실시간 데이터로 엔진 상태 모니터링
고객 사례에 따르면 엔진을 실시간으로 모니터링하고, 여러 팀이 분석 데이터에 함께 접근합니다.공개 사례에 따르면 레이크하우스에서 스트리밍 데이터셋을 처리하고, 여러 팀이 분석 결과를 함께 씁니다.
무엇이 달라졌나요? ＋
제트 엔진 가동률을 유지하려면 운항 데이터와 환경 조건을 계속 분석해야 합니다.
공식 고객 사례가 다루는 범위는 Azure 기반 배포와 그중 엔진 모니터링 업무입니다.
Databricks / 이 회사가 만드는 미래
데이터를 실제로 쓸 수 있는 기반으로.
데이터 플랫폼과 실제 운영 사이의 간극을 좁히는 데 기회가 있습니다. 같은 맥락에 기대는 앱이 늘수록 안정적인 도입과 거버넌스도 제품 가치에 포함됩니다.
그 미래가 만들어지는 모습 ↓그 미래를 만드는 제품들.
Lakeflow
스트리밍·배치 방식의 운영 데이터를 수집하고 변환합니다.
분석과 모델에 최신 데이터 맥락을 제공합니다.
장비 원격 측정 데이터에서 정비 앱까지
가상의 에너지 운영사가 센서 측정값과 작업 지시서를 결합하는 예시입니다. Databricks가 공개한 예측 정비 아키텍처를 따랐으며, 지어낸 고객 도입 사례가 아닙니다.
- 01
실시간 신호와 설비 이력 합치기
Lakeflow는 스트리밍 데이터와 배치 데이터를 정비 기록과 함께 준비합니다. 맥락이 더해진 경보는 센서 값 하나만 볼 때보다 쓸모가 큽니다.
- 02
누가 데이터와 모델을 쓸 수 있는지 추적하기
Unity Catalog는 권한과 리니지(데이터 계보)를 관리합니다. 팀은 운영 모델이 쓰는 데이터가 어디서 왔고 누가 책임지는지 확인할 수 있습니다.
- 03
점수에 따라 조치하기 전에 모델 점검하기
MLflow로 모델을 평가·추적·모니터링합니다. 경보가 작업 지시로 바뀌기 전에 운영팀은 그 경보가 어떻게 동작하는지 알아야 합니다.
- 04
팀이 쓰는 앱에 결과 반영하기
Databricks Apps가 업무 흐름을 화면으로 보여 주고, Lakebase는 확인 여부 같은 운영 상태를 낮은 지연으로 저장합니다. 담당자는 스프레드시트를 따로 내려받지 않고 바로 조치할 수 있습니다.
일이 이루어지는 과정 더 보기
회사 데이터에서 시작하기
Databricks는 2013년, 학계 연구와 오픈소스에 뿌리를 둔 팀이 세운 회사입니다. 사업상 승부수는 분명합니다. 기업이 엔지니어링, 분석, AI에 규정에 맞게 관리되는 같은 데이터 기반을 쓸 수 있어야 한다는 것입니다. 직원들이 AI 어시스턴트에게 사업 실적을 설명해 달라거나 그에 맞춰 조치해 달라고 맡기기 시작하면서, 이 문제는 한층 현실적인 과제가 됐습니다. 답변은 테이블의 의미, 사용자의 접근 권한, 회사가 성과를 재는 방식을 모두 지켜야 합니다. Databricks 플랫폼은 새 앱이 생길 때마다 데이터 프로젝트를 따로 벌이는 대신, 이런 책임을 하나의 작업 환경 안에서 처리합니다.
자꾸 멈추는 기계를 조사하는 제조팀이 있다고 해 보겠습니다. Databricks의 공개 플랫폼 자료에 따르면, 운영 데이터와 기업 데이터를 모아 분석할 수 있게 다듬고 공통 거버넌스 아래에서 제공하는 것이 플랫폼의 역할입니다. 예를 들어 엔지니어는 어떤 측정값이 그 기계를 나타내는지 확인하고, 파이프라인을 고친 뒤, 다른 팀이 결과를 쓰기 전에 접근 정책을 합의합니다. 쓸 만한 모델은 이런 결정이 끝난 뒤에야 나옵니다. 지원자라면 바로 이 부분을 따져 보세요. 데이터는 누가 정의하는지, 누가 쓸 수 있는지, 최종 결과가 실제 운영 결정에 도움이 되는지입니다.
에이전트에게 필요한 업무 맥락
2026년 제품 방향은 이 기반을 현업 팀의 업무로 넓히는 것입니다. Genie One은 규정에 맞게 관리되는 데이터와 업무 앱의 정보를 함께 다루고, Genie Ontology는 실시간 맥락 계층으로 소개됩니다. 텍스트 조각을 찾아내는 것과, 어떤 업무 기록이 답의 근거가 될 수 있는지 아는 것은 다른 일입니다. 특정 고객사에 대해 묻는 영업팀에는 정확한 고객·거래 정의가, 재무팀에는 맞는 기간과 지표가 필요합니다. Signet이 보기에 Databricks가 경쟁하는 곳은 기업 정보를 믿을 수 있는 실행으로 바꾸는 바로 이 고리이며, 거버넌스도 에이전트의 업무까지 따라갑니다.
