주제: AI 시대, 넥슨은 데이터로 무엇을 준비하는가
강연자 : TRS INSIGHT 한운희 대표, 넥슨코리아 류청훈 본부장, 넥슨코리아 배준영 본부장, 스노우플레이크 코리아 SE 임진식 총괄
발표분야 : 인공지능, 데이터
권장 대상 : AI 시대에 최적화된 데이터 인프라 구축을 고민하는 분
관심태그 : #모노레이크
[🚨 강연 주제] AI 시대의 기업 경쟁력은 다시 한번 데이터에서 갈립니다. 이 대담에서는 넥슨이 데이터 사일로를 허물고 전사적 민주화의 토대를 마련한 '모노레이크 1.0'을 출발점으로 AI가 읽고 활용할 수 있는 AI-Ready Data 플랫폼 '모노레이크 2.0'을 어떻게 구현하고 있는지 다룹니다. 데이터 플랫폼을 구축하고 AI를 적용하며 다양한 기업의 데이터 전환을 현장에서 목격해 온 패널들이 경험과 인사이트를 생생하게 풀어놓습니다.
데이터의 중요성은 이제 굳이 말할 것도 없을 것이다. 오늘날 AI를 대표하는 생성형 AI 역시 방대한 데이터를 학습한 대규모 언어 모델(LLM)을 기반으로 한다. AI 기술이 빠르게 발전하면서 데이터의 가치는 더욱 커지고 있다. 얼마나 많은 데이터를 확보했는지, 또 이를 얼마나 효과적으로 활용할 수 있는지가 기업 경쟁력을 좌우하는 핵심 요소로 자리 잡았다.
게임 업계도 예외는 아니다. AI와 데이터를 어떻게 활용하느냐에 따라 서비스 경쟁력은 물론 기업의 미래 성장 가능성까지 달라질 수 있는 시대다. 그렇다면 넥슨은 이러한 변화에 어떻게 대비하고 있을까.
넥슨은 이미 전사 데이터 플랫폼인 '모노레이크 1.0'을 구축해 운영하고 있다. 1.0이 임직원 누구나 데이터를 쉽게 활용할 수 있는 환경을 만드는 데 초점을 맞췄다면, 현재 준비 중인 '모노레이크 2.0'은 한 단계 더 나아간 비전을 그리고 있다. AI가 데이터를 이해하고 활용할 수 있는 'AI 레디 데이터(AI Ready Data)' 환경 구축이 그것이다.
NDC 2026 2일 차에는 이러한 넥슨의 데이터 전략을 주제로 한 대담 세션 'AI 시대, 넥슨은 데이터로 무엇을 준비하는가'가 진행됐다. 이날 세션에는 TRS INSIGHT 한운희 대표가 모더레이터를 맡았으며, 넥슨코리아 류청훈 본부장과 배준영 본부장, 스노우플레이크 코리아 임진식 총괄이 참석했다. 참석자들은 모노레이크 구축 과정과 운영 경험, 그리고 AI 시대를 맞아 넥슨이 준비하고 있는 데이터 전략과 향후 방향성에 대해 이야기를 나눴다.
AI 시대, 왜 데이터가 다시 핵심 자산이 되는가
한운희: AI 시대에 왜 굳이 데이터를 이야기해야 할까?
류청훈: AI 성능이 워낙 뛰어나다 보니, 앞으로 AI가 모든 걸 해결해 줄 것이라는 인식이 강한 것 같다. AI가 발전하면 데이터는 자연스럽게 따라올 거라 생각하지만 실상은 정반대다. 한 조사에 따르면 AI를 쓰는 기업의 67%가 자사 데이터가 아직 'AI 활용 가능 상태(AI-ready)'가 아니라고 답했다고 한다. 이는 넥슨 역시 마찬가지다. 게임과 서비스의 맥락이 담긴 데이터는 절대 대체할 수 없다. 그런 의미에서 우리는 AI 모델 자체보다 데이터 파이프라인과 온톨로지 정비에 집중했다.
