EDB Postgres AI Factory: AI 에이전트 구축부터 VectorChord 벡터 검색까지
작성자: Jack Christie
작성일: 2026년 3월 31일
최종 수정일: 2026-09-07
매주 새로운 AI 에이전트 데모가 등장하고 있지만, 실제 프로덕션 환경까지 성공적으로 배포되는 사례는 많지 않습니다. 가능성 있는 프로토타입이 신뢰할 수 있는 엔터프라이즈급 에이전트로 안착하지 못하는 간극(Gap)에서 수많은 AI 프로젝트가 좌초됩니다. 그리고 그 원인의 중심에는 대부분 데이터가 있습니다.
EDB Postgres AI Factory는 조직이 직접 통제할 수 있는 데이터를 기반으로 생성형 AI(GenAI)와 에이전틱 AI(Agentic AI) 환경을 구축하고자 하는 기업을 위해 설계되었습니다. Agent Studio, Vector Engine, AI Pipelines, Model Serving을 통합해 AI 프로토타입을 실제 프로덕션 환경으로 연결하는 데 필요한 데이터 및 AI 인프라를 제공합니다.
이러한 변화는 우연이 아닙니다. 시장은 이미 변곡점에 도달했으며, 앞서가는 기업들은 하나의 공통된 특징을 보입니다. 바로 AI를 단순한 프로젝트가 아닌 핵심 인프라(Infrastructure)로 다루기 시작했다는 점입니다.
AI 에이전트 시대, 현실화된 위협과 벌어지는 격차
13개국 2,050명의 엔터프라이즈 리더를 대상으로 한 글로벌 연구 결과는 현재의 상황을 명확히 보여줍니다. 기업의 95%가 향후 3년 내 자체 AI 및 데이터 플랫폼을 구축하겠다는 목표를 가지고 있습니다. 하지만 실제로 성과를 창출하는 방식으로 이를 구현하는 기업은 단 13%에 불과합니다.
연구에서 ‘적극적 도입 그룹(Deeply Committed)’으로 분류된 이 소수의 선도 기업들은 경쟁사 대비 5배 높은 ROI를 달성하고, 주력 프로덕션 환경에 2배 더 많은 에이전틱 AI 애플리케이션을 배포하며, 혁신과 효율성 측면에서 나머지 시장보다 250% 높은 경쟁 우위를 점하고 있습니다.
이들을 구분 짓는 것은 예산이나 인재가 아닙니다. 핵심은 소버린(Sovereign) 통제입니다. 데이터가 어디에 저장되고 어떻게 접근되며, 그 위에서 AI가 어떻게 작동하는지에 대한 통제력을 확보하는 것입니다. 선도 기업들은 데이터 제어, 보안 및 규정 준수(Compliance), 확장성(Scale)이라는 세 가지 핵심 과제를 동시에 해결하고 있습니다.
이것이 바로 EDB Postgres AI가 해결하고자 하는 핵심 과제이며, 차세대 AI Factory는 이러한 역량을 한 단계 더 확장합니다.
시장 분석 기관들 역시 이러한 흐름을 뒷받침하고 있습니다. 2025년 12월 발표된 Gartner의 엔터프라이즈 AI 에이전트를 위한 데이터베이스 관리 시스템(DBMS) 혁신 인사이트에 따르면, 생성형 AI 기능이 내장된 DBMS에 대한 지출은 2028년까지 650억 달러에서 2,180억 달러로 3배 이상 증가할 것으로 예상됩니다.
또한 75% 이상의 기업이 향후 2~3년 내 최우선 투자 분야 중 하나로 ‘AI-ready 데이터’를 꼽았습니다. Gartner는 진정한 에이전트 아키텍처에서 DBMS가 수행해야 하는 세 가지 핵심 역할인 에이전트 메모리(Agent memory), 지식 소스(Knowledge source), 작업 실행(Task execution) 전반에 걸쳐 EDB를 대표적인 엔터프라이즈 AI 에이전트 제공업체로 선정했습니다.
이제 핵심 과제는 AI 이니셔티브가 프로덕션에 도달하기도 전에 파편화되고 통제하기 어려운 기술 부채를 만들지 않으면서 이러한 수요를 충족하는 것입니다.
AI 에이전트의 성능은 데이터와 가드레일에 달려 있습니다
AI 에이전트는 자율 네트워크 모니터링, 다단계 고객 워크플로우, 실시간 운영 인텔리전스 등 새로운 차원의 자동화를 가능하게 합니다. 하지만 모든 문제를 에이전트로 해결하는 것이 최선의 방법은 아닙니다.
에이전트는 작업이 개방형(Open-ended)이거나 복잡하고 모호한 입력값에 대한 추론(Reasoning)이 필요하고, 반복적인 탐색 및 도구 오케스트레이션이 유리할 때 가장 효과적입니다. 장애 대응(Incident triage), 쿼리 최적화, 교차 시스템 조정 등이 대표적인 예입니다.
