【Snowflake Summit 2026】Snowflake CoWork로 변화하는 '데이터에 묻기'에서 '업무 진행하기'로의 진화

서론

안녕하세요. Nowcast 엔지니어 Takumi입니다.

본 기사에서는 Snowflake Summit 2026의 세션 "What's New: Snowflake CoWork and Cortex Agents for Real Business Impact"에 대해 소개합니다.

이 세션에서는 Snowflake Intelligence에서 Snowflake CoWork로의 진화, Personal Agent, Automations, Deep Research, Cortex Sense, AI-first BI, 그리고 Wolfspeed에서의 활용 사례가 소개되었습니다.

특히 인상적이었던 점은, Snowflake CoWork가 단순한 자연어 Q&A가 아니라, "데이터에 묻는" 경험에서 "업무를 진행하는" 경험으로 진화하고 있다는 점입니다.

세션 개요

• 세션명: What's New: Snowflake CoWork and Cortex Agents for Real Business Impact
• 스피커:
  • Unni Velayudhan, Sr Director - Data and Enterprise AI, Wolfspeed
  • Effie Goenawan, Principal Product Manager, Snowflake
  • Will Allen, Senior Director, Product Management, Snowflake

공식 개요

AI는 그것이 이해하는 컨텍스트(Context)만큼 강력합니다. 이 세션에서는 모든 지식을 신뢰할 수 있는 비즈니스 결정으로 전환하기 위해 구축된 엔터프라이즈 인텔리전스 에이전트(Enterprise Intelligence Agent)인 Snowflake CoWork의 새로운 소식을 확인해 보세요. 조직들이 거버넌스가 적용된 엔터프라이즈 데이터와 공유된 비즈니스 정의에 기반하여, 대시보드를 넘어 핵심적인 "이유(why)"를 밝혀내는 방법을 배웁니다. Snowflake CoWork와 Cortex Agents가 어떻게 협력하여 팀이 정적인 인사이트를 넘어 자연어 인텔리전스, 신뢰할 수 있는 추론, 그리고 조직이 확신을 가지고 분석하고 행동하며 결과를 도출할 수 있도록 돕는 실행 가능한 워크플로(Actionable Workflows)를 가능하게 하는지 알아보십시오.

Snowflake CoWork란 무엇인가

Snowflake CoWork는 Snowflake 상의 데이터와 업무 컨텍스트(Context)를 바탕으로 사용자의 업무를 지원하는 퍼스널 에이전트(Personal Agent)입니다.

세션 내에서도,

we want to make sure also that it is possible to shift from just answering questions to just taking actions to getting work done.

라고 표현했듯이, Snowflake CoWork는 단순한 분석용 채팅이 아니라 업무를 진행하기 위한 에이전트(Agent)로 설명되었습니다.

이러한 포지셔닝은 기존 Snowflake Intelligence로부터의 큰 변화이기도 합니다. 세션에서는 Snowflake Intelligence는 "talking to your data"인 반면, Snowflake CoWork는 "personal work agent"라고 설명되었습니다.

CoWork에서도 물론 데이터에 질문하여 그래프나 표를 얻을 수 있습니다. 하지만 CoWork가 목표로 하는 것은 그 너머에 있는 업무의 완료입니다. 예를 들어, 고객과의 미팅 전에 관련 정보를 정리하고, 필요한 분석을 수행하며, 결과를 PDF나 PowerPoint로 정리하고, 필요하다면 Slack이나 이메일로 공유하는 것까지 일련의 업무를 동일한 경험 안에서 진행할 수 있도록 하는 것이 목적입니다.

따라서 이번 세션 타이틀에 있는 **"Real Business Impact"**는 단순히 AI로 분석이 편리해진다는 의미가 아니라, 데이터, 업무 컨텍스트 (Business Context), 에이전트 (Agent), 액션 (Action)을 연결함으로써 실제 업무 성과로 이어진다는 의미라고 이해했습니다.

이 기사의 제목에서 「데이터에 묻기」에서 「업무 진행하기」로의 진화라고 표현한 것은 바로 이 점 때문입니다.

Snowflake AI 기능군에서의 CoWork의 위치

Snowflake CoWork의 주요 기능에 들어가기에 앞서, 세션에서 소개된 Snowflake Cortex AI Architecture 상에서의 CoWork의 위치를 정리하겠습니다.

이 도표에서 Snowflake CoWork는 Apps 계층 (Apps layer)에 위치하고 있습니다.

CoWork는 업무 사용자가 에이전트 (Agent)와 상호작용하기 위한 입구입니다. 그 뒷단에는 Cortex Agents, Cortex Sense Runtime, Semantic Views, MCP & Connectors 등이 배치되어 있습니다. (Platform Keynote에서 제시되었던 CoCo와의 역할 분담이군요.)

