{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","canonicalLink":"https://www.snowflake.com/ko/artificial-intelligence/business/enterprise/","robotsTags":[],"allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"language":"ko","description":"엔터프라이즈 AI 트렌드, 사용 사례, 아키텍처를 살펴보세요. AI 에이전트, 거버넌스, 신뢰할 수 있는 데이터가 프로덕션 워크플로우를 어떻게 지원하는지 알아보세요.","title":"엔터프라이즈 AI: 트렌드, 사용 사례 및 전략 | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":mappedPath":"/ko/artificial-intelligence/business/enterprise/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnCount":12,"columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"experiencefragment-banner":{"id":"experiencefragment-f24560fc85","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/pushdown-banner/master.xfmodel.json"},"experiencefragment-header":{"id":"experiencefragment-10bd1a88ad","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/mega-nav-header/master.xfmodel.json","languageNavPath":"/content/snowflake-site/global/ko/artificial-intelligence/business/enterprise.languagenav.json"},"responsivegrid":{"columnCount":12,"columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_870312728":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1465525632":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1422227087":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"flexible_column_cont":{"id":"flexible-column-container-1a3e71c3c0","propertiesId":"hub-hero-breadcrumbs","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-fad1144cc7",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-c01f6ec01d","items":[{"id":"breadcrumb-c01f6ec01d-item-bbf96f220b","link":{"valid":true,"url":"/ko/artificial-intelligence/"},"active":false,"current":false,"title":"인공지능",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-c01f6ec01d-item-6e306af025","link":{"valid":true,"url":"/ko/artificial-intelligence/business/"},"active":false,"current":false,"title":"비즈니스에서의 AI",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-c01f6ec01d-item-7d79f821ec","link":{"valid":true,"url":"/ko/artificial-intelligence/business/enterprise/"},"active":true,"current":true,"title":"대기업",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-3c032a391b","propertiesId":"hub-hero","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-78cbe5cf03",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-db3e76d358","additionalClasses":"hub-hero__headline","type":"heading1","lines":["엔터프라이즈 AI 트렌드, 사용 사례 및 도입 후 과제"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-a6d38ee33d","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003E엔터프라이즈 AI는 독립 실행형 생산성 도구를 넘어, 비즈니스 워크플로우와 의사결정을 이끄는 깊이 내장된 연결형 시스템으로 전환되고 있습니다. 다음 도입 흐름은 조직이 에이전틱 역량을 거버넌스가 적용된 데이터, 보안 인식 통합, 측정 가능한 성과와 얼마나 효과적으로 결합하느냐에 따라 좌우될 것입니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-fb6b662782",":type":"snowflake-site/components/container",":items":{"content_chip":{"id":"content-chip-13c406c40c","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"약력 보기"},"image":{"id":"image","height":"800","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?preferwebp=true&quality=85","alt":"Laurie MacPherson","lazyEnabled":true,"isLcpImage":true,"width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","테크니컬 라이터, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip_copy":{"id":"content-chip-a4bbdd996e","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"약력 보기"},"image":{"id":"image","height":"512","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--fd9454ea-3b59-4d19-95be-534774cbd226/david.jpg?preferwebp=true&quality=85","alt":"David Gaule","lazyEnabled":true,"isLcpImage":false,"width":"512",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Jiyun Kim","SEO Specialist, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip","content_chip_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-3cda5934de",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-9c122221cc","youtubeVideoId":"F34xlRoQ3eQ","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}},":itemsOrder":["youtube"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1465525632":{"id":"flexible-column-container-306adab934","propertiesId":"hub-hero-related-topics","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container border-top","layout":"SIMPLE","id":"container-e9c9bd7446",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text":{"id":"text-3d06adfaed","additionalClasses":"seo-hub-hero__related-topic-label","text":"\u003Cp\u003E비즈니스 AI 주제:\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_1456660603":{"id":"text-dd56b0f7d1","additionalClasses":"related-topics ","text":"\u003Cul\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/business/ai-council/\"\u003EAI 위원회\u003C/a\u003E\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text","text_1456660603"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-c524e2abb5","propertiesId":"hub-body","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"hub-body-content",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"callout__0":{"id":"text-5467a07962","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003E엔터프라이즈 AI의 정의\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003E엔터프라이즈 AI란 비즈니스를 실행하는 시스템과 프로세스에 내장된 프로덕션 등급 AI를 의미합니다. 