• Databricks는
  클라우드 전용, 오픈소스, 데이터와 AI에 일찍 집중하고, Spark의 수백만 사용자를 보안과 확장성을 갖춘 유료 관리형 서비스 고객으로 전환하며 성장함
• 초기 영업 조직은 단순한 판매보다
  고객 탐색에 집중함. 사용자의 어려움과 지불 의사를 직접 확인했으며, 기업 시장 진입이 성장의 중요한 전환점이 됨
  사용자당 요금을 추가하자 고객이 제품 이용자를 제한하고 사용량도 줄었음. 이를 없애자 사용량이 늘었으며, 사용량 기반 과금이 성장 모델로 자리 잡음
• 기업 AI의 핵심은 모델 자체의 지능보다
  기업 데이터의 맥락과 통제에 있음. 데이터 정비, 업무 프로세스 재설계, 지속적인 품질 관리에는 여전히 전문성이 필요함
• 규모 확대에는 단계마다 다른 영업 역량이 필요함.
  반복 가능한 영업 방식과 기술을 이해하는 인력을 갖추고, 다제품과 해외 시장, 파트너 채널에 맞춰 조직을 계속 바꿔야 함

성장의 출발점과 세 가지 선택

• Ron Gabrisko가 합류했을 때 Databricks 매출은
  100만 달러 미만이었고, 인터뷰 시점에 인용한 공개 매출 수치는 69억 달러였음

• 영상 제목은 10년간 ARR 100만 달러에서 70억 달러 이상으로의 성장을 내세움

• 인터뷰 기준 회사 역사는 약 13년, Gabrisko의 재직 기간은 약 10년 반임

• Berkeley 박사 출신 공동창업자 7명은 2014~2015년부터
  클라우드, 오픈소스, 데이터와 AI에 집중함

• Gabrisko는 초기 전략적 선택에 더해 제품 개발과 혁신 역량, 시장 진출 조직, 인재와 문화의 결합을 성장 요인으로 꼽음

클라우드 전용 전략이 당연하지 않았던 시기

• 초기에는 대부분의 인프라가
  온프레미스에 있었으며, 창업자들과 함께 만난 대형 금융회사 CIO들도 클라우드로 이전하지 않겠다는 입장이었음

• Spark 개발자들을 만나려는 관심은 컸지만, 클라우드 전용 제품의 구매로 곧바로 이어지지는 않았음

• 당시 이전을 거부했던 일부 대형 은행은 이후 Databricks의 주요 고객이 됨

• 금융회사의 주요 장벽은
  보안, 거버넌스, 규제와 기존 시스템이었음

• Gabrisko는 이 문제가 초기 AI 도입의 장벽과 비슷하며, 보안과 거버넌스, 확장성, 규제 문제를 해결하면 시장이 빠르게 성장한다고 봄

• 클라우드에만 집중한 덕분에 기존 온프레미스 제품과 레거시 문제를 함께 처리해야 하는 경쟁사보다 빠르게 움직일 수 있었음

오픈소스를 관리형 서비스로 수익화

• 당시 Hadoop 같은 오픈소스 프로젝트의 대표적인 수익 모델은
  지원과 서비스 판매였음

• 대형 클라우드 사업자는 오픈소스로 컴퓨팅 사용량을 늘리고 있었지만, 비상장 소프트웨어 기업이 같은 방식으로 수익화하는 사례는 많지 않았음

• Databricks는
  오픈소스 기반 관리형 클라우드 서비스를 만들고 컴퓨팅 사용량에 과금함

• Spark 외에도 Delta, MLflow 등으로 오픈소스 기반을 넓힘

• 초기에는 수백만 Spark 사용자에게 사용 방식과 어려움, 지불 의사를 직접 물었음

• 고객이 돈을 내는 항목으로
  보안과 확장성을 확인하고 유료 기능을 더함

• 직접 시스템을 만드는 데 익숙한 디지털 네이티브 스타트업과 달리, 대기업은 대규모 오픈소스 시스템을 구축할 전문 인력과 파트너가 필요한 경우가 많았음

