Alon Horev 공식 리더 사진
VAST Data / 이 회사가 만드는 미래

VAST는 기업 AI 아래의 데이터와 연산, 통제를 잇습니다.

측정한 성능과 접근 경계를 갖춘 AI 인프라를 운영합니다.

그 미래가 만들어지는 모습 ↓
01 / 제품과 일상

그 미래를 만드는 제품들.

공식 DataStore 접근 구조도
공식 DataStore 접근 구조도
VAST DataStore

공유 데이터 기반에서 파일과 객체를 제공합니다.

애플리케이션은 공유 올플래시 데이터 기반에 파일·객체 방식으로 접근해, 스토리지와 AI 업무 흐름 전반에서 데이터를 활용합니다.

SK Telecom

Petasus AI Cloud와 Haein

해당 구성에서 빠르면 10분 만에 프로비저닝

데이터 공유와 고객사별 접근 통제를 갖춘 가상화 GPU 서비스를 통합 운영합니다.

무엇이 달라졌나요? +

베어메탈 프로비저닝 방식으로는 GPU 서비스를 유연하게 운영하기 어려웠습니다.

SK텔레콤 구성에서 보고된 결과이며, VAST가 어디서나 보장하는 수치가 아닙니다.

Lablup

Backend.AI 연동

이름이 공개된 기술 연동 사례로, 이후 나온 벤치마크와는 별개입니다.

국내 인프라 위에서 데이터셋, 체크포인트, 고객사별 접근 관리를 통합했습니다.

무엇이 달라졌나요? +

학습 워크로드가 커지면서 데이터 처리량과 동시 접근 처리에 부담이 커졌습니다.

학습은 현재 진행 중인 것으로, 추론은 향후 계획으로 구분해 설명합니다.

공식 DataStore 접근 구조도
공식 DataStore 접근 구조도
02 / 고객에게 닿기까지

AI 데이터 업무 흐름 예시

예시: 데이터를 수집해 정리하고 연산한 뒤, 승인된 데이터를 제공합니다.

  1. 01

    저장

    파일·객체 인터페이스로 데이터를 공급합니다.

  2. 02

    정리

    정형 데이터와 벡터를 함께 다룹니다.

  3. 03

    연산

    데이터 가까이에서 이벤트 기반 처리를 실행합니다.

  4. 04

    공유

    접근이 통제된 여러 환경에서 하나의 네임스페이스를 씁니다.

일이 이루어지는 과정 더 보기

GPU만이 아니라 시스템 전체에 공급하는 데이터

GPU 클러스터가 제 몫을 하려면 데이터 인프라가 속도를 따라와야 합니다. 학습 작업은 큰 데이터셋을 읽고, 체크포인트를 쓰고, 결과물을 공유합니다. 추론과 검색 워크로드는 필요한 데이터에 알맞은 권한으로, 예측 가능한 속도로 접근해야 합니다. VAST Data는 이 요구를 서로 분리된 스토리지 제품 여러 개가 아니라 하나의 인프라 문제로 다룹니다. DASE(Disaggregated Shared Everything)는 연산 자원과 공유 데이터 기반을 분리해 각각 독립적으로 확장할 수 있게 한 구조입니다. 회사는 이 설계가 파일, 객체, 테이블, 벡터, 이벤트 기반 연산을 아우르는 플랫폼의 바탕이라고 설명합니다. 어디까지나 아키텍처 설명이며, VAST를 도입하면 모든 모델이 빨라진다는 약속은 아닙니다. 실제 결과는 GPU 구성, 네트워크 설계, 워크로드 형태, 데이터 접근 패턴, 운영 통제에 달려 있습니다. 데이터셋 하나가 어디로 들어오고, 어떤 서비스가 이를 제공하고, 누가 읽을 수 있으며, 모델이나 애플리케이션이 이 데이터로 작업할 때 무슨 일이 일어나는지 따라가 보면 이 회사가 잘 보입니다.

