몇 시간이 걸리던 업무를 단 몇 분 만에: EDB Postgres® AI의 에이전틱 데이터베이스 기능을 활용하는 DBA 가이드

모든 DBA에게 익숙한 아침 풍경입니다. 오전 9시 14분, 한 개발자가 Slack 메시지를 보냅니다: ““데이터베이스가 느려졌어요. 결제 요청이 계속 시간 초과로 실패합니다.”

콘솔을 열고 느린 쿼리 로그를 살펴보기 시작합니다. pg_stat_statements 확인하고, 쿼리 실행 시간과 최근 스키마 변경 사항을 대조합니다. 통계 정보가 오래된 것은 아닌지, 지난밤 누군가 인덱스를 삭제한 것은 아닌지 확인합니다. 활성 연결 상태를 살펴보기 위해 두 번째 터미널까지 열고, 오전 10시 30분쯤 마침내 원인을 찾아냅니다. 마지막 배포 이후 모든 결제 쿼리의 성능을 떨어뜨린 원인은 바로 필터링 조건에 사용되는 컬럼의 인덱스 누락이었습니다.

1시간 20분 동안 개발자의 업무는 막혔고 고객의 불만은 커졌습니다. 하지만 해결 자체에는 단 10초밖에 걸리지 않았습니다: CREATE INDEX CONCURRENTLY 명령 한 줄이면 충분했습니다.

문제를 발견하고 해결하기까지 걸리는 시간은 과거에는 그저 불편한 정도였습니다. 하지만 AI 에이전트가 확산된 지금은 비즈니스에 실질적인 위험을 초래할 수 있습니다. 에이전틱 시대는 기업이 구축하는 애플리케이션의 유형뿐 아니라, 기업이 자체 인프라를 운영하고 활용하는 방식까지 바꾸고 있습니다. 기존 데이터베이스 인프라로는 AI 에이전트의 빠른 작동 속도를 따라가기 어렵습니다.

해답은 사람에게 더 빠른 운영을 요구하는 것이 아니라, 데이터베이스가 스스로 운영되도록 하는 데 있습니다. EDB Postgres® AI(EDB PG AI)는 데이터베이스 엔진에 지능형 기능을 직접 내장해 AI 에이전트의 속도에 맞춰 지속적으로 성능을 최적화하고, 확장하며, 장애를 자동으로 복구합니다. 이를 통해 AI 에이전트와 개발자가 신뢰할 수 있는 최적화된 엔터프라이즈급 운영 기반을 제공합니다.

복잡성을 더하거나 기업의 통제권을 제한하지도 않습니다. 모든 자율 작업은 조직이 설정한 가드레일 안에서 실행되며, 필요한 경우 담당자의 승인을 거치도록 설정할 수 있습니다.

이 글에서는 EDB의 에이전틱 데이터베이스가 어떤 기능을 제공하고 어떻게 작동하는지, 그리고 PostgreSQL을 다루는 업무 방식을 어떻게 바꾸는지 실제 사례를 통해 살펴봅니다.

‘에이전틱 데이터베이스’의 정확한 의미

‘에이전틱’이라는 용어는 다소 포괄적으로 사용되곤 합니다. 하지만 EDB Postgres AI에서 에이전틱은 분명한 의미를 지닙니다. 시스템이 클러스터를 지속적으로 모니터링하고, 관찰한 정보를 분석해 권장 조치를 제안하며, 조직이 설정한 거버넌스 수준에 따라 직접 조치를 실행하는 것을 의미합니다.

이 기능은 20년 이상 축적된 EDB의 Postgres 전문성을 기반으로 합니다. 실제 워크로드에서 검증된 운영 패턴과 튜닝 노하우를 자동화 계층에 통합해, 일반적인 벤치마크가 아닌 고객의 실제 워크로드를 기준으로 작동합니다.

그 결과 데이터베이스 운영 방식은 사후 대응에서 선제적 대응으로 전환됩니다.

“문제가 발생했으니 원인을 찾아 해결해야 합니다”에서
“곧 문제가 발생할 가능성이 있습니다. 해결 방법은 이것입니다. 지금 적용할까요?”로 바뀌는 것입니다.

권장 사항 스코어카드: 데이터베이스 상태를 한눈에 보여주는 성적표

EDB Postgres AI 콘솔에서 클러스터를 열면 가장 먼저 확인하게 되는 화면이 권장 사항 스코어카드(Recommendation Scorecard)입니다. 데이터베이스의 상태를 쉼 없이 지속적으로 점검하는 상시 상태 진단 기능이라고 할 수 있습니다.