배준영: 실제 사례를 들면 더 와닿을 것 같다. 최근 LLM 버전업이 빈번하게 일어나고 있는데, 주변을 보면 버전업이 될 때마다 문을 닫는 스타트업을 많이 봤다. 새 버전에 맞춰 시스템을 싹 뜯어고치다 보니 문제가 발생했기 때문이다. 그걸 보면서 우리는 어디에 집중해야 할까 고민했다. 우리만의 고유한 요소가 무엇인지 고민한 끝에 내린 결론이 바로 데이터였다. 단순히 데이터를 모으는 게 아니라 맥락이 담긴 데이터를 만드는 것, 이건 외부에서 대신해 줄 수 없는 영역이기에 여기에 집중했다.
임진식: AI가 아무리 발전해도 그 바탕에 데이터가 제대로 깔려 있지 않으면 의미 없는 결과물이 나올 수밖에 없다. 오히려 이런 전환기일수록 데이터의 중요성은 더 커진다.
한운희: 모노레이크가 정확히 무엇인가?
류청훈: 한마디로 '넥슨의 모든 게임 데이터가 하나로 모여 있는 호수'다. 더 정확히는, 넥슨의 데이터를 한곳에 모아 누구나 같은 기준으로 안전하게 활용할 수 있도록 만든 전사 데이터 플랫폼을 지칭한다. 기술적으로는 스노우플레이크 기반의 데이터 레이크이지만, 핵심은 기술 스펙이 아니라 넥슨 임직원 모두가 같은 곳에서 데이터를 활용한다는 점이다.
한운희: 데이터는 원래 한곳에 모이는 것 아닌가? 넥슨의 통합은 어떤 점에서 다른가?
류청훈: 데이터가 생성되는 곳은 게임 플레이 중 쌓이는 DB부터 업무 과정에서 쌓이는 데이터까지 매우 다양하다. 이런 정형, 비정형 데이터를 하나의 공간에 탑재해 단일한 뷰로 활용하는 것은 말처럼 쉬운 일이 아니다. 그 아래에는 복잡한 데이터 파이프라인이 있고, 각 현업 담당자가 자기 기준에 맞춰 의미를 부여해야 비로소 활용이 가능해진다. 이처럼 단순한 통합조차 쉽지 않은데, 넥슨은 이를 단일 플랫폼으로 풀어냈다. 그 기반이 된 솔루션이 바로 스노우플레이크다.
모노레이크 1.0에서 2.0, 무엇이 달라졌고 무엇을 가능하게 하는가
한운희: 데이터를 한데 모으는 과정에서 구체적으로 무엇이 어려웠고, 어떻게 풀었나?
류청훈: 모노레이크 1.0의 목표는 '누구나 쉽게 데이터를 활용하게 만드는 것'이었다. 당시 가장 시급한 문제는 중요한 데이터가 여러 곳에 흩어져 있고 기준도 제각각이어서, 데이터가 필요하면 담당 조직에 문의하고 한참을 기다려야 한다는 점이었다. 다만 통합 스토리지를 만든다고 해서 이런 사일로가 자동으로 사라지지는 않는다. 넥슨이 이 사일로를 해소한 핵심 요인은 세 가지였다.
먼저 게임별, 업무별로 분리돼 있던 여러 DB를 스노우플레이크 기반의 단일 플랫폼으로 통합했으며, 어서 표준화된 데이터 파이프라인과 통합 거버넌스를 제공하는 모노레이크 자체를 구축했다. 끝으로 비용 절감과 성능 향상이라는 성과를 숫자로 입증하고, 활용 사례를 직접 체험하게 하면서 자발적 참여를 끌어냈다.
그 결과 모든 직원이 데이터에 접근할 수 있게 됐고, 지금도 다양한 혁신 사례가 이어지고 있다. 모노레이크 1.0이 사람이 데이터를 쉽게 쓰게 하는 것이었다면, 2.0은 AI가 데이터를 이해하고 스스로 활용하게 하는 것, 즉 AI 레디 데이터를 목표로 하고 있다.