하나의 데이터 경로, 각기 다른 서비스

DataStore는 공유 스토리지 계층으로, 파일·객체 등 일반적인 접근 프로토콜을 지원합니다. DataBase는 정형 데이터와 벡터 데이터 기능을 더해 트랜잭션과 분석 업무를 플랫폼 안으로 가져옵니다. DataEngine은 데이터 가까이에서 연산과 이벤트 기반 실행을 맡습니다. DataSpace는 분산된 환경 전반에 하나의 네임스페이스를 제공합니다. 팀은 여러 위치에 흩어진 데이터셋과 결과물의 접근을 이 안에서 정리합니다. 네 이름은 한 기능을 달리 부르는 말이 아니라 서로 보완하는 별개의 서비스입니다. 설명용 예시로 AI 업무 흐름을 그려 보면, 팀은 데이터를 수집하고, 관련 테이블이나 벡터를 기록하고, 새 객체가 들어오면 변환을 실행하고, 승인된 콘텐츠를 모델에 제공합니다. 그래도 보관 기간, 고객사 간 경계, 권한, 품질 검사, 장애 처리는 책임 담당자가 정해야 합니다. 여기 실린 공식 도식은 회사의 데이터 접근·보안 계층을 설명하는 아키텍처 그림이며, 고객사 내부 환경을 찍은 화면이 아닙니다. 지원자는 이 도식을 근거로, 제안하는 벤치마크가 어디까지 스토리지 동작을 시험하고 어디부터 그 위에 올린 애플리케이션을 시험하는지 설명할 수 있습니다.

한국 사례로 보는 데이터 경로

SK텔레콤은 VAST 공개 자료에 이름이 나온 한국 고객입니다. Haein 클러스터는 NVIDIA Blackwell 인프라, SK텔레콤의 Petasus AI Cloud, VAST 데이터 플랫폼을 결합해 가상화 GPU 서비스를 제공합니다. 공식 발표에 따르면 GPU 환경을 빠르면 10분 만에 프로비저닝했고, 성능은 베어메탈 운영과 비교해 제시했습니다. 이는 해당 구성에서 보고된 결과이며, VAST가 어디서나 보장하는 준비 시간은 아닙니다. 래블업의 Backend.AI 연동도 구체적인 사례입니다. 학습 데이터셋, 체크포인트, 결과물이 공유 데이터 계층을 거치고, 고객사별 할당량과 신원 기반 통제가 적용됩니다. 2025년 11월 발표는 소버린 AI 클러스터에서 이미 진행 중인 학습과 앞으로 확대할 추론을 구분합니다. 플랫폼이 그리는 방향은 현재 배포 범위보다 넓을 수 있으니 둘을 나눠 봐야 합니다. 한국 지원자가 풀 문제는 단순히 더 빠른 스토리지를 파는 일이 아닙니다. 고객과 파트너 팀이 GPU 활용률, 데이터 접근, 격리, 운영 안정성을 모두 갖춘 인프라 서비스를 실제로 운영할 수 있게 돕는 일입니다.

제품과 고객을 더 깊이 알아보기

저장·데이터·연산, 각자 맡은 일

VAST 플랫폼은 여러 인프라 서비스를 하나의 아키텍처에 모읍니다. DataStore는 공유 올플래시 데이터 기반에 파일·객체 방식으로 접근하게 해 줍니다. 익숙한 인터페이스를 쓰므로 애플리케이션이 데이터를 그대로 다룰 수 있습니다. DataBase는 플랫폼의 정형 데이터 서비스로, 트랜잭션·분석·벡터 워크로드를 함께 처리합니다. 쿼리마다 별도 시스템을 거칠 필요가 없습니다. DataEngine은 데이터가 들어오는 즉시 처리하는 이벤트 기반 연산과 함수를 제공합니다. 제품 페이지는 이들을 DASE가 받치는 연관 기능으로 설명하지만, 실제 구현에서는 필요한 서비스와 출시 범위를 정확히 짚어야 합니다. 학습 파이프라인을 운영하는 고객은 처리량과 체크포인트 동작부터 볼 것입니다. 검색 애플리케이션이라면 데이터 수집, 색인, 권한에 맞는 컨텍스트를, 이벤트 기반 업무라면 함수가 언제 실행되고 어떻게 복구되는지를 따질 것입니다. 공개된 제품군에서 뽑은 구매 검토 질문 예시입니다. 공식 제품 도식은 데이터·접근 계층을 설명할 뿐, 실제 애플리케이션 화면을 보여 주지는 않습니다.

