Databricks는 조직이 레거시 데이터 웨어하우스 (Data Warehouse)로부터 마이그레이션하는 것을 돕기 위해 설계된 에이전트 기반 코드 변환 (Agentic Code Conversion) 기능을 도입함으로써 자사의 Lakebridge 툴킷을 확장하고 있습니다. 이 새로운 기능은 Genie Code를 사용하여 복잡한 SQL 스크립트를 재작성하며, 이를 통해 고객이 더 높은 효율성과 적은 수동 개입으로 워크로드 (Workload)를 Databricks 레이크하우스 (Lakehouse) 환경으로 전환할 수 있도록 합니다.

복잡한 코드 번역을 위한 고급 자동화

이번 업데이트의 핵심은 마이그레이션 프로젝트의 힘든 작업을 관리하기 위해 AI 서브 에이전트 (AI Subagents)를 활용하는 시스템인 에이전트 기반 코드 변환기 (Agentic Code Converter)입니다. 이 에이전트들은 소스 코드의 심층 분석 및 여러 파일의 병렬 변환을 포함한 다양한 작업을 수행합니다. 또한 번역된 SQL을 검증하고, 초기 실행 중에 실패한 섹션을 자율적으로 재시도할 수 있습니다. 이러한 반복적인 접근 방식은 소프트웨어가 한계에 부딪혔을 때 인간 개발자가 개입해야 했던 기존 방식에서 크게 진보한 단계입니다.

개발자가 고유한 기업용 SQL 구조에 대해 특정 마이그레이션 규칙을 설정할 수 있도록 함으로써, 이 도구는 이전의 자동화 시스템에는 부족했던 수준의 맞춤화 (Customization)를 제공합니다. Lakebridge 제품군은 이미 패턴 기반의 BladeBridge 기술 및 컴파일러 기반의 Morpheus 엔진과 같은 여러 트랜스파일링 (Transpilation) 엔진을 제공하고 있습니다. 그러나 에이전트 기반 AI의 추가는 이러한 기존 기술들이 갖추지 못한 추론 (Reasoning) 계층을 도입합니다. 이러한 추론은 단순한 구문 매핑 (Syntax Mapping)을 넘어 복잡한 로직 (Logic)의 영역으로 나아가는 데 필수적입니다.

Morpheus와 같은 전통적인 트랜스파일러 (Transpilers)는 표준 구문 매핑 (Syntax Mapping)을 처리하는 데 매우 뛰어납니다. 이들은 날짜 함수 (Date functions)나 기본적인 조인 (Join) 명령어를 쉽게 관리합니다. 문제는 이러한 도구들이 제어 흐름 추론 (Control-flow reasoning), 커서 (Cursors), 또는 런타임 (Runtime)에 생성되는 동적 SQL (Dynamic SQL)을 만날 때 발생합니다. 이러한 복잡한 요소들은 Oracle이나 Teradata와 같은 플랫폼 간에 상당히 다르게 나타나는 경우가 많습니다. 업계 전문가들은 이러한 어려운 섹션들이 보통 코드베이스의 약 15%를 차지하지만, 마이그레이션 과정에서 수동 작업의 대부분을 소비한다고 지적합니다.

에이전트 기반 변환기 (Agentic converter)는 특히 이러한 고노력 (High-effort) 영역을 해결하기 위해 구축되었습니다. 이 도구는 단순히 문자 그대로의 텍스트가 아니라 코드의 문맥 (Context)을 이해함으로써 저장 프로시저 (Stored procedures)와 독자적인 함수 (Proprietary functions)를 처리합니다. 이러한 문맥적 인식 (Contextual awareness)은 첫 번째 변환 시도의 품질을 향상시킵니다. IT 리더십 입장에서 이러한 개선은 프로젝트 기간의 단축과 깨진 스크립트를 수정하는 데 드는 전문 인력 비용의 현저한 감소를 의미합니다.

구현 과제 및 현재의 한계

시간 절약의 잠재력은 높지만, 이 기술은 현재 베타 (Beta) 단계에 있으며 이에 따라 특정 운영상의 제약이 따릅니다. 조직은 전체 시스템을 얼마나 빨리 이동할 수 있는지에 대해 기대치를 관리해야 합니다. 예를 들어, 현재 버전의 도구는 변환 작업 (Conversion jobs)을 한 번에 300개 파일 단위의 배치 (Batches)로 제한합니다. 이는 수천 개의 저장 프로시저를 보유한 대기업의 경우, 여전히 여러 번의 실행을 계획해야 하며 워크플로 (Workflow)에 수동 체크포인트 (Manual checkpoints)를 포함해야 함을 의미합니다.