모델, 에이전트, 자동화를 거버넌스가 적용된 기업 데이터와 연결해 팀이 워크플로우를 개선하고 의사결정을 지원하도록 돕습니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text__0":{"id":"text-b194f2c09c","text":"\u003Cp\u003E엔터프라이즈 AI는 더 운영 중심적인 단계로 진입하고 있습니다. 초기 비즈니스 AI 활용은 글쓰기, 요약, 검색, 초안 작성 등 개인 생산성 향상에 집중되어 있었습니다. 이제 선도적인 조직들은 고객 서비스와 영업부터 재무, 운영, 분석, 산업별 프로세스에 이르기까지 다양한 워크플로우에 \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/\"\u003E인공지능\u003C/a\u003E을 적용하고 있습니다.\u003C/p\u003E\n\u003Cp\u003E이러한 진화는 AI가 애플리케이션 내부에 내장되고 정형 데이터와 비정형 데이터 모두에 연결되고 있음을 의미합니다. 또한 AI는 컨텍스트를 검색하고, 도구를 호출하며, 여러 시스템 전반에서 작업할 수 있는 에이전틱 방식으로 빠르게 진화하고 있습니다. 그 결과 AI가 작업을 라우팅하고, 비즈니스 컨텍스트를 해석하며, 다음 단계를 추천하고, 의사결정을 지원하는 새로운 유형의 사용 사례가 등장하고 있습니다.\u003C/p\u003E\n\u003Cp\u003E핵심 과제는 AI가 적절한 데이터, 비즈니스 로직, 제어 체계 안에서 작동하도록 만드는 것입니다. “엔터프라이즈 규모에서 가장 어려운 문제는 더 이상 모델 지능만이 아닙니다. 핵심은 컨텍스트입니다.” Snowflake의 AI 제품 부문 부사장인 \u003Ca href=\"https://www.snowflake.com/en/blog/snowflake-for-ai-enterprise-ai-platform/\"\u003EBaris Gultekin\u003C/a\u003E의 말입니다. “차세대 엔터프라이즈 AI는 거버넌스가 적용된 엔터프라이즈 데이터, 운영 지식, 지능형 오케스트레이션을 비즈니스 워크플로우 안에서 직접 결합할 수 있는 시스템에 의해 정의될 것입니다.”\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote__0":{"id":"quote-item-390434699e","alignment":"left","layout":"simple","quoteSourceName":"Baris Gultekin","quoteSourceTitle":"Snowflake’s VP of Product, AI","showQuoteIcon":true,"quote":"At enterprise scale, the hardest problem is no longer model intelligence alone — it’s context.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"text__1":{"id":"text-2ead27052f","text":"\u003Cp\u003E이를 위해서는 AI를 신뢰할 수 있고 거버넌스가 적용된 데이터와 연결하고, 모델과 에이전트가 비즈니스 개념을 이해할 수 있도록 의미론적 컨텍스트를 제공하는 아키텍처가 필요합니다. 또한 제한된 범위의 실행과 애플리케이션, API, 워크플로우 시스템과의 통제된 통합도 필요합니다. 아울러 팀은 정확성, 드리프트, 편향, 정책 및 규정 준수 측면에서 출력을 검증하는 거버넌스 제어와 평가 관행을 갖춰야 합니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-enterprise-ai-means-now":{"id":"title-v2-84868ec4fe","additionalClasses":"anchor-title anchor-title--what-enterprise-ai-means-now","type":"heading2","lines":["현재 엔터프라이즈 AI의 의미"],":type":"snowflake-site/components/title-v2"},"text_what-enterprise-ai-means-now_0":{"id":"text-fffaa03a00","text":"\u003Cp\u003E엔터프라이즈 AI는 조직의 워크플로우, 데이터 환경, 애플리케이션, 의사결정 프로세스 전반에서 AI 시스템을 활용하는 것을 의미합니다. 여기에는 \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/generative-ai/\"\u003E생성형 AI\u003C/a\u003E, \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/\"\u003E머신 러닝\u003C/a\u003E(ML), 예측 모델, 자연어 인터페이스, 자동화, \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/agents/\"\u003EAI 에이전트\u003C/a\u003E가 포함됩니다.\u003C/p\u003E\n\u003Cp\u003E예를 들어 엔터프라이즈 AI 지원 워크플로우는 고객 이력, 계약 조건, 권한 부여 규칙, 지식 기반 문서, 미해결 인시던트 데이터를 검색한 뒤, 케이스가 업데이트되기 전에 서비스 담당자가 검토할 수 있는 응답을 추천할 수 있습니다. 이를 둘러싼 아키텍처가 업무의 핵심입니다. 사용자가 어떤 데이터에 액세스할 수 있는지, 어떤 정책이 적용되는지, 어떤 지표 정의가 승인되었는지, 어떤 작업에 검토가 필요한지, 어떤 출력을 감사용으로 기록해야 하는지가 모두 이 아키텍처에서 결정됩니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_enterprise-ai-trends-leading-companies-are-acting-on-now":{"id":"title-v2-80ac9d41df","additionalClasses":"anchor-title anchor-title--enterprise-ai-trends-leading-companies-are-acting-on-now","type":"heading2","lines":["선도 기업이 지금 주목하는 엔터프라이즈 AI 트렌드"],":type":"snowflake-site/components/title-v2"},"text_enterprise-ai-trends-leading-companies-are-acting-on-now_0":{"id":"text-e63a774cad","text":"\u003Cp\u003E선도적인 엔터프라이즈 AI 팀들은 AI가 프로덕션에서 작동하는 방식에 대해 새로운 아키텍처로 수렴하고 있습니다. 이 아키텍처는 AI를 워크플로우에 내장하고, 에이전트를 통해 시스템을 연결하며, 더 많은 데이터를 활용 가능하게 만들고, 거버넌스를 수명 주기 전반에 통합합니다.\u003C/p\u003E\n\u003Ch3\u003E워크플로우 계층으로 이동하는 AI\u003C/h3\u003E\n\u003Cp\u003E다음 엔터프라이즈 AI 경쟁력은 프로세스 성과에서 나올 가능성이 큽니다. 이는 더 빠른 청구 검토, 낮은 지원 에스컬레이션 비율, 예측 정확도 향상, 지연되는 갱신 감소, 더 일관된 재고 계획, 더 짧은 인사이트 확보 시간과 같은 성과를 기준으로 AI가 평가된다는 의미입니다.\u003C/p\u003E\n\u003Cp\u003E예를 들어 영업 워크플로우는 계정을 요약하고, 갱신 리스크를 식별하며, 관리자 검토를 준비할 수 있습니다. 또는 재무 워크플로우는 매출 차이가 왜 달라졌는지 설명하고, 어떤 가정이 변했는지 식별하며, 이를 뒷받침하는 데이터를 첨부할 수 있습니다.\u003C/p\u003E\n\u003Ch3\u003E질문에 답하는 수준을 넘어 시스템을 연결하는 에이전틱 AI\u003C/h3\u003E\n\u003Cp\u003E에이전틱 AI는 엔터프라이즈 AI를 단순한 응답 인터페이스에서 시스템 간 조율 계층으로 전환합니다. 에이전트는 하나의 워크플로우 안에서 요청을 해석하고, 단계를 나누고, 데이터를 검색하고, 도구를 호출하며, 상태를 확인하고, 실행할 작업을 준비할 수 있습니다.\u003C/p\u003E\n\u003Cp\u003E엔터프라이즈 AI 에이전트는 데이터 유형을 구분하고 그에 맞게 경로를 지정하도록 설계할 수 있습니다. 예를 들어 비즈니스 사용자가 파이프라인 데이터, 매출 수치, 재고 기록처럼 정형 데이터베이스에서 정보를 가져와야 하는 질문을 하면, 에이전트는 요청과 권한에 따라 쿼리를 생성하고 실행할 수 있습니다. 질문이 계약서, 통화 녹취록, 정책 PDF 같은 문서를 해석해야 하는 경우에는 에이전트가 해당 콘텐츠를 검색하고 종합합니다. 고도화된 에이전트는 하나의 응답 안에서 두 가지 작업을 모두 처리하며, 과업에 따라 각 소스로 라우팅합니다.\u003C/p\u003E\n\u003Cp\u003E이러한 조율은 새로운 요구 사항을 만들어냅니다. 조직에는 범위 지정된 도구 권한, 승인 게이트, 샌드박스형 실행 환경, 전체 로깅, 비용 제어, 롤백 경로가 필요합니다. \u003Ca href=\"https://modelcontextprotocol.io/docs/getting-started/intro\" target=\"_blank\"\u003EModel Context Protocol\u003C/a\u003E(MCP)은 에이전트가 도구와 데이터 소스에 연결되는 방식을 관리하기 위한 새로운 표준으로 부상하고 있습니다. 