에이전트는 단 몇 초 만에 슬로우 쿼리 로그를 가져오고, 락(Lock) 테이블을 확인하며, 복제 지연(Replication lag)을 분석하고, 최근 스키마 변경 사항을 교차 참조하여 가능성이 높은 가설 목록을 제시할 수 있습니다. 이것이 바로 고부가가치 추론입니다.
반면 스케일링, 페일오버(Failover), 구성 변경과 같은 결정론적(Deterministic) 운영 작업에 에이전트를 도입하면 불필요한 복잡성과 리스크가 증가할 수 있습니다. 워크플로우를 상태 머신(State machine)이나 단순한 임계값 정책으로 표현할 수 있다면 추론 계층이 반드시 필요한 것은 아닙니다.
성숙한 AI 에이전트 아키텍처는 모든 곳에 에이전트를 배치하는 것이 아닙니다. 분석하고 추천하고 종합하는 에이전트 계층(Agent layer), 유효성을 검사하고 결정하는 결정론적 정책 엔진(Deterministic policy engine), 실제 행동을 수행하는 실행 계층(Execution layer)으로 구성된 계층화된 모델을 구축하는 것입니다.
즉, 가치를 더하는 곳에는 지능을 배치하고 중요한 영역에는 통제력을 유지해야 합니다. 이를 위해서는 합성 데이터 기반의 데모를 넘어 실제 엔터프라이즈 데이터에 기반한 AI 에이전트를 구축할 수 있어야 합니다.
일본 통신 업계를 선도하는 NTT East는 완전한 프라이빗 환경에서 네트워크 운영을 위한 AI 에이전트를 배포하기 위해 EDB PG AI Factory를 사용하고 있습니다. 이 에이전트들은 수동 팀이 처리하기 어려운 문제들을 자율적으로 감지, 분석, 대응합니다.
“우리 스스로 새로운 유형의 제품을 도입하는 데 불안감이 있었지만, EDB의 지원이 우리의 우려를 불식시켜 주었습니다. 신속한 QA부터 글로벌 엔지니어와의 긴밀한 협력에 이르기까지, EDB는 매우 세심한 컨설팅 팀이었습니다.” — Shota Takano, NTT East 혁신 기술 부문 매니저
데이터, 인프라, 파트너에 대한 이러한 신뢰가 프로덕션 AI 에이전트 배포를 가능하게 만드는 핵심입니다.
EDB Agent Studio: AI 에이전트 개발과 프로덕션 배포
차세대 EDB Postgres AI Factory에서 가장 눈에 띄는 변화는 Agent Studio입니다. Agent Studio는 에이전트 개발을 위한 오케스트레이션 프레임워크인 LangChain 에코시스템을 기반으로 구축된 시각적 에이전트 통합 개발 환경(IDE) Langflow를 중심으로 재설계되었습니다.
많은 AI 프로젝트는 프로토타입에서 프로덕션으로 넘어가는 단계에서 어려움을 겪습니다. 기업의 AI 이니셔티브가 PoC(개념 증명)에서 프로덕션으로 넘어가는 데 평균 6~12개월이 걸리며, 예산 초과율은 40~60%에 달합니다.
Agent Studio는 이러한 프로토타입과 프로덕션 사이의 간극을 줄이도록 설계되었습니다. 시각적 인터페이스에서 구축한 Flow를 배포하고 REST API 엔드포인트로 활용할 수 있어 별도의 복잡한 엔지니어링 이관 과정을 줄일 수 있습니다.
LLM, 스토리지, 도구, 데이터 소스를 드래그 앤 드롭으로 연결하여 개발자는 AI 에이전트 워크플로우를 빠르게 프로토타이핑하고, 컴포넌트 간 상호작용을 시각화하며, 실제 배포 전에 로직을 검증할 수 있습니다. 요구사항이 복잡해지면 Python 확장성을 통해 맞춤형 개발을 이어갈 수 있습니다.
또한 700개 이상의 에코시스템 통합을 통해 다양한 AI 도구와 데이터 소스를 연결할 수 있습니다. 프로토타이핑과 비교적 단순한 프로덕션 에이전트에는 드래그 앤 드롭 방식을 활용하고, 복잡한 오케스트레이션과 맞춤형 비즈니스 로직에는 Python을 활용할 수 있습니다.
엔터프라이즈 AI 에이전트 배포에 중요한 주요 기능은 다음과 같습니다.
- MCP 클라이언트 및 서버 지원: 모든 Flow를 MCP 서버로 노출해 다른 에이전트나 외부 애플리케이션에서 호출할 수 있으며, 구성 가능하고 모듈화된 멀티 에이전트 아키텍처를 구현할 수 있습니다.
- 보안 에이전트 메모리(Secure agent memory): 민감한 데이터를 퍼블릭 LLM에 전달하지 않고 도구 출력과 중간 상태(Intermediate state)를 Postgres에 로컬로 저장할 수 있습니다.
- 에이전트 수명주기 관리(Agent lifecycle management): LangSmith, Langfuse, Traceloop, Arize 등과의 가시성(Observability) 통합과 ALTK(Agent Lifecycle Toolkit)를 통해 추론, 도구 호출 및 출력 품질을 점검할 수 있습니다.
