Databricks Ontology가 겨냥한 것은 데이터가 아니라 ‘기업의 의미 체계’

Databricks가 Genie One을 공개하면서 가장 중요하게 내세운 것은 새로운 AI 동료가 아니었다.

진짜 핵심은 Genie Ontology다.

겉으로 보면 Genie One은 마케팅, 재무, 영업, 운영 등 현업 부서가 데이터를 기반으로 질문하고, 보고서를 만들고, 업무를 자동화하는 에이전트형 AI 제품이다. 그러나 이 제품이 작동하기 위해 필요한 기반은 별도로 있다. 기업 안에 흩어진 데이터와 문서, 앱, 티켓, 채팅, 회의, 사람의 맥락을 연결하는 계층이다.

Databricks는 이를 Genie Ontology라고 부른다.

이 발표의 비즈니스적 의미는 분명하다.

Databricks는 더 이상 데이터를 저장하고 분석하는 플랫폼에 머무르려 하지 않는다. 기업이 자기 데이터를 어떤 의미로 이해하고, 어떤 지표를 공식으로 인정하며, 어떤 업무 맥락에서 AI가 답하고 행동해야 하는지를 정의하는 계층으로 올라가려 한다.

데이터 플랫폼 경쟁의 무게중심이 바뀌고 있다.

과거의 경쟁은 데이터를 어디에 저장하고, 얼마나 빠르게 분석하고, 얼마나 저렴하게 처리하느냐였다. 이제 경쟁은 한 단계 더 올라간다. AI가 기업 데이터를 쓸 때, 그 데이터가 무엇을 의미하는지 누가 설명할 것인가. 회사마다 다른 지표와 업무 언어를 누가 정리할 것인가. 흩어진 문서와 대화, 티켓과 회의록, 데이터 테이블을 누가 하나의 살아 있는 맥락으로 묶을 것인가.

Databricks Ontology는 바로 이 시장을 겨냥한다.

기업 AI의 병목은 데이터 부족이 아니라 의미 부족이다

기업에는 데이터가 많다.

매출 데이터가 있고, 고객 데이터가 있고, 계약 데이터가 있고, 재고 데이터가 있고, 서비스 로그가 있다. 슬랙과 팀즈에는 대화가 있고, 지라에는 티켓이 있으며, 구글드라이브와 쉐어포인트에는 문서가 있다. 회의록과 이메일, 대시보드와 보고서도 있다.

그런데 AI가 이 데이터를 제대로 쓰기는 어렵다.

이유는 데이터가 없어서가 아니다. 의미가 정리돼 있지 않기 때문이다.

같은 ‘매출’이라는 단어도 부서마다 다르게 쓸 수 있다. 영업팀이 말하는 매출, 재무팀이 확정한 매출, 제품팀이 보는 사용량 기반 매출, 경영진 보고용 매출은 다를 수 있다. ‘활성 고객’, ‘이탈’, ‘마진’, ‘파이프라인’, ‘전환율’, ‘순매출 유지율’ 같은 지표도 마찬가지다.

AI는 단어를 이해하는 것처럼 보이지만, 기업 내부의 실제 의미 체계는 모른다.

사용자가 “이번 분기 마진이 왜 떨어졌나”라고 물었을 때, AI는 어떤 마진을 기준으로 답해야 하는가. 지역별로 볼 것인가, 제품별로 볼 것인가, 할인과 프로모션을 어떻게 반영할 것인가, 일회성 비용을 제외할 것인가, 어떤 데이터 소스가 공식인가.

이 질문에 답하지 못하면 AI는 그럴듯한 말을 할 뿐이다.

Databricks가 말하는 context gap은 여기서 생긴다. 기업 AI의 문제는 모델이 말을 못하는 것이 아니다. 회사의 언어를 모른다는 것이다.

Genie Ontology는 이 문제를 해결하겠다는 시도다.

온톨로지는 AI 시대의 ‘기업 업무 사전’이다

온톨로지라는 말은 다소 기술적으로 들린다.

하지만 기업 관점에서 보면 간단하다. 온톨로지는 회사가 세상을 이해하는 방식이다. 어떤 데이터가 어떤 의미를 갖는지, 어떤 지표가 어떤 업무와 연결되는지, 어떤 개념이 어떤 시스템에 저장돼 있는지, 누가 그 정보를 책임지는지를 구조화한 것이다.

쉽게 말하면 AI 시대의 기업 업무 사전이다.