여기에는 액세스 경계 정의와 다단계 워크플로우에서 발생할 수 있는 자격 증명 노출, 데이터 유출 등의 위험 완화가 포함됩니다. 안전하고 \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/responsible-ai/\"\u003E책임 있는 AI\u003C/a\u003E 사용을 위해서는 사람의 감독이 여전히 필수적입니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2":{"id":"card-v2-dff6a2e834","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["SAP와 Snowflake: 통합 데이터 및 컨텍스트 기반의 엔터프라이즈 AI 구현"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"attributes":{"target":"_blank"},"url":"https://www.snowflake.com/en/sap-enterprise-ai-unified-data-context/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"eBook 다운로드"},"image":{"id":"image","height":"851","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--5d43113b-f542-4610-926a-45874d40b63f/snowflake-sap-cover.png?preferwebp=true&quality=85","alt":"Cover of a Snowflake and SAP report titled Snowflake and SAP: Powring Enterprise AI with Unified Data Context","lazyEnabled":true,"isLcpImage":false,"width":"1313",":type":"snowflake-site/components/image"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003ESnowflake와 SAP가 기업의 데이터 사일로를 해소하고 확장 가능한 엔터프라이즈 사용 사례를 위한 AI 구축을 어떻게 지원하는지 알아보세요.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal"},"text_enterprise-ai-trends-leading-companies-are-acting-on-now_1":{"id":"text-bf41459c14","text":"\u003Ch3\u003E비정형 데이터, 핵심 AI 입력으로 부상\u003C/h3\u003E\n\u003Cp\u003E많은 엔터프라이즈 워크플로우는 테이블 안에 깔끔하게 정리되지 않는 정보에 의존합니다. 계약서, 청구 문서, 임상 기록, 통화 녹취록, PDF, 이메일, 제품 매뉴얼, 이미지, 엔지니어링 티켓에는 질문에 답하거나 작업을 완료하는 데 필요한 세부 정보가 포함되는 경우가 많습니다. 최근까지 이러한 콘텐츠는 분석 및 운영 워크플로우에서 일관되게 활용하기 어려웠습니다.\u003C/p\u003E\n\u003Cp\u003E엔터프라이즈 AI의 다음 스테이지는 문서 컨텍스트를 정형 기록 및 워크플로우 작업과 연결하는 것입니다. \u003Ca href=\"https://www.snowflake.com/en/fundamentals/rag/\"\u003E검색 증강 생성\u003C/a\u003E(RAG)은 AI 시스템이 문서 코퍼스를 검색하고 관련 구절을 찾아, 모델이 학습 중 습득한 내용에만 의존하는 대신 해당 콘텐츠를 근거로 응답을 생성할 수 있게 합니다. 의미적 유사성과 키워드 매칭을 결합하는 하이브리드 검색은 엔터프라이즈 워크플로우가 의존하는 다양한 콘텐츠 유형 전반에서 검색 품질을 높이는 데 도움이 됩니다.\u003C/p\u003E\n\u003Cp\u003E데이터 파이프라인에 내장된 AI 함수는 오디오 전사, 문서 분류, 통화 녹음 요약, PII 탐지를 통해 비정형 데이터를 대규모로 변환하는 데 도움이 됩니다. 이전에는 일관되게 분석하기 어려웠던 콘텐츠도 더 쉽게 구조화하고, 쿼리하고, 재사용할 수 있습니다.\u003C/p\u003E\n\u003Ch3\u003E의미적 컨텍스트, AI 인프라로 진화\u003C/h3\u003E\n\u003Cp\u003E엔터프라이즈 AI에는 데이터에 연결된 비즈니스 의미가 필요합니다. 모델이 엔터티 간 관계를 이해하지 못하면 잘못된 테이블에서 확신에 찬 답변을 생성하거나, 오래된 연간 반복 매출 정의를 적용하거나, 지표를 중복 집계할 수 있습니다. 대시보드에서는 이러한 문제가 큰 비용으로 이어집니다. 실행까지 수행하는 AI 워크플로우에서는 누군가 오류를 발견하기 전에 다운스트림 의사결정으로 확산될 수 있습니다.\u003C/p\u003E\n\u003Cp\u003E이에 따라 조직은 승인된 지표, 엔터티, 차원, 관계를 AI 시스템이 정확하게 쿼리할 수 있는 양식으로 정의하는 방향으로 나아가고 있습니다. 의미론적 뷰는 승인된 지표 정의, 조인 관계, 엔터티 계층 구조와 같은 비즈니스 로직을 인코딩하여 AI 모델에 정형 데이터에 대한 거버넌스 기반 인터페이스를 제공합니다. 자격 인증 상태, 소유권, 계보, 최신성, 사용 현황 이력 등을 포함한 카탈로그 메타데이터는 AI 시스템이 어떤 소스를 사용할 만큼 신뢰할 수 있는지 판단하는 데 필요한 추가 컨텍스트를 제공합니다.\u003C/p\u003E\n\u003Ch3\u003E거버넌스, AI 런타임의 일부로 진화 중\u003C/h3\u003E\n\u003Cp\u003E거버넌스는 정책 문서나 출시 전 검토에만 머물러서는 안 됩니다. AI가 워크플로우에 내장될수록 시스템이 데이터를 검색하고, 도구를 호출하고, 출력을 생성하고, 레코드를 업데이트하거나, 작업을 에스컬레이션하는 순간에도 제어가 적용되어야 합니다.\u003C/p\u003E\n\u003Cp\u003E여기에는 PII와 보호 대상 건강 정보(PHI) 같은 민감 데이터 유형의 자동 분류, 사용자 역할 기반의 동적 데이터 마스킹, 각 사용자 또는 에이전트가 검색할 수 있는 범위를 제한하는 행 수준 액세스 제어, 출력을 소스까지 추적하는 계보 추적, 무엇에 액세스했는지 포착하는 감사 로그, 드리프트, 오류, 비용 이상 징후를 표시하는 모니터링이 포함됩니다.\u003C/p\u003E\n\u003Cp\u003E분석가가 SQL을 실행하든, 개발자가 Python을 사용하든, 비즈니스 사용자가 자연어 인터페이스를 통해 쿼리하든, 조직은 액세스 방식 전반에서 이러한 제어를 일관되게 적용하는 것을 목표로 해야 합니다. 목표는 조직이 비즈니스 크리티컬 프로세스에서 AI 리스크를 관리하도록 돕는 것입니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_enterprise-ai-use-cases-generative-ai-to-agentic-ai":{"id":"title-v2-b02af36d55","additionalClasses":"anchor-title anchor-title--enterprise-ai-use-cases-generative-ai-to-agentic-ai","type":"heading2","lines":["엔터프라이즈 AI 사용 사례: 생성형 AI에서 에이전틱 AI로"],":type":"snowflake-site/components/title-v2"},"text_enterprise-ai-use-cases-generative-ai-to-agentic-ai_0":{"id":"text-2b9d8cdf04","text":"\u003Cp\u003E많은 조직은 이미 요약, 초안 작성, 검색을 테스트했습니다. 다음 물결은 이러한 역량을 비즈니스 시스템, 신뢰할 수 있는 데이터, 거버넌스가 적용된 작업과 연결하는 것입니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_enterprise-ai-use-cases-generative-ai-to-agentic-ai_0":{"id":"text-446a1dd082","additionalClasses":"callout callout--tip","text":"\u003Cp\u003E\u003Cstrong\u003E빠른 팁\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003E하나의 워크플로우, 하나의 명확한 성공 지표, 그리고 이를 뒷받침하는 거버넌스 적용 데이터에서 시작하세요.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_enterprise-ai-use-cases-generative-ai-to-agentic-ai_1":{"id":"text-ce10ac5e57","text":"\u003Ch3\u003E고객 서비스 및 지원\u003C/h3\u003E\n\u003Cp\u003E고객 서비스는 단순한 티켓 요약을 넘어 연결된 지원 워크플로우로 이동하고 있습니다. AI는 사례를 검토하고, 정책 지침을 검색하고, 응답 초안을 작성하고, 에스컬레이션 위험을 감지하며, 적절한 팀으로 업무를 라우팅하도록 지원할 수 있습니다.\u003C/p\u003E\n\u003Cp\u003E더 고도화된 버전은 지원 이력, 권한 데이터, 계약 조건, 제품 설명서, 인시던트 상태, 엔지니어링 노트를 연결합니다. 지원 에이전트는 고객이 무엇을 문의했는지뿐 아니라 해당 고객이 특정 서비스 티어를 이용할 권한이 있는지, 알려진 문제가 존재하는지, 어떤 응답 문구가 승인되었는지까지 확인할 수 있습니다.\u003C/p\u003E\n\u003Ch3\u003E영업 및 매출 운영\u003C/h3\u003E\n\u003Cp\u003E영업 AI는 이메일 초안 작성과 회의록 작성을 넘어 진화하고 있습니다. 다음 단계의 사용 사례는 계정 인텔리전스, 파이프라인 변동, 예측 품질에 초점을 맞춥니다. AI는 계정 요약을 작성하고, 영업 기회 리스크를 표시하며, 누락된 CRM 데이터를 식별하고, 제안 요청(RFP) 대응을 지원하며, 예측 가정의 변화를 드러낼 수 있습니다.