왜 CoWork가 필요한가

AI 관련 프로젝트는 데모에서 멈추기 쉽다

세션에서는 에이전틱 AI (Agentic AI) 프로젝트가 데모 이후에 멈추기 쉬운 이유로 다음 세 가지를 꼽았습니다.

• No Shared Truth (지표나 정의가 에이전트마다 흔들림)
• No Governance Guardrails (권한이나 감사 메커니즘이 없어 발생하는 정보 유출 위험성)
• No Business Context (업무 컨텍스트 부족)

데모에서는 작동하는 것처럼 보여도, 정의가 흔들리거나 권한 관리가 취약하거나 업무 문맥을 이해하지 못하면 실제 업무에 적용하기 어려워집니다.

Snowflake의 해답: 3단계 스텝

이에 대해 Snowflake는 다음과 같은 3단계 스텝을 제시했습니다.

• Agree on Reality (동일한 데이터, 지표, 정의에 기반)
• Reason Over It (일부가 아닌 충분한 컨텍스트를 사용하여 추론)
• Act Coherently (가드레일과 감사 추적 (Audit trail) 내에서 실행)

Snowflake의 주장은 지금까지와 마찬가지로, 에이전트 (Agent)를 단독으로 똑똑하게 만드는 것이 아니라, 거버넌스(Governance)가 적용된 데이터, 정의, 컨텍스트, 실행 시의 가드레일을 동일한 기반 위에서 다루는 데 있습니다.

인간의 일하는 방식의 변화

대시보드 찾기나 엑셀 (Excel) 재작성에 시간을 허비하기 쉬운 현 상황에서, 인간이 시스템에 계속해서 질의하는 것이 아니라, 에이전트 (Agent)를 방향 설정, 감시, 승인하는 역할로 이동한다

라는 설명이었습니다.

CoWork는 그러한 전제 하에 업무 플로우 (Workflow)에 편입시키기 위한 입구로 위치하고 있습니다.

Snowflake CoWork의 주요 기능

Snowflake Intelligence로부터의 진화도 고려하여, 다시 한번 어떤 기능들이 발표되었는지 정리해 보겠습니다.

세션에서는 Snowflake CoWork의 주요 기능으로 Personal Agent, Automations, Deep Research / Analytical Search, Dashboards and Collaboration이 소개되었습니다. 이에 더해, 에이전트 (Agent) 구축을 지원하는 메커니즘으로서 Cortex Sense도 다루어졌습니다.

Personal Agent

첫 번째는 Personal Agent입니다.

기존의 Snowflake Intelligence에서는 사용자가 이용할 에이전트 (Agent)를 선택한 후 질문해야 했습니다. 반면, Snowflake CoWork에서는 요청 내용에 따라 CoWork 측에서 적절한 에이전트 (Agent)를 선택하는 방향으로 진화했습니다.

또한, Personal Agent의 문맥에서는 User Memory, User Skills, Plugins, iOS App도 소개되었습니다.

User Memory는 사용자의 취향이나 사실을 CoWork가 기억하는 메커니즘입니다. User Skills는 개인이나 조직별 워크플로우 (Workflow)를 CoWork에 통합하기 위한 메커니즘입니다.

Plugins는 Finance나 Sales와 같은 주요 유스케이스 (Use Case)에서 CoWork을 빠르게 시작하기 위한 메커니즘으로 소개되었습니다. 또한, iOS App을 통해 이동 중에도 CoWork을 이용할 수 있다는 점도 소개되었습니다.

Automations

두 번째는 Automations입니다.

세션에서는 자연어로 설정할 수 있는 정기적인 업무 자동화와 더불어, Deep Research나 Analytical Search와 같은 분석 기능도 소개되었습니다.

정형 업무의 Automation

정형 업무의 Automation은 자연어로 한 번 설정하면 반복적으로 실행되는 업무를 자동화할 수 있는 기능으로 소개되었습니다. 세션에서는 "폼도 SQL도 코드도 필요 없다"라고 설정할 수 있다고 설명되었습니다.

예시로 Daily Brief와 같은 활용법이 소개되었습니다. 캘린더, 메일, Slack, 프로덕트 이용 상황 등을 확인하여, 그날 대응해야 할 고객이나 리스크가 높은 고객을 아침에 정리하여 통지하는 방식의 활용법입니다.

Deep Research

Deep Research는 여러 개의 서브 에이전트 (Sub-Agent)를 기동하여, 이용 가능한 데이터 소스 (Data Source)를 횡단하며 복잡한 "왜" 또는 "어떻게 하면"에 답하기 위한 기능으로 소개되었습니다.

세션에서는 다음과 같은 질문이 예시로 제시되었습니다.