글로벌 데이터와 하드웨어의 경계

DataSpace는 글로벌 네임스페이스로 플랫폼을 여러 위치로 확장합니다. 팀은 각 거점을 완전히 고립된 섬처럼 다루지 않고 분산된 데이터셋과 접근 권한을 정리하는 데 도움을 받을 수 있습니다. 그렇다고 해당 환경의 법규, 네트워크 특성, 권한이 사라지지는 않습니다. 지원 플랫폼 페이지는 배포에 필요한 하드웨어를, 파트너 프로그램은 소프트웨어를 인프라 공급사·유통 채널과 함께 공급하는 방식을 설명합니다. 상용 모델은 Gemini입니다. 고객은 VAST 소프트웨어 라이선스를 구매하고, 필요한 하드웨어는 검증된 공급사에서 직접 삽니다. 용량과 연산 라이선스가 따로라서, 구매 구조도 둘을 독립적으로 확장하는 아키텍처와 맞아떨어집니다. Gemini 구독에는 운영 모니터링, 계획, 업그레이드, 증설을 지원하는 Co-Pilot이 포함됩니다. 실무에서 따질 것은 고객 워크로드의 발목을 잡는 자원이 무엇이고, 이를 풀려면 무엇을 바꿔야 하는지입니다. 저장 용량일 수도, 연산일 수도, 네트워크 경로나 애플리케이션 동작일 수도 있습니다. '모든 것을 하나로'라는 설명만으로는 이 진단이 가려지고 제안서도 힘을 잃습니다.

기밀 AI와 출시 성숙도

2026년 9월 발표된 DataEnclave는 NVIDIA Confidential Computing을 활용해 DataEngine 안에 기밀 AI 실행 환경을 추가합니다. 민감한 모델과 데이터는 복호화해 실행하기 전에 하드웨어 격리와 증명(attestation)을 거치고, 고객 데이터와 모델 개발사의 지식재산은 서로 다른 신뢰 영역에 둡니다. 이 발표는 특정 실행 환경과 이를 지원하는 하드웨어에 관한 것입니다. 모든 모델, 모든 배포가 모든 규제를 충족한다는 보장으로 확대해석하면 안 됩니다. 같은 달 CrowdStrike 발표를 보면 출시 성숙도의 차이가 특히 분명합니다. Falcon 센서 기본 지원은 인증을 마치고 제공 중이지만, Next-Gen SIEM과 Falcon Guardian 연동은 비공개 프리뷰 단계입니다. 기술 논의든 영업 논의든 지원자는 이 차이를 정확히 구분해 말해야 합니다. 플랫폼은 보안 가시성을 데이터와 AI 파이프라인 가까이로 가져가려 하지만, 실제 구매 결정은 정식 출시된 기능을 기준으로 내려집니다. 제품 페이지와 발표만으로도 접근 텔레메트리, 모델 신뢰, 워크로드 격리, 운영 복구를 충분히 물어볼 수 있습니다. 다만 발표만 된 연동이 이미 어디서나 실행되는 것처럼 말하면 안 됩니다.

03 / 성장의 증거

이야기는 숫자로도 남습니다.

날짜별 관측

투자 평가액

USD · USD
투자 평가액2023-12-06: $9,100,000,000 USD; 2026-04-22: $30,000,000,000 USD$9,100,000,000 USDSeries E$30,000,000,000 USDSeries F

비상장 투자 라운드 기업가치(달러 기준)로, 연간 매출이나 상장 시가총액과는 다른 지표입니다. 날짜별로 공개된 관측값이며, 그 사이의 성장을 연속으로 측정한 기록은 아닙니다.

수치와 기준일 확인하기 +
투자 평가액
기준일수치집계 기준
2023-12-06$9,100,000,000 USD달러 투자 평가액이며 연간 매출이나 상장 시가총액과 구분합니다.
2026-04-22$30,000,000,000 USD달러 투자 평가액이며 연간 매출이나 상장 시가총액과 구분합니다.

