스노우플레이크 독점에 던진 쿠스토 팀의 승부수: 7,000만 달러 유치한 에델바이트의 100ms 연합 쿼리 해부
마이크로소프트 애저 데이터 익스플로러 개발진이 설립한 에델바이트가 5억 달러 기업가치로 7,000만 달러를 확보하고 데이터 이동 없는 페타바이트급 AI 에이전트 분석 플랫폼을 공개했다.
발행일: 2026.11.12
공식 사이트 확인인덱스 자동 생성 기반 실측 레이턴시
네트워크 전송료 및 복제 스토리지 절감 기준
외부 오브젝트 스토리지 네트워크 병목 관리 필요
마이크로소프트 애저 데이터 익스플로러(ADX, Kusto) 핵심 아키텍처를 설계했던 엔지니어링 리더들이 5억 달러 기업가치로 7,000만 달러 규모의 시리즈 A 투자를 유치했다. 세콰이어캐피털과 콰이어트캐피털이 주도하고 그린옥스와 스위시벤처스가 참여한 이번 라운드는 단일 플랫폼 안에서 정형 레코드, 고차원 벡터, 지식 그래프를 동시에 처리하는 데이터 엔진 에델바이트(Edelbyte)의 등장을 알렸다. 기존 데이터 레이크하우스 벤더들이 사후 결합 방식으로 벡터 검색을 덧붙이는 사이, 에델바이트는 설계 첫 단계부터 AI 에이전트의 실시간 질의 패턴을 겨냥했다.
수백 페타바이트 단위 데이터를 보유한 포춘 500 기업들이 프로덕션 환경에 즉각 도입한 이유는 명확하다. 전통적인 데이터 웨어하우스는 대규모 데이터 분석을 위해 원천 저장소에서 분석 전용 환경으로 데이터를 물리 복제해야 했다. 이 과정에서 발생하는 네트워크 대역폭 비용과 파이프라인 지연은 실시간 응답이 필수인 AI 에이전트 환경에서 심각한 병목을 일으켰다. 에델바이트는 데이터를 원천 위치에 둔 채 실행하는 연합 쿼리(Query Federation) 기술과 접근 패턴 기반 자동 인덱싱 엔진으로 이 구조적 난제를 풀어냈다.
데이터 이동 없는 연합 쿼리와 100밀리초 응답 메커니즘
에델바이트 아키텍처의 핵심은 데이터 이동 강제를 제거한 연합 쿼리 엔진이다. 일반적인 클라우드 분석 환경에서는 오브젝트 스토리지에 쌓인 비정형 로그와 트랜잭션 데이터를 스노우플레이크나 데이터브릭스 전용 컴퓨팅 계층으로 적재하는 ETL 파이프라인을 거쳐야 한다. 페타바이트 규모 환경에서 이러한 데이터 복제는 수만 달러의 전송 요금을 발생시키고 수십 분에서 수 시간의 데이터 신선도 지연을 초래한다.
에델바이트는 원천 시스템에 쿼리를 직접 투하시켜 처리하는 방식을 취한다. 데이터가 저장된 원격 오브젝트 스토리지나 실시간 스트림 파이프라인 위에서 필요한 연산만 분산 실행하고 결과값만 취합한다. 네트워크를 타고 넘어오는 데이터양 자체를 줄여 대역폭 점유를 낮추고 전송 병목을 제거했다.
물리적 데이터 복제 단계를 생략하고 원천 저장소에서 직접 분산 실행
S3, GCS, 온프레미스 오브젝트 스토리지 내 페타바이트 원시 데이터 보존
AI 에이전트 접근 패턴을 분석하여 최적화된 검색 경로 자동 생성
데이터 복제 없이 원천 스토리지 위치에서 벡터·그래프·정형 연산 병렬 처리
최소 대역폭으로 결과 집합만 집계하여 에이전트 런타임에 즉각 전송
응답 속도를 지탱하는 두 번째 축은 자율 조정 인덱싱 엔진이다. 수백 페타바이트 규모 데이터셋에서 복합 질의를 100밀리초 이내에 끝내려면 애플리케이션의 접근 경로에 맞춘 색인이 필수적이다. 수동 인덱싱 설계는 쿼리 패턴이 수시로 바뀌는 AI 에이전트 워크로드에서 운영 한계에 부딪힌다. 에델바이트는 워크로드 패턴을 실시간 추적하여 자주 호출되는 벡터 유사도와 엔티티 간 연결 관계에 맞춰 인덱스를 자동으로 빌드하고 갱신한다. 엔지니어가 수작업으로 튜닝하지 않아도 멀티 페타바이트 환경에서 안정적인 읽기 지연시간을 확보한다.