Langflow를 기반으로 구축한 것은 EDB가 중시하는 오픈소스 원칙과도 연결됩니다. 빠르게 변화하는 AI 환경에서 커뮤니티 기반 오픈소스 생태계는 특정 벤더 종속을 줄이고 새로운 기술과 도구를 지속적으로 활용할 수 있도록 지원합니다.
VectorChord와 pgvector로 확장하는 AI 벡터 검색
아무리 정교한 AI 에이전트 아키텍처라도 오래되거나 불완전하거나 제대로 인덱싱되지 않은 지식을 기반으로 작동하면 원하는 결과를 얻기 어렵습니다. AI 에이전트의 역량을 실제 비즈니스 가치로 연결하는 핵심은 데이터 인프라입니다.
차세대 AI Factory는 Vector Engine에 pgvector와 함께 VectorChord를 제공하여 AI 및 RAG 워크로드의 규모와 특성에 맞는 벡터 인덱싱 옵션을 선택할 수 있도록 합니다.
pgvector는 수천만 개 규모의 벡터를 처리하는 대부분의 RAG(검색 증강 생성) 사용 사례에서 강력한 성능과 직관적인 설정을 제공하는 선택지입니다.
하지만 에이전틱 AI 워크로드가 수억 개 이상의 벡터로 확장되고, 임베딩 차원이 높아지며, 수백 개의 쿼리가 동시에 실행되는 환경에서는 벡터 인덱싱 성능과 메모리 효율성이 더욱 중요해집니다.
이러한 대규모 환경을 위해 VectorChord를 활용할 수 있습니다. VectorChord는 pgvector 데이터 유형 및 구문과 호환되면서 대규모 PostgreSQL 벡터 검색을 지원하도록 설계되었습니다.
표준 pgvector가 수천만 개의 벡터 확장에 적합하다면, VectorChord는 최대 100배 빠른 인덱싱으로 수십억 개 단위의 확장을 지원하도록 설계되었습니다. IVF-RaBitQ 인덱스 아키텍처를 기반으로 95% 이상의 재현율(Recall)을 유지하면서 5배 더 빠른 쿼리 성능을 제공합니다.
768차원 벡터 1억 개를 운영하는 환경에서는 32GB 메모리에서 35ms P50 대기 시간을 제공하며, pgvector 대비 비용당 26배, Pinecone과 같은 전용 데이터베이스 대비 6배 더 많은 벡터를 지원합니다.
또한 VectorChord는 pgvector의 데이터 유형과 구문을 지원하므로 애플리케이션 코드를 대대적으로 변경하는 마이그레이션 대신 인덱스 교체(Index swap) 방식으로 확장할 수 있습니다.
VectorChord가 제공하는 세 가지 주요 이점
- 빠른 벡터 검색과 인덱싱: 빠른 인덱싱을 통해 AI 지식 기반을 최신 상태로 유지하고, 높은 쿼리 처리량으로 더 많은 병렬 에이전트 워크로드와 사용자 동시성을 지원할 수 있습니다.
- 소버린 데이터 통제: 벡터 데이터를 Postgres 내부에 유지할 수 있어 외부 벡터 데이터베이스로 데이터를 이동할 필요를 줄입니다. 온프레미스, 프라이빗 클라우드, 에어갭(Air-gapped) 환경에서도 AI 데이터에 대한 통제력을 유지할 수 있습니다.
- 대규모 환경의 비용 효율성: VectorChord의 스토리지 및 메모리 최적화를 활용해 대규모 벡터 워크로드를 기존 Postgres 환경에서 운영할 수 있습니다.
EDB Postgres AI Factory로 통제 가능한 엔터프라이즈 AI 구축
에이전틱 AI 시대의 경쟁력은 가장 정교한 모델만으로 결정되지 않습니다. AI가 안정적이고 안전하게 대규모로 작동할 수 있는 기반을 구축하고, 모든 에이전트가 조직이 실제로 통제할 수 있는 데이터를 활용할 수 있어야 합니다.
차세대 EDB Postgres AI Factory는 이러한 요구를 충족하기 위해 다음과 같은 핵심 기능을 통합합니다.
- 개발자가 개념 구상부터 실제 AI 에이전트 배포까지 빠르게 진행할 수 있도록 지원하는 시각적 Agent Studio
- Postgres를 벗어나지 않고 표준 RAG부터 수십억 개 규모의 벡터 워크로드까지 확장할 수 있는 Vector Engine
- 수동 개입을 줄이면서 AI 지식 기반을 최신 상태로 유지하는 AI Pipelines
- 인프라를 대대적으로 변경하지 않고 AI 환경 변화에 맞춰 모델을 채택, 교체 및 관리할 수 있는 Model Serving
EDB Postgres AI Factory는 AI 개발과 데이터 인프라를 하나의 Postgres 기반 환경으로 연결해 생성형 AI와 RAG, AI 에이전트 프로젝트가 실험 단계에서 실제 프로덕션 환경으로 발전할 수 있도록 지원합니다.
EDB Postgres AI Factory와 엔터프라이즈 AI 구축에 대해 자세히 알아보려면 EDB 전문가에게 문의하세요.