Ian Leysen, Datadobi CEO 겸 공동 설립자 – 인터뷰 시리즈

Ian Leysen, Datadobi의 CEO 겸 공동 설립자는 소프트웨어 엔지니어링, 품질 보증, 엔터프라이즈 데이터 관리 분야에서 30년 이상 경력을 보유한 기술 경영자입니다. 그는 EMC에서 품질 보증 수석 매니저로 8년을 근무한 뒤 2009년에 Datadobi를 공동 설립했으며, 그 이전에 Mediagenix와 Wave Research에서 리더십 역할을 수행했습니다. 경력 전반에 걸쳐 Leysen은 고품질 소프트웨어 엔지니어링 조직 구축에 집중했으며, 처음부터 품질 보증 팀을 세 차례 설립한 경험이 있습니다. Datadobi에서는 대기업이 온프레미스, 클라우드 및 하이브리드 환경 전반에 걸쳐 비정형 데이터를 관리·거버넌스·마이그레이션·보호하도록 돕는 회사를 이끌고 있습니다. 이 회사는 대규모 데이터 마이그레이션에서 시작해 StorageMAP이라는 벤더 중립 플랫폼을 제공함으로써 복잡한 비정형 데이터 자산에 대한 가시성과 제어성을 높이고, AI 프로젝트를 위한 엔터프라이즈 데이터 준비까지 지원하도록 진화했습니다.

Datadobi는 기업이 급증하는 비정형 데이터 볼륨에 대한 가시성과 제어성을 높이는 데 도움을 줍니다. 이 소프트웨어는 수십억 개의 파일을 스캔해 오래된 데이터, 중복 파일, 소유권 공백, 잠재적 위험 등을 식별하고, 메타데이터와 분류 태그를 적용해 거버넌스와 자동화된 보관·삭제·보존 정책을 지원합니다. 이는 기업이 생성형 AI를 위해 데이터를 준비할 때, 이해되지 않거나 오래된 정보가 노이즈, 규제 문제, 보안 위험을 초래하는 상황을 방지하는 데 점점 더 중요해지고 있습니다. Datadobi는 또한 기업이 가치 있는 데이터 세트를 식별하고, 이를 하위 활용을 위해 정리·분류하며, 선택된 정보를 데이터 레이크나 레이크하우스로 이동하면서 추적성과 거버넌스를 유지하도록 지원합니다. 이 플랫폼은 스토리지 비용과 탄소 영향을 통찰해 기업이 어떤 데이터를 보존하고 어디에 두어야 할지 보다 현명한 결정을 내릴 수 있도록 돕습니다.

당신은 EMC에서 품질 보증을 8년간 이끌고 2010년에 Datadobi를 공동 설립했습니다. 대규모 엔터프라이즈 스토리지와 데이터 환경에서 어떤 점을 보고 회사를 만들 수 있다고 확신했으며, 비정형 데이터가 AI에 점점 더 중요해지면서 원래 비전은 어떻게 진화했나요?

EMC에 있을 때, 기업들이 스토리지 인프라에 막대한 투자를 하면서 실제로 그 위에 무엇이 저장돼 있는지 거의 알지 못하는 모습을 오랫동안 지켜봤습니다. 우리는 고객이 데이터를 저장하고 보호하는 데는 뛰어났지만, 더 어려운 질문을 제기하는 사람은 없었습니다: 이 데이터는 무엇이며, 누가 소유하고, 아직 필요하거나, 가치가 있는가? 인프라 역량과 데이터 이해 사이의 격차가 바로 기회였습니다. 우리는 비정형 데이터를 단순히 한 어레이에서 다른 어레이로 옮기는 것이 아니라, 지능적으로 이동·관리하도록 돕기 위해 Datadobi를 시작했습니다.