Lakebase는 여기에 운영용 Postgres 데이터베이스를 더합니다. Lakeflow는 데이터를 준비하고 옮기고, Unity Catalog는 데이터를 관리하며, Genie는 사람들이 질문하고 그 답으로 일하도록 돕습니다. 서로 맞물린 역할이지만 제품도 책임도 따로입니다. 회사 발표는 맥락과 함께 모델 선택과 AI 비용 관리도 내세웁니다. 그래서 실제 운영 앱은 여러 관문을 통과해야 합니다. 데이터가 안정적으로 들어오고, 답변이 맞는 맥락을 쓰고, 사용자에게 권한이 있고, 워크로드 비용이 고객 예산 안에 들어와야 합니다. 그럴듯한 첫 시연보다 훨씬 어려운 일입니다.
최종 검증은 고객 현장에서
한국 공고에는 이 일이 구체적으로 적혀 있습니다. AI FDE는 생성형 AI 앱을 만들어 실제 운영 환경에 배포합니다. Forward Deployed Engineer는 데이터 엔지니어링, AI, 앱 전반의 아키텍처와 구현을 맡습니다. 기술 프로그램 포지션은 여러 고객 프로젝트와 고객 목표, 기술 의존 관계를 조율합니다. 모두 같은 도입 문제를 서로 다른 쪽에서 푸는 자리입니다. 상용 플랫폼은 팀이 만든 결과물을 고객이 계속 쓸 때 비로소 가치가 생깁니다. 그러니 출발 조건, 기술적 결정, 함께한 사람, 첫 출시 이후에도 살아남은 결과가 분명한 사례를 준비해 보세요. 공고에 적힌 도입 업무 범위에 맞춘 조언일 뿐, 특정 경력 경로를 약속하는 것은 아닙니다.
한국 포지션 10개는 하나의 묶음으로 봐야 합니다. 기술 영업 매니저는 팀을 꾸리고 코칭합니다. 아키텍트는 고객이 실현 가능한 설계를 고르도록 돕습니다. 산업 GTM 리더는 제조·자동차 업계의 요구를 지역 영업 전략에 반영하고, 영업 개발 매니저는 파이프라인을 만들고 개선합니다. 그다음 도입 엔지니어가 합의한 활용 사례를 실제로 작동하는 시스템으로 구현합니다. Signet은 개인의 제품 전문성만큼 팀 간 인계가 중요하다고 봅니다. 지원자가 스스로에게 던질 질문은 구체적입니다. 이 흐름의 어느 지점에서 내 경험이 고객의 결정을 바꾸거나 도입의 걸림돌을 없앴는가? 직군 선택기에서 책임을 나눠 볼 수 있으니, 내 경력과 가장 가까운 업무부터 확인해 보세요.
제품과 고객을 더 깊이 알아보기
먼저 준비하고, 그다음 관리하기
Lakeflow는 분석가나 앱이 데이터를 믿고 쓰기까지 필요한 엔지니어링 작업을 맡습니다. 문서에 나온 개발 환경에는 코드와 파이프라인 그래프가 함께 표시돼, 입력 데이터와 변환 단계의 관계를 한눈에 볼 수 있습니다. 지원자라면 이 화면을 '손 안 대는 자동화'의 증거가 아니라 실제 업무를 짐작하게 하는 단서로 보세요. 파이프라인에는 여전히 원천 데이터 담당자, 업무 의미에 맞는 변환 로직, 장애 대응 방법이 필요합니다. 플랫폼은 이런 일을 할 환경을 갖춰 줄 뿐입니다. 고객 성과로 따져 볼 것은 쓸 수 있는 데이터가 안정적으로 들어오는지, 그리고 무언가 바뀌었을 때 책임질 사람이 있는지입니다.
Unity Catalog는 문제의 다른 쪽을 맡습니다. 데이터를 찾고, 데이터를 쓸 때 권한을 적용하는 일입니다. 접근 요청 화면을 보면 테이블 하나를 받는 일도 관리 절차를 거칩니다. 엔지니어, 분석가, 에이전트가 한 플랫폼을 함께 쓰면 이 점이 중요해집니다. 참여하는 팀이 늘수록 데이터의 가치는 커지지만, 누가 무엇을 보고 할 수 있는지 파악해야 할 필요도 함께 커집니다. 솔루션 아키텍트는 이 통제 방식을 고객 요건에 맞춰 설명할 수 있어야 하고, 보안 전문가는 정책을 설명하고 결과를 검증할 수 있어야 합니다. 카탈로그가 있다는 것만으로는 부족합니다. 이런 결정이 쌓여야 제품이 쓸모를 갖습니다.
질문하고, 앱 만들기
문서에 나온 Genie 응답 화면에는 질문과 함께 쿼리 결과, 표, 차트가 나옵니다. 이후 발표한 Genie One은 범위를 업무 앱과 재사용 가능한 에이전트로 넓혔습니다. 둘은 같은 제품 흐름의 연속된 단계입니다. 직원에게는 먼저 조직의 데이터에 근거한 답이 필요하고, 그다음에는 그 답을 바탕으로 반복해서 조치할 방법이 필요합니다. 회사는 권한과 거버넌스를 이 과정에 포함된 요소로 설명합니다. 제대로 평가하려면 답변이 올바른 업무 정의를 쓰는지, 동료가 같은 결과를 재현할 수 있는지 물어야 합니다. Signet이라면 미리 준비한 시연 속 그럴듯한 답변보다 실제 도입 사례를 찾겠습니다.