한운희: 여러 기업의 사례를 본 입장에서, 넥슨의 모노레이크는 어떤 점이 달랐나?
임진식: 시작점이 달랐다. 보통 기업들은 데이터가 사일로화돼 있으니 통합 솔루션을 도입했으면 좋겠다는 임원의 의견이 있고, 그 이후 팀 단위에서 도입을 추진하는 식이다. 반면 넥슨은 리더십 차원의 강력한 스폰서십을 바탕으로 '다 모은다'는 방향을 정하고, 그 절차를 리더십 전체가 공유하며 조직 내부에 변화 관리까지 함께 만들어갔다.
또한 단순히 데이터를 모으는 것을 넘어, 모인 데이터를 조직이 어떻게 활용하게 할지, 공급자 입장에서 소비자(임직원)에게 어떻게 제품으로 제공할지까지 고민했다는 점, 그리고 이후 2.0 단계의 AI 레디 데이터까지 미리 고려했다는 점이 다른 회사와 크게 달랐다.
한운희: 전사적 의사결정이 어떻게 가능했고, 실제로 데이터를 결합해 쓰고자 하는 니즈는 어떻게 폭발했나?
배준영: 스노우플레이크 도입 이전에도 게임 로그 표준화 등 데이터 중요성에 대한 내부 작업은 계속돼 왔다. 그래도 게임 데이터와 플랫폼 데이터 간 사일로는 분명히 존재했다. 표준화된 게임 로그를 쌓아왔지만 로그 데이터 특성상 실시간성이 떨어지는 한계가 있었고, 라이브 데이터를 직접 건드리기는 어려워 복제 등 다양한 솔루션과 비용을 검토하던 차였다. 모노레이크가 구축되면서 이 지점이 한 번에 해결됐고, 두 데이터를 결합해 쓰고자 했던 응축된 니즈가 폭발적으로 분출됐다. 솔루션 도입 자체보다 회사 차원의 결정과 그 준비 과정이 더 중요했다고 본다.
한운희: 모노레이크를 활용해 데이터 니즈를 멋지게 풀어낸 사례가 있는가?
배준영: 모노레이크 도입 이전에도 쿼리 빌더 등 비엔지니어가 직접 다룰 수 있는 도구를 제공해왔는데, 이것이 업무 퍼포먼스에 큰 효과를 냈다. 예를 들어 운영, CS 조직은 과거 데이터 접근 권한과 방식이 제각각이어서, 고객 요청이 오면 직접 조회하지 못하고 개발팀, 데이터 조직에 추출을 요청해 전달받는 구조였다. 이 과정에서 지연이 컸다. 데이터 리터러시가 높아지면서 비엔지니어 조직이 직접 데이터를 다룰 수 있게 됐고, 해당 도메인 전문가가 직접 데이터를 보게 되면서 처리 속도가 크게 빨라졌다. 그 결과 "넥슨이 일을 하기 시작했다"는 반응이 유저 커뮤니티에서 나왔다고 전해 들었다.
한운희: 이런 성공 사례가 다른 조직으로도 전파됐는가?
배준영: 조직 문화 자체가 성과나 사례를 공유하는 장이 많이 열려 있어서, 타 법인 관계사의 사례까지 알 정도로 정보 공유 체계가 잘 갖춰져 있다. 이를 본 다른 조직들이 문의를 많이 해오면서 자연스럽게 전파되고 있다.
임진식: 넥슨이 모노레이크 활용 방법을 사내에 전파하기 위해 해커톤과 사내 교육을 진행했는데, 특정 부서를 지정해 교육한 것이 아니라 전사에 오픈했다. SQL을 잘 모르는 현업 인원들에게 '코텍스 코드(Cortex Code)' 활용법까지 안내했더니, 예상하지 못했던 방식으로 데이터를 활용하는 사례들이 쏟아졌다.
한운희: 2.0에서 강조하는 AI 레디 데이터란 무엇이며, 왜 중요한가?