클러스터의 Postgres 상태를 다음 다섯 가지 영역에서 평가합니다:

1. 인덱스(Indexes) — 현재 워크로드에 적합한 인덱스가 실제로 사용되고 있는가? 누락된 인덱스가 있는가?
2. 통계 정보(Statistics) — 쿼리 플래너가 최신의 정확한 통계 정보를 바탕으로 실행 계획을 수립하고 있는가?
3. 구성(Configuration) — Postgres 설정이 현재 운영 환경과 워크로드 특성에 맞게 최적화되어 있는가?
4. 보안(Security) — 과도하게 개방된 역할, 취약한 인증 방식, 암호화되지 않은 연결 등 보안 강화가 필요한 부분은 없는가?
5. 워크로드(Workload) — 향후 추가될 평가 영역으로, 런타임 환경을 더욱 심층적으로 분석합니다.

각 영역에는 A부터 F까지 등급이 부여되므로 문제의 심각도를 명확하게 파악할 수 있습니다. 단순히 빨간색 경고등만 표시하고 원인은 사용자가 직접 찾아야 하는 일반적인 대시보드와 달리, 이 스코어카드는 발견한 문제와 해결 방법을 구체적으로 제시합니다.

실제 사례를 살펴보겠습니다. 금융 거래 워크로드를 실행하는 예시 클러스터 LedgerDB의 인덱스 등급이 D로 표시됩니다. 시스템은 약 10분 동안 워크로드를 모니터링하면서 pg_stat_statements를 분석하고, 가장 느린 쿼리 패턴을 식별했습니다. 이어 해당 쿼리의 필터 조건에 사용되는 컬럼을 분석한 결과, 특정 인덱스가 누락되었다는 결론을 내렸습니다. 권장 사항도 모호하지 않습니다. 다음과 같이 구체적인 해결 방법을 제시합니다.

CREATE INDEX CONCURRENTLY idx_transactions_status_account
ON public.transactions (status, account_id);

또한 시스템은 이 인덱스 하나만 추가해도 관찰된 워크로드의 쿼리 비용을 90% 이상 줄일 수 있을 것으로 예측합니다. 로그를 일일이 뒤지거나 쿼리 실행 계획을 서로 대조할 필요도, 추측에 의존할 필요도 없습니다. 시스템이 워크로드를 관찰하고 분석해 정확한 SQL 문을 생성하며, 사용자는 해당 화면에서 바로 적용을 승인할 수 있습니다. 자세한 내용은 뒤의 자동화 섹션에서 살펴보겠습니다.

LedgerDB 사례는 단순한 일회성 예시가 아닙니다. 모든 권장 사항은 일반적인 규칙이 아니라 고객의 실제 워크로드를 바탕으로 생성됩니다. 이를 통해 EDB PG AI는 애플리케이션 성능을 최대 8배 높이고 워크로드별 리소스 비용을 절감할 수 있습니다(내부 벤치마크 기준).

일반적으로 성능을 높이면 비용도 함께 증가하기 마련이지만, 여기서는 성능과 비용 효율성이 동시에 개선됩니다. 리소스를 무작정 추가하는 대신 플랫폼이 워크로드 자체를 최적화하기 때문입니다. 이러한 효과가 전체 데이터베이스 환경으로 확대되면 실질적인 비용 절감으로 이어집니다. 특히 AI 에이전트가 사람보다 훨씬 빠른 속도로 데이터베이스에 접근하기 시작하면, 이와 같은 운영 효율성은 더욱 중요해집니다.

그렇다면 시스템은 이러한 정보를 어떻게 파악할까요? 그 답은 챗봇에서 확인할 수 있습니다.

AI 챗봇: 24시간 상주하는 시니어 DBA

AI 챗봇은 대화형 인터페이스를 통해 데이터베이스를 더욱 심층적으로 분석할 수 있도록 지원합니다. 여기서 중요한 점은 이 챗봇이 일반적인 Postgres 문서를 기반으로 답변하는 것이 아니라는 사실입니다. 실제 운영 중인 클러스터에 실시간으로 연결되어 pg_stat_statements 를 직접 분석하므로, 모든 답변은 현재 데이터베이스에서 실제로 일어나고 있는 상황을 근거로 제공됩니다.

여러 개의 탭을 열고 직접 쿼리를 작성하는 대신, 다음과 같이 질문할 수 있습니다.

“LedgerDB에서 실행 중인 쿼리를 기준으로, 성능 개선 효과가 가장 큰 스키마 변경 사항은 무엇인가요?”