변한 점은 위험 수준입니다. 15년 전에는 관리되지 않은 파일 공유가 비용 및 규제 문제였지만, 오늘날 같은 파일 공유는 AI 모델이나 에이전트가 접근하는 순간 즉시 부채가 됩니다. 비정형 데이터는 조직이 저장하는 대상에서 AI 성공 여부를 좌우하는 핵심 자산으로 변했습니다. 스토리지 인프라만으로는 데이터가 비즈니스에 어떤 의미인지를 알려줄 수 없다는 우리의 원래 생각은 변하지 않았지만, 이제는 그 필요성이 그 어느 때보다 절실해졌습니다.

당신은 생성형 AI가 기업 데이터 문제를 만든 것이 아니라 수십 년간 존재해 온 문제를 드러내고 가속화했다고 주장했습니다. 현재 AI가 드러내는 가장 큰 약점은 무엇인가요?

기업은 수십 년 동안 엔터프라이즈 데이터를 이해하는 데 어려움을 겪어왔습니다. AI가 그 문제를 만든 것이 아니라, 숨겨져 있던 곳을 드러낸 것입니다. 데이터가 파일 공유나 아카이브에 조용히 존재할 때는 누가 무엇을 담당해야 하는지 묻는 일이 없었습니다. 대형 언어 모델이나 RAG 파이프라인이 이를 가리키면, 모든 약점이 즉시 가시화되고 영향을 미칩니다.

가장 큰 도전은 대부분의 조직이 데이터를 관리하기보다 스토리지를 관리해왔다는 점입니다. 볼륨과 버킷이 어디에 있는지는 알지만, 내부 내용은 모릅니다: 어떤 파일이 오래됐고, 어떤 파일에 민감하거나 규제된 정보가 들어있으며, 환경 전반에 중복된 파일이 수십 개나 되는지, 실제 누가 접근 권한을 가지고 있는지 등. AI는 소유권이 얼마나 파편화됐는지도 드러냅니다. 데이터는 온프레미스 시스템, 여러 클라우드, SaaS 저장소에 걸쳐 축적되며, 전체 그림을 책임지는 주체가 없습니다. 이러한 문제는 새로 생긴 것이 아니라, AI가 무시했을 때 발생하는 비용을 즉시 가시화한 것입니다.

기업은 종종 AI 투자를 더 강력한 모델, GPU, 인프라에 집중합니다. 왜 더 많은 컴퓨팅이나 스토리지가 근본적인 데이터 준비 문제를 해결하지 못하고, 대신 기업이 어디에 투자해야 할까요?

컴퓨팅 파워가 늘어나면 잘못된 답변이 더 빨리 나오게 됩니다. 정확성, 안전성, 규제 준수를 보장하지는 못합니다. GPU와 스토리지 인프라는 결정을 내리지 못하고 실행만 할 뿐입니다. 강력한 모델에 오래된, 중복된, 권한이 잘못된, 민감한 데이터를 공급하면, 강력한 모델이 대규모로 신뢰할 수 없거나 위험한 출력을 빠르게 생성하게 됩니다.

우리는 시장이 중요한 전환점에 도달했다고 봅니다: 과거에는 조직이 스토리지를 최적화했지만, 이제는 데이터를 최적화해야 할 때입니다. 이는 인프라 레이어 위에 있는 역량, 즉 전체 데이터 자산을 가시화하고, 각 데이터가 실제 무엇인지, 누가 책임자인지를 이해하고, 보존·이동·아카이브·삭제 여부를 결정한 뒤, 그 결정을 일관되게 실행하는 능력에 투자한다는 의미입니다. 이러한 역량 없이 인프라에만 투자하면, 조직은 잘못된 일을 더 빨리 할 수 있게 될 뿐입니다.

바로 우리 비정형 데이터 관리 플랫폼이 해결하도록 설계된 문제입니다. 이 플랫폼은 온프레미스, 클라우드, SaaS 스토리지를 하나의 뷰로 제공하고, 태깅·메타데이터 분석을 통해 중복·노후·가치 있는 데이터를 식별하게 하며, 정책 기반 워크플로우를 통해 지속적으로 마이그레이션·아카이브·삭제를 실행합니다. 가시성·분류·일관된 실행의 조합이 “우리는 많은 데이터를 보유하고 있다”를 “우리는 정확히 무엇을 가지고 있고, 어떻게 처리할지 안다”로 전환시킵니다.