류청훈: 모노레이크 2.0의 핵심 가치는 AI와 사람이 함께 사용할 수 있는 시스템을 만드는 것이다. AI 레디 데이터는 AI가 맥락을 이해할 수 있는 데이터를 뜻한다. 1.0이 디지털 트랜스포메이션이라는 캐치프레이즈 아래 사람이 읽고 해석하기 좋은 형태로 데이터를 디지털화하는 데 초점을 맞췄다면, AI 레디 데이터는 AI 모델이 분석뿐 아니라 예측까지 할 수 있는 형태로 데이터를 바꾸는 데 초점을 맞췄다. 이를 통해 AI가 자율적으로 판단, 예측하고 인사이트를 도출할 수 있는 체계를 만들고자 하고 있다.
한운희: 실제로 데이터에 맥락을 어떻게 집어넣었나?
류청훈: 모노레이크가 스노우플레이크 기반이다 보니, 스노우플레이크가 제공하는 코텍스 AI 엔진이 넥슨의 데이터를 이해할 수 있도록 학습 데이터를 정리해 제공했다. 이후 원하는 결과가 도출되는지 검증하는 과정을 반복하며 AI가 점차 업무 맥락을 이해하도록 만들어갔다.
한운희: 현업의 판단 기준(암묵지)을 어떻게 AI에 학습시켰나?
류청훈: 이 작업은 온톨로지 팩토리라는 태스크로 명명해 전사적으로 진행하고 있다. 가장 신경 쓰는 부분은 현업의 판단 맥락이 얼마나 정확하게 온톨로지에 녹아드는가이다. 현업의 판단 기준은 대부분 경험적으로 알고 있는 암묵지여서, 베테랑일수록 오히려 이를 명확한 규칙으로 설명하기 어려워한다. 이 암묵지를 얼마나 잘 끌어내 구조화하는지가 AI 데이터의 품질을 좌우한다. 기술팀만으로는 안 되고, 현업과 협업해 이 작업을 함께 수행하는 것이 핵심이다.
한운희: 바쁜 현업, 사업 조직이 이런 작업에 협조하도록 어떻게 끌어냈나?
류청훈: 경영진의 스폰서십을 받은 태스크포스가 현업과 함께 정해진 절차로 노하우를 수집하고, 이를 AI에 입혀 다시 검증하는 과정을 거친다. 한 번 온톨로지 데이터를 쌓았다고 끝나는 게 아니라, 현업이 실제로 사용하며 맞고 틀린 부분을 피드백하고, 잘못된 부분을 다시 입력해 AI가 학습, 보정하는 피드백 루프 전체가 하나의 업무 프로세스로 자리 잡고 있다.
한운희: 현업이 실제로 효능감을 느끼기 시작한 시점은 언제인가?
류청훈: 모노레이크 2.0의 한 축으로 AI 서치라는 서비스를 사내에서 개발, 운영하고 있다. 자연어로 질문하면 리포트를 자동 생성하거나 분석 결과를 도출해주는 서비스다. 온톨로지 팩토리를 통해 학습된 데이터의 효과가, "오늘 매출 어때?", "오늘 비가 오는데 매출에 영향 있어?" 같은 질문에 답하는 과정에서 실질적인 효능감으로 이어진다. AI가 대부분 정확한 답을 주지만, 혹시 잘못된 답을 주는 경우 피드백을 통해 강화학습으로 개선해 다음에는 더 정확한 결과를 내도록 하고 있다.
한운희: AI 서치는 어느 조직에서 운영하며, 활용률은 어느 정도인가?
류청훈: 데이터를 만드는 조직에서 운영한다. 처음에는 메이플스토리 모바일에 적용해, 날씨나 뉴스와 매출·동시접속자 간 연관성을 AI가 짚어낼 수 있을지 반신반의했지만 실제로 잘 작동했고, 지금은 넥슨의 다른 게임들로 확대하는 중이다. 확대될수록 더 많은 요구사항이 들어오고 있다.