기존 레이크하우스 및 단일 목적 벡터 데이터베이스 대비 스펙·TCO 비교
엔터프라이즈 데이터 인프라는 현재 심각한 도구 파편화에 직면해 있다. 정형 데이터 분석을 위한 클라우드 웨어하우스, 벡터 유사도 검색을 위한 독립형 벡터 데이터베이스, 엔티티 관계 분석을 위한 그래프 엔진을 제각각 구독하면서 관리 비용이 급증했다.
페타바이트급 복합 질의 및 운영 TCO 가중치 비교
아래 표는 1페타바이트 데이터를 기준으로 전통적인 레이크하우스 결합 구조와 에델바이트 단일 플랫폼의 아키텍처 스펙 및 비용 구조를 비교한 데이터다.
| 평가 기준 | 스노우플레이크 + 전용 벡터 DB 조합 | 데이터브릭스 레이크하우스 | 에델바이트 (Edelbyte) |
|---|---|---|---|
| 지원 데이터 모델 | 정형 테이블 + 외장 플러그인 벡터 | 테이블(Delta Lake) + 내장 벡터 색인 | 정형 레코드 + 고차원 벡터 + 지식 그래프 네이티브 |
| 데이터 적재 방식 | 전용 스토리지로 물리적 수집 (ETL) | 오브젝트 스토리지 기반 메타데이터 카탈로그 | 원천 위치 인플레이스 쿼리 페더레이션 |
| PB 단위 쿼리 지연시간 | 수백 밀리초–수 초 (스캔 범위 종속) | 수백 밀리초–수 초 | 100ms 미만 (자율 인덱스 기반) |
| 네트워크 이그레스 비용 | 파이프라인 이동 시 전송료 발생 | 클라우드 내부 VPC 전송료 통제 가능 | 원천 위치 처리로 전송 데이터 최소화 |
| 스토리지 중복성 | 원천 데이터와 분석용 복제본 2중 과금 | 단일 오브젝트 스토리지 (복제율 낮음) | 원천 스토리지 1벌 유지 |
| 인덱싱 관리 오버헤드 | 엔지니어링 팀의 수동 튜닝 필수 | 클러스터링 키 수동 최적화 필요 | 쿼리 패턴 학습 기반 자동 생성 |
월간 1페타바이트의 로그와 비정형 텍스트를 처리하는 엔터프라이즈 환경을 가정해 비용을 산출하면 격차는 더 뚜렷해진다. 데이터를 전용 웨어하우스로 복제하는 과정에서 발생하는 클라우드 데이터 전송 비용만 월 2만–4만 달러에 달한다. 여기에 고성능 전용 벡터 DB 인스턴스를 유지하기 위해 수만 달러의 추가 인프라 비용이 붙는다. 에델바이트는 복제 단계를 없애 전송 비용을 사실상 영점에 수렴시키고, 다중 엔진 구동에 들던 유휴 컴퓨팅 자원을 단일화한다.
인프라 운영 영향과 파이프라인 통합에 따른 전환 마찰
데이터 스택 통합이 제공하는 운영상 이점은 명확하지만, 실제 엔터프라이즈 환경에 적용할 때는 구체적인 엔지니어링 마찰 요소를 검토해야 한다. 기존 파이프라인을 교체하는 과정에서 발생하는 인프라 종속성과 운영 관리 재설계 비용을 과소평가해서는 안 된다.
단일 쿼리 엔진 수렴에 따른 운영 효율과 초기 기술 도입 비용
- + 별도 벡터 DB 및 그래프 DB 운영 파이프라인 폐지로 관리 오버헤드 감소
- + 물리적 복제 제거를 통한 스토리지 2중 과금 및 데이터 전송 요금 차단
- + 단일 엔드포인트를 통한 엔터프라이즈 데이터 접근 제어 중앙화
- – 원천 오브젝트 스토리지의 I/O 처리 한계에 종속되는 연합 쿼리 특성
- – Kusto 계열 쿼리 모델에 익숙하지 않은 분석가 조직의 학습 곡선
- – 초기 상용 엔진 도입에 따른 서드파티 데이터 카탈로그 생태계 미성숙
첫째, 원천 스토리지의 물리적 I/O 처리량 한계다. 연합 쿼리는 데이터를 이동하지 않는 대신, 데이터가 머무는 저장소의 읽기 성능에 전적으로 의존한다. 아마존 S3나 구글 클라우드 스토리지(GCS)의 프리픽스당 초당 요청 수 제한(Request Rate Limit)을 초과하는 초대규모 동시 질의가 발생할 경우 스토리지 계층에서 쓰로틀링(Throttling)이 발생할 수 있다. 에델바이트 내부 캐싱 계층이 이를 완충하지만, 원천 저장소 파티셔닝 구조가 비효율적이라면 기대했던 100밀리초 미만 응답 속도를 달성하기 어렵다.