• 관리형 서비스는 고객이 20~30개 오픈소스 소프트웨어를 각각 설치하고 클라우드 서비스를 구성하며 보안과 거버넌스를 연결하는 부담을 줄임

• 초기 데이터 과학자는 데이터셋을 올린 뒤 바로 분석과 모델 개발을 시작할 수 있었음

• 이후 데이터 엔지니어링, 파이프라인, AI와 머신러닝으로 사용 범위가 넓어짐

데이터 플랫폼이 해결하는 문제

• Databricks는
  여러 출처의 대규모 데이터를 모아 AI, 예측, 분석에 활용하도록 돕는 플랫폼임

• 적용 사례는 산업별로 다양함

• 스트리밍 서비스는 다른 이용자의 행동과 개인의 시청 이력 등을 결합해 다음에 볼 영화를 추천함

• 금융회사는 카드 부정 사용 탐지, 교차판매와 추가판매, 대출 승인과 실행에 활용함

• 제약회사는 화합물, 유전체, 전자의무기록을 분석해 연구개발을 가속함

• 초기 진입 시장은
  데이터 과학과 머신러닝이었음

• 대용량 데이터를 처리하는 Spark의 강점을 활용해 거대한 유전체 파일 등을 분석함

• Gabrisko는 기존에 24시간 걸리던 모델 실행을 1분으로 줄이는 예를 들어, 더 많은 가상 실험으로 연구개발을 가속할 수 있다고 설명함

• 초기 제품에서는 데이터 과학자가
  노트북과 코드로 머신러닝 모델을 만들었으며, 자연어로 작업을 지시하는 방식은 아니었음

• 이후 자체 모델을 개발하고, 인터뷰 기준 약 3년 전 Mosaic을 인수해 맞춤형 모델 학습 등의 역량을 확대함

• 범용 소비자 지능보다는 산업별 기업 업무와 성과에 초점을 맞춤

Genie로 기업 데이터에 자연어로 질문하기

Genie는 기업 데이터의 맥락을 바탕으로 자연어 질문에 답하고, SQL 질의와 계산, 그래프, 예측, 모델 실행과 에이전트 호출을 처리하는 인터페이스임

• 예를 들어 독일에서 이탈 가능성이 높은 고객 10곳을 묻고, 이탈 예측과 대응 권고를 받을 수 있음

• 공개 데이터에 답하는 일반적인 도구와 달리 기업 자체 데이터를 대상으로 작동함

• Gabrisko는 Databricks 운영에도 이를 사용하며, 자사 데이터로
  매출을 1~2% 오차 범위에서 예측하고 고객 이탈과 제품별 유지율을 분석한다고 밝힘