Lakebase는 앱과 에이전트를 위한 운영용 Postgres를 제공합니다. 프로젝트 생성 화면을 보면 플랫폼이 이제 분석 보고서를 넘어 앱이 읽고 쓰는 기록까지 다룬다는 점을 알 수 있습니다. 엔지니어는 답변 생성에 쓰는 데이터뿐 아니라 앱의 상태, 데이터베이스 설정, 배포까지 고려해야 합니다. Databricks는 투자 유치 발표에서 이 제품 방향을 AI 전략과 함께 설명합니다. 고객 현장에서 일하는 빌더라면 고객 아키텍처의 어느 부분을 이 운영 데이터베이스에 두고, 기존 시스템과 어떻게 연동할지 판단해야 합니다. 답은 워크로드와 고객의 제약 조건에 따라 달라집니다.
손에 잡히는 한국 고객 사례
크래프톤 고객 사례를 보면 공유 플랫폼이 왜 필요한지 구체적으로 알 수 있습니다. 크래프톤의 게임 개발팀들은 서로 다른 데이터 시스템을 오가며 일해 왔습니다. 사례에 따르면 Databricks로 데이터 접근과 활용을 통합했고, 40개가 넘는 서비스의 20PB 데이터를 다룹니다. 이 수치는 공개 당시 이 고객의 사례일 뿐, 플랫폼 전체의 성능을 약속하는 것은 아닙니다. 지원자에게 중요한 것은 일하는 방식의 변화입니다. 여러 게임팀이 공통 데이터 기반을 쓰면서도 접근 권한은 계속 통제됩니다. 이 도입 사례에서 엔지니어링과 거버넌스는 떼어 놓을 수 없습니다.
제조 자료와 Rolls-Royce 사례는 또 다른 현장의 이야기입니다. 운영 측정값이 장비를 분석하고 더 나은 결정을 내리는 근거가 됩니다. 데이터 플랫폼은 고객의 정보를 저장하는 데 그치지 않고 고객의 업무 흐름에 맞아야 합니다. 그래서 한국 채용에는 아키텍트, 전문가, 엔지니어링 매니저, FDE가 고루 들어 있습니다. 포지션마다 제품의 쓸모를 검증하는 지점이 다릅니다. 구매 전에 아키텍처를 설명할 수도, 구매 후 안정적인 앱을 구축할 수도, 그 둘을 잇는 도입 프로그램을 조율할 수도 있습니다. 내 경험으로 고객이 실제로 쓰도록 도울 수 있는 제품부터 고른 뒤, 공고 상세에서 정확한 자격 요건과 근무 조건을 확인해 보세요.
이야기는 숫자로도 남습니다.
날짜별 관측
USD · B보도된 연간 매출
보도된 비상장사 회계연도 매출이며, 날짜별 회사 런레이트 발표와 구분해 표시했습니다.
수치와 기준일 확인하기 ＋
| 기준일 | 수치 | 집계 기준 |
|---|---|---|
| 2024-01-31 | 16억 달러+ | Databricks는 2024년 1월 31일 끝난 회계연도 매출이 16억 달러를 넘었다고 공개했습니다. 공개된 하한값입니다. |
| 2025-01-31 | $2.6B | ARK가 인용한 2025년 1월 마감 회계연도 매출(보도 기준)입니다. 2025년 중반 런레이트 전망과는 별개입니다. |
Databricks · ARK Invest
날짜별 관측
USD · B투자 라운드 당시 기업가치
거래 당시 기업가치입니다. 투자금과 차입 한도는 매출이 아닙니다. 날짜별로 공개된 관측값이며, 그 사이의 성장을 연속으로 측정한 기록은 아닙니다.
수치와 기준일 확인하기 ＋
| 기준일 | 수치 | 집계 기준 |
|---|---|---|
| 2026-02-09 | $134B | 시리즈 L 투자 발표 당시 기업가치 |
| 2026-08-13 | $190B | 마감된 전략 투자 라운드의 기업가치로, 7월 1,880억 달러 텀시트 단계의 수치를 대체합니다. |
Databricks · Databricks via Sixth Street
회사 설립
Spark 연구 생태계에서 기업용 소프트웨어 회사가 탄생했습니다.
런레이트 54억 달러
회사가 사업 규모를 밝히고 Lakebase·Genie에 대한 추가 투자 계획을 발표했습니다.
투자 완료
기업가치 1,900억 달러로 50억 달러 투자를 마감했습니다. 7월 1,880억 달러 텀시트 단계의 수치를 대체합니다.
성장의 맥락 더 읽기
숫자는 측정 기준과 함께 봐야 합니다
Databricks는 2026년 2월 매출 런레이트 54억 달러 초과를 발표한 데 이어, 8월에는 70억 달러 초과를 발표했습니다. 증가 폭만큼 측정 기준도 중요합니다. 런레이트는 현재 매출 속도를 1년 치로 환산한 값이므로, 마감된 회계연도에 인식한 매출과는 따로 봐야 합니다. 차트도 두 지표를 서로 다른 계열로 나눠 보여 줍니다. 그래서 지원자는 사업의 성장 속도를 연간 재무제표와 혼동하지 않고 읽을 수 있습니다. 날짜가 붙은 회사 발표는 유용한 이정표이고, 그 뒤에는 플랫폼을 계속 쓰는 고객 워크로드가 있습니다. 헤드라인 숫자를 비교하기 전에 기간과 기준부터 확인해 보세요.
