AI가 특정 팀의 전유물이 되지 않도록.

자사 에이전트가 몇 개인지도 모르는 회사

Dataiku는 대기업 현장에서 직접 본다는 문제에서 출발합니다. AI는 클라우드, 모델, 에이전트, 앱으로 빠르게 퍼지는데, 대부분의 조직은 그 속도를 통제하지 못합니다. 여러 공급사에서 따로 사들이다 보면 중복 작업, 들쭉날쭉한 성능, 거버넌스 사각지대가 남습니다. CEO Florian Douetteau는 이를 한 장면으로 설명합니다. 은행에 서버가 몇 대냐고 물으면 소수점까지 답이 나오지만, AI 에이전트가 몇 개냐고 물으면 어깨만 으쓱한다는 것입니다. Dataiku가 의뢰해 2026년 9월 발표한 CIO 685명 대상 조사에서는 84%가 '직원들이 AI 에이전트와 앱을 만드는 속도를 IT의 관리가 따라가지 못한다'는 데 동의했습니다. 다만 조사를 의뢰한 곳이 바로 그 해법을 파는 회사이니, 시장에 대한 회사의 시각으로 보는 편이 맞습니다.

모든 단계에서 빠짐없이 AI를 관리하는 것

Florian Douetteau · 공동창업자·CEO · Platform for AI Success 회사 발표 · 2026-03-09

업무를 아는 사람이 직접 만드는 AI

이 믿음은 생성형 AI보다 먼저 생겼습니다. Dataiku는 2013년 파리에서 Florian Douetteau, Clément Stenac, Thomas Cabrol, Marc Batty가 세웠고, 데이터 작업을 소수 전문가에게만 맡겨 둬서는 안 된다는 생각에서 출발했습니다. Stenac은 2025년 7월 서울에서도 같은 말을 했습니다. 창업자들은 모든 종류의 회사, 그리고 그 안의 모든 사람이 데이터를 활용해 가치를 얻기를 바랐다는 것입니다. 회사는 2026년 이 생각을 세 가지로 정리합니다. 먼저 사람입니다. IT가 정한 가드레일 안에서 현업 전문가가 직접 AI를 만듭니다. 다음은 오케스트레이션으로, 데이터와 모델, 에이전트, 업무 규칙이 하나의 시스템으로 작동합니다. 마지막은 거버넌스입니다. 모든 단계에서 테스트, 승인, 측정을 거치므로 승인 없이는 아무것도 배포되지 않습니다. 클라우드 공급사와 무엇이 다른지는 2026년 3월 재출범 발표의 한 문장이 말해 줍니다. 고객이 쓰는 모든 데이터 플랫폼, 모델, 에이전트 프레임워크와 통합하되, 어느 것에도 의존하지 않는다는 것입니다.

'왜 지금'에 대한 답은 세 가지 압박으로 모입니다. 첫째, 경영진은 성과를 보여야 합니다. 한국을 포함한 8개국 CEO 900명을 대상으로 한 2026년 Dataiku 조사에서 80%가 AI 결과물에 적극적으로 의문을 제기하거나 반박한다고 답했습니다. 둘째, 에이전트가 목록으로 정리할 수 없을 만큼 빠르게 늘고 있습니다. 셋째, 2026년 8월 Douetteau는 한 최첨단 모델에 대한 접근이 제한되자 기업 고객들이 AI 공급사 한 곳에 의존하는 방식을 다시 생각하게 됐다고 말했습니다. 세 가지 모두 공급사들 위에 놓이는 중립적 계층을 가리킵니다.