그러나 단순한 사전은 아니다. Databricks가 말하는 Genie Ontology는 정적인 문서가 아니라 계속 업데이트되는 맥락 계층이다. Databricks 내부 데이터뿐 아니라 연결된 업무 앱, 파일, 티켓, 채팅, 회의 등에서 기업 지식을 자동으로 추출하고 갱신한다.

이 점이 중요하다.

기업의 지식은 고정돼 있지 않다. 제품은 바뀌고, 조직은 개편되며, 가격 정책은 달라지고, 영업 전략은 조정된다. KPI 정의도 바뀔 수 있고, 새로운 데이터 소스가 추가된다. 어제의 공식 지식이 오늘도 그대로 맞는다는 보장은 없다.

AI가 기업 업무에 쓰이려면 이 변화하는 맥락을 따라가야 한다.

Genie Ontology는 바로 이 동적인 기업 맥락을 잡으려 한다. 회사의 데이터와 업무 언어를 계속 학습하고, 업데이트하고, AI가 답변과 행동을 할 때 그 맥락을 근거로 삼게 만드는 것이다.

이제 기업 AI의 경쟁력은 모델 자체보다, 모델 위에 얹히는 기업별 의미 체계에서 갈릴 수 있다.

문서 검색 AI의 한계를 넘어서려는 전략

지금까지 많은 기업용 AI는 문서 검색 기반으로 작동했다.

사내 문서를 벡터화하고, 사용자의 질문과 관련된 내용을 찾아 답변에 반영하는 방식이다. 이 방식은 빠르게 도입할 수 있고, 규정 문서나 매뉴얼 검색에는 유용하다.

하지만 비즈니스 의사결정에는 한계가 있다.

문서는 오래됐을 수 있다.
문서에는 최신 숫자가 없다.
문서마다 지표 정의가 다를 수 있다.
회의에서 바뀐 결정이 문서에 반영되지 않았을 수 있다.
데이터베이스에 있는 실제 값과 문서의 설명이 다를 수 있다.

Databricks는 이 지점을 파고든다.

Genie Ontology는 단순히 문서 조각을 찾아 답하는 방식이 아니라, 거버넌스된 기업 데이터를 ground truth로 삼는다고 강조한다. 비즈니스 질문에 대한 답을 문서 파편에서 추론하는 것이 아니라, 권한 관리된 공식 데이터와 SQL 기반 조회를 통해 찾겠다는 방향이다.

이 차이는 작지 않다.

AI가 “왜 매출이 줄었는가”라는 질문에 답하려면 보고서 문구만 읽어서는 부족하다. 실제 매출 데이터, 고객군 변화, 지역별 성과, 가격 변화, 할인율, 재고, 비용, 영업 파이프라인을 봐야 한다. 또한 회사가 공식적으로 쓰는 지표 정의를 따라야 한다.

Databricks Ontology는 이 지표와 데이터의 연결고리를 만들려 한다.

이는 기업용 AI 시장에서 중요한 차별점이 될 수 있다. 단순한 RAG 기반 챗봇은 사내 문서를 잘 찾아주는 도구에 머물 수 있지만, 온톨로지 기반 AI는 회사의 실제 데이터 모델과 업무 의미를 이해하는 계층으로 확장될 수 있다.

Databricks가 노리는 시장은 ‘AI 챗봇’이 아니다

Genie One을 챗봇 시장의 제품으로 보면 작게 보는 것이다.

Databricks가 노리는 시장은 더 크다. 그것은 기업의 의미 체계를 장악하는 시장이다.

기업은 앞으로 여러 AI 도구를 쓰게 된다. Microsoft Copilot을 쓰고, ChatGPT Enterprise를 쓰고, Salesforce Agentforce를 쓰고, Google Gemini를 쓰고, 자체 모델이나 오픈소스 모델도 쓸 수 있다. 각 도구는 다른 인터페이스와 모델을 제공한다.

그런데 모든 AI가 제대로 작동하려면 공통적으로 필요한 것이 있다.

기업의 공식 데이터와 맥락이다.

어떤 고객이 중요한 고객인가.
매출은 어떤 기준으로 집계되는가.
마진 변화는 어떤 데이터로 설명되는가.
영업 파이프라인 단계는 어떻게 정의되는가.
어떤 문서와 데이터가 최신인가.
누가 어떤 정보에 접근할 수 있는가.