8월 투자 유치는 기업가치 1,900억 달러로 마무리됐고, 7월 발표는 기업가치 1,880억 달러의 텀시트(투자 조건서) 서명이었습니다. 한 거래가 단계별로 진행된 것입니다. 투자금, 기업가치, 매출 런레이트는 답하는 질문이 다르므로 따로 봐야 합니다. 투자금은 제품 개발 재원이 되고, 기업가치는 거래에서 합의한 조건을 담고 있으며, 사용량은 고객이 돈을 내는 업무를 반영합니다. 합류하려는 사람이라면 사업을 이해할 때 어떤 숫자를 근거로 삼는지 설명할 수 있어야 합니다. Signet은 이 발표들을 회사의 자원과 제품 방향을 가늠하는 근거로 보고, 그 자원이 실제 도입으로 이어지는 과정은 고객 사례와 공고로 파악합니다.
고객은 실제로 실행되는 워크로드만큼 비용을 냅니다
요금 자료는 처리용 DBU, 저장용 DSU 같은 사용 단위와 서비스에 따르는 계약 조건을 설명합니다. 그래서 한 고객사 안에서 사용량을 늘리는 것이 실제 영업 과제가 됩니다. 고객은 업무 흐름 하나로 시작해, 팀들이 쓸모 있는 활용처를 찾을수록 사용을 늘려 갈 수 있습니다. 필드 엔지니어링 매니저 공고는 팀 성과, 플랫폼 사용, 사용량 목표를 함께 묶어 제시합니다. 지원자는 이 관계를 이해하되, 모든 기술 프로젝트가 사용 확대로 이어진다고 가정해서는 안 됩니다. 프로젝트가 고객 문제를 잘 풀어야 계속 쓰입니다. 요구 사항을 잘 파악하고 아키텍처를 잘 설계하면 그럴 가능성이 높아지고, 안정적인 도입과 교육은 고객이 계속 운영하도록 돕습니다.
전문 서비스 조직은 소프트웨어에 더해 구현 책임까지 집니다. FDE 페이지는 마이그레이션, 데이터·AI 프로젝트, 전반적인 도입 지원을 설명합니다. 엔지니어 공고에는 FDE 업무가 고객에게 비용이 청구되는(billable) 일이며, 명세대로 프로젝트를 완료할 책임이 있다고 적혀 있습니다. 그래서 도입 품질이 사업 모델의 한 축이 됩니다. 고객에게는 작동하는 시스템과 자기 직원들이 이를 쓸 방법이 필요하고, Databricks는 도입이 꾸준한 사용으로 이어져야 합니다. 프로그램 매니저는 프로젝트 간 의존 관계를 조율하고, 아키텍트는 설계상의 선택을 정리하도록 돕습니다. 포지션마다 책임의 종류는 달라도 같은 사업 성과를 향해 일합니다.
워크로드와 통제 장치 평가하기
데이터 플랫폼들은 고객의 분석, 엔지니어링, AI 업무를 두고 경쟁합니다. 기업 데이터 워크로드에서는 Snowflake가 주요 비교 대상이고, 고객은 클라우드 서비스와 기존 아키텍처도 함께 따져 봅니다. 제대로 비교하려면 고객의 업무, 데이터 위치, 권한, 연동 요건, 예산부터 봐야 합니다. 회사마다 다른 매출 지표를 기술 순위처럼 맞비교해서는 안 됩니다. Signet은 운영 데이터, 분석, 에이전트를 한데 묶은 Databricks의 조합이 기회인 동시에 도입 책임이라고 봅니다. 제품은 실제 업무 흐름에 맞아야 하고, 지원자는 고객이 왜 이 조합을 택하는지 이해해야 합니다.
Signet이 요금, 제품, 도입 자료를 읽어 보면 실무에서 챙겨야 할 위험이 세 가지 있습니다. 첫째, 서비스가 사용량 기반이라 워크로드 비용을 관리해야 합니다. 둘째, 에이전트의 답은 규정에 맞게 관리되는 업무 맥락에 달려 있어 데이터와 권한 설계가 중요합니다. 셋째, 시범 도입이 고객이 직접 운영하는 시스템으로 자리 잡아야 하므로 구현이 관건입니다. 지원자라면 팀이 비용을 어떻게 모니터링하는지, 답변을 어떻게 검증하는지, 출시 후 누가 어떻게 책임지는지 살펴보세요. 이 가운데 하나를 직접 해결한 구체적인 사례가 AI에 대한 막연한 열정보다 내 적합성을 더 분명하게 보여 줍니다.
누군가는 먼저 보았습니다.
공동 창업자 겸 CEO
Ali Ghodsi
Ghodsi는 방문 연구자로 Berkeley 연구 생태계에 합류했고, Spark 관련 회사를 공동 창업했습니다.
회사를 만든 선택 ＋
창업자들은 연구용 소프트웨어를 기업용 관리형 플랫폼으로 발전시켰고, 이후 데이터·AI 앱으로 영역을 넓혔습니다.
“기업이 원하는 건 말만 하는 AI가 아닙니다.”
Ali Ghodsi · 회사 발표 · 2026-08-13
회사를 만든 결정들
연구가 회사가 되기까지
Databricks의 출발점을 알면 이 플랫폼이 왜 개방형 데이터 기반을 선호하는지 이해할 수 있습니다. 회사는 2013년을 창업 연도로 꼽고, 그 뿌리를 Apache Spark 등 오픈소스 프로젝트를 만든 사람들에게서 찾습니다. 이후 연구 커뮤니티에서 출발해 고객이 자기 업무에 쓰는 기업용 소프트웨어 회사로 성장했습니다. 지원자가 물어야 할 것은 이 기술적 유산이 어떻게 상용 서비스로 바뀌는지입니다. 엔지니어링은 실제 워크로드를 감당해야 하고, 영업은 고객이 왜 바꿔야 하는지 설명해야 하며, 도입팀은 그 변화가 실제로 작동하게 만들어야 합니다. Databricks의 조직은 창업 이야기에 기대기보다, 이 세 가지 책임을 한데 묶는 쪽으로 짜여 있습니다.
