 ERP 데이터와 내부 문서를 그대로 활용하면서 오라클 AI DP 안에서 안전하게 구현된다”고 강조했다.</p> </section> </div> <p class="" data-translation="true">Copyright © 디지털데일리. All rights reserved. 무단 전재 및 재배포 금지.</p> 관련자료 이전 캐논, 영상 특화 풀프레임 ‘EOS R6 V’… “한국과 이미징 미래 개척” 05-14 다음 “박스 1만개 옮기고 스스로 3교대” 불안감 속 로봇 ‘까대기’ 지켜본 인간 05-14 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.