이 맥락 계층을 장악하는 회사는 모델이 바뀌어도 기업 AI 인프라의 중심에 남을 수 있다.

Databricks는 바로 이 자리를 노린다.

AI 앱은 바뀔 수 있다. 모델도 바뀔 수 있다. 그러나 기업의 데이터 의미 체계와 거버넌스 계층은 쉽게 바뀌지 않는다. 일단 Databricks Ontology가 기업의 지표와 데이터 정의, 업무 맥락을 묶기 시작하면 Databricks는 단순한 데이터 플랫폼을 넘어 기업 AI의 기준점이 된다.

이것이 시장에 미치는 가장 큰 영향이다.

Snowflake·Microsoft·Salesforce와의 전선이 달라진다

Databricks Ontology의 등장은 경쟁 구도를 바꾼다.

기존 Databricks의 주요 경쟁자는 Snowflake였다. 둘은 데이터 플랫폼 시장에서 경쟁했다. 데이터 레이크하우스, 데이터 웨어하우스, 데이터 클라우드, 거버넌스, 분석 성능이 핵심 전장이었다.

하지만 온톨로지가 전면에 나오면 경쟁 상대가 넓어진다.

Microsoft는 Microsoft 365, Teams, Outlook, SharePoint, Fabric, Copilot을 통해 업무 문맥과 생산성 데이터를 장악하려 한다. Salesforce는 CRM 데이터를 기반으로 고객 관계와 영업 업무 맥락을 장악하려 한다. ServiceNow는 IT와 업무 프로세스의 티켓과 워크플로 맥락을 갖고 있다. Google은 Workspace와 BigQuery, Gemini를 연결하려 한다. Snowflake도 Cortex와 데이터 클라우드를 통해 AI용 데이터 계층을 강화하고 있다.

이 시장에서 승부는 더 이상 “누가 데이터를 많이 저장하느냐”가 아니다.

누가 기업의 업무 의미를 더 정확히 모델링하느냐가 중요해진다.

Databricks Ontology는 Databricks가 이 경쟁에 직접 뛰어들겠다는 선언이다. 데이터 테이블만 잡는 것이 아니라, 그 데이터가 업무적으로 무엇을 의미하는지까지 잡겠다는 것이다.

이는 Microsoft와 Salesforce에 대한 도전이기도 하다. Microsoft는 문서와 협업 맥락에 강하고, Salesforce는 고객과 영업 맥락에 강하다. Databricks는 데이터와 거버넌스에 강하다. Ontology는 이 강점을 바탕으로 다른 업무 앱에서 발생하는 맥락까지 끌어오려는 시도다.

기업 AI 시장은 결국 ‘맥락 플랫폼’들의 경쟁이 된다.

기능 시장에는 세 가지 변화가 생긴다

Databricks Ontology가 확산되면 기업용 AI 기능 시장에는 몇 가지 변화가 생긴다.

첫째, 단순 챗봇 기능의 가치는 낮아진다.

지금까지 많은 기업용 AI 제품은 자연어 질의응답을 전면에 내세웠다. 하지만 질문에 답하는 기능 자체는 빠르게 보편화되고 있다. 앞으로는 “답을 한다”가 아니라 “어떤 맥락에서, 어떤 공식 데이터에 근거해, 어떤 권한으로 답하는가”가 중요해진다.

즉 챗봇 UI는 상품화되고, 그 뒤의 맥락 계층이 차별화된다.

둘째, 데이터 거버넌스와 AI 거버넌스가 결합된다.

과거 데이터 거버넌스는 데이터 품질, 카탈로그, 접근 권한, 계보 관리의 문제였다. AI 거버넌스는 모델 사용, 프롬프트, 보안, 비용, 결과 검증의 문제로 다뤄졌다. 그러나 Ontology가 들어오면 두 영역은 분리되기 어렵다.

AI가 올바르게 답하려면 데이터 정의와 권한, 지표 의미를 알아야 한다. 따라서 AI 거버넌스는 데이터 거버넌스 위에서 작동해야 한다. Databricks가 Unity Catalog와 Genie Ontology를 함께 강조하는 이유가 여기에 있다.

셋째, 업무 자동화 시장이 데이터 플랫폼 안으로 흡수될 수 있다.

Genie Agents와 Genie App Builder는 단순한 부가 기능이 아니다. 온톨로지 위에서 반복 업무 에이전트를 만들고, 내부 업무 앱을 생성하는 기능이다. 이는 기존 노코드·로우코드, BI, 워크플로 자동화, 내부 툴 빌더 시장과 겹친다.