\u003C/p\u003E\n\u003Cp\u003E매출 운영에서는 AI 워크플로우가 파이프라인 변동을 과거 전환 패턴, 제품 사용량 신호, 고객 건전성 점수, 갱신 조건과 비교한 뒤, 근거 자료를 포함한 예측 메모를 작성할 수 있습니다.\u003C/p\u003E\n\u003Ch3\u003E재무와 리스크\u003C/h3\u003E\n\u003Cp\u003E재무팀은 엔터프라이즈 AI를 활용해 차이 분석, 예측 지원, 송장 검토, 계약 검토, 사기 조사, 감사 준비를 지원할 수 있습니다. 가장 강력한 사용 사례는 재무팀이 보고된 숫자에서 그 이면의 거래, 가정, 계약 또는 정책 규칙까지 이어지는 경로를 추적하도록 돕는 것입니다.\u003C/p\u003E\n\u003Cp\u003E재무 사용 사례에는 특히 강력한 거버넌스가 필요합니다. 재무 AI 워크플로우는 어떤 지표 정의가 승인되었는지, 어떤 보고 기간이 적용되는지, 어떤 계정 매핑이 최신인지, 어떤 데이터 세트가 답변을 뒷받침하는지 파악해야 합니다. 리스크와 규정 준수 업무에서는 무엇을 검토했는지, 어떤 소스를 사용했는지, 어떤 예외를 발견했는지, 다음 단계를 승인한 사람이 누구인지에 대한 증거도 남겨야 합니다. 워크플로우가 매출 수치, 계약 조건, 직원 보상 데이터를 다루는 경우를 포함해, 액세스 제어는 데이터의 민감도에 맞게 적용되어야 합니다.\u003C/p\u003E\n\u003Ch3\u003E운영과 공급망\u003C/h3\u003E\n\u003Cp\u003E운영 및 공급망 팀은 AI를 수요 예측, 재고 관리, 장비 유지 보수 계획, 공급업체 성과 분석, 예외 분류에 적용할 수 있습니다. 작은 지연이나 오래된 신호만으로도 권장 조치가 달라질 수 있기 때문에, 이러한 사용 사례는 시의적절하게 연결된 데이터에 의존합니다.\u003C/p\u003E\n\u003Cp\u003E공급망 에이전트는 지연에 대한 대응을 권고하기 전에 수요 신호, 재고 기록, 공급업체 성과, 배송 상태, 계약 조건을 결합할 수 있습니다. 제조 워크플로우는 장비 텔레메트리, 품질 데이터, 유지 보수 이력을 검토해 다음에 프로세스 문제가 발생할 가능성이 높은 지점을 식별할 수 있습니다. 핵심 기회는 단순한 예측이 아니라, 사람이나 다운스트림 시스템이 관련 지원 데이터를 바탕으로 효율적으로 대응할 수 있도록 충분한 컨텍스트와 증거를 갖춘 권장 조치를 제시하는 데 있습니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_enterprise-ai-use-cases-generative-ai-to-agentic-ai_1":{"id":"text-7f9e3ae060","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003E자주 하는 실수\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003E엔터프라이즈 AI를 운영 모델의 문제가 아니라 모델 선택의 문제로만 보는 것은 흔한 실수입니다. 신뢰할 수 있는 데이터, 명확한 권한, 평가 관행, 워크플로우 소유권이 없다면 유망한 AI 파일럿도 안정적인 프로덕션 시스템으로 발전하기 어렵습니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_what-leading-enterprises-are-building-now":{"id":"title-v2-1f3edbd106","additionalClasses":"anchor-title anchor-title--what-leading-enterprises-are-building-now","type":"heading2","lines":["선도 기업이 지금 구축하는 기반"],":type":"snowflake-site/components/title-v2"},"text_what-leading-enterprises-are-building-now_0":{"id":"text-0bc8e1fabd","text":"\u003Cp\u003E엔터프라이즈 AI를 확장하려는 조직에는 데이터 액세스, 비즈니스 로직, 비용, 품질, 책임성에 대한 통제력을 잃지 않으면서 AI를 워크플로우 안으로 이동시킬 수 있는 기반이 필요합니다. AI가 더 깊이 내장되고 에이전트형으로 진화할수록, 이 기반은 AI가 컨텍스트를 검색하고 조치를 지원할 수 있는 충분한 연결성을 제공하는 동시에, 팀이 행동을 예측하고 안내하며 감사할 수 있을 만큼의 통제력도 갖춰야 합니다.\u003C/p\u003E\n\u003Ch3\u003E거버넌스가 적용된 데이터 파운데이션\u003C/h3\u003E\n\u003Cp\u003E엔터프라이즈 AI는 정형 데이터, 반정형 데이터, 비정형 데이터에 액세스해야 하지만, 그 액세스는 소유권, 민감도, 최신성, 정책 제약을 반영해야 합니다. 커넥터가 있다는 이유만으로 모델이나 에이전트가 데이터에 접근할 수 있어서는 안 됩니다. 사용자, 워크플로우, 사용 사례에 적절한 권한이 있을 때에만 데이터에 접근할 수 있어야 합니다.\u003C/p\u003E\n\u003Cp\u003E그 기반은 액세스 지점에서 정책 적용을 수행해야 합니다. 민감한 필드를 식별하는 분류, 각 사용자 또는 에이전트가 검색할 수 있는 범위를 제한하는 마스킹 및 행 수준 정책, 사용된 항목을 보여주는 계보와 감사 로그, 소스가 작업을 지원할 만큼 최신 상태인지 나타내는 데이터 품질 신호가 필요합니다.\u003C/p\u003E\n\u003Ch3\u003E비즈니스 의미를 위한 시맨틱 계층\u003C/h3\u003E\n\u003Cp\u003E시맨틱 계층은 AI 시스템이 비즈니스 로직에 접근할 수 있는 거버넌스가 적용된 인터페이스를 제공합니다. AI 시스템이 정확하게 쿼리할 수 있는 정형화된 양식으로 승인된 지표, 엔터티, 차원, 관계를 정의합니다. 이 계층이 없으면 AI가 답변을 생성할 수는 있지만, 팀은 그 답변이 실제 비즈니스 현실을 반영하는지 검증하는 데 상당한 시간을 써야 합니다.\u003C/p\u003E\n\u003Cp\u003E시맨틱 뷰는 이러한 체계를 구현하는 데 도움이 되는 메커니즘 중 하나입니다. 시맨틱 뷰는 매출 산정 방식, 어떤 엔터티 관계가 표준인지, 어떤 차원이 어떤 도메인에 속하는지와 같은 비즈니스 정의를 인코딩합니다. 자격 인증 상태, 소유권, 계보, 사용 현황 이력 등을 포함한 카탈로그 메타데이터는 AI 시스템이 어떤 데이터 소스가 신뢰할 수 있고 최신 상태인지 판단하는 데 필요한 추가 컨텍스트를 제공합니다.\u003C/p\u003E\n\u003Ch3\u003E에이전트 제어와 도구 경계\u003C/h3\u003E\n\u003Cp\u003E에이전트가 시스템을 연결하게 되면, 조직은 각 에이전트가 어떤 작업을 수행할 수 있는지 정의해야 합니다. 호출할 수 있는 도구, 검색할 수 있는 데이터, 사람의 검토가 필요한 조치, 사용하는 자격 증명, 오류 발생 시 처리 방식까지 명확히 해야 합니다. 이러한 경계가 없으면 에이전트형 워크플로우는 쿼리와 응답 중심 시스템에는 없던 리스크를 가져옵니다.\u003C/p\u003E\n\u003Cp\u003EMCP는 에이전트가 도구와 데이터 소스에 연결되는 방식, 각 연결에 포함되는 권한, 해당 연결을 보호하는 방식을 정의하는 표준을 제공합니다. 샌드박스형 실행 환경은 에이전트가 실행하는 코드를 격리하고, 정의된 범위를 벗어난 조치의 리스크를 줄이는 데 도움이 됩니다. 적절한 제어가 구현되어 있다면, 테넌트별 데이터 격리는 멀티테넌트 환경에서 한 조직의 에이전트 데이터를 다른 조직의 데이터와 분리된 상태로 유지하는 데 도움이 됩니다.\u003C/p\u003E\n\u003Ch3\u003E평가와 옵저버빌리티\u003C/h3\u003E\n\u003Cp\u003E엔터프라이즈 AI는 배포 전후 모두에서 평가가 필요합니다. 팀은 답변 품질, 검색 정확도, 할루시네이션 리스크, 지연 시간, 비용, 에스컬레이션 비율, 비즈니스 영향을 측정해야 합니다. 에이전트형 워크플로우의 경우, 에이전트가 올바른 도구를 선택했는지, 올바른 시퀀스를 따랐는지, 필요할 때 승인을 위해 중단했는지도 평가해야 합니다.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/observability/\"\u003EAI 옵저버빌리티\u003C/a\u003E는 필수입니다. 모델, 프롬프트, 데이터, 워크플로우가 바뀌면 AI 시스템도 함께 변하기 때문입니다. 현재는 신뢰할 수 있는 워크플로우라도 업스트림 데이터 소스가 변경되거나, 정책이 업데이트되거나, 에이전트가 새로운 도구에 대한 액세스를 얻으면 드리프트가 발생할 수 있습니다. 정의된 경고 임계값과 명확한 예외 경로 소유권을 갖춘 지속적인 모니터링은 그 드리프트가 비즈니스 의사결정에 영향을 미치기 전에 팀이 이를 포착하도록 돕습니다.\u003C/p\u003E\n\u003Ch3\u003E부서 간 소유권\u003C/h3\u003E\n\u003Cp\u003E엔터프라이즈 AI 운영 모델에는 데이터 소유자, 보안, 규정 준수, 플랫폼 팀, 비즈니스 프로세스 소유자가 공통 제어 프레임워크를 기반으로 협력하는 체계가 필요합니다. AI가 시스템 전반에서 데이터를 검색하고 조치를 수행할 수 있게 되면, 조직은 워크플로우, 데이터, 정책, 평가 프로세스, 예외 경로의 소유자가 누구인지 명확히 알아야 합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_whats-next-for-enterprise-ai":{"id":"title-v2-0e42969851","additionalClasses":"anchor-title anchor-title--whats-next-for-enterprise-ai","type":"heading2","lines":["엔터프라이즈 AI의 다음 단계"],":type":"snowflake-site/components/title-v2"},"text_whats-next-for-enterprise-ai_0":{"id":"text-5714283745","text":"\u003Cp\u003E가까운 미래의 엔터프라이즈 AI는 더 많은 AI 기능이 아니라, 더 엄격하게 설계되고 운영되는 AI 시스템에 초점을 맞추게 될 것입니다. 