• 고객 미팅 전에는 사용 제품, 계정 현황, 성장 기회 등을 확인함

• 인터뷰 시점에 Genie는
  Data and AI Summit에서 출시한 신제품으로, 이미 수백만 사용자가 있었음

• 은행 CEO와 CFO를 포함한 업무 사용자가 이용함

• 특정 대시보드에 포함된 데이터만 보는 대신 여러 데이터 출처의 온톨로지와 맥락을 바탕으로 답을 찾음

• 분석가에게 자료를 요청하고 다음 날 수정 요청을 반복하는 대신, 사용자가 직접
  실시간 데이터에 질문할 수 있음

• 소매점 관리자는 진열대와 제품별 매출, 지역별 고객 특성에 맞는 판촉을 검토함

• 렌터카 업체는 고객 만족도가 낮은 원인을 살펴 차량 청소 같은 조치를 권고받을 수 있음

• 주유소 편의점은 영상과 이미지를 이용해 피자 재고를 확인하고, 계절성과 판촉을 반영해 준비 수량을 결정할 수 있음

• 피자 사례의 핵심은 실시간 가격 변경보다는 품절 방지와 재고 관리에 가까움

모델보다 중요한 기업 데이터의 맥락

• Gabrisko는 기업 AI에서 모델은 이미 충분히 똑똑하며, 성과를 좌우하는 것은
  독점 데이터와 업무 맥락의 연결이라고 봄
  Unity Catalog는 데이터뿐 아니라 모델과 노트북 등도 관리해, 어떤 데이터가 어디에 있고 특정 질문이나 모델에 무엇이 관련 있는지 파악하도록 지원함
• Unity AI Gateway를 통해 다양한 모델을 제공하며, AI와 데이터를 안전하고 통제 가능한 방식으로 연결하는 데 집중함
• 목표는 분석 결과를 얻는 데 그치지 않고 에이전트 구축과 업무 자동화로 이어지는 것임

코딩을 넘어선 자동화와 프로세스 재설계

• 코딩과 소프트웨어 개발 가속은 AI가 이미 큰 진전을 보인 분야지만,
  재무와 영업 등 다른 업무 자동화는 아직 초기 단계임

• 업무 자동화는 기존 절차를 그대로 옮기는 것으로 끝나지 않으며
  프로세스 재설계가 필요함

• 의료 청구 승인과 지급, 청구 사기 탐지에서는 실제 절차를 이해하고 에이전트가 무엇을 찾아야 하는지 가르쳐야 함

• 에이전트 품질을 확인하고 배포 뒤에도 계속 잘 작동하는지 살펴야 함

• Databricks는 자사를 첫 적용 고객으로 삼아 내부 업무에 AI를 적용하고, 배운 내용을 고객에게 전달함

• Genie Code와 Genie 에이전트를 내부와 고객 업무 자동화에 사용함

• 진행자는 소비자 AI의 월 구독 모델과 달리 기업 AI는 실제 업무 수행에 쓰인다는 점을 강조하며, Uber가 몇 달 동안 기업 AI에 10억 달러를 지출했다는 사례를 인용함

영업 조직 내부의 AI 활용

• Databricks는
  모든 영업 담당자에게 모바일 Genie를 제공함

• 계정 관리와 고객 미팅 준비, 현장 시연에 활용함

• 고객 업종을 반영한 가상 데이터로 보험 청구나 대출 업무의 기회를 보여줄 수 있음

• 매출 예측, Salesforce 입력, 영업 접촉 절차 등
  행정 업무를 자동화해 실제 판매에 쓸 시간을 늘리고자 함

• 고객 계정을 분석해 다음 행동도 권고함

• 이미 판매한 활용 사례를 바탕으로 다음에 제안할 업무와 애플리케이션, 접촉할 사람을 추천함

합류 계기와 일곱 공동창업자와의 협업

• Gabrisko는
  a16z의 Ben Horowitz 소개로 Databricks 창업자들을 만남

• Horowitz는 검토 중인 다른 회사보다 작을 수 있지만 포트폴리오에서 성장 잠재력이 가장 큰 회사라며 소개함

• 뛰어난 소프트웨어를 무료로 공개한 창업자들이 이를 사업으로 발전시키도록 도울 사람이 필요했음

• 일곱 공동창업자는
  기술적 신뢰와 고객 접점 측면에서 강점이 됨

• 기술 행사 발표나 고객 CTO/CIO와의 경영진 교류에 참여할 사람이 더 많았음

• 초기에는 창업자들의 전략과 제품 개발 방식, 원하는 문화를 이해하는 데 시간을 썼음

• 엔지니어의 영업에 대한 회의감을 고려해 관계와 신뢰를 먼저 쌓음

• Ali가 CEO를 맡은 뒤 영업을 가르쳐 달라고 요청하면서 협업 관계가 깊어짐

기업 영업은 발표보다 질문에서 시작함

• 좋은 제품과 가격만으로 기업 고객이 저절로 구매하지는 않음
  영업의 역할은 제품을 알리고, 사용 방법과 가치를 얻는 방법을 고객에게 가르치는 것임

