SaaS(기록의 시스템)에서 AI Agent(판단과 실행의 시스템)로 넘어가는 과도기, 기존 강자들의 구체적인 움직임과 스타트업이 파고들 빈틈에 대한 심층 분석입니다.
문제의 본질: "결과는 남지만, 판단의 맥락은 증발한다"
기존 SaaS는 결과값(What)만 기록합니다. 예를 들어 영업팀이 규정보다 10% 더 높은 할인을 승인했다면, CRM에는 '10%'라는 숫자만 남습니다.
하지만 실제 중요한 정보인 "경쟁사 방어를 위한 전략적 결정", "지난 분기 유사 사례 참조", "슬랙에서 재무팀과 합의함" 같은 의사결정의 근거(Why)와 과정은 기록되지 않고 증발합니다. 이 '의사결정 경로(Trace)'를 구조화된 데이터로 만드는 것이 차세대 플랫폼의 핵심입니다.
데이터브릭스(Databricks)의 공격적인 행보와 디테일
데이터브릭스는 이 기회를 잡기 위해 가장 적극적으로 움직이고 있습니다. 단순히 데이터만 저장하는 것이 아니라 '실행' 영역으로 넘어가기 위해 구체적인 기술 스택을 쌓고 있습니다.
LakehouseIQ: 기업 내부 데이터, 문서, 쿼리 로그를 학습하여 회사의 전문 용어와 고유한 맥락을 이해시키는 '두뇌' 역할을 시도 중입니다.
AgentBricks & Genie: 시맨틱 레이어를 활용해 자연어로 데이터를 분석하고 작업을 수행하는 에이전트 기능을 지원합니다.
Operational DB 확보: 에이전트가 실시간 데이터를 처리할 수 있도록 Lakebase(관리형 Postgres)를 출시하고, Neon(서버리스 Postgres)을 인수하여 에이전트용 '운영 데이터 플레인'을 직접 갖췄습니다.
MLflow 3: 배포된 에이전트들을 오케스트레이션하고 모니터링하는 인프라까지 구축했습니다.
그럼에도 불구하고 놓칠 수 있는 구조적 한계 (Innovator's Dilemma)
데이터브릭스가 이렇게 철저히 준비했음에도 불구하고, 스타트업에게 기회가 있는 이유는 그들의 태생적 위치 때문입니다.
사후 처리(Post-Event)의 덫: 데이터브릭스는 기본적으로 ETL(추출-변환-적재) 이후의 데이터를 다룹니다. 영업사원이 세일즈포스에서 버튼을 누르고, 개발자가 지라에서 티켓을 넘기는 그 '실시간 실행 시점'에는 개입하지 못합니다. 데이터가 창고에 도착했을 때는 이미 슬랙에서의 미묘한 토론과 합의 맥락이 증발한 뒤입니다.
읽기(Read) 경로의 한계: 그들은 데이터를 읽어서 분석하는 데 최적화되어 있지, 의사결정을 내리고 실행(Write)하는 워크플로우의 최전선(Last Mile)에 있지 않습니다.
사용자 접점 부재: 맥락 데이터는 사용자가 직접 사용하는 이메일, 슬랙, 줌, SaaS 화면에서 발생하는데, 데이터브릭스는 백엔드 인프라에 숨어 있습니다.
스타트업의 승리 전략
거대 기업이 구조적으로 들어오기 힘든 '실행의 순간'을 장악하는 전략입니다.
AI Native로 전면 교체 (Full Replacement): Regie.ai(영업)나 Rox(ERP)처럼 기존 레거시를 대체합니다. 인건비(Opex)를 소프트웨어 비용으로 전환시키며, AI가 직접 이메일을 쓰고 실행하므로 모든 맥락이 자동으로 저장됩니다.
새로운 기록 시스템 창출 (Glue Layer): PlayerZero처럼 개발과 운영 사이, 혹은 RevOps처럼 부서 간의 협업 맥락을 저장하는 '접착제' 영역을 정의합니다. 기존 소프트웨어의 사각지대입니다.
모듈 대체 (Unbundling): Maximor처럼 ERP 전체가 아닌, 판단이 가장 복잡한 '재무 조정(Reconciliation)' 업무만 떼어내어 장악합니다.
엣지(Edge) 데이터 확보: 보안 이슈를 해결한 화면 녹화나, 업무의 80%가 발생하는 슬랙/줌/팀즈에 봇으로 침투하여 대화 데이터를 직접 채집합니다.
타겟 영역: 어디에 문제가 숨어 있는가?
높은 인건비와 조율 비용: 50명 이상이 엑셀/메신저로 무언가를 조율(Routing)하고 있다면 복잡한 의사결정 로직이 숨어 있다는 신호입니다.
예외가 많은 업무: 규칙대로 되지 않고 "그때그때 달라요(It depends)"가 정답인 업무가 컨텍스트 그래프의 타겟입니다.
기술적 재정의: 컨텍스트 레이어란 무엇인가?
이것은 기존 기술(Vector, Graph, Ontology)의 단순 합이 아닙니다.
Vector DB: 유사성은 알지만 인과관계를 모릅니다.
Graph DB: 관계는 알지만 당시의 급박한 상황과 시간 흐름은 없습니다.
Ontology: 규칙은 알지만 실제 현장에서 규정이 어떻게 무시되었는지 모릅니다.
컨텍스트 레이어(Context Layer)는 시간 순서대로 기록된 인과관계의 역사책(Dynamic Decision History)입니다. 핵심은 의사결정의 흔적(예외, 전례, 승인 사유)을 실행 시점(Commit Time)에 포착하여, "무엇이 일어났는가"가 아니라 "왜 허용되었는가"를 AI가 이해할 수 있게 만드는 것입니다.
https://foundationcapital.com/context-graphs-ais-trillion-dollar-opportunity/