다음 단계에서 앞서가는 조직은 AI를 고립된 기능에서 거버넌스가 적용된 실행 체계로 전환할 수 있는 조직입니다. 즉, 모든 결과가 신뢰할 수 있는 데이터에 기반하고, 비즈니스 로직에 부합하며, 실제 비즈니스 성과에 대한 책임성을 갖춘 상태를 의미합니다. 이러한 기반이 있어야 조직은 워크플로우 전반으로 AI를 자신 있게 확장할 수 있습니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_whats-next-for-enterprise-ai_0":{"id":"quote-item-ea3441f60f","alignment":"left","layout":"simple","showQuoteIcon":true,"quote":"The near future of enterprise AI isn’t focused on more AI features, but more disciplined AI systems.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"title_how-snowflake-supports-enterprise-ai":{"id":"title-v2-2a792a8abf","additionalClasses":"anchor-title anchor-title--how-snowflake-supports-enterprise-ai","type":"heading2","lines":["Snowflake가 엔터프라이즈 AI를 지원하는 방식"],":type":"snowflake-site/components/title-v2"},"text_how-snowflake-supports-enterprise-ai_0":{"id":"text-993d05d1f9","text":"\u003Cp\u003ESnowflake는 거버넌스가 적용된 데이터, 비즈니스 로직, AI 기능이 함께 작동하는 엔터프라이즈 AI 환경을 구축할 수 있도록 지원합니다. \u003Ca href=\"https://www.snowflake.com/en/product/features/cortex/\"\u003ESnowflake Cortex AI\u003C/a\u003E와 \u003Ca href=\"https://www.snowflake.com/en/product/features/horizon/\"\u003ESnowflake Horizon 카탈로그\u003C/a\u003E를 통해 팀은 AI를 정형, 반정형, 비정형 데이터에 연결하고, 의미론적 컨텍스트를 적용하며, Snowflake 거버넌스 기능을 활용해 에이전틱 워크플로우의 액세스 및 개인정보 보호 제어를 관리할 수 있습니다. 이를 통해 엔터프라이즈 AI를 프로덕션 워크플로우로 규모 조정하기 위한 기반을 마련하고, 팀이 데이터 액세스, 거버넌스, 책임성을 일관되게 정렬할 수 있습니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_how-snowflake-supports-enterprise-ai_0":{"id":"text-1e94b40a11","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003E핵심 요약\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003E엔터프라이즈 AI는 현대 조직의 핵심 운영 계층으로 자리 잡고 있습니다. 성공적으로 확장하려면 강력한 모델만으로는 충분하지 않습니다. 기업에는 신뢰할 수 있는 데이터, 명확한 거버넌스, 거버넌스가 적용된 에이전트 제어, 측정 가능한 비즈니스 성과가 필요합니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["callout__0","text__0","quote__0","text__1","title_what-enterprise-ai-means-now","text_what-enterprise-ai-means-now_0","title_enterprise-ai-trends-leading-companies-are-acting-on-now","text_enterprise-ai-trends-leading-companies-are-acting-on-now_0","card_v2","text_enterprise-ai-trends-leading-companies-are-acting-on-now_1","title_enterprise-ai-use-cases-generative-ai-to-agentic-ai","text_enterprise-ai-use-cases-generative-ai-to-agentic-ai_0","callout_enterprise-ai-use-cases-generative-ai-to-agentic-ai_0","text_enterprise-ai-use-cases-generative-ai-to-agentic-ai_1","callout_enterprise-ai-use-cases-generative-ai-to-agentic-ai_1","title_what-leading-enterprises-are-building-now","text_what-leading-enterprises-are-building-now_0","title_whats-next-for-enterprise-ai","text_whats-next-for-enterprise-ai_0","quote_whats-next-for-enterprise-ai_0","title_how-snowflake-supports-enterprise-ai","text_how-snowflake-supports-enterprise-ai_0","callout_how-snowflake-supports-enterprise-ai_0"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-e6fda0548b",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-13fce0be9f","additionalClasses":"eyebrow-text","text":"\u003Cp\u003E이 가이드의 주요 내용\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular"},"text_copy":{"id":"text-1ed8fa7bf8","additionalClasses":"page-toc","text":"\u003Cul\u003E\u003Cli data-anchor=\"what-enterprise-ai-means-now\"\u003E현재 엔터프라이즈 AI의 의미\u003C/li\u003E\u003Cli data-anchor=\"enterprise-ai-trends-leading-companies-are-acting-on-now\"\u003E선도 기업이 지금 주목하는 엔터프라이즈 AI 트렌드\u003C/li\u003E\u003Cli data-anchor=\"enterprise-ai-use-cases-generative-ai-to-agentic-ai\"\u003E엔터프라이즈 AI 사용 사례: 생성형 AI에서 에이전틱 AI로\u003C/li\u003E\u003Cli data-anchor=\"what-leading-enterprises-are-building-now\"\u003E선도 기업이 지금 구축하는 기반\u003C/li\u003E\u003Cli data-anchor=\"whats-next-for-enterprise-ai\"\u003E엔터프라이즈 AI의 다음 단계\u003C/li\u003E\u003Cli data-anchor=\"how-snowflake-supports-enterprise-ai\"\u003ESnowflake가 엔터프라이즈 AI를 지원하는 방식\u003C/li\u003E\u003C/ul\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},":itemsOrder":["container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false},"flexible_column_cont_1786318617":{"id":"flexible-column-container-5d51427811","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy":{"id":"title-v2-541bdced7c","additionalClasses":"hub-faq__headline","type":"heading2","lines":["자주 묻는 질문"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-5569499d50","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003E엔터프라이즈 AI에 대해 자주 묻는 질문에 Snowflake 전문가가 답합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-0d9cd0e59e","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"AI 에이전트는 엔터프라이즈 AI를 어떻게 변화시키고 있습니까?","richText":"\u003Cp\u003EAI 에이전트는 AI 시스템이 단순히 질문에 답하는 수준을 넘어설 수 있게 하며 엔터프라이즈 AI를 변화시키고 있습니다. 에이전트는 요청을 여러 단계로 나누고, 데이터를 검색하고, 도구를 호출하고, 애플리케이션과 상호 작용하며, 시스템 간에 작업을 전달할 수 있습니다. 이러한 역량은 고객 지원, 조달, 매출 운영, 재무, IT와 같은 워크플로우에서 유용하지만, 동시에 범위 지정 권한, 모니터링, 사람의 승인, 감사 추적의 필요성도 높입니다.