AI와 클라우드 단절이 유발하는 문제, 운영 구조 개선으로 푼다

각 기업은 AI 도입에 박차를 가하고 있지만 이 과정에서 새로운 고민도 토로한다. AI 모델의 성능이나 활용 가능성보다 보안과 운영 구조의 복잡성이라는 문제를 먼저 마주하는 경우가 빈번하기 때문이다.

출처=셔터스톡

실제 현장에서는 클라우드 인프라의 경우 A사에게, AI 솔루션은 B사에게 맡기는 경우가 많다. 이 경우 데이터가 여러 사업자 환경을 오가며 관리되기 때문에 보안 취약점이 발생할 확률이 높고, 책임의 경계도 모호해진다. 특히 내부 데이터의 민감도가 높은 제조, 금융, 유통, 공공 영역에서는 이런 구조 자체가 AI 도입의 걸림돌로 작용한다.

AI 도입 장애물, 기술 아닌 복잡한 구조

클라우드와 AI 솔루션 주체가 각기 다르면, 데이터 접근 권한 제한이나 보안 검토 과정에서 불필요한 지연이 빈번하게 발생한다. 장애나 이슈가 발생했을 때 빠른 원인 파악과 대응도 어렵다. AI가 실시간 의사결정이나 자동화 업무에 충분히 활용되지 못하는 사례도 적지 않다.

이같은 문제를 개선하기 위해 최근 인프라와 AI를 하나의 체계 안에서 설계, 운영하려는 접근이 대안으로 떠오른다. 클라우드 환경과 AI 운영 주체를 분리하기보다, 데이터가 생성·저장·활용되는 전 과정을 단일한 구조로 관리함으로써 보안 통제 지점을 명확히 하고, 운영 책임 역시 일원화하려는 시도다. 운영 구조의 정비로 AI 활용의 현실적 장벽을 낮추는 방식이다. 기업들의 AI 도입을 바라보는 시각이 점차 ‘기술 선택’에서 ‘운영 설계’로 이동하는 배경이다.

일례로 클라우드 전문 기업 가비아와 AI 솔루션 개발 기업 아티웰스의 협업은 인프라와 AI를 하나의 체계 안에서 설계, 운영하는 시도라는 점에서 주목받는다. 두 회사는 단순한 파트너십이 아니라 계열사 간 협업 구조를 바탕으로, 인프라 설계부터 AI 구축·운영까지 하나의 흐름으로 통합했다. 고객사 입장에서는 인프라와 AI를 각기 다른 업체에 맡길 때 발생할 수 있는 보안 우려와 관리 복잡성을 동시에 방지할 수 있다. 이같은 구조는 AI 서비스 운영 시 중요한 지속적인 유지보수와 장기 개발 안정성 측면에서도 유리하다.

출처=셔터스톡

데이터를 밖으로 내보내지 않는 환경에서 AI 활용…보안 우려 최소화

보안에 민감한 기업들이 가장 크게 우려하는 지점은 데이터 유출이다. 이를 고려해 아티웰스는 클라우드 보안 인증을 회득한 가비아 인프라 내부에 AI 솔루션을 직접 설치·운영하는 온프레미스 또는 프라이빗 환경을 기본 옵션으로 제시한다.

이 과정에서 데이터가 외부 AI 서비스로 이동하지 않으므로 보안 우려를 최소화할 수 있다. 기업의 내부 데이터는 가비아 데이터센터 안에서 관리하고, AI 역시 해당 환경에서 구동된다. 데이터 이동 경로가 단순하고, 보안 통제 지점도 명확하다는 장점이 있다. 이같은 구조는 규제 대응이 중요한 기업이나, 외부 전송 자체가 부담이 되는 데이터를 다루는 조직에게 실질적인 대안이 될 수 있다.

AI 이전에 데이터부터 정리하는 접근…‘MCP 플랫폼’

기술적으로 주목할 부분은 아티웰스가 개발한 MCP(Model Context Protocol) 기반 플랫폼이다. ‘MCP’는 AI가 기업 데이터를 직접 조회하고 활용하도록 표준화된 데이터 연결 규약을 뜻한다. 기존에는 기업 데이터에 챗GPT나 클로드 AI 등을 연동하려면, 개발자가 개별 데이터 및 도구마다 다른 API를 일일이 연동해야 했다. 새로운 데이터 소스를 추가할 때도 복잡한 설정이 필요해 확장성이 부족했다. 개발자 채용에 어려움을 겪는 중소기업의 디지털 전환이 어려웠던 이유다.


MCP 서버 자동 구축 솔루션을 활용하면, 기존에 작업하던 클라우드 드라이브나 ERP, CRM 시스템과의 연동을 전문 개발자나 복잡한 코딩 없이도 쉽게 구현할 수 있다. 축적된 기업 데이터를 MCP로 변환하면 AI 도구가 데이터를 실시간으로 분석, 질의에 답하는 방식이다.

MCP 활용 과정 / 출처=아티웰스

예컨대 디지털 전환을 달성하지 못한 중소기업의 경우, 생산 데이터와 유통 데이터의 분리로 전체적인 물류 흐름을 한눈에 파악하기 어렵다. 이는 신규 유통 채널 모색과 플랫폼 진출을 어렵게 한다. 무엇보다 생산, 재고, 영업, 재무 등 부서별 데이터가 서로 다른 형식으로 흩어져 있어 AI가 데이터를 이해하지 못한다는 점이 단절을 유발한다. MCP 플랫폼은 이 데이터를 AI가 이해할 수 있는 공용 표준 형태로 연결·정리하는 역할을 한다.

MCP 서버 자동 구축 솔루션으로 생산과 재고, 물류, 판매 데이터를 통합해 표준화하면, 제품 수요와 공급 예측, 구매패턴 파악이 가능하다. 자연어로 “최근 매출이 급증하는 상품 리스트를 정리해 줘”라고 요청하면 AI가 바로 해당 물품을 찾는 방식이다. 이 과정에서 신규 유통 채널 발굴과 오픈 기간을 단축하며 시장 대응 속도를 높일 수 있다. AI 모델을 먼저 도입하기보다, 데이터 구조를 정리해 AI가 실제 업무에 투입될 수 있는 상태를 만드는 데 초점을 둔다는 점에서 기존과 접근 방식이 다르다.

현업 실무자는 개발 인력에 과도하게 의존하지 않고도, 노코드 기반으로 업무 자동화나 데이터 분석 흐름을 설계할 수 있다. 결과적으로 AI는 ‘실험용 기술’이 아니라, ‘일상적인 업무 도구’에 가까워진다. 보안, 인프라 안정성, 데이터 구조, 운영 책임의 일원화는 AI 성능만으로는 해결할 수 없는 문제들이다. 아티웰스는 화려한 AI 기능을 전면에 내세우기보다, 기업이 실제로 AI를 운영할 수 있는 구조를 만드는 데 초점을 맞췄다.

이상민 아티웰스 책임연구원은 “AI 도입이 선택이 아닌 과제가 된 지금, 각 기업은 ‘어떤 AI를 쓰느냐’보다 ‘AI를 어떤 구조에서 얼마나 안정적으로 운영할 수 있을지’에 초점을 맞추고 있다”며 “AI 솔루션과 운영 인프라를 하나의 체계 안에서 운영하는 동시에 MCP 솔루션의 장점을 앞세워 각 기업의 안정적인 AI 전환을 뒷받침하겠다”고 말했다.

IT동아 김동진 기자 (kdj@itdonga.com)