Databricks가 이러한 장애물을 해결하는 한 가지 방법은 커스텀 마이그레이션 기술 (Custom migration skills)을 위한 새로운 기능입니다. 이를 통해 엔지니어는 일회성 수동 수정 사항을 AI가 향후 파일에 적용할 수 있는 재사용 가능한 규칙으로 전환할 수 있습니다. 이는 지식을 코드화 (Codify)하는 데 도움이 되지만, 제품이 정식 출시를 향해 나아감에 따라 에이전트 시스템 (Agentic system)의 일관성은 여전히 평가 단계에 있습니다. 개발자들은 AI가 다양한 유형의 레거시 스크립트 (Legacy scripts) 전반에서 정확성을 유지하는지 면밀히 모니터링해야 할 것입니다.

또한 SQL 변환은 현대화 퍼즐의 단 한 조각일 뿐이라는 점을 인식하는 것이 중요합니다. AI가 모든 스크립트를 완벽하게 다시 작성하더라도, 팀은 여전히 마이그레이션된 데이터를 실제 운영 시스템 (Live production systems)과 대조하여 일치시켜야 합니다. 또한 복잡한 의존성 (Dependencies)의 순서를 정해야 하며, 기존 하드웨어를 종료하기 전에 비즈니스 승인을 확보해야 합니다. 현재 Databricks의 전략은 주로 코드 재작성에 집중되어 있기 때문에, 데이터 대조 (Data reconciliation)와 같은 다른 단계는 향후 개발 사이클의 일부로 남아 있습니다.

이러한 다른 필수 단계들로 인해 전체 마이그레이션 일정은 일부가 기대하는 만큼 단축되지 않을 수도 있습니다. 이 도구는 프로젝트의 SQL 재작성 부분에 소비되는 시간을 효과적으로 압축하지만, 주변의 물류 및 운영 (Logistics) 측면은 여전히 세심한 인간의 관리를 필요로 합니다. 조직은 이를 디지털 전환 (Digital transformation)을 위한 완전히 자동화된 솔루션이라기보다, 특정 병목 현상을 제거해 주는 강력한 어시스턴트로 간주해야 합니다.

AI 주도 마이그레이션의 경쟁 환경

Databricks는 데이터 플랫폼 제공업체들이 신규 고객의 진입 장벽을 낮추기 위해 AI를 사용하는 광범위한 산업 트렌드에 참여하고 있습니다. 엔터프라이즈 데이터 경쟁은 치열하며, 기업이 경쟁 플랫폼을 떠나기 쉽게 만드는 것이 핵심 전략입니다. 코드 이동의 마찰을 줄임으로써, 이러한 벤더들은 플랫폼 전환의 어려움 덕분에 오랫동안 이익을 누려온 기존 레거시 제공업체들로부터 시장 점유율을 확보하기를 희망하고 있습니다.

Snowflake는 SnowConvert로 알려진 경쟁 도구를 제공합니다. 새로운 Databricks의 제품과 마찬가지로, 이 도구는 자동화된 에이전트 (agents)를 사용하여 기업이 데이터 웨어하우스 (data warehouses), 비즈니스 인텔리전스 (business intelligence) 보고서 및 기반 코드를 자사의 클라우드 플랫폼으로 이전할 수 있도록 지원합니다. 이는 복잡한 레거시 코드 (legacy code)에 의해 형성된 "해자 (moat)"가 생성형 AI (generative AI)와 에이전트 워크플로 (agentic workflows)를 통해 극복되고 있는 업계의 성장하는 표준을 반영합니다.

Google Cloud 또한 Database Migration Service를 통해 유사한 기능을 제공합니다. Gemini 기반 로직을 사용함으로써, Google은 스키마 (schema) 및 코드 변환을 위한 자동화된 워크플로를 가능하게 합니다. 이는 CIO들이 워크로드 (workloads)를 클라우드로 이동시키기 위해 여러 가지 옵션을 가질 수 있는 환경을 조성합니다. 선택의 기준은 종종 어떤 도구가 레거시 환경의 특이한 사항들을 가장 적은 오류로 처리하느냐로 귀결됩니다.

이러한 도구들이 성숙해짐에 따라, 초점은 단순한 코드 번역에서 전체 라이프사이클 자동화 (full lifecycle automation)로 이동할 가능성이 높습니다. 여기에는 현재 수동 작업으로 남아 있는 데이터 조정 (data reconciliation) 및 의존성 매핑 (dependency mapping)이 포함될 것입니다. 현재로서는 에이전트 기반 변환기 (agentic converters)로의 이동은 기술 부채 (technical debt)를 관리하는 방식의 중대한 변화를 나타냅니다. 개발자들은 오래된 스크립트를 수동으로 번역하는 데 몇 달을 소비하는 대신, 작업의 대부분을 아주 짧은 시간 내에 수행하는 AI 에이전트의 감독관 역할을 수행할 수 있습니다.