몽고DB The Six Five Summit: AI Unleashed 2026
핵심 요약과 스크립트로 어닝콜의 주요 내용을 빠르게 확인하세요.
스크립트
첫 15개 문단을 발언자별로 확인할 수 있습니다.
안녕하세요. ‘2026 식스 파이브 AI 서밋: AI 언리시드’에 오신 것을 환영합니다. 오늘은 데이터 및 옵저버빌리티 트랙을 계속 이어가겠습니다. 저는 제이슨 앤더슨이고, 오늘은 차세대 AI 애플리케이션과 에이전트를 지원하기 위해 엔터프라이즈 데이터 인프라가 어떻게 진화하고 있는지 살펴보겠습니다. 오늘 MongoDB의 수석부사장(SVP)이자 테크니컬 펠로우인 아시시 쿠마르님을 모시게 되어 정말 기대됩니다. 앞으로 몇 분 동안 논의할 내용은, 단순히 데이터만이 아니라 ‘컨텍스트’가 신뢰할 수 있는 AI 에이전트뿐 아니라 고도로 확장 가능한 AI 에이전트를 구축하는 데 왜 핵심이 되고 있는가입니다. 함께해 주셔서 감사합니다, 아시시님. 방송에 오신 것을 환영합니다. 함께해 주셔서 기쁩니다.
초대해 주셔서 감사합니다. AI의 빠른 발전 속에서 엔터프라이즈 데이터 아키텍처가 어떻게 바뀌어야 하는지 이야기하게 되어 기대됩니다. 어떤 모델을 써야 하느냐에서, 실제 운영 환경에서 그 모델들이 필요로 하는 ‘신뢰할 수 있는 컨텍스트’로 논의의 중심이 옮겨가고 있는 점이요.
완벽합니다. 딱 적임자시네요. 데이터 쪽을 오랫동안 해오셨으니, 바로 본론으로 들어가기가 정말 기대됩니다. 이런 진화를 필요로 하게 만든 시장의 변화는 무엇이었고, 조직들이 AI와 에이전트형(에이전틱) 역량을 구축하기 시작하는 지금 왜 특히 더 중요한가요?
좋은 질문입니다, 제이슨. 돌이켜 보면 MongoDB는 애플리케이션을 빠르고 직관적으로 만들 수 있게 해줘서 개발자들이 좋아하던 데이터베이스로 출발했습니다. 시장에서 정말로 달라진 점은, 소프트웨어 자체가 바뀌고 있다는 것입니다. 정적이고 결정론적인 코드에서, 상황을 인지하고 추론하며 즉석에서 행동하는 자율형 AI 에이전트로 이동하고 있습니다. 생성형 AI가 처음 폭발적으로 확산됐을 때, 많은 팀들이 기존 스택 위에 독립형 벡터 데이터베이스를 급히 붙이는 방식으로 대응했습니다. 하지만 금세 데이터 동기화 문제와 지연으로 운영 측면에서 악몽이 되어버렸습니다. 조직들은 프로덕션에서 AI를 돌리려면 벡터는 한곳에, 운영 데이터는 다른 곳에, 보안 규칙은 또 다른 곳에 따로 두면 안 된다는 점을 깨달았습니다. 통합된 플랫폼이 필요합니다. 이는 단지 AI를 운영하는 문제가 아니라, 소프트웨어가 어떻게 만들어지고 있는가에 관한 이야기입니다.
에머전트 랩스는 여기서 왜 유연성이 중요한지를 보여주는 아주 좋은 사례입니다. 그들은 저희 고객사 중 하나입니다. 처음에는 포스트그레스를 테스트했지만, 에이전트가 애플리케이션을 구축하는 과정에서는 데이터 모델이 계속 진화하기 때문에 몽고DB 아틀라스를 선택했습니다. 아틀라스를 쓰면, 무언가가 바뀔 때마다 마이그레이션을 강제하는 대신 스키마가 애플리케이션과 함께 나란히 진화합니다. 그래서 그들은 몽고DB에서 약 200만 개의 에이전틱 애플리케이션을 구동할 수 있었습니다.
와. 데이터의 유동성과 시간이 지나면서 데이터가 진화하는 방식에 대해 말씀하신 게 흥미롭네요. 이 분야에서, 저희가 ‘파운데이션 모델’과 ‘프런티어 모델’이라고 부를 것들에 대한 관심 수준은 지금까지 엄청났습니다. 하지만 에머전트 같은 기업들이 더 의미 있는 방식으로 여기에 본격적으로 발을 들이기 시작하면서, 결국 모델만의 문제가 아니라는 점이 보이기 시작합니다. 성능과 컨텍스트, 그리고 이런 것들을 각 조직에 맞춰 매우 커스터마이즈된 방식으로 제대로 작동하게 만드는 것이 핵심입니다. 컨텍스트를 전반적으로 생각해 보면, ‘좋은 컨텍스트’를 만드는 기준을 어떻게 정의하시며, 왜 그것이 이 조합에서 그렇게 중요한 필수 요소인가요?