VAST Data

성장의 맥락 더 읽기

소프트웨어와 하드웨어를 따로 사는 구조

Gemini는 VAST의 상용 모델을 '자원 단위로 관리하는 소프트웨어'로 설명합니다. 고객은 용량과 연산 자원이 나뉜 VAST 소프트웨어 라이선스를 구매하고, 필요한 하드웨어는 검증된 하드웨어 공급사에서 직접 삽니다. 아키텍처에서 연산과 스토리지를 따로 확장할 수 있듯, 상용 모델도 소프트웨어를 바꿀 때마다 하드웨어까지 교체할 필요가 없도록 설계됐습니다. Gemini 구독에는 Co-Pilot 서비스가 포함되며 모니터링, 용량 계획, 업그레이드, 증설을 지원합니다. 공개된 모델 조건일 뿐, 특정 한국 고객의 견적은 아닙니다. 구매자는 총비용을 비교하기 전에 라이선스 대상 자원, 지원 하드웨어, 배포 서비스, 실제 워크로드 요건을 먼저 확인해야 합니다. 회사는 직접 영업과 파트너 영업으로 기업 인프라의 가치를 팝니다. 그래서 영업 매니저는 성능, 안정성, 운영 적합성을 고객의 구매 일정에 맞춰 풀어내야 하고, 세일즈 엔지니어는 그 제안을 받치는 기술 근거를 내놓아야 합니다. 영업이든 엔지니어든, 마케팅 성능 수치 하나나 회사의 기업가치로 고객 청구액을 추산해서는 안 됩니다.

차트의 수치는 투자 기준 기업가치

과거 비교에는 연간 매출이 아니라 투자 라운드 기업가치를 썼습니다. VAST는 2023년 12월 6일 시리즈 E에서 91억 달러, 2026년 4월 22일 시리즈 F에서 300억 달러를 발표했습니다. 시리즈 F 거래 규모는 약 10억 달러로, 신주(primary)와 구주(secondary)가 함께 들어 있어 회사가 새로 조달한 현금과는 다릅니다. 같은 발표에서 직전 회계연도 말 기준 누적 계약액 40억 달러 초과, 약정 반복 매출(CARR) 5억 달러 초과도 밝혔습니다. 회사가 공개한 계약 지표로 범위가 서로 다르며, 회계상 인식된 연간 매출과 바꿔 쓸 수 없습니다. 영업이익률과 잉여현금흐름이 양(+)이라고도 밝혔지만, 이 발표에 상장사 수준의 손익계산서가 실린 것은 아닙니다. 정리하면, 회사는 비상장 상태로 기업가치를 평가받으면서 상당한 사업 성장세를 보고하고 있습니다. 지원자는 규모를 말할 때 가장 큰 숫자를 매출 헤드라인으로 바꾸지 말고, 지표마다 정의, 날짜, 범위를 지켜 말해야 합니다.

고객 인프라에 따르는 구축 책임

구매 결정은 더 큰 인프라 투자 안에서 이뤄집니다. 서비스가 실제로 쓸모 있는 결과를 내는지는 GPU 용량, 네트워크 설계, 데이터 이동, 스토리지 내구성, 보안 통제가 모두 좌우합니다. VAST의 공개 고객 자료를 보면 파트너 연동과 운영 지원도 이 일에 포함됩니다. SK텔레콤은 클라우드 관리와 가속 하드웨어를 결합하고, 래블업은 고객사별 워크로드를 조율하며, CoreWeave는 대규모 인프라를 운영합니다. 그래서 소프트웨어 회사의 성장은 벤치마크나 첫 판매 이후에도 안정적으로 운영되는 배포에 달려 있습니다. 공개 사례와 공고를 읽은 Signet의 해석이며, 비공개 갱신율이나 매출총이익률을 공개한 것은 아닙니다. 위험 요인은 워크로드별 성능 가정, 지원 하드웨어·파트너 구성에 대한 의존, 발표된 보안 기능과 정식 출시 사이의 간극입니다. 한국 지원자라면 영업 쪽에서는 합의된 고객 계획을 기술 검증, 구축, 확대까지 이어 간 경험을 보여 주면 좋습니다. 엔지니어링 쪽에서는 그 고객을 레퍼런스로 만든 벤치마크 조건, 구성 변경, 검수 기준, 지원팀 인계를 기록한 경험이 좋은 근거가 됩니다. 인프라 소프트웨어가 고객 가치를 꾸준히 만들어 내는 방식이 바로 이런 실무입니다.