• 왜 3주 전부터 매출이 떨어지고 있는가
• 어떻게 하면 이 비즈니스를 3배로 키울 수 있는가

이러한 질문은 단순한 집계나 기존의 대시보드 (Dashboard)만으로는 답하기 어려우며, 통상적으로는 분석가 (Analyst)가 시간을 들여 조사해야 하는 테마입니다.

Deep Research는 여러 데이터 소스를 횡단하여 조사하고, 분석 결과나 시사점을 리포트 (Report)로 정리하는 기능으로 소개되었습니다.

Analytical Search

Analytical Search는 세션에서 대량의 비구조화 데이터 (Unstructured Data)를 횡단하여 분석하는 기능으로 소개되었습니다.

Analytical search는 서브 에이전트 (Sub-agents)를 활용하여 방대한 양의 비구조화 데이터, 즉 수많은 인보이스 (Invoices)와 수많은 문서 (Documents)를 훑어보는 것과 유사한 기능을 제공합니다.

대상은 인보이스, 계약서, 문서 등 대량의 텍스트 데이터입니다. 세션에서는 계약서를 횡단적으로 확인하여 "4분기 계약의 40%에 무제한 책임 조항이 포함되어 있다"와 같은 인사이트 (Insight)를 추출하는 사례가 소개되었습니다.

Deep Research가 넓은 데이터 소스를 대상으로 복잡한 비즈니스 질문을 심층적으로 파고드는 기능이라면, Analytical Search는 대량의 비구조화 데이터에서 특정 조건이나 리스크를 찾아내는 기능이었습니다.

Dashboards and Collaboration

세 번째는 Dashboards and Collaboration입니다.

세션에서는 Snowflake가 AI-first BI를 추진하고 있다는 점도 소개되었습니다. 기존의 BI에 AI를 사후에 추가하는 것이 아니라, AI-first 시대에 BI를 만든다면 어떤 모습일 것인가라는 관점에서 Artifacts가 소개되었습니다.

Artifacts를 통해 CoWork 상에서 작성한 차트 (Chart), 테이블 (Table), 비주얼 (Visual)을 저장 및 공유하고 팀 단위로 이용할 수 있습니다.

나아가 Multi-Tile Dashboards도 소개되었습니다. 이는 단일 차트나 테이블뿐만 아니라, 여러 개의 차트, 테이블, 스코어카드 (Scorecard)를 조합하여 더욱 복잡한 비즈니스 상황을 표현하기 위한 대시보드입니다.

중요한 점은 비즈니스 사용자가 해당 대시보드에 대해 자연어로 추가 질문을 할 수 있다는 점입니다. SQL을 작성하거나 분석가에게 매번 요청하지 않아도, 대시보드 상에서 자신의 관심사에 따라 심층적으로 파고들 수 있는 경험이 제시되었습니다.

기존의 대시보드가 정적인 확인 화면이라면, CoWork에서의 대시보드는 대화를 나누며 다음 질문으로 나아가기 위한 입구가 되고 있다는 느낌을 받았습니다.

Wolfspeed 사례: CoWork 활용의 전제인 데이터 기반

세션 후반부에는 Wolfspeed에서의 CoWork 활용 사례가 소개되었습니다.

Wolfspeed에서는 2021년부터 Snowflake를 활용하여 데이터 사일로 (Data Silo) 해소와 거버넌스 (Governance) 통일을 추진해 왔다고 합니다. 이를 바탕으로 Snowflake 위에 통합된 데이터 기반을 활용하여 Intelligence Layer를 구축하고 있다고 설명되었습니다.

제조 현장의 사례로 소개된 것은 Shift Handover (교대 근무 인수인계)의 자동화입니다. 제조업에서는 교대 시점에 이전 교대 근무에서 발생한 알람, 설비 로그, 오퍼레이터 코멘트, 계획 보수 정보 등을 다음 교대 근무자에게 인계해야 합니다. Wolfspeed에서는 이러한 정보를 요약하여 다음 교대 근무 리더에게 전달하는 체계를 구축하고 있다고 합니다.

또한, 경영·재무 영역에서도 여러 시스템에 걸친 데이터를 통합하여 지출 현황이나 요인 분석을 인터랙티브 (Interactive)하게 확인하는 유스케이스 (Use Case)가 소개되었습니다.

마치며

Snowflake Intelligence가 발표된 이후, 눈 깜짝할 사이에 CoWork가 되었습니다. 꽤 사용해 왔고 여러 기사를 써온 입장에서는 조금 아쉬운 마음도 있지만, 더욱 강력하게 진화하는 형태로 리네임 (Rename)되어 매우 흥미로웠습니다.

앞으로는 CoWork의 기능 그 자체라기보다, CoWork를 효과적으로 사용하기 위한 기능들이 점점 더 늘어날 것 같다는 느낌이 듭니다. 기대됩니다!

Discussion