• 스타트업에서는 CTO나 창업자 한 명이 구매를 결정할 수 있지만, 대기업은
  조직적으로 의사결정함

• 조직도, 의사결정자, 예산 소유자, 승인 절차, 내부 지지자를 이해해야 함

• 다만 첫 만남부터 이를 캐묻기보다 관계를 형성하고 질문하며 파악해야 함

• 기업 영업 주기는
  6~12개월 이상 걸릴 수 있으며, 기술 검증과 개념검증도 포함됨

• Gabrisko는 입사 면접에서 제품 발표를 요청받았을 때도 먼저 고객 역할을 맡은 상대에게 질문함

• 어떤 회사인지, 데이터와 AI를 어떻게 쓰는지, 다른 시스템은 무엇인지, 달성하려는 목표는 무엇인지 물음

• 문제를 진단하지 않고 수술부터 권하는 의사처럼, 고객을 이해하기 전에 제품부터 제안해서는 안 됨

• 미팅 전에는 고객의 문제와 전략적 목표를 조사하고, 가능하다면 조직의 높은 직급과 대화해야 함

• 후속 대응은 신뢰할 수 있고 성실해야 하며, 단순히 귀찮게 하기보다 실제로 도울 수 있는 부분에 집중해야 함

• 기업 영업 학습에는
  Medpic 계열의 영업 관리 프레임워크와 Command of the Message를 추천함

• 성과 지표, 경영진 후원자, 의사결정 절차 등을 체계적으로 확인하는 데 활용함

• 회사와 제품에 맞게 조정해야 함

성장 단계별로 달라지는 영업 과제

• Gabrisko는 회사 성장 과제를
  네 단계로 구분함
  0~1,000만 또는 2,000만 달러: 제품 시장 적합성을 탐색함
  2,000만~1억 달러: 반복 가능한 영업 방식과 체계를 구축함
  1억~10억 달러: 해외와 파트너를 통해 확장함
  수십억 달러 규모: 적절한 리더, 문화, 시스템과 프로세스를 갖추면서 빠른 혁신을 유지해야 함