“AI‑ready 데이터”라는 용어가 흔히 쓰이는데, 당신 입장에서 비정형 데이터가 AI‑ready가 되려면 무엇이 필요하고, 생성형 AI, RAG, 혹은 학습 파이프라인에 데이터를 투입하기 전에 어떤 기준을 적용해야 할까요?

AI‑ready 데이터는 조직이 이미 검증한 데이터이며, 단순히 보유하고 있는 데이터가 아닙니다. 실제로는 데이터가 모델이나 파이프라인에 도달하기 전에 다음 질문에 자신 있게 답할 수 있어야 합니다: 이 데이터가 정확하고 최신인가, 아니면 수년간 방치된 채인가? 다른 곳에 중복되어 결과를 왜곡하거나 모순을 일으키지는 않는가? 민감하거나 규제된 개인 정보가 포함돼 있지는 않은가? 누가 접근 권한을 가지고 있으며, 현재 상황에 맞는가? 비즈니스 가치가 있는가, 아니면 단순 노이즈인가?

이 질문에 대한 답이 없으면, 데이터를 생성형 AI나 RAG 파이프라인에 투입하는 것은 거버넌스 문제를 하위 시스템으로 넘기는 것과 같습니다. AI‑ready는 일회성 체크리스트가 아니라 데이터 인텔리전스 역량이며, 프로젝트 시작 전 한 번만 적용되는 것이 아닙니다.

기업은 온프레미스 인프라, 여러 클라우드, 아카이브, 사업부에 걸쳐 수십억 개의 파일을 보유하고 있습니다. 어떻게 하면 비즈니스에 의미 있는 데이터와 중복·노후·사소하거나 AI 성능을 저해할 수 있는 노이즈 데이터를 구분할 수 있을까요?

이 규모에서는 파일 하나하나를 일일이 검토할 수 없으며, 수동 검토도 현실적이지 않습니다. 먼저 전체 엔터프라이즈 가시성을 확보해야 합니다: 온프레미스, 클라우드, SaaS 저장소를 아우르는 정확한 단일 뷰가 필요합니다. 가시성이 없으면 데이터에 대한 결정을 내릴 수 없습니다. 그 다음에는 데이터 인텔리전스를 적용해 환경에 실제 존재하는 것이 무엇인지 분류합니다. 이렇게 하면 ROT(중복·노후·사소) 데이터가 식별·분리되고, 진정 비즈니스 가치를 지닌 데이터와 구분됩니다.

가시성만으로는 충분하지 않습니다. 데이터를 보는 것만으로는 부족합니다. 조직은 데이터가 무엇인지, 어떤 의미를 갖는지 이해하고, 보존·이동·아카이브·삭제·AI 활용 여부를 결정한 뒤, 그 결정을 수십억 객체에 일관되게 실행해야 합니다. 가시성에서 바로 AI 투입으로 건너뛰면 노이즈가 모델 성능을 떨어뜨리고, 가치 있는 데이터가 그 안에 묻히게 됩니다.

AI 시스템이 이전에 직원들이 찾기 어려웠던 정보를 표면화할 수 있기 때문에 보안과 거버넌스가 특히 중요해집니다. 기업은 AI 시스템에 엔터프라이즈 데이터를 노출하기 전에 권한, 민감 정보, 소유권, 규제 위험을 어떻게 평가해야 할까요?

이 부분이 AI가 위험 계산을 가장 크게 바꾼 영역 중 하나입니다. 과거에는 과도하거나 오래된 권한이 있는 파일이 이론적인 노출 위험에 불과했으며, 실제로는 누군가가 파일 존재를 알고 찾아야만 했습니다. 그러나 광범위한 접근 권한을 가진 AI 시스템은 올바른 질문만 하면 그 파일을 즉시 누구에게든 보여줄 수 있습니다. 은폐는 실제 통제 수단이 아니었으며, AI는 마지막 보호막을 제거했습니다.