\u003C/p\u003E"},{"title":"엔터프라이즈 AI에서 거버넌스가 중요한 이유는 무엇입니까?","richText":"\u003Cp\u003E거버넌스가 중요한 이유는 엔터프라이즈 AI가 민감 데이터, 규제 대상 프로세스, 책임성이 요구되는 비즈니스 의사 결정과 함께 작동하는 경우가 많기 때문입니다. AI가 워크플로우에 내장되고 여러 시스템에 연결될수록, 조직에는 AI 시스템이 무엇을 보고 어떤 작업을 수행할 수 있는지 규정하는 정책, 계보, 액세스 제어, 평가, 감사 추적이 필요합니다.\u003C/p\u003E"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-691e26ca06","propertiesId":"hub-explore-resources-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-301d7bb4c3",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-7c17c66664","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["AI 리소스 살펴보기"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-5dd87dbb50","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-explore-resources-grid-inner",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-ac07b568af","tagText":"보고서","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/lp/radical-roi-generative-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title","type":"heading5","lines":["2026 생성형 AI와 에이전트의 ROI"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_1":{"id":"content-chip-704a9cffa0","tagText":"백서","tagColor":"#FFD9AF","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/resources/white-paper/ai-at-work-from-productivity-hacks-to-organizational-transformation/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title","type":"heading5","lines":["업무 현장의 AI: 생산성 팁을 넘어 조직 혁신으로"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-eb718c78ea","tagText":"블로그","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/agentic-ai-business-operations0/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title","type":"heading5","lines":["비즈니스의 에이전틱 AI: 파일럿에서 운영으로"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-b81dd0813a","tagText":"eBook","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/resource/the-ultimate-guide-to-data-ai-for-industries/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title","type":"heading5","lines":["2026년 산업별 데이터 + AI에 대한 최종 가이드"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1422227087":{"id":"flexible-column-container-889ba304b1","propertiesId":"hub-explore-topics-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-205bb67655",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-2738c80668","additionalClasses":"hub-explore-topics-header__headline","type":"heading2","lines":["AI 주제 살펴보기"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-cbb5ffd072","additionalClasses":"hub-explore-topics-header__subheadline","text":"\u003Cp\u003E인공지능의 모든 측면에 대한 심층 분석\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2","text"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_870312728":{"id":"flexible-column-container-4e4979b9b3","propertiesId":"hub-explore-topics-grid","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-eb456b867b",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2":{"id":"card-v2-6d14e84b02","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["인공지능"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/ko/artificial-intelligence/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"자세히 알아보기"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003E엔터프라이즈 AI의 기본 가이드: 작동 방식, 향후 방향, 비즈니스에 의미하는 바를 알아보세요.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["card_v2"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-8251746ceb",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2":{"id":"card-v2-2a2130085c","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["AI 거버넌스"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/ko/artificial-intelligence/ai-governance/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"자세히 알아보기"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EAI 위험, 책임성, 규정 준수 및 운영 통제를 관리하기 위한 프레임워크, 정책 및 감독 모델.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["card_v2"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-811330ed31",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2":{"id":"card-v2-42fe952d89","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["머신러닝"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/ko/artificial-intelligence/machine-learning/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"자세히 알아보기"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003E경험을 통해 자동으로 학습하고 개선되는 알고리즘을 이해합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["card_v2"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1465525632","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1422227087","flexible_column_cont_870312728"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-4b8c02085f",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-0926012bc8","title":" ","cssContent":".snowflake-flexible-column-container-gray-10-bg\u003E.snowflake-flexible-column-container{background-color:var(--ui-background-05) !important}.text-size-regular:has(.seo-hub-hero__related-topic-label){display:flex;align-items:center}.hub-hero__headline span{text-transform:none !important}.hub-hero__subheadline p{max-width:70ch;margin-top:8px}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:24px 