현업 사용자가 “이 지표를 기준으로 매주 보고서를 만들고, 이상이 있으면 알림을 보내고, 관련 고객 리스트를 업데이트해줘”라고 말할 때, Databricks는 데이터 조회부터 보고서 생성, 앱 제작, 알림과 액션까지 한 플랫폼에서 처리하려 한다.

이렇게 되면 기능 시장의 경계가 흐려진다.

BI, 데이터 카탈로그, AI 챗봇, 업무 자동화, 앱 빌더가 각각 따로 존재하던 시장이 온톨로지 기반 기업 AI 플랫폼 안으로 통합될 수 있다.

온톨로지는 기업 AI의 ‘락인 장치’가 될 수 있다

Databricks Ontology는 고객에게 큰 가치를 줄 수 있다.

하지만 동시에 강력한 락인 장치가 될 가능성도 있다.

데이터 저장소를 옮기는 것도 어렵지만, 의미 체계를 옮기는 것은 더 어렵다. 회사의 지표 정의, 데이터 관계, 업무 규칙, 반복 에이전트, 내부 앱, 권한 구조, 알림과 보고서 형식이 Databricks Ontology 위에 쌓이면 플랫폼 전환 비용은 크게 올라간다.

이는 Databricks에게 유리한 전략이다.

기업이 단순히 데이터를 저장하는 곳으로 Databricks를 쓰는 것과, 회사의 공식 맥락을 Databricks에 구축하는 것은 전혀 다르다. 후자의 경우 Databricks는 기업 AI 운영의 중심 시스템이 된다.

고객 입장에서는 신중해야 한다.

온톨로지가 강력할수록 투명성과 이동성이 중요하다. 지표 정의를 내보낼 수 있는가. 다른 시스템과 상호운용되는가. 권한과 계보를 감사할 수 있는가. 특정 모델이나 특정 플랫폼에 과도하게 묶이지 않는가. 비용이 사용량 증가와 함께 어떻게 변하는가.

기업 AI 인프라의 핵심은 편의성만이 아니다.

통제권을 누구에게 넘기는가의 문제다.

한국 시장에서는 ‘사내 AI 챗봇’의 방향을 바꿀 수 있다

한국 기업에도 Databricks Ontology는 중요한 시사점을 준다.

많은 기업이 사내 AI 챗봇을 만들고 있다. 규정 문서를 검색하고, 보고서를 요약하고, 데이터를 조회하고, 임직원의 질문에 답하는 서비스를 구축하려 한다. 그러나 실제 현장에서는 같은 문제가 반복된다.

데이터가 흩어져 있다.
지표 정의가 통일돼 있지 않다.
공식 데이터와 개인 엑셀이 충돌한다.
문서는 오래됐고 회의에서 바뀐 결정은 반영되지 않는다.
권한 체계가 복잡하다.
AI가 어떤 근거로 답했는지 설명하기 어렵다.

이 상태에서 챗봇을 만들면 처음에는 좋아 보인다. 그러나 곧 한계가 드러난다. 답이 틀리거나, 근거가 부족하거나, 부서별로 다른 답을 하거나, 민감한 정보 접근 문제가 생긴다.

Databricks Ontology가 던지는 메시지는 분명하다.

AI 챗봇을 먼저 만들지 말고, 회사의 의미 체계를 먼저 정리하라는 것이다.

한국 기업이 실제로 해야 할 일은 모델 선택보다 앞선다. 핵심 지표의 정의를 표준화하고, 공식 데이터 소스를 정하고, 데이터 소유자와 접근 권한을 명확히 하고, 문서와 회의에서 발생하는 업무 맥락을 데이터와 연결해야 한다.

그래야 AI가 단순히 답하는 것이 아니라, 회사가 인정할 수 있는 답을 할 수 있다.

컨설팅·SI·솔루션 시장에도 영향이 크다

Databricks Ontology가 확산되면 컨설팅과 SI 시장에도 변화가 생긴다.

지금까지 기업 AI 프로젝트는 모델 도입, 챗봇 구축, RAG 시스템, 데이터 파이프라인, 클라우드 인프라 구축 중심으로 진행됐다. 하지만 온톨로지 중심의 접근이 확산되면 프로젝트의 핵심 과제가 달라진다.