회사의 최근 발표에서 Ali Ghodsi는 공동 창업자 겸 CEO로 소개됩니다. 2026년 서밋 발표에서는 Matei Zaharia, Arsalan Tavakoli-Shiraji, Reynold Xin도 공동 창업자로 메인 무대에 올랐습니다. 이들의 이름은 약력을 나열할 때가 아니라, 누가 어떤 제품과 현장을 책임지는지 설명할 때 의미가 있습니다. Tavakoli는 한국 파트너십 발표에서 필드 엔지니어링과 한국 시장을 함께 이야기했고, Ghodsi는 투자 관련 발언에서 투자의 초점을 Lakebase와 Genie에 맞췄습니다. 지원자는 이런 결정이 제품과 한국 공고로 어떻게 이어지는지 따라가 볼 수 있습니다. 리더십의 이야기가 회사가 새로 합류할 사람에게 맡기려는 개발·영업 업무와 바로 맞닿아 있는 셈입니다.
투자는 제품 결정을 따라갑니다
2026년 2월 발표는 다음 단계의 제품 방향 두 가지를 제시했습니다. 에이전트를 위한 운영 데이터베이스와, 직원이 대화하듯 데이터에 접근하는 기능입니다. 6월에 나온 Genie One은 더 넓은 업무 흐름을 겨냥했고, 8월에는 다시 Lakebase, Genie, AI 비용 관리를 투자 논리의 중심에 뒀습니다. 이 흐름은 어떤 기업 문제에 엔지니어링 역량을 쏟을지에 대한 리더십의 선택으로 볼 수 있습니다. 사업 목표를 이루려면 직원과 개발자가 더 다양한 업무에 플랫폼을 써야 합니다. 지원자의 기여도 그중 하나에 닿아 있어야 합니다. 기술 구현이든, 고객 아키텍처 설계든, 그 활용 사례를 이해하는 영업 조직이든 마찬가지입니다.
창업자의 짧은 한마디, "기업이 원하는 건 말만 하는 AI가 아닙니다"는 이 선택의 한 면을 압축합니다. 이 말이 나온 발표는 맥락을 기억하고, 정확하게 답하고, 예산 안에서 일을 해내는 에이전트를 다룹니다. 제품의 방향을 밝힌 말일 뿐이니, 실제 고객 배포 사례에 비춰 검증해야 합니다. Signet은 이 방향이 사업 문제를 운영 성과로 바꿀 줄 아는, 기술적으로 뛰어난 사람에게 기회가 된다고 봅니다. 동시에 시연에서 내세우는 주장에도 높은 잣대가 적용됩니다. 지원자는 시스템이 무엇을 했는지, 그리고 그 결과가 믿을 만하다는 것을 팀이 어떻게 확인했는지 함께 설명할 수 있어야 합니다.
원칙은 면접에서도 쓰입니다
채용 페이지에는 문화 원칙 6개가 공개돼 있습니다. 그중 고객 중심, 데이터에 근거한 결정, 빠른 실행은 고객 대면 공고와 특히 관련이 깊습니다. 이 직무들은 기술적 판단과 도입 목표, 영업 목표를 함께 다루기 때문입니다. 채용 페이지에 따르면 직무별 역량과 문화 원칙을 구조화된 절차로 평가하고, 일부 GTM·임원 채용에는 발표 과정이 있습니다. 이는 회사의 일반 절차이며, 개별 포지션의 절차는 리크루터가 정합니다. 준비할 때는 가치를 되풀이하기보다 구체적인 사례 하나를 드는 편이 낫습니다. 어떤 결정을 내렸는지, 근거는 무엇이었는지, 누가 반대했는지, 내가 어떻게 행동했는지 보여 주세요.
한국 리더십은 날짜와 함께 봐야 합니다. 강형준 지사장은 2024년에 선임됐고, 2026년 보도에서도 한국 책임자로 소개됩니다. 그 전에 나온 다른 현지 인사 발표는 당시의 팀 구성일 뿐입니다. 그래서 이 페이지는 자료로 확인된 현재 책임자와 지금 채용 중인 업무를 중심에 두고, 팀 구성은 근거를 밝혀 따로 보여 줍니다. 이렇게 나눠 봐야 과거 인사 발표를 지금의 보고 체계 전체로 오해하지 않고 리더십과 업무의 관계를 파악할 수 있습니다. 내 포지션이 필드 엔지니어링, 서비스, 영업 조직과 어떻게 협업하는지 물어보고, 답은 회사 공고를 기준으로 정리해 보세요.
복잡한 한국 프로젝트를 성과로 이끌기
각 포지션은 고객 수요에서 출발해 아키텍처, 안정적인 구현, 팀 육성을 거쳐 꾸준한 플랫폼 사용까지 책임집니다.
한국·아시아 사업을 이끄는 사람
강형준
한국 지사장
영업＋
- Enterprise Account Executive
- Sales Director
- Senior SDR Manager
엔지니어링＋
- Forward Deployed Engineer
- Solutions Architect
- AI/ML Specialist
정보기술＋
- Delivery Solutions Architect
운영＋
- Senior Engagement Manager in FDE
사업개발＋
- Head of Partnerships, Korea
- Business Development Representative
현재 업무 모양은 공개 프로필에서 읽고 한국 리더는 시점을 밝힌 회사 발표와 보도로 확인했습니다. 프로필 필터는 관찰한 분류이며 보고 관계와 구분합니다.