AI 시스템에 데이터를 노출하기 전에, 조직은 누가 접근 권한을 가지고 있는지, 그 권한이 여전히 타당한지, 어떤 민감·규제 정보를 포함하고 있는지, 누가 소유하고 책임지는지, 그리고 데이터 거주지·보존·프라이버시 요구사항 등 어떤 규제 의무가 적용되는지를 명확히 파악해야 합니다. 이러한 평가는 프로젝트 시작 전 일회성 감사가 아니라 지속적인 프로세스여야 합니다. 엔터프라이즈 데이터는 지속적으로 변하기 때문에 권한·소유권·위험은 지속적으로 검토되어야 합니다.

Datadobi는 스토리지 인프라 관리에서 데이터 비즈니스 자산 관리로 대화를 전환할 것을 주장합니다. 실제로는 어떤 모습이며, IT팀, 데이터팀, 보안 리더, 사업부 간 관계는 어떻게 변하나요?

실제로는 대화가 용량·계층·가동 시간에서 비용 절감·위험 감소·규제 준수·AI 활성화와 같은 결과 중심으로 바뀝니다. 이전에는 각각 별도의 도구와 담당자가 있는 독립적인 이니셔티브로 여겨졌지만, 이제는 모두 동일한 엔터프라이즈 데이터를 이해하는 것이 전제이며, 이를 연결하는 새로운 데이터 중심 운영 모델이 필요합니다. 우리 플랫폼은 바로 그 운영 모델을 구현하는 수단입니다.

이에 따라 회의실에 누가 참여하는지도 변합니다. IT만이 대화를 주도하지 않으며, 데이터 보존·이동·AI 활용 결정은 비즈니스 결정으로서 데이터 인텔리전스에 기반합니다. 보안·컴플라이언스 리더는 IT가 관리하는 동일한 데이터 풍경을 볼 수 있어야 하고, 사업부는 자신의 결과에 실제로 영향을 미치는 데이터에 대한 목소리를 가져야 합니다. 데이터 관리는 백오피스 IT 기능이 아니라 IT, 보안, 비즈니스가 동일한 정보를 바탕으로 의사결정하는 공유 운영 역량이 됩니다.

엔터프라이즈 AI가 점점 더 많이 배포되면서 데이터가 지속적으로 변합니다. AI‑ready 상태는 한 번 달성하면 되는가, 아니면 데이터가 진화함에 따라 지속적인 발견·분류·거버넌스·아카이브·이동 프로세스가 필요한가?

지속적인 프로세스입니다. 엔터프라이즈 데이터는 끊임없이 변하고, 새로운 파일이 생성되며, 권한이 바뀌고, 직원이 입퇴사하고, 규제가 진화합니다. 따라서 데이터 관리는 일련의 독립적인 프로젝트가 아니라 연속적인 운영 역량이어야 합니다. AI‑ready를 프로젝트 시작 전 일회성 정리로 보는 것은 한 번 잠금 장치를 점검하고 다시는 문을 확인하지 않는 것과 같습니다.

조직이 필요로 하는 것은 가시성·이해·결정·실행을 지속적으로 순환하는 운영 역량입니다. 데이터를 발견하고, 분류·이해하고, 어떤 조치를 취할지 결정한 뒤, 그 결정을 반복적으로 실행하는 것이죠. 이 사이클을 엔터프라이즈 규모로 지속적으로 수행할 수 있는 조직이 경쟁자를 앞서게 될 것이며, AI‑ready를 종료일이 있는 프로젝트로 보는 조직은 뒤처지게 됩니다.