보고 업무 하나를 단계별로

Dataiku가 2024년 11월 공개한 사례를 보면 제품이 어디에 쓰이는지 알 수 있습니다. 미국 식품회사 Perdue Farms의 식품안전팀은 매달 몇 시간씩 여러 스프레드시트에 흩어진 미국 농무부 데이터를 모아 손으로 보고서를 만들었습니다. 연결 단계에서는 직원이 공유 사이트에 파일을 올리고, API 호출로 정부 데이터를 가져옵니다. 두 데이터는 Perdue가 이미 쓰던 Azure와 Snowflake 위에서 운영되는 Dataiku 프로젝트로 모입니다. 준비 단계에서는 분석가가 시각적 도구로 데이터를 정리하고, 엔지니어는 같은 프로젝트에서 코드로 작업합니다. 매달 처음부터 다시 만들던 보고서가 누구나 들여다볼 수 있는 파이프라인으로 바뀝니다. 여기서부터는 이 2024년 사례에 에이전트가 쓰였다는 뜻이 아니라, 현재 플랫폼으로 할 수 있는 일을 든 예시입니다. 팀은 모델이나 에이전트를 만들고, 언어 모델 호출을 LLM Mesh로 보내며, 담당자·승인 경로·모니터링을 붙일 수 있습니다. Perdue는 며칠 걸리던 작업이 이제 몇 시간이면 끝난다고 밝혔습니다.

마지막 결정은 사람이 합니다. Dataiku가 소개한 Standard Chartered의 머니 뮬(불법 자금 전달책) 위험 점수 엔진 사례에서는 AI가 위험을 찾아 우선순위를 정하고, 조치는 조사 담당자가 결정합니다.

근거 대부분은 회사가 직접 낸 자료입니다. 회사가 쓴 고객 사례, 회사가 외부 전문가와 함께 심사하는 자체 시상, 회사가 의뢰한 설문 조사와 투자수익률(ROI) 연구입니다. 엔터프라이즈 소프트웨어에서는 흔한 일이지만, 한국 고객사는 그래도 직접 연락해 확인할 수 있는 레퍼런스를 요구할 것입니다.

한국에서 합류하는 사람에게 이 제품의 핵심은 고객사 안에서 AI를 만드는 사람이 바뀐다는 점입니다. LG화학은 2023년, 프로그래밍 없이 데이터를 분석하려는 공장·현업 직원을 위한 노코드 플랫폼을 소개하면서 분석 계층으로 Dataiku를 쓴다고 밝혔습니다. 한국 기업에서 이런 의지와 이를 뒷받침할 예산을 찾아내는 일이 곧 이 포지션의 업무입니다.

갈아엎지 않고 넓혀 온 플랫폼 하나

Dataiku는 플랫폼 하나를 팔면서 그 위에 계층을 계속 얹어 왔습니다. 창업 후 오랫동안 제품은 Data Science Studio 하나였고, 서울 채용 공고에서는 지금도 DSS라고 부릅니다. 고객의 기존 데이터, 도구, 인프라 위에서 분석가는 시각적 업무 흐름으로, 데이터 사이언티스트와 엔지니어는 코드로 같은 프로젝트에서 작업합니다. 한국에서는 고객 서버 설치형과 클라우드 서비스형으로 모두 판매하며, 회사는 ISO 27001과 SOC 2 Type II 인증을 금융, 의료, 공공 시장에 들어가는 발판으로 내세웁니다. 회사가 드는 예로 보면, 이 제품은 스프레드시트 작업과 Alteryx 업무 흐름 같은 기존 도구를 대체합니다.

LLM Mesh는 고객의 애플리케이션과, 그 애플리케이션이 호출하는 언어 모델 사이에 놓인 게이트웨이입니다. 관리자는 설정 화면 하나에서 OpenAI, Azure OpenAI, Anthropic, Cohere, Google Vertex, AWS Bedrock, Databricks, Snowflake Cortex, Mistral, Hugging Face 같은 공급사를 연동합니다. 그런 다음 요청 라우팅, 비용 모니터링, 안전 규칙 적용을 한곳에서 처리합니다. 애플리케이션을 다시 짜지 않고도 새 모델을 도입하거나 공급사를 바꿀 수 있다는 것이 이 제품의 약속입니다. 핵심 업무를 최첨단 모델 하나에 묶어 두면 안 된다는 Douetteau의 주장을 제품으로 옮긴 셈입니다.