왜 한국이고, 왜 지금일까요?＋
한국 고객 사례와 KT 제휴는 게임과 제조, 규제를 받는 산업의 데이터·AI 업무를 보여줍니다. 현재 공고 10개는 영업 개발과 설계, 관리, 도입을 함께 다룹니다.
한국 사업 성장 발표
회사는 지난 회계연도에 한국 사업이 성장했다고 발표했습니다.
KT 제휴
KT와 Databricks가 데이터·AI 사업과 인재 양성에서 협력한다고 발표했습니다.
한국에서의 기회 자세히 보기
이미 복잡한 일을 하는 고객들
한국 시장의 기회는 실명으로 공개된 고객과 파트너십에서 확인됩니다. 크래프톤 사례는 여러 게임팀이 함께 쓰는 공통 데이터 기반을 다룹니다. KT와의 협력은 KT의 클라우드 서비스를 통해 규제 산업과 공공 부문의 데이터·AI 업무에 Databricks를 공급하는 내용입니다. 두 자료에서 서로 다른 도입 경로를 볼 수 있습니다. 고객이 직접 데이터 플랫폼을 운영할 수도 있고, 파트너가 다른 기관에 플랫폼을 들여오도록 도울 수도 있습니다. 파트너십 발표에는 협력 분야와 인력 양성 계획이 나옵니다. 이는 발표 당시의 범위로 보고, 실제 사용 사례는 고객 사례에서 확인하면 됩니다. 채용 공고에 도입 직무와 기술 영업 직무가 함께 나오는 이유도 여기서 이해할 수 있습니다.
강형준 한국 지사장은 날짜가 명시된 사업 관련 보도에 등장합니다. 채용 공고는 조직을 보는 또 하나의 창입니다. 빌더, 아키텍트, 기술 리더, 도입 프로그램 관리, 영업 관리 직무가 고루 섞여 있습니다. APJ 산업 포지션은 여러 지역 근무지 가운데 하나로 서울을 꼽고, 나머지 현재 공고는 모두 서울을 근무지로 적고 있습니다. 근무지 목록과 언어 요건은 각 공고에 해당하는 내용이므로, 모든 포지션이 같은 조건이라고 보면 안 됩니다. 이 페이지의 팀 구성은 근거를 따로 밝히고, 공고 카드는 회사가 쓴 직함과 조건을 그대로 둬 지원자가 업무를 정확히 비교할 수 있게 했습니다.
10개 포지션, 저마다 다른 책임
AI Engineer (FDE)와 Forward Deployed Engineer 공고는 고객사에서 실제로 작동하는 시스템을 만들 사람을 찾습니다. 앞의 포지션은 생성형 AI 배포에, 뒤의 포지션은 데이터·AI·앱 전반의 아키텍처와 구현에 무게를 둡니다. Field Technical Program/Project Manager는 책임이 다릅니다. 여러 복잡한 프로그램의 마일스톤과 의존 관계를 조율하는 자리입니다. Solutions Architect와 전문 아키텍트 포지션은 고객이 설계를 검증하고 플랫폼을 활용하도록 돕습니다. 산업 GTM 포지션은 제조·자동차 수요를 지역 사업으로 끌어옵니다. 영업 개발 매니저는 서울 영업 개발팀과 파이프라인을 이끕니다. 포지션마다 상세 페이지와 모의지원이 따로 있고, 세 줄 요약도 각 공고의 표현을 바탕으로 썼습니다.
관리직 공고에는 팀을 꾸리는 책임이 분명히 적혀 있습니다. 전문 솔루션 아키텍트 매니저는 복잡한 영업 건에 전문성을 보태는 팀을 코칭합니다. 시니어 필드 엔지니어링 매니저는 한국 시장의 프리세일즈 아키텍트팀을 꾸리고 이끕니다. 영업 개발 매니저는 BDR을 채용·육성하고, 성과를 분석하며, 영업·마케팅 조직과 협업합니다. 목표가 서로 다른 팀들입니다. 지원자는 포지션에 맞는 사례를 골라야 합니다. 아키텍처팀의 기여도를 높인 일, 기술 프리세일즈 조직을 키운 일, 영업 개발팀이 검증된 영업 기회를 만들도록 도운 일 같은 것입니다. 사례에 넣는 숫자와 팀 규모는 반드시 내 것이어야 하고, 회사의 요건은 해당 공고 기준으로 봐야 합니다.
설명할 수 있는 결정 준비하기
여러 공고가 한국어 원어민 수준과 일정 수준 이상의 영어를 요구하며, 요구하는 정도는 직무마다 다릅니다. 프로그램 공고는 입사 6개월 안에 PMP와 Databricks Associate 자격을 취득하도록 요구합니다. 기술·관리 요건도 저마다 다르고, 우대 사항과 필수 요건은 구분해서 봐야 합니다. 준비는 이 차이를 정확히 읽는 데서 시작합니다. 그다음 관련 프로젝트 하나를 골라 고객의 목표, 아키텍처나 운영상의 선택, 함께한 사람, 부딪힌 제약, 결과 순으로 정리해 보세요. 이것이 모의지원에 가져갈 재료입니다. 회사의 실제 채용 절차에 들어가기 전에 내 경험이 그 포지션에 맞게 전달되는지 미리 점검할 수 있습니다.