제품 주도 성장(PLG) 은 Anthropic 같은 회사에서 잘 작동하지만, 기업 고객을 상대하려면 영업 인력이 여전히 필요함

• 개발자가 직관적으로 사용할 수 있는 코딩 도구는 스스로 채택할 수 있음

• 이후 보안 심사와 계약을 통과하거나 제품 간 차이를 설명하는 역할은 별도로 필요함

• 개인 영업 담당자의 가장 큰 실수는
  고객을 이해하기 전에 제품 설명부터 시작하는 것임

• 회사 차원에서는 목표 시장과 성장 단계에 맞춰 영업 인력을 늘려야 함

기술 영업 인력의 채용 기준

기술 구매자에게는 기술을 이해하는 판매자가 필요함

• Databricks는 사전 영업 엔지니어링 조직이 별도로 있어도 모든 영업 담당자가 제품을 이해하고 직접 시연할 수 있어야 한다고 봄

• 구매자의 문제 해결이나 학습에 기여하지 못하면 기술 고객은 시간을 쓸 이유가 없음

• 조직을 확장하기 전에는 회사에서 성공할
  영업 인재의 기준을 정해야 함

• 기술 역량과 데이터/AI 시장 경험을 확인함

• 끈기, 인내심과 근면성을 살핌

• 확정 계약이 아닌 사용량 기반 사업을 이해하는 클라우드 경험이 필요함

• 큰 조직의 지원 없이 직접 일을 만들어 본 스타트업 경험도 봄

• Gabrisko는 두세 회사를 각각 2년 미만으로 다닌 이력을 경계함

• 어려운 시기를 끝까지 겪고 돌파했는지 확인하려는 기준이며, 모든 채용 후보의 이력을 직접 살핀다고 밝힘

• 끈기 평가는 어느 정도 주관적이므로 성장 과정과 극복한 어려움, 실제 과제를 함께 봄

• 사업 계획을 작성하게 함

• 제공한 자료를 이용해 CEO 대상 AI 비전을 발표하도록 함

• 지원 업종에 맞는 Genie 시연도 수행해야 함

평판 조회는 강점과 약점을 보정하는 과정

평판 조회는 이미 신뢰 관계가 있는 사람에게 요청하며, 서로 솔직한 평가를 주고받는 관계를 활용함

• 흠이 전혀 없는 사람을 찾기보다 강점과 개선할 부분을 확인함

• 함께 일한 사람 중
  상위 1%, 5%, 10% 중 어디에 해당하는지 물어 평가 기준을 맞춤

• 직무에 따라 적어도 2~3명에게 확인함

• 평가자의 맥락도 중요함

• 진행자는 큰 회사의 위계와 회의에 순응하지 않고 빠르게 제품을 내놓던 창업자가 동료에게 나쁜 평가를 받은 사례를 들음

• 같은 행동이 대기업 동료에게는 불편할 수 있지만, 새 회사의 CTO에게는 유용할 수 있으므로 평가 출처와 역할을 함께 봐야 함

첫 분기 40명 채용은 고객 탐색을 위한 투자였음

• Gabrisko는 초기
  한 분기에 영업 담당자 40명을 채용했으며, 상당수는 기존 인맥에서 신뢰하던 사람들이었음

• 목적은 이미 널리 사용되던 Spark 사용자에게 접근해
  누가 무엇에 돈을 낼지 확인하는 것이었음

• 추가 투자금을 확보한 상태에서 여러 고객군을 포괄하도록 담당 범위를 설계함

• 스타트업과 대기업 중 어느 시장에서 무엇을 판매할 수 있는지 빠르게 알아보고자 함

• 첫해 매출은 정확히 기억하지 못한다는 단서를 붙여
  약 1,300만~1,500만 달러로 회상함

• 이후 5,000만, 1억, 2억 5,000만 달러로 성장했다고 설명함

• 합류 전에는 고객이 자발적으로 찾아오기를 기대하는 PLG를 시도했지만 충분히 작동하지 않았음

• 오픈소스 사용자는 지원 질문에 답을 얻으면 무료 사용을 계속할 수 있어, 유료 구매 의사를 별도로 탐색해야 했음

오픈소스 채택과 유료 제품 판매는 다른 과제임

• 이미 사용자가 많은 프로젝트는 영업이 먼저 찾아가 수익화할 기능을 제안할 수 있음
• 아직 사용자가 없는 제품은 소수 영업 인력으로 초기 시험 고객을 확보하고 제품 개발과 적합성 탐색을 도와야 함

투자자의 고객 소개를 실제 계약 기회로 바꾸기

• a16z는 영업과 마케팅, 채용 지원 조직뿐 아니라
  대기업 CIO와의 관계를 갖추고 있었음

• 대기업 CIO와 실무진을 사무실로 초청해 한 번의 방문에서 포트폴리오 회사 약 10곳을 만나게 함

• 스타트업마다 약
  30분의 소개와 시연 기회를 얻음

• 고객은 AI나 보안 등 관심 주제와 만나고 싶은 회사를 선택할 수 있었음

• Gabrisko는 초기 행사에 직접 참여했으며, 창업자나 CEO, CRO, 영업 책임자가 기회를 활용할 것을 권함

• 단순한 이메일 소개보다 소수의 목표 고객과 직접 만나 관계를 만드는 편을 선호함

• 최소한 후속 미팅, 관계 하나, 개념검증이나 작은 초기 계약을 확보하는 것이 목표임

• Databricks는 이 방식으로 여러 대형 고객을 확보함

• 현재는 자체적으로 경영진 미팅을 잡을 수 있는 규모지만, 접근하기 어려운 고객에게는 여전히 투자자 소개를 요청함

• 투자 유치 때 이런 고객 접근 지원 역량도 살펴볼 가치가 있음

• 이후에는 기술 창업자들을 대상으로 첫 영업 리더 채용, 고객 확보, 가격과 보상 계획 등
  시장 진출 조직 구축에 관한 경험을 공유하는 역할도 맡음