48px 0 0 !important}.hub-hero__authors .heading-5-v2{gap:var(--spacing-00)}.hub-hero__authors .snowflake-content-chip-button{display:none !important}.hub-hero__authors .snowflake-person-chip-content .body-2,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line{font-size:16px !important;line-height:20px !important;font-family:\"Lato\",sans-serif !important;color:#000 !important;font-weight:600 !important}.hub-hero__authors .snowflake-person-chip-content .body-3,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400 !important;color:var(--text-05) !important;font-size:16px !important}.hub-hero__authors .snowflake-image-container img{aspect-ratio:1 !important;border-radius:100%;overflow:hidden}.hub-hero__authors .snowflake-person-chip-avatar{width:56px;height:56px}.hub-hero__authors .snowflake-content-chip{align-items:center;display:inline-flex}.hub-hero__authors .snowflake-content-chip-image{max-width:56px;line-height:0;margin-right:var(--spacing-03)}.hub-hero__authors .snowflake-person-chip-inner-horizontal{gap:var(--spacing-03)}@media screen and (min-width:1367px){.hub-hero__headline .heading-1-v2{font-size:48px;line-height:44px}}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:24px}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::before,#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::after{display:none}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.text-color-text-05 .snowflake-text h2,.text-color-text-05.cq-Editable-dom h2,.text-color-text-05 .snowflake-text h3,.text-color-text-05.cq-Editable-dom h3,.text-color-text-05 .snowflake-text h4,.text-color-text-05.cq-Editable-dom h4,.text-color-text-05 .snowflake-text h5,.text-color-text-05.cq-Editable-dom h5,.text-color-text-05 .snowflake-text h6,.text-color-text-05.cq-Editable-dom h6{color:#000 !important}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor_597730182":{"id":"markup-editor-d0cc70e23b","title":" ","cssContent":".sf-copy-markdown [data-copy-md]{display:inline-flex;align-items:center;gap:6px;padding:8px 16px;font-family:'Texta',sans-serif;text-transform:uppercase;font-weight:800 !important;font-size:14px;font-weight:500;color:#11567f;background:#f0faff;border:1px solid #b8e6f9;border-radius:24px;cursor:pointer;transition:background .2s ease,border-color .2s ease,color .2s ease}.sf-copy-markdown [data-copy-md]:hover{background:#ddf3fc;border-color:#29b5e8}.sf-copy-markdown [data-copy-md][data-copied=\"1\"]{color:#0f7b3e;background:#ecfdf5;border-color:#6ee7a0;pointer-events:none}.sf-copy-markdown [data-copy-md] svg{flex-shrink:0}.longform-conten .snowflake-content-chip-white-bg .snowflake-content-chip{box-shadow:0 0 24px 4px rgba(0,0,0,.02),0 4px 8px 0 rgba(0,0,0,.04);flex-direction:row-reverse;align-items:center}.longform-conten .snowflake-content-chip-button{display:none}.longform-conten .snowflake-content-chip-image__inner{aspect-ratio:5 / 3;display:flex;justify-content:center;align-items:center;background-color:var(--ui-01);border-radius:4px}.longform-conten .snowflake-content-chip-image{margin-right:0;margin-left:48px}.longform-conten .snowflake-content-chip-image img{width:50%;border-radius:0 !important;object-fit:contain}.longform-content .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-size:14px !important;font-weight:400 !important;color:rgba(0,0,0,.6) !important;margin-top:8px !important}.page-toc ul li:first-child{padding-top:0 !important}.page-toc ul li:last-child{padding-bottom:0 !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{flex-grow:1}.sf-copy-markdown{margin-top:40px !important}.page-toc ul{margin-top:16px !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;justify-content:space-between}.sf-copy-markdown{}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E strong,.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:80ch}#hero:has(.snowflake-youtube-lite) .seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{width:100%;flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor":{"id":"markup-editor-be8266f058","title":" ","cssContent":"div.snowflake-breadcrumb a.snowflake-breadcrumb-item,.snowflake-breadcrumb div.snowflake-breadcrumb-item{text-transform:none;font-weight:500}.snowflake-breadcrumb svg{display:none !important}.snowflake-breadcrumb a:has(svg)::after{content:'/';margin:0 12px;color:#666}.hub-sidebar{padding:0 40px}.sticky-sidebar{max-width:340px;margin-left:auto}.page-toc ul{list-style-type:none;padding:0}.page-toc li{padding:8px 16px;border-left:4px solid var(--ui-01);cursor:pointer;transition:300ms ease all}.page-toc li:hover{color:var(--ui-01);border-color:#7fd3f1;transition:300ms ease all}.callout,.customer-card{background-color:#eef9fd;border-left:4px solid var(--ui-01);padding:24px 24px 24px 32px;border-radius:4px}.logo-container{max-width:180px}.longform-content li{margin-top:1rem !important}div.longform-content p{max-width:80ch}.bolder .snowflake-title-v2-line{font-weight:900 !important}.border-top\u003Ediv{border-top:1px solid #ccc;padding-top:48px}.related-topics ul{list-style-type:none;padding:0;margin:0;display:flex;gap:8px;flex-wrap:wrap}.related-topics li{display:inline-block;border:1px solid #ccc;padding:4px 12px;border-radius:24px}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-title-v2 .heading-6-v2,div.longform-content .snowflake-text .heading-6-v2{text-transform:none !