Signet이 제안하는 첫 분기 계획은 준비용 틀일 뿐, 회사가 정한 일정이 아닙니다. 먼저 내 포지션과 관련된 고객 맥락과 플랫폼 책임을 익힙니다. 다음으로 구체적인 활용 사례 하나와, 그것이 제대로 작동하는지 판단할 검증 기준을 합의합니다. 그다음 시범 도입이나 영업 활동이 고객 운영팀과, 이를 이어 갈 동료들에게 자연스럽게 이어지도록 합니다. 빌더라면 운영 배포와 평가, 아키텍트라면 고객이 쓸 수 있는 설계, 매니저라면 팀의 결정과 인계 개선이 여기에 해당합니다. 공통점은 책임지고 고객 도입을 이끄는 것이며, 실제 책임 범위는 공고와 채용 면담에서 정해집니다.
한국 공고 10개
Signet 공고 목록 · 2026-10-19 기준
지원자에게
포지션을 고르고, 모의지원으로 내 설명을 점검해 보세요.
엔지니어링·AI
AI Engineer - FDE (Forward Deployed Engineer)
- 하는 일
- 고객의 생성형 AI 앱을 만들고 운영에 올립니다.
- 찾는 사람
- GenAI 앱 개발 7년 이상과 실제 운영 배포 경험을 찾습니다.
- 알아 둘 점
- GenAI 앱의 실제 운영 배포를 맡으며 필요시 4~8주마다 고객을 방문합니다.
영업·사업개발(GTM)
APJ Manufacturing & Automotive Industry GTM Leader
- 하는 일
- APJ 제조·자동차 산업의 판매 전략과 실행을 이끕니다.
- 찾는 사람
- 제조 리더십 10년 이상, 기술 GTM·전략·사업개발 5년 이상을 찾습니다.
- 알아 둘 점
- 일본·한국·인도 고객을 다루며 APJ 지역 출장을 정기적으로 합니다.
솔루션 엔지니어링
Field Engineering Manager, Specialist Solutions Architects
- 하는 일
- 복잡한 고객 프로젝트를 맡을 전문 아키텍트를 채용하고 코칭합니다.
- 찾는 사람
- 기술팀 관리 5년 이상과 데이터 솔루션 개발 5년 이상을 찾습니다.
- 알아 둘 점
- 기술팀 채용·육성과 지역 사용량 목표를 맡으며 기술 영업 책임자에게 보고합니다.
전체 10개 공고 보기
고객 성공
Field Technical Program/Project Manager
- 하는 일
- 복잡한 도입 프로젝트를 이끌고, 기술 의존 관계를 조율합니다.
- 찾는 사람
- 복잡한 기술 프로젝트 관리 5~8년의 경험을 찾습니다.
- 알아 둘 점
- 한국 하이브리드이며 입사 6개월 안에 PMP·Databricks 자격을 요구합니다.
엔지니어링·AI
Forward Deployed Engineer
- 하는 일
- 고객의 데이터·AI·앱 설계를 책임지고 시스템을 만듭니다.
- 찾는 사람
- 데이터·분석·소프트웨어 개발 7년 이상과 클라우드·Spark 경험을 찾습니다.
- 알아 둘 점
- 유상 고객 프로젝트를 맡고 한국 FDE 책임자에게 보고하며 업무의 20%는 고객 출장입니다.
솔루션 엔지니어링
Solutions Architect
- 하는 일
- 영업 담당자와 고객의 설계 및 플랫폼 도입을 돕습니다.
- 찾는 사람
- 코딩과 클라우드, 복잡한 개념 검증의 경험을 찾습니다.
- 알아 둘 점
- 서울 하이브리드이며 참조 설계·시연 앱을 만들고 워크숍을 이끕니다.
솔루션 엔지니어링
Specialist Solutions Architect - Data Warehousing
- 하는 일
- 데이터 웨어하우스 평가와 성능 조정, 운영 이전을 돕습니다.
- 찾는 사람
- 웨어하우스 기술 5년 이상과 고객 대응, 운영 코딩 경험을 찾습니다.
- 알아 둘 점
- 성능 검증과 운영 이전 계획을 돕습니다. Databricks 자격은 우대입니다.
솔루션 엔지니어링
Specialist Solutions Architect - Security
- 하는 일
- 보안 아키텍처를 설계하고 고객의 플랫폼 보안 검토를 지원합니다.
- 찾는 사람
- 외부 고객 업무 5년 이상과 클라우드 설계 3년 이상을 찾습니다.
- 알아 둘 점
- 고객 보안 검토와 클라우드 권한·네트워크 설계를 돕습니다. Databricks 자격은 우대입니다.
솔루션 엔지니어링
Sr. Manager, Field Engineering
- 하는 일
- 한국의 프리세일즈 아키텍트팀을 만들고 이끕니다.
- 찾는 사람
- 빅데이터·클라우드·SaaS 프리세일즈팀을 꾸리고 키운 관리 경험이 필요합니다.
- 알아 둘 점
- 한국 기술 영업 책임자에게 보고하며 채용과 팀 확대, 기술 영업 효율 개선을 맡습니다.
영업·사업개발(GTM)
Sr. Manager, Sales Development
- 하는 일
- 서울 BDR팀을 채용하고 코칭하며 영업 기회를 만드는 과정을 개선합니다.
- 찾는 사람
- 영업 개발 관리 최소 2~3년과 영업 목표를 맡은 경험을 찾습니다.
