기업 AI 도입 병목, ‘대화형 분석’으로 풀리나…Qlik·잉거솔랜드가 내놓은 해법

기업들의 인공지능 도입은 빨라지고 있지만, 실제 현장에서는 모델 성능보다 ‘데이터를 모델이 쓸 수 있는 상태로 만드는 과정’이 더 큰 병목으로 지목되고 있다. 이런 가운데 이미 정제된 데이터를 바탕으로 별도 파이프라인 재구축 없이 의사결정까지 연결하는 ‘대화형 분석’이 대안으로 부상하고 있다.

드루 클라크 Qlik 테크놀로지스 최고제품·기술 책임자급 임원과 후안 우르타도 잉거솔랜드 비즈니스 인텔리전스·데이터 분석 부사장은 미국 라스베이거스에서 열린 ‘Qlik Connect 2026’ 행사에서 이 같은 방향성을 제시했다. 두 사람은 기업이 축적해 온 데이터 거버넌스와 큐레이션 역량 위에 대화형 분석을 얹으면, 기존 대시보드를 단순 조회 도구가 아닌 ‘의사결정 엔진’으로 바꿀 수 있다고 설명했다.

클라크는 특히 비즈니스 분석가와 데이터 엔지니어 모두를 고려한 도구 설계가 중요하다고 강조했다. 그는 Qlik가 단순히 새로운 AI 기능을 덧붙이는 것이 아니라, 기업 내부의 데이터 공정 전반에 AI 활용 도구를 심는 방향으로 접근하고 있다고 밝혔다. 이 과정에는 Qlik 자문기구에 참여한 우르타도의 조언도 반영됐다고 전했다.

잉거솔랜드, 새 파이프라인 대신 기존 데이터 자산 활용

잉거솔랜드의 접근은 비교적 명확하다. 새로운 AI 프로젝트가 생길 때마다 데이터 파이프라인을 처음부터 다시 짜는 대신, 기존 Qlik 비즈니스 인텔리전스 환경에 이미 쌓여 있는 데이터 자산을 중심으로 확장하는 방식이다.

우르타도는 회사가 이미 정제한 데이터를 활용해 어떻게 ‘대화형 분석’과 유의미한 AI 에이전트를 만들 수 있을지에 초점을 맞췄다고 설명했다. 다시 말해, AI 도입의 출발점을 새로운 데이터 엔지니어링 작업이 아니라 기존 데이터 큐레이션 자산에 둔 셈이다. 이는 반복 가능한 구조를 만들 수 있다는 점에서 대규모 기업에 특히 유리하다.

이 전략은 잉거솔랜드처럼 인수합병이 잦은 기업에서 더 큰 의미를 갖는다. 우르타도에 따르면 잉거솔랜드는 한 달에 약 한 건꼴로 기업을 인수하고 있다. 이런 환경에서는 매번 새 회사를 편입할 때마다 데이터 체계를 다시 설계하는 방식으로는 확장이 사실상 어렵다. 결국 표준화된 아키텍처와 반복 가능한 운영 모델이 필수라는 설명이다.

‘AI 팩토리’로 개념검증에서 전사 확장까지

양측이 제시한 해법은 이른바 ‘AI 팩토리’ 아키텍처다. 이는 조합 가능한 표준 패턴을 기반으로, Qlik 안에 구축된 시맨틱 계층을 존중하면서 정형·비정형 데이터를 함께 다루는 구조다. 동시에 시스템 간 일대일 연결에 의존하는 ‘포인트 투 포인트’ 방식도 피하도록 설계돼 기술 부채 누적을 줄이는 데 초점을 맞춘다.

우르타도는 이런 아키텍처 패턴과 AI 팩토리가 오랫동안 이상론처럼 여겨졌던 흐름을 실제로 가능하게 만든다고 평가했다. 즉, 개념검증은 빠르게 수행하고 프로토타입을 민첩하게 만든 뒤, 이를 기업급 서비스로 확장하는 과정이 훨씬 수월해진다는 뜻이다.

이는 최근 기업 AI 전략의 핵심 화두와도 맞닿아 있다. 많은 조직이 시범사업 단계에서는 성과를 내지만, 이를 전사 시스템으로 확장하는 단계에서 비용 증가와 복잡성, 데이터 정합성 문제에 부딪힌다. 잉거솔랜드 사례는 AI 모델 자체보다 ‘확장 가능한 데이터·분석 구조’가 성패를 좌우할 수 있음을 보여준다.

개방형 표준 기반 ‘골디락스 존’ 제시

클라크는 내부적으로 ‘골디락스 존’이라고 부르는 데이터 아키텍처 개념도 소개했다. 이는 아파치 아이스버그 같은 개방형 표준 기반의 레이크하우스 구조를 뜻한다. 데이터가 있어야 할 곳에 머물면서도, 대규모 복제 없이 접근 가능해야 하고, 분석 계층으로 다시 연결될 때도 ‘딱 맞는’ 형태로 돌아와야 한다는 의미다.

클라크는 기업이 모든 것을 하나의 거대한 단일 시스템으로 만들려고 해서는 안 된다고 선을 그었다. 상호운용성을 확보하면서 필요한 위치에 데이터를 두고, 접근성을 높이며, 분석 단계에서 적절하게 조합하는 것이 더 현실적인 방향이라는 설명이다. 그는 이 구조가 이미 잉거솔랜드에서 운영 단계에 들어갔다고 밝혔다.

결국 이번 논의의 핵심은 AI 경쟁력이 더 이상 모델 성능만으로 결정되지 않는다는 점이다. 기업이 이미 보유한 정제 데이터, 시맨틱 계층, 거버넌스 체계를 어떻게 대화형 분석과 연결하느냐가 실제 성과를 가르는 기준으로 떠오르고 있다. AI 도입이 확산하는 국면에서 ‘다시 만드는 AI’보다 ‘기존 자산을 연결하는 AI’가 더 빠른 해법이 될 가능성이 커지고 있다.