기업이 AI 에이전트를 배포해 시스템 전반을 검색하고 자율 행동을 취하도록 할 때, 비정형 데이터 관리의 중요성이 더욱 커지나요? 에이전트가 조직 전반에 흩어진 정보를 접근할 수 있게 되면 어떤 새로운 위험이 발생하나요?

매우 중요해집니다. 에이전트는 노출의 성격을 바꾸기 때문입니다. 챗봇이 단일 프롬프트에 응답하는 것은 한 사람의 질문과 시야에 제한됩니다. 반면 시스템을 가로질러 검색하고 자율적으로 행동하는 에이전트는 개별 직원이 일반적으로 접근할 수 없는 광범위한 영역을 탐색하고, 찾은 데이터를 검토 없이 이동·공유·사용할 수 있습니다.

이는 단순한 발견을 넘어선 위험을 초래합니다. 에이전트가 접근해서는 안 되는 데이터(잘못된 권한이 부여된 파일, 오래된 민감 기록, 수년 전 아카이브·삭제돼야 할 정보 등)에 접근하면, 기계 속도와 규모로 해당 데이터를 활용할 수 있습니다. 데이터를 사전에 거버넌스하고 데이터 인텔리전스 격차를 메워두지 않은 조직은 에이전트가 그 격차를 그대로 이용하게 됩니다.

수십 년에 걸쳐 축적된 비정형 데이터를 보유하고 AI 이니셔티브를 확장하려는 기업에게, 첫 번째로 실천할 실질적인 단계는 무엇이며, 데이터 자산을 정리하면서 리더가 피해야 할 실수는 무엇인가요?

가시성부터 시작하십시오. 데이터를 볼 수 없으면 올바른 결정을 내릴 수 없으므로, 온프레미스·클라우드·SaaS 환경 전반에 존재하는 데이터를 정확히 파악하는 것이 첫 번째 실천 단계입니다. 그 다음에는 데이터를 이해하고 분류해 어떤 것이 가치 있고, 어떤 것이 민감하며, 어떤 것이 단순 노이즈인지 파악한 뒤, 보존·마이그레이션·아카이브·삭제에 대한 결정을 내립니다.

예산 현실도 무시할 수 없습니다. 대부분의 CIO는 별도 무제한 AI 예산을 받지 못하고, 기존 운영 예산 안에서 AI와 다른 비즈니스 운영을 동시에 충당해야 합니다. AI에 투자하기 위해 기존 인프라 투자를 축소하는 접근은 잘못된 선택입니다. 왜냐하면 동일한 인프라, 스토리지, 데이터 파이프라인, 거버넌스가 AI 성공에 필수이기 때문입니다. 보다 지속 가능한 경로는 기존 자산 내에서 여유 공간을 만들고, StorageMAP이 제공하는 데이터 최적화를 통해 가시성을 개선하고 스토리지 낭비를 줄이는 것입니다. 이렇게 하면 AI 이니셔티브에 실제로 필요한 용량을 건드리지 않고도 실질적인 예산을 확보할 수 있습니다.

제가 가장 많이 보는 실수는 조직이 가시성과 이해라는 기반을 마련하기 전에 바로 실행 단계—AI에 데이터를 직접 투입하거나 정리 프로젝트를 시작하는 것—로 넘어가는 것입니다. 두 번째 실수는 이를 일회성 이니셔티브로 보고 운영 역량으로 만들지 않는 것입니다. 데이터는 지속적으로 변하므로 역량도 지속적이어야 합니다. 세 번째 실수는 이를 순수 기술 과제로만 보는 것입니다. 성공적인 조직은 이를 비즈니스 결정으로 보고, IT·보안·사업부 이해관계자가 데이터 가치를 어떻게 평가하고 어떤 조치를 취할지에 대해 일치된 관점을 갖습니다. 이는 단순히 IT에 맡기는 마이그레이션·스토리지 프로젝트가 아니라 전체 비즈니스 차원의 전략입니다.

훌륭한 인터뷰에 감사드립니다. 더 알고 싶으신 독자분들은 Datadobi를 방문해 주세요.