Snowflake를 보며 다시 생각한 AI의 데이터 기반

2025년 12월 공개한 Snowflake 영상을 글로 정리했습니다. 당시의 관점을 중심으로 기술 설명을 정리했으며, 현재 요금이나 투자 가치를 평가하는 글은 아닙니다.

첫눈을 보면 어떤 생각이 드시나요. 영상에서는 흩날리는 눈송이처럼 여기저기 흩어진 데이터를 떠올리며 이야기를 시작했습니다. 각각의 데이터를 모아서 쓸 수 있게 만들면 무엇이 달라질까 하는 질문이었습니다.

AI 모델 이야기는 많이 하지만, 회사의 데이터를 어떻게 준비할지는 별개의 문제입니다. 제가 Snowflake를 살펴본 것도 그 기반에 관심이 있었기 때문입니다.

저장 공간과 계산 자원을 나누면

영상에서 핵심으로 설명한 것은 저장과 컴퓨팅의 분리였습니다. 데이터를 보관하는 공간과 그 데이터를 조회하고 처리하는 계산 자원을 나눠 생각하는 구조입니다.

Snowflake의 가상 웨어하우스는 계산 자원의 묶음입니다. 서로 다른 웨어하우스는 계산 자원을 공유하지 않으므로, 팀마다 별도 웨어하우스를 사용하는 식으로 작업을 분리할 수 있습니다. Snowflake 구조 설명

이를 여러 팀이 써도 절대 느려지지 않는다는 뜻으로 받아들이면 곤란합니다. 한 웨어하우스 안에서도 작업량과 크기에 따라 대기나 성능 차이가 생길 수 있습니다. 영상에서 좋게 본 지점은 모든 일을 하나의 계산 자원에 묶어두지 않아도 된다는 것이었습니다.

클라우드 사이에서 스위스를 떠올린 이유

회사 데이터가 한곳에만 있는 것은 아닙니다. 마케팅, 영업, 제품의 자료가 서로 다른 시스템에 있을 수 있고, 사용하는 클라우드도 다를 수 있습니다.

저는 이런 상황에서 Snowflake를 스위스 같은 중립적인 위치에 비유했습니다. 특정 클라우드 하나만을 바라보기보다 여러 환경에서 데이터를 다루려는 방향이 흥미로웠습니다.

이 비유가 데이터 이동과 연결 설정을 모두 없애준다는 뜻은 아닙니다. 클라우드나 지역이 달라지면 접근 권한, 데이터 이동, 비용을 함께 생각해야 합니다. 제가 이야기하고 싶었던 것은 여러 환경을 쓰는 회사에서 데이터를 바라보는 공통 기반의 가치였습니다.

열린 형식이 바꾸는 선택의 여지

좋은 도구라도 한번 들어가면 다른 곳으로 옮기기 어려울까 걱정할 수 있습니다. 영상에서는 이 문제와 함께 Apache Iceberg 지원을 확대하는 흐름을 살펴봤습니다.

Iceberg는 단순한 문서 파일 확장자가 아니라 열린 테이블 형식입니다. Snowflake에서도 Iceberg 테이블을 사용해 외부 클라우드 저장소의 데이터를 다루는 방식을 제공합니다. Snowflake의 Iceberg 테이블 설명

열린 형식을 쓴다고 모든 엔진과 모든 기능이 아무 설정 없이 호환되는 것은 아닙니다. 그래도 데이터를 활용하는 선택지가 넓어지는 방향이라는 점에 관심이 갔습니다.

제가 읽은 전략도 그쪽이었습니다. 데이터를 안에 넣어두는 창고에서, 데이터를 바탕으로 AI를 활용하는 플랫폼으로 무게를 옮기려는 것 아닐까 생각했습니다. 영상에서 요약과 분석, 자연어 질문과 에이전트 이야기를 함께 꺼낸 이유였습니다.

어떤 데이터를 어디에서 쓰고 있는가

마케팅과 영업 데이터를 한곳에서 분석하고 싶은 팀, 여러 시스템을 함께 쓰거나 클라우드를 전환하는 회사가 떠올랐습니다. 외부와 데이터를 공유하거나 데이터 자체를 상품으로 다루는 상황도 이야기했습니다.

반대로 이미 특정 클라우드 안에 자료와 업무가 잘 모여 있다면, 그 환경에서 제공하는 분석 도구와 함께 비교해야 한다고 봤습니다. 어느 회사가 무조건 더 저렴하거나 더 좋다는 결론보다, 지금 가진 데이터와 하려는 작업에서 출발하자는 뜻이었습니다.

빌려 쓰는 계산에는 운영 기준도 필요합니다

필요할 때 계산 자원을 쓰는 방식은 편리하지만 사용량을 살펴야 합니다. 영상에서는 자동 일시 중지와 리소스 모니터를 언급했습니다.

웨어하우스의 자동 일시 중지는 유휴 상태를 기준으로 작동합니다. 리소스 모니터는 웨어하우스 크레딧 사용량에 대해 알림이나 중지 동작을 설정하는 도구이며, 모든 서버리스·AI 비용까지 막는 전체 예산 상한은 아닙니다. 웨어하우스 설명, 리소스 모니터의 적용 범위

영상에서 예산에 캡을 씌운다고 간단히 말한 부분은 이 범위를 나눠 읽어야 합니다. 어떤 자원이 어떤 비용을 만들고 있는지 알아야 운영 기준도 정할 수 있습니다.

Snowflake를 보며 제게 남은 것은 복잡한 데이터를 더 쉽게 다루려는 방향이었습니다. AI 모델 경쟁을 보다가 그 뒤의 데이터를 보니 질문도 달라졌습니다. 우리에게 어떤 데이터가 있고, 그것을 실제로 쓸 수 있는 상태로 만들고 있는가 하는 질문입니다.