우회로 대신 제품을 만드세요.

문제: 데이터베이스만 17종

MongoDB는 기술 책임자라면 대부분 아는 비용 문제에서 출발합니다. 앱마다 데이터베이스가 필요한데, 회사에 따르면 대기업은 앱과 그 뒤의 데이터베이스를 수만 개씩 운영하기도 합니다. 어떤 데이터베이스를 고르느냐가 개발 속도와 앱 성능을 좌우하니 전략적 결정일 수밖에 없습니다. 게다가 팀들은 그동안 검색용 시스템을 따로 들였고, 이제는 AI 벡터용 시스템까지 하나 더 들이고 있습니다. 시스템마다 익히고, 동기화하고, 보안을 챙기고, 비용을 내야 합니다.

17개의 서로 다른 데이터베이스를 갖고 싶어 하는 고객은 이 세상에 없습니다.

Dev Ittycheria · 당시 사장 겸 CEO · CEO 취임 10주년 인터뷰 · 2024-04-28

회사가 내놓은 답은 두 가지입니다. 첫째는 문서 모델입니다. 레코드 하나를 유연한 문서 하나로 저장하며, 그 형태는 앱이 이미 주고받는 JSON과 비슷합니다. 그래서 테이블을 다시 설계하지 않고도 필드나 새로운 유형의 상호작용을 추가할 수 있습니다. 둘째는 검색, 벡터 검색, 임베딩을 실시간 데이터와 같은 플랫폼에 넣은 것입니다. Ittycheria는 2024년 독립형 벡터 데이터베이스를 두고 '제품 행세를 하는 기능'이라고 했습니다. 후임 CEO는 2026년 9월 투자자들에게, 이 기능들은 나중에 덧붙인 것이 아니라 처음부터 내장돼 있어 에이전트가 여러 시스템 대신 플랫폼 하나에만 접속하면 된다고 말했습니다.

2026년에 이 승부수가 더 설득력을 얻는 이유

세 가지 변화가 이 승부수의 가치를 키웠습니다. 첫째는 클라우드입니다. MongoDB가 고객 대신 데이터베이스를 운영해 주는 Atlas는 2016년 6월 출시됐습니다. 2017년 상장 때 매출의 2%였던 Atlas 비중은 2026년 1월 31일 마감 회계연도에 73%가 됐습니다. 이제 MongoDB는 매출 대부분을 데이터베이스 운영으로 벌기 때문에, 고객의 앱이 커지면 MongoDB의 매출도 늘어납니다.

둘째는 AI입니다. Ittycheria는 2025년 11월, 소프트웨어가 많아질수록 데이터베이스도 늘고, JSON을 읽고 쓰는 언어 모델에는 JSON 데이터베이스가 잘 맞는다고 주장했습니다. 회사는 2025년 2월 임베딩 모델 업체 Voyage AI를 1억 6090만 달러에 인수했습니다. 2026년 3월 기준, 벡터 검색을 쓰는 고객 수는 1년 만에 거의 두 배로 늘었습니다.

우리는 원래 JSON 데이터베이스이므로 구조상 AI 시대에 잘 맞습니다. LLM은 JSON을 만들고 읽으며 MCP도 JSON을 기반으로 합니다.

Dev Ittycheria · 당시 사장 겸 CEO · 보도된 퇴임 계획 관련 투자자 통화 · 2025-11-03

셋째는 마이그레이션입니다. 회사는 2026년 9월 Investor Day에서 AI 도구가 현대화 과정을 바꿔 놓았다며, Oracle, SQL 등 관계형 워크로드를 '기록적인 속도'로 MongoDB에 옮길 수 있게 됐다고 말했습니다. 이 시장 규모는 자체 추산 100억 달러입니다. 판매 경로는 둘입니다. 기존 고객에게는 직접 팔고, 새 시장에는 파트너와 함께 들어갑니다.