그러면 일반적인 모범 사례를 나열하는 대신 실제 워크로드를 분석한 결과를 제공합니다. 총 실행 시간이 가장 긴 쿼리를 추출하고, 각 쿼리의 데이터 접근 패턴을 이해하기 쉽게 설명한 뒤, 우선순위에 따라 번호를 매긴 권장 사항을 제시합니다. 예를 들어 특정 위치에는 복합 인덱스를, 다른 위치에는 부분 인덱스를 추가하도록 권장하거나, account_id 가 18개월 이내에 INTEGER 의 허용 범위를 초과할 가능성이 있다고 알려줍니다.

각 권장 사항에는 해당 조치가 필요하다고 판단한 근거가 된 구체적인 쿼리와 분석 이유가 함께 제시됩니다. 시니어 DBA도 동일한 분석을 수행할 수 있지만, 기존에는 45~60분이 걸리던 작업을 이제 30초 만에 처리할 수 있습니다.

여기서 더 나아가 해당 권장 사항이 제시된 이유와 분석에 사용된 쿼리, 현재 실행 계획, 실제 적용 시 발생할 수 있는 위험까지 추가로 질문할 수 있습니다. 챗봇은 인덱스 생성에 걸리는 시간과 잠금 동작, 향후 워크로드 패턴이 변경될 경우의 영향까지 전체 분석 과정을 단계별로 설명합니다. 기존에는 DBA가 쿼리를 직접 재현하고 EXPLAIN ANALYZE 를 실행한 뒤 결과를 문서로 정리해야 했던 작업입니다. 이제는 후속 질문 한 번이면 필요한 내용을 바로 확인할 수 있습니다.

자동화: 24시간 멈추지 않는 운영 시스템

AI 챗봇과 권장 사항 스코어카드가 필요한 조치를 알려준다면, 자동화 기능은 그 조치를 직접 실행합니다. 사용자가 정의한 가드레일 안에서, 설정된 일정에 따라 AI 에이전트의 작동 속도에 맞춰 작업을 수행합니다.

안전한 작업은 완전 자율 방식으로 실행하고, 사람의 판단이 필요한 작업은 담당자의 승인을 거치도록 설정할 수 있습니다. 자동화마다 그 기준을 개별적으로 지정할 수 있습니다. 현재 릴리스에서는 다음과 같은 다섯 가지 자동화 기능을 제공합니다.

1. 디스크 자동 확장(Disk Autoscale) — 스토리지 사용률이 설정한 임계값을 넘으면 지정된 단위만큼 용량을 자동으로 확장하며, 사전에 설정한 최대 한도까지만 늘어납니다. 더 이상 새벽 2시에 스토리지 용량 문제로 긴급 호출을 받을 필요가 없습니다.

2. 인덱스 권장 사항(Index Recommendations) — 설정된 주기에 따라 워크로드를 분석하고, 권장 인덱스를 적용하는 작업을 대기열에 등록합니다. 인덱스는 CREATE INDEX CONCURRENTLY 명령으로 생성되므로, 서비스 트래픽을 중단하지 않고 작업을 진행할 수 있습니다.

3. 마이너 버전 업그레이드(Minor Version Upgrades) — 새로운 마이너 버전 이미지가 출시되었는지 확인하고, 사용자가 지정한 유지보수 시간에 맞춰 업그레이드 작업을 대기열에 등록합니다.

4~5. CPU 및 메모리 자동 확장(CPU and Memory Autoscale) — 사용량이 임계값에 도달하면 수요에 맞춰 CPU와 메모리 리소스를 자동으로 조정합니다. 리소스별 최대 한도도 원하는 수준으로 설정할 수 있습니다.

각 자동화 기능은 완전 자율 실행 또는 담당자 승인 필수 방식 중 하나로 설정할 수 있습니다. 속도를 위해 통제력을 포기하는 것이 아니라, 각 기업의 운영 환경에 맞게 속도와 통제의 균형을 직접 구성하는 것입니다.

투명하고 통제 가능한 실행

모든 자동화 작업은 플랫폼의 작업 관리자(Task Manager)를 통해 실행됩니다. 작업 관리자에서는 수행할 작업의 내용과 실행될 정확한 SQL 문, 승인 상태, 승인이 필요한 이유를 모두 확인할 수 있습니다. 담당자의 승인이 필요한 경우 내용을 검토한 후 실행을 승인하면 됩니다.