네. 저는 파운데이션 모델을 공학 세계의 아인슈타인 같은, 매우 뛰어난 추론 엔진으로 생각합니다. 하지만 컨텍스트가 없으면, 여러분의 실제 비즈니스에 대한 사실은 아무것도 알지 못합니다. 제가 정의하는 좋은 컨텍스트는 꽤 간단합니다. 실시간 운영 신호와 과거 기록, 그리고 명시적인 비즈니스 규칙을 한데 모아, AI가 신뢰하고 함께 활용할 수 있는 형태로 만드는 것입니다. 그런 운영 컨텍스트 없이 이 모델들에 원시 텍스트만 넣어주면, 결국 그저 그럴듯한 추정을 할 뿐입니다. 하지만 실제 컨텍스트를 제공하면, 정말로 똑똑한 의사결정을 할 수 있습니다. 또 다른 저희 고객사인 AT&T도 이를 보여주는 훌륭한 사례입니다. 그들은 실시간 네트워크 신호와 과거 장애 데이터를 결합해, AI가 실제로 어느 곳에 수리 인력을 보내야 하는지에 대해 더 나은 의사결정을 내릴 수 있게 하고 있습니다. 이는 물리적인 결과로 이어집니다. 즉, 실질적인 비즈니스 임팩트입니다.
그들의 경우 불필요한 출동 310만 건을 줄였고, 다운타임 비용 1,200만 달러를— 와— 절감했습니다.
에이전트가 현장 작업 인력을 배차하거나 청구(빌링) 시스템을 건드리는 상황에서는, 잘못된 컨텍스트는 단순한 불편이나 가벼운 환각 문제가 아닙니다. 재무적으로 엄청난 영향으로 이어집니다.
네. 와. 이런 영향들을 생각해 보기 시작하고, 그 안에서 컨텍스트를 하나의 요소로 놓고 생각해 보면, 오늘 이렇게 말씀 나누기 전에 제가 준비하면서 하셨던 글 몇 가지를 찾아봤습니다. MongoDB는 여러분이 발행하시는 블로그와 리서치를 통해 시장을 잘 교육하고 있고, 그게 역할의 큰 부분이라는 것도 알고 있습니다. AI의 상태 유지(statefulness)와 메모리 같은 주제로 들어가면, 이게 이제 훨씬 더 뜨거운 주제가 되고 있습니다. 특히 프로덕션급 애플리케이션으로 갈수록 이런 것들의 중요성이 점점 커지고 있습니다. 이걸 생각해 볼 때, 이것이 신뢰성을 어떻게 끌어올리나요?
궁극적으로는 신뢰성이 조직들이 AI가 제공할 수 있는 결과를 더 잘 채택하도록, 또는 그 결과에 대해 더 확신하고 더 신뢰할 수 있다고 느끼도록 어떻게 돕는지— 이런 식으로 질문을 정리하는 게 더 맞을 것 같습니다.
네, 제가 늘 말씀드리지만 에이전틱 애플리케이션은 지금 다들 만들고 있습니다. 하지만 에이전트는 접근할 수 있는 컨텍스트만큼만 똑똑합니다.
좋습니다. 메모리가 없는 에이전트는 사실상 비싼 챗봇에 불과합니다.
일반 지식 같은 걸 말씀하시는 거죠. 맥락의 흐름을 이어갈 수도 없고, 학습도 할 수 없으며, 이제 에이전트는 복잡한 다단계 프로세스를 처리해야 합니다. 메모리가 없으면 그걸 해낼 수가 없습니다. 상태와 메모리를 말할 때는, 에이전트가 이런 연속성을 유지할 수 있는 능력을 이야기하는 겁니다. 3단계 전에 무슨 일이 있었는지 기억하고, 사용자가 무엇을 달성하려 했는지 추적하며, 시간이 지나면서 사용자 선호도도 기억하는 것이죠. 예를 들어 3일이 걸리고 5개의 서로 다른 승인 절차가 필요한 프로세스를 에이전트가 처리하게 하려면, 중간에 놓치는 일 없이 그 상태를 계속 유지해야 합니다. 다만 그걸 대규모로 하려면, 엄청난 데이터 문제입니다. 그게 바로 핵심 데이터 문제입니다.
좋은 예로, 최전선(frontier) AI 연구소 중 한 곳은 이 문제를 해결하기 위해 단 4주 만에 500억 건이 넘는 대화를 Postgres에서 MongoDB Atlas로 실제로 옮겼습니다.
전체 스크립트
전체 번역 스크립트는 StockNow에서 확인해보세요.
전체 발언, 영문 원문과 발언자별 기록은 StockNow Pro에서 확인할 수 있습니다.
Pro로 전체 스크립트 보기AI 번역에는 일부 부정확한 표현이 포함될 수 있습니다.
어닝콜 참가자
이 어닝콜에는 2명이 참여했지만, 지금 보이는 건 1명뿐입니다.
참가자 명단
참가자 정보는 StockNow에서 확인하세요.
로그인하면 경영진과 애널리스트의 이름, 역할과 전체 발언 기록을 확인할 수 있습니다.
로그인하고 참가자 전체 보기더 살펴보기