한운희: 새로운 시스템을 도입할 때 사내 효능감을 끌어내려면 무엇이 필요한가?
임진식: 기업마다 특화된 형태가 다르다. 예를 들어 한 대기업 프로젝트에서는 AI 기능을 넣어 동일한 품질의 결과가 반복적으로 나오도록 앱과 프롬프팅 파이프라인을 자동화 패턴으로 구축했다. 다만 모델이 바뀌거나 데이터가 바뀌면 원하는 결과가 흔들릴 수 있어, 고객이 일정한 패턴을 유지할 수 있도록 샘플을 지속적으로 제공하는 작업이 필요했다.
한운희: AI가 결합되면서 직원들이 직접 데이터 애플리케이션을 만드는 경우도 있다고 들었는데, 구체적으로 어떤 변화인가?
배준영: 과거에는 플랫폼 조직이 직접 개발해주거나 데이터를 추출해주는 역할이었다. 최근 AX가 전사 미션이 되면서, 시멘틱 레이어가 갖춰지지 않으면 기대한 수준의 결과물을 얻기 어렵다는 한계가 드러났다. 그래서 직접 구현해주는 대신, 디자인 시스템 가이드처럼 누구나 참조할 수 있는 표준화된 정보를 마크다운 형태 등으로 제공하는 방식으로 역할이 바뀌고 있다. 즉 직접 구현자에서, 구현에 필요한 재료를 제공하는 인에이블러로 변화하는 중이다.
임진식: 다른 고객사에서도 비슷한 변화가 관찰된다. 과거에는 비즈니스 부서가 이런 리포트를 만들어달라고 문제를 정의해주고 데이터 조직은 그 숙제를 해결해주는 역할이었다. 데이터를 한곳에 모으고 AI 모델로 인사이트를 뽑기 시작하면서, 데이터 조직 스스로 이 데이터로 무엇을 할 수 있을까를 고민하는 쪽으로 마인드셋이 바뀌었다. 문제 해결자에서 문제를 발굴하고 솔루션까지 제공하는 토탈 솔루션 프로바이더로 자리매김하는 흐름이다.
한운희: 모노레이크 2.0이 라이브 게임 운영, 개발에는 구체적으로 어떻게 연결되는가?
류청훈: 최근 주목받는 흐름은 능동형 AI 에이전트다. 사람이 의지를 갖고 데이터를 추론하는 것이 아니라, 미리 정의한 맥락에 따라 AI가 이상 데이터를 먼저 탐지해 알려주는 방식이다. 단순히는 모니터링에 적용할 수 있다. 'CPU 90% 넘으면 알려줘' 같은 고정 임계값이 아니라, 학습된 패턴을 바탕으로 AI가 이상 징후가 발생하기 전에 미리 알려주는 브리핑 서비스 형태다.
게임 비즈니스 관점에서는 초개인화가 핵심이다. 모노레이크 2.0을 통해 특정 캐릭터가 어떤 행동을 하는지, 어떤 보스를 유독 깨지 못하는지 등을 더 세밀하게 파악할 수 있게 됐고, 이를 바탕으로 개개인에게 필요한 부분을 짚어주는 서비스, 기능을 내부에서 연구 및 준비하고 있다.
한운희: 초개인화 기능이 실제로 적용될 후보 IP가 정해졌는가?
류청훈: 현재 내부 테스트 단계다. 라이브 적용 일정은 아직 정해지지 않았지만, 내부 테스트 결과 유저 케어 측면에서 높은 정확도를 보이고 있어 조만간 공개할 수 있을 것으로 본다.
한운희: 넥슨의 노하우를 다른 산업군이나 타사에 솔루션 형태로 제공할 계획이 있는가?
류청훈: AX 전환 과도기에서 다양한 시도를 하고 있고, 성공 경험을 쌓은 뒤에는 다른 산업군, 동종업계와 나눌 기회를 만들 생각이다. 실제로 게임 기반 플랫폼, 서비스를 내부에서 제품화하려는 노력이 진행 중인데, 그중 하나가 게임 스케일이다. 게임 론칭, 운영에 필요한 것을 모아 제공하는 서비스로, 모노레이크 2.0에서 만들어진 기능들도 점차 게임 스케일에 탑재되는 방향으로 발전할 것으로 본다.