04 / 만드는 사람

누군가는 먼저 보았습니다.

Alon Horev 공식 리더 사진
공동창업자·CTO

Alon Horev

기술 방향을 이끕니다.

회사를 만든 선택 +

아키텍처 방향을 실제 실행으로 옮깁니다.

Shachar Fienblit 공식 리더 사진
공동창업자·연구개발 책임자

Shachar Fienblit

연구와 개발을 이끕니다.

회사를 만든 선택 +

플랫폼 개발과 엔지니어링 실행을 이끕니다.

“모델이 자원이 되어 가고 있습니다”

Renen Hallak · 회사 공식 발표(날짜 명시) · 2026-09-22
회사를 만든 결정들

2016년, 아키텍처에서 출발

VAST는 2016년 1월을 창업 시점으로 보고, 기존 스토리지 제품을 고치는 대신 새로운 분산 아키텍처에서 출발했다고 설명합니다. 현재 창업자 겸 CEO는 Renen Hallak입니다. 공개된 창업 이야기의 중심에는 연산과 공유 데이터 기반을 분리한 DASE가 있습니다. 회사는 이후 스토리지에서 데이터베이스와 연산 서비스로 사업을 넓혔습니다. 이 이력이 중요한 이유는 회사의 AI 포지셔닝이 최근에 붙인 이름표가 아니라 기존 인프라 설계에서 나왔기 때문입니다. 그렇다고 한 아키텍처가 모든 워크로드에 최선이라는 증거는 아닙니다. 현재 제품군은 회사가 밝힌 동작 방식, 배포 요건, 고객 사례로 판단해야 합니다. Hallak은 2026년 9월 DataEnclave 발표에서 모델을 데이터와 함께 운영체제가 관리해야 할 자원으로 규정했습니다. 모델이 어디서 실행되고, 무엇에 접근하며, 누가 쓸 수 있는지까지 플랫폼이 정하겠다는 방향입니다. 지원자는 AI의 미래를 되풀이해 말하기보다, 창업자가 밝힌 방향이 고객의 구체적인 보안·성능 문제와 어떻게 맞닿는지 설명해 보세요.

현재 창업자들과 각자의 역할

현재 리더십 페이지는 Jeff Denworth를 공동 창업자, Alon Horev를 공동 창업자 겸 CTO, Shachar Fienblit을 공동 창업자 겸 최고연구개발책임자로 소개합니다. Andy Pernsteiner는 Field CTO로 따로 올라 있으니 회사 CTO와 혼동하면 안 됩니다. 예전 약력이나 행사 페이지에는 다른 직함이 나오기도 하니 함께 확인해야 합니다. Denworth는 2026년 3월 회사 글에서 AI를 데이터, 판단, 피드백이 끊임없이 흐르는 과정으로 보고, 흩어진 인프라가 불필요한 데이터 이동과 지연을 만든다고 주장합니다. Horev와 Fienblit의 공개된 역할은 회사의 기술 방향을 연구·엔지니어링 성과로 옮기는 일입니다. 공개된 역할 분담일 뿐, 내부 조직도 전체는 아닙니다. 사진은 회사 리더십 페이지에 실린 Horev와 Fienblit의 공식 사진입니다. 나머지 창업자의 직함도 본문에 모두 적었습니다.