앱 변경 하나가 플랫폼을 거치는 과정

가상의 예를 들어 보겠습니다. 한 은행이 기존 고객용 앱에 AI 어시스턴트를 넣으려 합니다. 먼저 개발자가 데이터를 설계합니다. 옛 테이블을 하나하나 그대로 옮기지 않고, 앱이 데이터를 읽고 쓰는 방식을 보고 어떤 필드를 한 문서에 묶을지 정합니다. 다음으로 플랫폼·보안 엔지니어가 은행이 이미 쓰는 클라우드에서 Atlas 배포 방식을 고르고 접근 권한을 준비합니다. 이어 팀은 같은 문서에 전문 검색과 벡터 검색 색인을 만듭니다. 그러면 어시스턴트는 동기화할 별도 시스템 없이도 의미 기반으로 고객 이력을 찾을 수 있습니다.

앱이 아직 오래된 관계형 데이터베이스에 있다면 마이그레이션이 먼저이고, 사람의 역할이 가장 중요한 단계도 바로 여기입니다. MongoDB와 Cognition은 이제 도구가 코드 작업의 상당 부분을 자동화한다고 말합니다. 그래도 사람의 판단이 필요한 결정, 즉 목표 데이터 모델 설계와 전환 순서는 엔지니어링팀이 내립니다. 수행에 들어가기 전에 고객과 MongoDB는 범위와 전제 조건을 합의합니다. 오해를 안은 채 프로젝트를 시작하지 않기 위해서입니다.

핵심 메시지는 단순화이고, 독립 분석가들도 일부는 인정합니다. 이어 붙일 시스템이 줄면 유지보수할 코드도 준다는 것입니다. 하지만 대가도 지적합니다. 통합 플랫폼은 종속(lock-in)으로 이어질 수 있고, 내장 AI 기능은 MongoDB가 이미 고객의 주 데이터 저장소일 때 효과가 가장 큽니다. 한국 고객도 이 두 가지를 물어볼 테니 대비해 두세요.

서울에서 어느 포지션을 맡든, 매일 하는 일은 이 믿음을 한국 고객 한 곳 한 곳에 맞는 구체적인 계획으로 바꾸는 것입니다. 어떤 앱부터 옮길지, 비용이 얼마인지, 누가 수행할지, 성과를 어떻게 측정할지 정하는 일입니다.

같은 데이터베이스, 두 가지 판매 방식

MongoDB는 같은 데이터베이스를 두 가지 방식으로 팝니다. Atlas는 관리형 클라우드 서비스입니다. MongoDB가 AWS, Google Cloud, Microsoft Azure에서 직접 운영하고 사용량만큼 요금을 받습니다. 2026년 1월 31일 마감 회계연도의 Atlas 관련 매출은 18억 790만 달러였습니다. 같은 해 5억 7810만 달러를 기록한 Enterprise Advanced 등 구독 매출은 MongoDB를 직접 운영하는 고객에게서 나옵니다. CEO는 2026년 3월, 유럽과 아시아의 일부 산업에서는 MongoDB를 쓰되 경우에 따라 Enterprise Advanced를 택하고, 특정 워크로드만 클라우드에 두려는 경향이 보인다고 말했습니다. 공개된 한국 고객 중에 통신사, 카드사, 보험사가 있는 만큼 한국에서도 중요한 대목입니다.

검색도 같은 플랫폼 안에 있습니다. Atlas Search는 앱이 이미 가진 문서를 색인하고, 벡터 검색은 Voyage AI 임베딩으로 의미가 비슷한 항목을 찾습니다. 공개 프리뷰 중인 Native Reranking은 쿼리 안에서 결과 순서를 다시 매깁니다. 회사는 이 기능으로 검색 품질을 최대 30% 높일 수 있다고 말합니다. 구매자 입장에서 핵심은 보안을 챙기고 비용을 낼 시스템이 셋에서 하나로 준다는 점입니다.