둘째, 데이터 운영 관리 및 접근 권한 체계의 재구성이다. 정형 데이터와 벡터 데이터가 서로 다른 사일로에 존재하던 조직에서는 각 시스템별로 세분화된 접근 권한(RBAC/ABAC)을 설정해 운영해 왔다. 에델바이트 단일 플랫폼으로 창구를 통합하려면 원천 데이터에 대한 접근 정책을 플랫폼 엔진과 다시 매핑해야 한다. 기존에 사용하던 카탈로그 도구와의 메타데이터 동기화 검증 작업에 수 주 단위의 엔지니어링 리소스 투입이 불가피하다.
셋째, 쿼리 언어와 분석 워크플로우 숙련도 문제다. 마이크로소프트 ADX의 핵심 자산이었던 Kusto 쿼리 언어(KQL)는 대규모 시계열 및 비정형 로그 분석에서 SQL 대비 압도적인 작성 효율을 제공한다. 그러나 조직 내 분석가와 비즈니스 인텔리전스(BI) 담당자가 표준 SQL과 파이썬 데이터프레임 환경에 고착되어 있다면 내부 교육과 파이프라인 재작성에 전환 비용이 수반된다.
워크로드 규모별 도입 판정 기준과 인프라 현대화 로드맵
7,000만 달러 투자를 확보한 에델바이트의 등장은 AI 에이전트 도입으로 급증한 실시간 복합 질의 수요를 정조준한다. 인프라 의사결정권자는 현재 운영 중인 데이터 규모와 실시간 요구 수준에 맞춰 단계별 전환 여부를 결정해야 한다.
물리 복제 없는 연합 쿼리로 인프라 비용 절감 및 100ms 이내 응답 확보
기존 스노우플레이크 및 관리형 오픈소스 스택 유지가 전환 비용 대비 유리
전면 도입 및 파이프라인 전환이 유리한 환경
- 데이터 규모가 500테라바이트(TB) 이상이며 월간 복제 전송료가 높은 조직: 오브젝트 스토리지와 분석 웨어하우스 간 데이터 이동으로 매달 막대한 클라우드 네트워크 비용을 지출하는 기업은 연합 쿼리 방식을 통해 도입 첫 달부터 인프라 운영 비용을 낮출 수 있다.
- 실시간 추천 및 에이전트 추론에 서브 100밀리초 지연시간이 필수적인 환경: 정형 트랜잭션 기록과 벡터 임베딩, 사용자 관계 그래프를 단일 호출로 묶어 즉각 판단해야 하는 대규모 서비스에서는 다중 DB 간 네트워크 홉(Hop)을 제거하는 구조적 이점이 즉시 발휘된다.
- 다중 특화 데이터베이스 유지로 관리 피로도가 극에 달한 엔지니어링 팀: 검색 엔진, 벡터 저장소, 관계형 분석 환경을 각각 프로비저닝하고 스키마를 동기화하느라 리소스가 낭비되는 환경이라면 단일 엔진 통합으로 운영 복잡도를 덜어낼 수 있다.
기존 인프라 유지가 유리한 환경
- 전체 데이터 규모가 수십 테라바이트 수준에 머무는 조직: 데이터 복제와 전송에서 발생하는 비용 규모가 크지 않다면 기존 클라우드 웨어하우스의 내장 벡터 검색 기능을 활용하는 편이 마이그레이션 비용 측면에서 안전하다.
- 주간·월간 단위 배치 보고서가 전체 분석 워크로드의 80% 이상인 기업: 100밀리초 수준의 초저지연 복합 쿼리가 필요하지 않은 정적 워크로드에서는 에델바이트 도입으로 얻는 체감 성능 이득이 제한적이다.
- 엔터프라이즈 서드파티 통합 생태계의 완전성을 최우선시하는 환경: 수백 개의 상용 SaaS 및 운영 관리 도구와 사전 연동된 커넥터 풀이 필수적인 레거시 엔터프라이즈라면 에델바이트의 파트너 생태계 확장을 관망하며 파일럿 검증부터 시작하는 것이 합리적이다.