2025년 10월 선보인 Agent Hub에서 직원들은 에이전트를 만들고 공유합니다. 양식에 에이전트의 지시문, 역할, 기반 모델을 입력하면 됩니다. 2026년 6월 출시된 Cobuild는 사용자가 업무 목표를 일상 언어로 설명하면 시각 인터페이스에 프로젝트 전체를 만들어 줍니다. 이렇게 만든 파이프라인, 모델, 에이전트, 앱은 모두 추적할 수 있습니다. 2026년 9월에는 Dataiku Headless로 개발자도 Cobuild를 쓸 수 있게 했습니다. Claude Code, OpenAI Codex, Cursor 같은 코딩 도구에서 작동하며, Excel 통합 문서나 Alteryx 업무 흐름을 규정에 맞게 관리되는 프로젝트로 옮길 수 있습니다.

에이전트를 세고, 측정하고, 정리하기

Agent Management는 2026년 9월 24일 Succeed 콘퍼런스에서 공개됐고, 2026년 10월 정식 출시가 발표됐습니다. 다른 공급사의 에이전트 위에서 작동하는 독립 제품입니다. AWS Bedrock, Databricks, Google Vertex, Microsoft Copilot Studio와 Azure Foundry, Salesforce Agentforce, Snowflake Cortex, 그리고 Dataiku 자체와 연동해 에이전트를 하나의 목록으로 모읍니다. 그리고 업무 성과와 기술 성능을 측정하고, 위험이 가장 큰 에이전트를 표시합니다. 가격은 인스턴스당 연간 이용료이고 모니터링은 에이전트 단위로 과금합니다. 영업 입장에서는 판매 단위가 명확합니다. Dataiku는 한 공급사의 스택에 내장된 모니터링은 그 공급사의 에이전트에 유리할 수밖에 없다며 이 제품과 대비합니다.

모든 단계에서 빠짐없이 AI를 관리하는 것

Florian Douetteau · 공동창업자·CEO · 2026년 CIO 조사 관련 회사 발표 · 2026-09-24

누가 도입했고, 어떤 성과를 밝혔나

실명이 공개된 고객 사례에는 수치가 함께 나옵니다. 모두 회사나 고객이 밝힌 것이고, 각각 활용 사례 하나에 대한 수치입니다. Standard Chartered에서는 금융범죄 전문가, 데이터 사이언티스트, 엔지니어가 머니 뮬 위험 점수 엔진을 만들었습니다. Dataiku 설명에 따르면 첫 12개월 동안 계좌 약 4만 개를 찾아내고 평균 조사 시간을 약 75% 줄였으며, 은행은 약 9천만 달러를 동결하거나 세탁되지 않게 막았습니다. Bank Hapoalim에서는 사람의 감독 아래 에이전트가 해외 유입 외화 송금의 90% 이상을 처리해, 처리 시간을 6분에서 2분으로 줄였습니다. ExxonMobil 공급망 전문가들은 화차 4만 대와 선박 800척 이상에 걸친 업무를 자동화해 1천만 달러 이상을 절감했습니다.

한국 고객들은 한국 언론에 직접 이야기합니다. LG그룹 광고회사 HSAD는 비정형 텍스트를 분석하고 특정 기술에 종속되지 않으려고 Dataiku를 택했습니다. AI전략팀장은 외부 업체에 맡기면 최소 한 달 걸리던 시장 조사가 이제 2주면 끝나고, 첫 달에 직원들이 에이전트를 800개 넘게 만들었다고 말했습니다. LG화학은 공장 데이터로 제품 품질을 예측하는 현업 분석가 플랫폼에 Dataiku를 먼저 택하고, 그 아래 데이터 기반으로 Snowflake를 도입했습니다.

위 수치는 모두 고객 한 곳의 업무 흐름 하나에 대한 것이며, 그 고객이 측정했거나 Dataiku가 전한 것입니다. 한국 고객과 영업 대화를 할 때는 '머니 뮬 엔진 하나, 첫 12개월, 은행 자체 측정'처럼 범위를 밝히고 사례를 인용하세요.