최신 레이어: 에이전트와 현대화

회사는 2026년 9월 29일 MongoDB 9.0을 정식 출시(GA)했습니다. 자체 벤치마크 기준으로 8.0보다 처리량은 최대 2배, 읽기는 35%, 업데이트는 30% 빠르다고 주장합니다. 공개 프리뷰도 두 가지 내놓았습니다. Atlas Infinite는 수요가 갑자기 몰릴 때를 대비한 배포 옵션입니다. Atlas Agent Engine은 AI 에이전트에 실행 환경과 메모리, 거버넌스를 제공합니다. 사용량 기준으로 과금하고 고객의 기존 Atlas 약정에서 차감하므로, 새 계약 없이 도입할 수 있습니다.

서울 포지션에 가장 중요한 제품은 AMP(Application Modernization Platform)입니다. MongoDB는 AMP를 도구, 기법, 인재의 조합으로 설명합니다. AI 도구와 수행 방법론, 전문 엔지니어가 앱 로직과 데이터 아키텍처를 함께 현대화하기 때문에, 기술 부채를 이 기술에서 저 기술로 옮기는 데 그치지 않는다는 것입니다. 회사는 AMP 프로젝트가 평균 2~3배 빠르게 진행된다고 말합니다. 2026년 9월부터는 Cognition의 AI 소프트웨어 엔지니어 Devin과 연동되며, 초기 공동 테스트에서는 5~6시간 걸리던 작업이 1시간 남짓으로 줄었습니다. 관계형 데이터 이전용으로 먼저 나온 Relational Migrator도 여전히 도구 구성에 포함돼 있고, 서울 아키텍트 공고에도 신규 입사자가 익힐 도구로 올라 있습니다.

고객은 수십 년 된 레거시 앱을 몇 년이 아니라 몇 달 만에 MongoDB로 옮길 수 있습니다. 그러면 실시간 운영 데이터를 바탕으로 AI 앱과 에이전트를 프로덕션에서 운영할 수 있는 최신 데이터 기반을 갖추게 됩니다.

Dev Ittycheria · 임시 사장 겸 CEO · Investor Day의 Cognition 협업 발표 · 2026-09-29

누가 도입했고, 무엇을 측정했나

미국 Toyota Financial Services는 2017년 MongoDB로 데이터 레이크를 구축했습니다. 데이터베이스팀이 업무 시간의 40%를 인프라 관리, 패치, 지원에 쓰고 있었던 것이 Atlas 도입의 계기가 됐습니다. 지금 Atlas는 메인프레임에 있던 대출·리스 데이터를 실시간 플랫폼으로 통합하고, 주당 수백만 건을 처리하는 이벤트 로그도 운영합니다. 40%는 이전 업무 비중이며, 실제로 측정한 절감 효과가 아닙니다. 영국 Nationwide는 당좌대월 데이터베이스를 약 6개월 만에 SQL에서 옮겼고, 수석 엔지니어는 Relational Migrator 덕분에 작업량을 절반 줄였다고 추산합니다.

한국 사례도 같은 흐름입니다. LG유플러스에서는 상담사 4000명이 한 달에 350만 건을 상담합니다. 관계형 스키마가 AI 상담 도우미를 만들기에는 너무 경직돼 있다고 판단해, 약 4개월 만에 Atlas Vector Search로 구축했습니다. 회사는 자원 효율이 약 30% 높아지고 처리 시간이 약 7% 줄었다고 밝혔습니다. BC카드는 AI 핫딜 서비스에 하이브리드 검색을 도입하려고 PostgreSQL에서 Atlas로 옮겼습니다. 메리츠화재는 Enterprise Advanced로 보험 사기 탐지 시스템을 운영하고, Syncly는 유사도 검색이 10배 이상 빨라졌다고 밝힙니다.

여기 나온 성과는 거의 모두 고객이 MongoDB 행사나 사례 페이지에서 직접 밝힌 수치입니다. 눈여겨볼 것은 되풀이되는 문제의 양상입니다. 관계형 스키마 때문에 AI나 검색 기능 개발이 더뎌졌고, 해당 앱을 검색까지 한 시스템에서 처리하는 문서 모델로 옮겨 해결했습니다.