비전을 현장의 판단으로 옮기기

공개 채용 자료는 혁신, 고객 중심, 계속 바뀌는 환경에서 일하려는 자세를 강조합니다. 한국 세일즈 엔지니어 공고는 이를 실제 업무로 풀어 씁니다. 시스템을 평가하고, 벤치마크를 만들고, 구성을 정의하고, 설치를 지원하고, 반복 가능한 설계를 아키텍처 청사진으로 정리합니다. 영업 공고에는 고객 관계, 매출 목표(쿼터), 채널 협업, 기존 고객 확대가 더해집니다. 문화 적합성을 가늠할 예를 들어 보겠습니다. 하나는 구현이 감당하지 못할 거창한 플랫폼 주장 대신, 기술적 한계를 분명히 말하면서 팀과 함께 실행 가능한 길을 찾을 수 있는지입니다. 또 하나는 벤치마크 결과를 얻은 조건을 기록으로 남기는지입니다. 공개 공고를 읽은 Signet의 해석이며, 회사 내부 평가 기준이 아닙니다. 이런 예시에는 소프트웨어 엔지니어링과 까다로운 인프라 고객 사이에 선 회사의 위치가 반영돼 있습니다. 가장 설득력 있는 지원 사례는 실제 워크로드, 측정한 제약, 고객과 함께 내린 결정, 배포 후 시스템이 운영된 방식을 하나로 엮은 이야기입니다. 그래야 플랫폼 비전이 멋진 발표로 끝나지 않고 책임지는 서비스가 되는 과정을 보여 줄 수 있습니다.

05 / 한국에서의 다음 장

한국에서 하는 일

기존 한국 팀 안에서 기업 영업과 기술 검증의 범위를 넓힙니다.

Regional Sales Manager (N)
  • Regional Sales Manager (N)

Open posting count, not team headcount

Regional Sales Manager - South Korea
  • Regional Sales Manager - South Korea

Open posting count, not team headcount

Senior Sales Engineer (N)
  • Senior Sales Engineer (N)

Open posting count, not team headcount

공고 수는 현재 기능을 보여 주며 팀 인원과 구분합니다.

왜 한국이고, 왜 지금일까요?+

GPU 서비스에 데이터 처리량과 고객별 통제, 책임 있는 배포가 필요합니다.

SK텔레콤 인프라 협력

래블업 Backend.AI 연동

한국에서의 기회 자세히 보기

공개된 한국 배포 사례로 보는 현지 상황

VAST는 2025년 8월 SK텔레콤과의 인프라 협력을, 같은 해 11월 래블업과의 협업을 발표했습니다. SK텔레콤의 Haein 클러스터는 가속 하드웨어, Petasus AI Cloud, VAST 플랫폼을 결합해 국내에서 가상화 GPU 서비스를 제공합니다. 래블업은 Backend.AI를 VAST 데이터 기반과 연동해 데이터셋, 체크포인트, 고객사별 워크로드를 다룹니다. 발표에서는 학습은 이미 지원하고 추론은 향후 방향이라고 분명히 밝힙니다. 해외 고객을 모두 한국 레퍼런스처럼 내세우는 것이 아니라, 국내에서 실제로 진행된 기술 작업의 근거입니다. 2026년 6월 공동 캐시 오프로드 벤치마크는 별개의 기술 실험이며, 결과는 시험한 구성과 워크로드에 따라 다릅니다. 운영 중인 서비스의 성능으로 바꿔 말하거나 모든 모델로 일반화하면 안 됩니다. 따라서 한국 사업은 기업 인프라 고객, AI 서비스 운영사, 기술 파트너, 까다로운 배포 요건이 맞물린 시장입니다. 한국 팀 규모와 한국 매출은 이 자료로 추정하지 않습니다.