기업의 지표 정의를 정리해야 한다.
업무 프로세스와 데이터 관계를 모델링해야 한다.
부서별 용어 차이를 조정해야 한다.
공식 데이터와 비공식 지식을 구분해야 한다.
AI가 행동할 수 있는 권한과 책임 범위를 설계해야 한다.

이는 단순 개발 프로젝트가 아니다.

업무 컨설팅, 데이터 거버넌스, 조직 변화관리, AI 운영정책이 결합된 프로젝트다. 따라서 SI 기업과 컨설팅사는 모델을 연결하는 기술만으로는 부족하다. 고객사의 업무 언어를 구조화하고, 데이터 의미 체계를 설계하는 능력이 중요해진다.

AI 도입의 고부가가치 영역은 프롬프트 엔지니어링이 아니라 온톨로지 설계가 될 가능성이 있다.

위험은 ‘회사의 공식 맥락’을 누가 정하느냐다

Ontology는 강력하지만 정치적이다.

회사 안에서 어떤 지표를 공식으로 삼을지 정하는 일은 단순한 기술 문제가 아니다. 부서 간 이해관계가 얽혀 있다. 영업팀과 재무팀의 숫자가 다를 수 있고, 제품팀과 마케팅팀의 사용자 정의가 다를 수 있다. 경영진이 보는 KPI와 현업이 보는 운영 지표가 다를 수 있다.

이 차이를 하나의 온톨로지로 정리하려면 누군가 결정해야 한다.

누가 공식 정의를 정하는가.
어떤 부서의 데이터를 우선할 것인가.
다른 해석은 어떻게 남길 것인가.
AI가 답할 때 어떤 관점을 기본값으로 삼을 것인가.
온톨로지가 틀렸을 때 누가 수정 책임을 지는가.

이 질문에 답하지 못하면 온톨로지는 또 다른 혼란이 될 수 있다.

AI가 잘못된 공식 맥락을 기준으로 답하면, 오히려 오류가 더 강력해진다. 과거에는 부서마다 다른 숫자가 있다는 사실을 사람이 인식했다. 그러나 AI가 하나의 답을 자신 있게 제시하면, 그 답이 조직 안에서 사실처럼 굳어질 수 있다.

따라서 온톨로지 기반 AI에는 강력한 거버넌스가 필요하다.

기술적 자동 추출만으로는 부족하다. 사람의 검토, 데이터 오너십, 지표 승인 절차, 변경 관리, 감사 로그가 필요하다.

결론: Databricks Ontology는 기업 AI 시장의 판을 ‘맥락 경쟁’으로 바꾼다

Databricks의 Genie Ontology 출시는 기업 AI 시장에서 중요한 전환점이다.

이제 AI 제품의 경쟁력은 단순히 질문에 답하는 능력이 아니다. 기업의 데이터를 어떤 의미로 이해하고, 그 의미를 얼마나 최신 상태로 유지하며, 권한과 거버넌스 안에서 실제 업무에 연결할 수 있는지가 핵심이 된다.

Databricks는 Ontology를 통해 데이터 플랫폼 위에 기업 맥락 계층을 세우려 한다. 이 계층이 자리 잡으면 Genie One은 단순한 AI 챗봇이 아니라 회사의 공식 데이터를 이해하고 행동하는 AI 동료가 된다. Genie Agents와 Genie App Builder는 이 맥락 위에서 반복 업무와 내부 앱을 만들 수 있다.

시장 영향은 분명하다.

단순 RAG 챗봇의 가치는 낮아진다.
데이터 거버넌스와 AI 거버넌스는 결합된다.
BI, 업무 자동화, 앱 빌더 시장은 데이터 플랫폼 안으로 흡수될 수 있다.
컨설팅과 SI 시장에서는 온톨로지 설계 역량이 중요해진다.
기업은 AI 도입 전에 자신들의 지표와 업무 의미를 먼저 정리해야 한다.

Databricks Ontology의 본질은 기술 기능 하나가 아니다.

그것은 기업 AI 시대의 새로운 전장이다.

누가 회사의 공식 맥락을 정의하는가.
누가 데이터의 의미를 연결하는가.
누가 AI가 믿고 행동할 수 있는 지식 기반을 제공하는가.

AI 모델은 계속 바뀔 수 있다.

하지만 회사의 의미 체계를 장악한 플랫폼은 쉽게 바뀌지 않는다.

Databricks가 Genie Ontology로 노리는 것은 바로 그 자리다.