실행된 모든 작업은 변경할 수 없는 타임스탬프 기반의 활동 로그(Activity Log)에 기록됩니다. 감사 담당자가 “지난주 화요일 LedgerDB에서 무엇이 변경됐고, 누가 승인했나요?”라고 물어도 즉시 확인할 수 있습니다. 모든 자동화 작업은 이를 실행한 자동화 기능과 연결되고, 모든 승인은 이를 승인한 담당자와 연결되어 기록됩니다. 이 활동 로그는 시스템과 함께 작동하는 AI 에이전트의 컨텍스트로도 활용됩니다.

어떤 AI 에이전트에서도 동일하게 활용하는 전문성

챗봇과 스코어카드를 구동하는 자문 기능은 MCP(Model Context Protocol) 서버로도 제공됩니다. Claude나 자체 개발한 코파일럿을 비롯해 MCP를 지원하는 모든 외부 AI 에이전트가 동일한 인터페이스를 통해 클러스터 상태를 조회하고, 권장 사항을 확인하며, 활동 로그를 읽고, 승인된 작업을 실행할 수 있습니다.

어떤 도구에서 사용하든 동일한 전문성과 가드레일이 적용됩니다. 이를 통해 EDB PG AI의 자문 계층을 기업이 사용하는 다른 AI 도구 및 시스템과 유연하게 연계할 수 있습니다.

실질적인 생산성 향상 효과

이러한 기능을 모두 활용하면 실제로 어느 정도의 생산성 향상으로 이어지는지 구체적으로 살펴보겠습니다.

기존 방식: 느린 쿼리 알림이 발생하면 DBA가 직접 원인 분석을 시작합니다.

EDB Postgres AI Console을 사용하면 다음과 같이 달라집니다.

이는 단순한 수준의 개선이 아닙니다. 프로덕션 클러스터를 최적화하는 데 걸리는 시간을 최대 10분의 1로 줄여 줍니다. 데이터베이스 운영 방식 자체를 바꾸는 구조적인 변화입니다.

이러한 변화가 누적되면서 얻는 효과도 큽니다. 반복적인 인덱스 조사에 들이던 시간을 줄이고, 용량 계획이나 스키마 설계처럼 전문가의 판단이 꼭 필요한 업무에 집중할 수 있습니다. 여러 클러스터를 운영하는 조직이라면 더욱 큰 효과를 얻을 수 있습니다. 과거에는 팀 전체가 필요했던 규모의 환경도 이제 한 명의 DBA가 전반적인 상태를 파악하고 문제에 신속하게 대응할 수 있습니다.

DBA가 아니어도 중요한 이유

지금까지는 주로 DBA의 관점에서 설명했지만, 이것이 전부는 아닙니다.

권장 사항 스코어카드와 챗봇은 데이터베이스 튜닝 경험이 전혀 없는 개발자도 쉽게 사용할 수 있도록 설계되었습니다. 지난주에 새로운 기능을 배포했는데 해당 기능에서 실행되는 쿼리가 pg_stat_statements 에서 가장 많은 부하를 일으키고 있다고 가정해 보겠습니다. 이때 B-tree 인덱스의 내부 구조까지 이해할 필요 없이 다음과 같이 질문하면 됩니다.

“이 쿼리는 왜 느리고, 어떻게 해결할 수 있나요?”

그러면 시스템이 이해하기 쉬운 설명과 함께 문제를 해결하는 데 필요한 SQL 문까지 제시합니다.

Postgres 전문성을 누구나 활용할 수 있게 되었다는 점은 EDB가 구현한 기능 가운데 쉽게 드러나지는 않지만 매우 중요한 변화입니다. 과거에는 수년간의 경험이나 고비용의 컨설팅, 또는 숙련된 시니어 DBA의 세심한 지원이 필요했던 전문 지식을 이제 대화를 통해 바로 활용할 수 있습니다.

EDB PG AI의 에이전틱 데이터베이스 시작하기

권장 사항 스코어카드와 AI 챗봇, 다섯 가지 자동화 기능, 작업 관리자, 활동 로그, MCP 통합 기능은 현재 EDB Postgres AI에서 모두 제공되고 있습니다.

이러한 기능이 데이터베이스 운영을 어떻게 바꾸는지 가장 확실하게 이해하는 방법은 실제 워크로드가 실행되는 클러스터에 적용해 보는 것입니다. 약 10분간 워크로드를 모니터링하게 한 뒤, 챗봇에 어떤 부분을 변경하면 좋을지 물어보세요. 직접 찾았다면 한 시간은 걸렸을 데이터베이스의 문제를 챗봇이 이미 파악하고 있을 가능성이 높습니다.

지금 바로 데모를 통해 이러한 기능을 확인해 보세요. 각 기능을 자세히 살펴보는 콘텐츠도 곧 EDB 웹사이트에서 공개될 예정입니다.