진행 중인 공고 세 개, 서로 다른 자리

10월 10일 공식 채용 피드와 Comeet 공고 전문을 확인했습니다. 서울 근무, 사무실 출근, 정규직으로 표시된 서로 다른 공고 ID 세 개가 있습니다. Regional Sales Manager (N), Regional Sales Manager - South Korea, Senior Sales Engineer (N)입니다. 첫 번째 영업 포지션은 기업 직접 영업 7년 이상과 스토리지 프로토콜·아키텍처 지식을 요구합니다. 한국 전담 영업 포지션은 이미 자리 잡은 한국 팀, 운영 중인 고객, 파트너, 지역 프리세일즈 지원이 있고, 담당 범위를 넓히려 인원을 늘린다고 분명히 적었습니다. 한국어 원어민 수준과 APAC·미국과 일할 업무 영어를 요구하며, 국내 영업 실적과 고객 네트워크를 강조합니다. 엔지니어 포지션은 기업 스토리지 영업 지원 5년 이상과 가상화, 고성능 컴퓨팅, 네트워크, 기업 보안 지식을 요구합니다. 언어 요건을 명시하지 않은 공고에는 언어 요건을 붙이지 않았습니다. 두 영업 포지션은 원 공고 ID와 요건이 달라, 직함이 비슷해도 하나로 합치지 않고 따로 둡니다.

영업과 기술을 아우르는 고객 사례 준비하기

한국 영업 공고는 개인 매출 목표를 고객 전략, 채널 관계, 구매 일정 관리, 매출 예측, 고객 확대와 함께 설명합니다. 더 자세한 한국 전담 공고는 담당 지역과 고객 범위를 기존 팀과 합의한다고 밝히고, 시장 전체를 혼자 차지하려는 사람보다 팀 안에서 기여할 사람을 찾습니다. 엔지니어 공고에는 기술 검증, 벤치마크, 구성, 설치에 더해, 이를 제품 요구사항과 재사용 가능한 아키텍처 청사진으로 정리하는 일이 들어 있습니다. 준비 예시로, 고객 사례 하나와 기술 검증 사례 하나를 가져가 보세요. 워크로드, 검수 기준, 구성, 시험 후 내린 결정이 드러나야 합니다. 공고를 바탕으로 한 Signet의 준비 제안이며, 회사가 밝힌 입사 후 90일 계획은 아닙니다. 계약이 결정된 뒤 파트너, 프리세일즈, 지원팀과 어떻게 일했는지도 설명할 수 있어야 합니다. 요구 경력이 높고 사무실 근무가 명시된, 난도 높은 기업 인프라 영업·실행 업무입니다. 회사 설명 하나로는 공고별 영업, 언어, 기술 요건을 대신할 수 없으니, 지원 전에 공고 전문을 꼭 읽어 보세요.

지금 열린 한국 공고

한국 공고 3개

Signet 공고 목록 · 2026-10-19 기준

지원자에게

서울 공고별로 영업, 언어, 기술 요건을 꼼꼼히 확인해 보세요.

영업·사업개발(GTM)

Regional Sales Manager - South Korea

서울

공고 확인

하는 일
기존 한국 팀에서 개인 영업 목표를 맡습니다.
찾는 사람
한국 시장에서 기업용 인프라나 데이터 플랫폼을 판매해 성과를 낸 경험이 있어야 합니다.
알아 둘 점
서울 현장 근무이며 공고별 요건을 읽으십시오.
이 공고로 모의지원 ↗
영업·사업개발(GTM)

Regional Sales Manager (N)

서울

공고 확인

하는 일
기업 인프라를 팔고 파트너 경로를 키웁니다.
찾는 사람
대기업 고객을 상대로 매출 목표(쿼터)를 꾸준히 초과 달성한 실적이 있어야 합니다.
알아 둘 점
서울 현장 근무이며 공고별 요건을 읽으십시오.
이 공고로 모의지원 ↗
솔루션 엔지니어링

Senior Sales Engineer (N)

서울

공고 확인

하는 일
기술 검증과 벤치마크, 구조 설계를 맡습니다.
찾는 사람
대규모 IT 조직 대상 기업 스토리지 영업 지원 경력 5년 이상이 필요합니다.
알아 둘 점
서울 현장 근무이며 공고별 요건을 읽으십시오.
이 공고로 모의지원 ↗
07 / 최근의 움직임

다음 장면은 만들어지고 있습니다.

CrowdStrike 보안 연결

Falcon 센서는 제공 중이며, 나머지 연동은 비공개 프리뷰입니다.

DataEnclave 기밀 AI

실행 중인 모델과 데이터를 보호하는 실행 환경입니다.