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2{margin-top:1.5rem !important;line-height:1.1 !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-family:Lato,sans-serif !important;font-weight:800 !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{text-transform:none !important;font-size:28px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:22px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:18px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:16px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:14px !important}@media screen and (min-width:992px){div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{font-size:38px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:26px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:22px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:18px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:16px !important}}.sticky-sidebar .page-toc li.is-active{font-weight:600;color:var(--snow-blue,#29b5e8)}.sticky-sidebar .page-toc li[data-anchor]{cursor:pointer}.longform-content table{margin-top:24px;margin-bottom:24px;width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}.longform-content table thead{background-color:var(--ui-01)}.longform-content th,.longform-content td{min-width:120px;border:2px solid var(--ui-background-09);padding:var(--spacing-01)}.longform-content ol{margin-top:0 !important}.longform-content ol li{margin-bottom:1rem !important}.longform-content ul li{margin:0;padding:0 0 0 32px;position:relative}.longform-content ul{list-style-type:none}.longform-content ul li::before{content:\"\";display:block;border-radius:100%;background:#29b5e8;width:18px;height:18px;position:absolute;top:4px;left:0;border:5px solid #e5f2f7;box-sizing:border-box}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container{max-width:200px}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container img{object-fit:contain}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:0 !important}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{margin-right:16px !important;flex-shrink:0}","jsContent":"(function(){var OFFSET=100;if(window.gsap&&window.ScrollTrigger){gsap.registerPlugin(ScrollTrigger);var sidebar=document.querySelector('.sticky-sidebar');var body=document.querySelector('.longform-content');if(sidebar&&body){ScrollTrigger.create({trigger:sidebar,start:'top 100px',endTrigger:body,end:'bottom bottom',pin:sidebar,pinSpacing:false});}}document.addEventListener('click',function(e){var li=e.target.closest('li[data-anchor]');if(!li)return;var slug=li.getAttribute('data-anchor');var heading=document.querySelector('.anchor-title--'+CSS.escape(slug));if(!heading)return;e.preventDefault();var top=heading.getBoundingClientRect().top+window.pageYOffset-OFFSET;window.scrollTo({top:top,behavior:'smooth'});history.replaceState(null,'','#'+slug);},false);var headings=document.querySelectorAll('[class*=\"anchor-title--\"]');if(headings.length&&'IntersectionObserver'in window){var io=new IntersectionObserver(function(entries){entries.forEach(function(entry){if(!entry.isIntersecting)return;var cls=Array.from(entry.target.classList).find(function(c){return c.indexOf('anchor-title--')===0;});if(!cls)return;var slug=cls.replace('anchor-title--','');document.querySelectorAll('li[data-anchor]').forEach(function(li){li.classList.toggle('is-active',li.getAttribute('data-anchor')===slug);});});},{rootMargin:'-20% 0px -70% 0px',threshold:0});headings.forEach(function(h){io.observe(h);});}})();",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":true},"experiencefragment-footer":{"id":"experiencefragment-f0140f3e08","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer/master.xfmodel.json"},"experiencefragment":{"id":"experiencefragment-05b1f656f3","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer-legal-disclaimers/master.xfmodel.json"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],"coveoConfig":{"pipeline":"snowflake.com","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","organizationId":"snowflakecomputingproduction8neljofn","searchHub":"snowflake.com"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/ko/artificial-intelligence/business/enterprise","language":"ko","category":"general","pageName":"엔터프라이즈 AI 트렌드, 사용 사례 및 도입 후 과제","contentTags":["snowflake-site:taxonomy/content-type/fundamentals"]},":hierarchyType":"page",":path":"/content/snowflake-site/global/ko/artificial-intelligence/business/enterprise","isPasswordProtected":false,"analyticsContentTags":["snowflake-site:taxonomy/content-type/fundamentals"],"analyticsEnabled":true,"locale":"ko"}