무료 파일럿의 목적과 확장 조건

• 초기 Databricks의 개념검증과 파일럿은 대부분
  무료였음

• 파일럿 자체의 수익보다 제품과 팀의 가치를 증명하는 것이 목적이었음

• 무료로 진행하더라도 세 가지 조건은 필요함
  성공 기준: 무엇을 입증할지 합의해야 함
  기한: 예를 들어 30일처럼 실행 기간을 정해 장기화를 막아야 함
  경영진 후원: 개인 개발자의 과제를 도와주고 끝나는 일이 아니라 계약으로 이어질 가능성을 확보해야 함

• 브랜드와 고객 사례, 실적이 있는 회사는 파일럿을 생략할 수도 있음

• 그래도 큰 계약으로 연결될 기회가 명확하다면 파일럿 비용을 부담할 의향이 있음

초기 도입 후 확장(land and expand) 은 작은 사용자 집단이나 업무, 부서에서 시작함

• 가치 입증 → 내부 지지자 확보 → 같은 부서의 다른 활용 사례 확대 → 다른 부서로 확장하는 순서임

사용자당 과금이 오히려 성장을 막았던 경험

• 초기 연간 계약 규모는
  1만 5,000~1만 8,000달러 수준이었음

• 고객에게 주는 가치는 컸지만 일부 활용 사례가 많은 컴퓨팅 사용량을 만들지 않았음

• 가치를 더 많이 수익으로 회수하려고
  플랫폼 요금과 사용자 요금을 추가함

• Palantir 같은 가치 기반 가격 모델과 달리, Databricks는 클라우드 사용량에 기반한 가격 모델을 쓰고 있었음

• 사용자 요금을 부과하자 고객이 이용자 수를 제한했고, 결과적으로
  사용량도 감소함

• 사용자 요금을 없앤 뒤 더 많은 사람이 제품을 사용하면서 사용량이 크게 늘었음

• 가격 설계에서는 고객 가치뿐 아니라 경쟁 제품, 자체 구축, 최저비용 대안과의 비교가 필요함

• Databricks는 클라우드와 마찬가지로
  컴퓨팅과 사용량을 기본 가치 단위로 선택함

• Gabrisko는 대부분의 소프트웨어에서 사용자당 요금이 포착할 수 있는 가치를 제한한다고 봄

• 다만 모든 제품에 예외 없이 적용된다고 단정하지는 않음

• 기업의 직원 수보다 에이전트 사용이 늘어나는 상황에서는, 시간이 지나며 증가하고 가치를 나타내는 단위에 과금을 연결할 것을 권함

• 데이터와 질의, 분석과 예측을 수행하는 사람과 에이전트가 늘면 사용량도 증가함

• 해외와 신규 산업으로의 확장이 이런 사용량 성장과 결합할 수 있음

• 토큰 과금 역시 같은 사용량 기반 모델이며, 초기 사용자당 과금에서 사용량 과금으로 옮겨간 코딩 도구 시장도 사례로 듦

대기업 진출 요건은 제품 초기부터 고려해야 함

• 초기 도입자는 스타트업과 AI/기술 회사에 몰릴 수 있지만, 큰 기업을 만들려면 은행과 의료회사, 소매업체, 소비재 기업 등으로 판매 대상을 넓혀야 한다고 봄
  보안과 규제 준수 요건을 나중에 붙이려 하면 성장 속도가 크게 느려질 수 있음