프랑스 Arkane Cloud 도입

Arkane Cloud가 기업용 AI 서비스의 데이터 기반으로 VAST를 선택했습니다.

최근 움직임의 맥락 더 읽기

9월 1일: 보안 기능별로 다른 제공 단계

VAST와 CrowdStrike는 2026년 9월 1일 인프라, 데이터 접근, AI 파이프라인에 걸친 보안 연동을 발표했습니다. 발표에 따르면 Falcon 센서 기본 지원은 인증을 마치고 제공 중이며, Falcon Next-Gen SIEM과 Falcon Guardian 연동은 비공개 프리뷰 단계입니다. 계획된 텔레메트리·파이프라인 연동은 데이터 활동을 위협 정보와 함께 분석하고, AI용으로 준비한 콘텐츠를 보호할 예정입니다. 핵심은 지금 쓸 수 있는 센서 지원과 향후 연동의 성숙도가 다르다는 점입니다. 실서비스 설계는 문서로 확인된 정식 기능을 기준으로 하고, 프리뷰 기능은 따로 평가해야 합니다. 발표문도 정식 제공 제품을 기준으로 구매하라고 권합니다. 영업용 요약을 만들 때도 이 단서는 빠뜨리면 안 됩니다.

9월 22일: 모델을 통제된 데이터 곁으로

DataEnclave는 NVIDIA Confidential Computing을 활용해 DataEngine 안에 기밀 AI 기능을 도입합니다. 회사가 설명하는 실행 환경은 실행 중인 모델과 데이터 자산을 보호하고, 민감한 자료를 넘기기 전에 환경부터 검증합니다. 발표는 모델·생태계 파트너를 밝히고, 외부 서비스로 쉽게 옮길 수 없는 데이터를 성능 좋은 모델로 처리하는 문제의 해법으로 이 기능을 설명합니다. 하드웨어와 신뢰 요건이 따르는 구체적인 기술 방향이지, 소버린 요건을 일괄 인증한다는 뜻은 아닙니다. 지원자라면 이를 계기로 고객이 통제하는 키, 모델 개발사의 신뢰 영역, 승인된 접근, 그리고 저장된 데이터를 지키는 일과 실행 중인 연산을 지키는 일의 차이를 두고 실무적인 대화를 나눌 수 있습니다.

9월 29일: 프랑스 AI 서비스 사례

프랑스에서 기업용 AI 클라우드를 운영하는 Arkane Cloud는 데이터 기반으로 VAST를 선택했고, 공급은 PNY Technologies가 지원합니다. 9월 29일 발표는 공유 GPU와 API로 시작해, 워크로드와 경제성이 검증되면 전용 인프라로 넘어가는 단계를 설명합니다. GPU 확보만이 아니라 멀티테넌시, 서비스 품질, 비용 예측 가능성, 거버넌스를 강조합니다. 프랑스 사례이므로 한국 배포 사례와는 구분해서 봐야 합니다. 한국 독자에게 쓸모 있는 점은 그대로 가져올 수 있는 구현 질문입니다. 더 큰 전용 환경에 투자하기 전에, 공유 기반에서 서비스를 어떻게 검증할 것인가 하는 질문입니다. 사례에서 읽은 Signet의 해석이며, 다른 시장에서 같은 결과가 나온다는 예측은 아닙니다.

그 회사의 미래가, 내 일이 된다면.

내가 맡을 일 찾기 ↑

Signet이 독립적으로 편집한 회사 소개입니다. 제휴나 투자 권유가 아니며, 소개는 동의한 뒤에만 이루어집니다.
자료 검토 2026-10-10

알아 두면 좋은 것

VAST Data, 이것만은 알아 두세요

VAST Data는 무슨 일을 하나요?

VAST는 기업 AI 아래의 데이터와 연산, 통제를 잇습니다.

한국에는 어떤 기회가 있나요?

기존 한국 팀 안에서 기업 영업과 기술 검증의 범위를 넓힙니다.

여기 나온 포지션은 실제로 확인된 공고인가요?

네. 2026-10-10에 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.

회사 목록으로 ↗