배준영: 다만 인하우스 개발 중심이었던 만큼, 외부에 제공하려면 더 친절한 문서와 보안, 인프라 측면의 보완이 필요하다. 언제 출시한다기보다는 그렇게 할 수 있는 구조를 준비하고 있는 단계로 봐주면 좋겠다.
AX를 위한 데이터 인프라, 무엇을 준비해야 하는가
한운희: 프로젝트 초창기로 돌아간다면 가장 먼저 하고 싶은 것은?
류청훈: 과거에는 단순히 데이터를 쌓는 것 자체에 너무 치중했던 것 같다. 데이터를 쌓는 시점부터 그 의미를 함께 정의하고 온톨로지 데이터를 구축했다면, AI 레디 데이터를 훨씬 더 빠르게 확보했을 것이다. 데이터를 쌓는 순간부터 의미를 같이 설계했다면 지금보다 한두 걸음 더 앞서 있었을 것 같다.
배준영: 표준화 로그를 만드는 과정에서 데이터 조직뿐 아니라 게임 개발 조직도 큰 어려움을 겪었다. '이걸로 나중에 뭘 할 건데'라는 질문에 대한 싱크를 맞추지 못한 채 진행한 부분이 아쉽다. 지금처럼 AX에 대한 경험이 쌓인 상태였다면 더 자신 있게 추진했을 텐데, 당시에는 확신을 갖고 밀어붙이기 어려웠던 점이 못내 아쉽다.
한운희: 이런 프로젝트를 할 때 추가로 신경 써야 할 점이 있다면?
임진식: 조직마다 데이터를 보는 관점이 달라서, 예를 들어 A, B, C, D라는 데이터가 있을 때 1번 부서는 A가 중요하고 2번 부서는 B가 중요하다면, 이를 하나로 묶을지 쪼갤지를 둘러싼 갈등이 생기기 쉽다. 그래서 데이터 표준화가 가장 먼저 선행돼야 한다. 그 위에서 AX가 진행되며 데이터 간 맥락과 의미를 메타데이터, 시멘틱 레이어로 어떻게 구현할지가 다음 과제다.
한 가지 예를 들면, 어떤 산업이 연 3% 성장하고 다른 산업이 연 10% 성장한다고 할 때 단순 수치만 보면 10% 쪽이 더 좋아 보인다. 하지만 전자가 매년 1%씩 성장하던 산업이고 후자가 매년 20%씩 성장하던 산업이라면, 베이스라인을 고려할 때 3% 성장이 오히려 더 의미 있는 성과일 수 있다. 이런 맥락이 빠지면 잘못된 결론에 이르기 쉽다. 그래서 데이터 표준화와 시멘틱 레이어가 함께 갖춰지는 것이 가장 중요하다.
한운희: 넥슨처럼 대규모 투자와 스노우플레이크 같은 파트너십이 어려운 회사는 어떻게 시작해야 하나?
임진식: 많은 고객이 "데이터를 모아야 하고 AI가 중요한 건 아는데, 예산이 없다"고 고민한다. 이럴 때는 회사 내부에 분명히 존재하는, 비즈니스적으로 도움이 되는 데이터 한두 가지를 선별하는 것을 추천한다. 그 데이터가 매출에 어떻게 영향을 주는지, 보완하거나 더 깊은 인사이트를 뽑으면 어떤 효과가 있을지를 먼저 파악하고, 이후 그 데이터를 고도화·표준화한 다음 AX를 적용해보는 식으로 작게 시작해 확장하는 방법이 좋다. 예산이 충분한 경우 전체를 한 번에 모으는 빅샷 접근을 택하는 곳도 있지만, 흔한 경우는 아니다.
Nowl@inven.co.kr
페이지 구독하기
다른 기사 보기
기사 제보하기