- 알아 둘 점
- 영업 개발 책임자에게 보고하며 팀의 영업 기회 목표와 채용·코칭을 맡습니다.
다음 장면은 만들어지고 있습니다.
매출 런레이트 54억 달러 돌파
Databricks는 런레이트 54억 달러 이상, 전년 대비 65% 이상 성장을 발표했습니다.
전략 투자 텀시트
Databricks가 기업가치 1,880억 달러 기준 투자 텀시트에 서명했다고 발표했습니다.
기업가치 1,900억 달러로 투자 마감
회사는 50억 달러 투자를 마감하면서, 매출 런레이트가 70억 달러를 넘었다고 발표했습니다.
최근 움직임의 맥락 더 읽기
운영 성과를 보여 주는 두 가지 이정표
2026년 2월과 8월, 회사가 발표한 런레이트 이정표가 두 번 있습니다. 나중 수치도 날짜와 측정 기준을 함께 보고, 마감된 회계연도 매출과는 구분해야 합니다. 이 변화로 고객 사용 규모를 가늠할 수는 있지만, 어떤 한국 워크로드에서 나온 수치인지는 알 수 없습니다. 그 답은 고객 사례, 한국 영업, 현재 공고에 나온 구현 업무에서 찾아야 합니다.
2026년 9월 Row Zero 인수로 투자 이야기에 새로운 제품 방향이 더해졌습니다. 회사는 실시간 데이터, 권한, 감사 기능을 갖춘 스프레드시트 경험을 Genie 안에 넣을 계획이라고 발표했습니다. 인수는 이미 완료됐지만, 기본 내장 연동은 아직 다음 제품 단계로 소개된 상태입니다. Signet은 이를 재무·운영팀이 이미 쓰는 도구 안으로 들어가, 맥락과 통제를 그 팀의 모델과 업무까지 가져가려는 움직임으로 봅니다.
Genie의 역할 확대
2026년 6월 Genie One 출시로 초점이 질의 도우미에서 업무 흐름과 재사용 가능한 에이전트로 옮겨 갔습니다. 회사는 이 방향을 실시간 맥락 계층, 규정에 맞게 관리되는 데이터와 함께 설명합니다. 이 회사를 고려하는 사람이라면 실무적인 질문을 던져 보세요. 어떤 직원 업무가 이 맥락을 믿고 쓸 수 있는지, 답이 실제 조치로 이어지기 전에 고객은 그 답을 어떻게 검증하는지입니다.
Lakebase는 같은 방향에서 운영 데이터베이스 영역을 맡습니다. 고객 앱에는 기록을 이해하는 방법뿐 아니라 기록을 저장하고 수정할 곳도 필요합니다. 두 제품으로 플랫폼이 다루는 업무의 종류가 늘어납니다. 그만큼 지원자의 업무에서도 아키텍처, 권한, 연동, 비용이 더 중요해집니다. 이런 조건을 실제 고객 성과 하나와 엮어 설명할 수 있는 사례를 준비해 보세요.
판매에서 사용까지의 과정 지켜보기
한국 포지션은 회사가 이 일을 어떻게 해 나갈 생각인지 보여 주는 현재 시점의 단면입니다. 채용은 영업 개발, 산업 GTM, 기술 아키텍트, 엔지니어링 매니저, 프로그램 조율, 빌더 직무에 걸쳐 있습니다. 함께 보면서 업무 인계 구조를 이해한 뒤, 내 경험과 책임 범위가 맞는 포지션을 골라 보세요. 회사 페이지는 10개 포지션을 모두 같은 비중으로 다룹니다. 특정 공고 하나가 아니라 채용 전체 그림을 전하기 위해서입니다.
지원자의 다음 단계는 회사의 제품 방향이 내 일과 실제로 맞닿는지 확인하는 것입니다. 포지션 하나를 고르고, 회사 공고 원문을 읽고, 내가 내린 결정 하나를 구체적으로 정리해 보세요. Signet의 모의지원으로 이 설명을 연습할 수 있습니다. 새로운 회사 발표나 현재 공고 목록에 따라 상황이 달라질 수 있어, 이 페이지는 모든 주장에 날짜와 조건을 함께 적어 둡니다.
알아 두면 좋은 것
Databricks, 이것만은 알아 두세요
Databricks는 무슨 일을 하나요?
쓸모 있는 센서 경보는 측정값에 이력을 더하고, 정비팀이 바로 조치할 수 있는 판단까지 담습니다. Databricks는 운영 데이터, 분석, AI를 규정에 맞게 관리되는 하나의 기반에 모으고, 사람들이 실제로 쓰는 앱에서 그 데이터를 바로 활용하게 합니다.
한국에는 어떤 기회가 있나요?
각 포지션은 고객 수요에서 출발해 아키텍처, 안정적인 구현, 팀 육성을 거쳐 꾸준한 플랫폼 사용까지 책임집니다.
여기 나온 포지션은 실제로 확인된 공고인가요?
네. 2026-10-08에 회사 채용 페이지와 대조했습니다. 모집 여부는 바뀔 수 있습니다. 모의지원은 회사에 지원서가 가는 것이 아니라 Signet에 검토를 요청하는 단계입니다.
회사를 더 깊이 알아보려면 어떻게 하나요?
비전부터 제품, 성장, 사람, 한국 팀과 현재 공고까지 한 페이지에서 이어집니다. 목차로 원하는 곳으로 이동하고, 궁금한 부분은 펼쳐서 더 읽을 수 있습니다.