• 제품과 서비스에 어떤 영향을 주는지 초기부터 파악해야 함

• 연방정부에 판매하려면 보안 인가를 받은 인력이 필요하거나 개발 인력을 분리 운영해야 할 수도 있음

• Databricks도 일부 요건을 처음부터 충분히 고려하지 못했음

• 클라우드 전용 회사였으므로 초기에는
  아직 클라우드를 도입하지 않은 고객에게 지나치게 시간을 쓰지 않도록 함

• AWS, Microsoft, GCP 등이 먼저 고객의 클라우드 이전을 설득해야 판매가 가능했기 때문임

다제품과 글로벌 조직에 맞춘 운영 변화

• 성장하면서
  파트너 채널과 해외 지역 조직을 새로 구축해야 했음

• 단일 제품에서 큰 제품군으로 확장하면 제품별 전문 조직이 필요해짐

• 동시에 전체 영업팀이 AI를 일상적으로 사용해 생산성과 판단력을 높이도록 해야 함

• 매년 두세 배 성장하던 시기에 연간 계획 대신
  6개월 계획 주기를 채택했으며, 인터뷰 시점에도 유지함

• 고객을 충분히 담당할 수 있도록 영업 구역도 6개월마다 재조정함

• 이 규모에서 조직을 구축하고 운영하는 데 미리 정해진 해법은 없었으며, 성장 단계마다 방식을 새로 만들어야 했음

해외 확장은 현지 리더와 기존 숙련 인력을 함께 배치

• 초기 해외 고객은 원격 영업으로 확보할 수 있으므로
  너무 빠른 현지 조직 확대는 피할 것을 권함

• 잘못된 리더나 전략을 선택하면 장거리 이동과 많은 시간을 들여 수정해야 함

• 국가마다 언어와 문화, 고객이 달라
  현지 리더가 필요함

• 현지 리더는 우수한 영업 인재와 고객을 알고 있어야 함

• 해외에 크게 투자하기 전에는 본국에서 영업 방식과 고객군, 구매 요건을 충분히 이해해야 함

• 반드시 매출 1억 달러까지 기다릴 필요는 없지만,
  2,000만~1억 달러 구간에서는 반복 가능한 방식이 상당히 명확해야 한다고 봄

• Databricks는 미국의 핵심 인력을 런던 등에 1년간 보내 새 팀을 교육함

• 아시아 태평양 지역에도 성공 경험과 내부 지식을 가진 인력을 배치함

• 문서와 교육만으로 전달하기 어려운
  암묵지를 현지 리더의 시장 지식과 결합해 학습 시간을 줄임

• 판매법을 모르거나 고객을 성공시키지 못하는 팀으로 너무 빨리 확장하면 비용뿐 아니라 브랜드에도 손상을 줄 수 있음

기업 AI 도입의 네 가지 C

• 인터뷰에서 인용한 Databricks의 공개
  AI 매출은 17억 달러이며, 빠르게 성장 중임

• Gabrisko는 기업 AI의 주요 요구를
  네 가지 C로 정리함
  맥락(Context): AI를 기업 데이터와 연결해 업무에 맞는 판단과 예측을 수행해야 함
  통제(Control): 데이터 접근 권한과 에이전트의 이용 방식을 관리하고 정보 노출과 규제 문제를 통제해야 함
  선택권(Choice): 모델뿐 아니라 클라우드도 선택할 수 있어야 함
  비용(Cost): 빠르게 소진되는 예산에 비용 통제와 안전장치를 적용해야 함

• 고난도 작업에는 최상위 모델을, 다른 작업에는 오픈소스 모델을 사용하는 시장이 커질 것으로 봄

• 하나의 모델에만 종속되면 비용 부담이 커질 수 있음

• Databricks는 Unity AI Gateway로 관련 통제를 제공함

• 실제 활용은 신약 발견과 개발 가속, 대출 업무 자동화와 부정 탐지, 소매 판촉과 진열, 유통과 재고 보충 등으로 넓어지고 있음

데이터 정비와 현장 배치 엔지니어의 역할

• 기업 AI 도입에는 Databricks나 모델 개발사, 컨설팅 회사 등의
  전문 인력 지원이 여전히 필요함

• 여러 시스템을 연결하는 작업이 단순하지 않기 때문임

• 큰 장애물은
  분산된 데이터와 레거시 형식임

• 데이터가 오래된 시스템이나 독점 형식에 흩어져 있어, AI에 연결하기 좋은 상태로 만드는 일이 복잡함

• AI 자체도 데이터 정비를 돕는 방향으로 발전하고 있음

• Genie Code는 데이터 엔지니어링 파이프라인과 데이터 과학 작업의 개발 및 자동화를 지원함

• 데이터셋 탐색과 라벨링, 온톨로지 구성은 Unity Catalog의 통제 아래 수행하도록 함

현장 배치 엔지니어(FDE) 는 고객 목표를 이해하고 적절한 기술과 구현 방식을 선택하며 장기적인 영향을 고려해야 함

• 초기 문제 해결뿐 아니라 확장성, 비용 효율, 업그레이드와 유지보수까지 설계해야 함

• 수년간 발전할 솔루션을 매번 다시 연결하거나 큰 유지보수 인력에 의존하지 않고, 고객 팀이 직접 관리할 수 있도록 하는 것이 목표임

• Databricks의 FDE는 사전 영업 솔루션 아키텍트와 함께
  필드 엔지니어링 조직에 속함

• 코딩과 제품 개발, 파일럿 및 환경 구축을 수행함

• 조직은 시장 진출 부문에 속하며 공동창업자가 이끎

상장보다 장기적인 회사 구축에 집중

• 진행자는 Databricks의 기업가치를
  1,880억 달러로 언급하고, 추가로 수십억 달러를 조달한 상황에서 상장 시점을 질문함
• Gabrisko는 상장이
  할지 말지의 문제가 아니라 시기의 문제라고 답하지만, 구체적인 일정은 제시하지 않음
• 재무 공개와 분기별 이사회, 감사위원회 절차 등은 이미 상장회사처럼 운영한다고 밝힘
• 서두르기보다
  1조 달러 규모의 회사를 만드는 장기 목표에 집중함

LL Cool J와의 창업, 스포츠에서 가져온 조직 문화

• Gabrisko는
  LL Cool J와 가상 녹음 스튜디오 사업을 함께 시작한 경험이 있음

• 서로 다른 도시에 있는 사용자가 함께 곡을 녹음할 수 있는 서비스였음

• 수십만 사용자를 확보하고 Microsoft 등에 기술을 라이선스함

• 시작 시점은 약 2013년으로 회상하며, 이후 기술을 계속 업데이트하지는 않았다고 밝힘

• LL Cool J가 음악과 방송 등 여러 산업에서 오랫동안 자신을 재창조해 온 점을 높이 평가함

• 공연 무대에 함께 서거나 그가 진행한 Grammy Awards 행사에 참석한 경험도 있음

• 스포츠 인물로는
  Michael Jordan과 Walter Payton을 꼽음

• Jordan의 승리에 대한 집념과 결정적인 순간에 책임을 맡는 태도에 공감함

• Payton은 어려운 팀 환경에서도 기록을 세우고, 힘든 훈련과 사회 환원을 이어간 인물로 기억함

• 건설 노동자인 아버지와 교사인 어머니 아래 Chicago에서 성장했으며, 메이저리그 선수를 꿈꾸고 대학 야구를 했음

• 선수 생활에서 가져온
  근면, 끈기와 적극성을 영업 조직 문화에서도 강조함

• 책
  Relentless를 추천하며, 내부 동기와 압박 속 책임감을 강조함

• 책의 ‘cleaners’와 ‘closers’ 구분을 언급하고, 모두가 당황할 때 의지하는 사람이 되는 것을 중요하게 봄

• 은퇴하지 않는 이유도 외부 보상보다는 일의 재미와 열정, 아직 목표를 완수하지 않았다는 내적 동기에 있음

댓글과 토론