새로운 연방 정부의 의사 결정 기준
연방 정부 IT 환경은 최근 몇 년간 빠르고 큰 폭으로 변화했습니다. 조직이 이러한 변화에 적절히 대응하고 있는지 점검해 볼 필요가 있습니다. 전략, 조달 접근 방식, 거버넌스, 조직 준비 상태, 아키텍처 등 다양한 계획을 신중하게 수립했을 것입니다. 하지만 그 이후 기술 환경과 현 행정부의 우선순위가 달라졌을 수 있습니다. 지금은 이러한 계획을 다시 검토하고 오늘날의 기회에 맞게 재정렬할 좋은 시점입니다.
변하지 않은 목표
대부분의 연방 정부 기관은 미국 증거기반 정책수립법(Evidence Act)의 요구사항을 충족하고 증거 기반 의사결정을 수행하는 기관으로 거듭나기 위해 데이터 현대화를 추진했습니다. 이들은 비즈니스 인텔리전스 인사이트를 제공하고, 예측 분석 및 사기 감지를 위한 머신러닝을 지원하며, 조직 전반에서 데이터를 안전하게 공유할 수 있는 기반을 구축하는 데 집중했습니다. 이는 기관의 임무 수행뿐 아니라 기관 간 정책 목표와 군 조직 전반의 활동을 지원하고 DATA Act의 목표를 달성하는 데에도 기여했습니다. 이러한 요구를 충족하기 위해 많은 기관은 확장 가능하고 안전한 데이터 액세스를 제공하는 클라우드 데이터 플랫폼을 검토하거나 도입하기 시작했으며, 데이터 품질, 검색성 및 가용성을 개선하기 위한 데이터 전략과 데이터 거버넌스 체계도 발전시켜 왔습니다.
변화한 환경
첫째, AI는 계속해서 빠르게 진화하고 있습니다. 이를 지원하는 기술 환경은 고품질 데이터와 최첨단 생성형 AI 파운데이션 모델에 대한 안전한 액세스, 그리고 특수 컴퓨팅 하드웨어를 필요로 합니다. 또한 검색 증강 생성(RAG)과 에이전틱 AI 같은 기능의 수명 주기 관리와 거버넌스, 통제를 지원하기 위해 관련 환경과 워크플로우 역시 빠르게 변화하고 있습니다.
둘째, 트럼프 행정부가 연방 기관에 요구하는 운영 기준이 크게 달라졌습니다. 행정부는 연방 정부 전반의 비용 절감을 최우선 과제로 설정하고 정부 전반에 걸쳐 공무원과 계약 인력을 감축하는 조치를 시행해 왔습니다. 또한 각 기관이 AI와 자동화를 활용해 긴축 재정 환경에서도 운영 효율성을 유지할 것을 요구하고 있습니다. 또한 행정부는 새로운 조달 방식을 지시했습니다. Revolutionary FAR Overhaul(RFO)의 1.102(a)(3) 조항은 상용 솔루션 우선 원칙을 명시하며, ‘정부 전용 솔루션’보다 즉시 도입 가능한 상용 제품의 활용을 극대화하도록 지침을 제시하고 있습니다.
이러한 정책 변화 이전의 데이터 플랫폼 도입 결정은 전통적인 정부 기술 조달 방식에 기반한 것이었습니다. 해당 플랫폼들은 대체로 광범위한 임무 지원을 목표로 했지만, 사업 추진 논리는 보통 특정 우선순위 임무의 성과 달성에 초점을 맞춰 수립되었습니다. 그 결과 ‘정부 전용’ 구성과 통합에 대한 선호가 높아졌으며, 이는 특정 임무 영역의 성과를 향상시키는 데 기여했습니다. 동시에 기술 평가가 특정 방향으로 이루어지도록 하여 결국 정부가 특정 플랫폼을 선호하게 되는 결과로 이어졌습니다.
기관에는 데이터 보안과 임무 보장, 감사 가능성을 유지하면서 전반적인 임무 수행을 지원하고 예산 측면의 가치를 극대화할 수 있는 데이터 플랫폼이 필요합니다. 빠른 가치 실현 시간, 최소한의 엔지니어링 오버헤드, 뛰어난 성능, 그리고 비즈니스 분석가와 사용자를 중심으로 설계된 사용자 경험을 원한다면 Snowflake를 다시 살펴볼 만합니다. Snowflake는 Forbes Global 2000 기업의 40%가 배포해 사용하고 있습니다(2026년 1월 31일 기준). Snowflake는 특히 금융 서비스 산업에서 강점을 보이고 있으며, 이 산업은 높은 수준의 보장성과 보안을 유지하면서 비용 효율적으로 비즈니스를 지원해야 한다는 점에서 현재 정부가 직면한 요구와 유사합니다. 또한 Fortune 500 금융 서비스 기업의 50% 이상이 Snowflake를 사용하고 있습니다.
현재 연방 정부 환경에서 Snowflake가 강점을 발휘할 수 있는 영역을 살펴보겠습니다.
기존 클라우드 데이터 플랫폼 투자를 보완하는 ‘and’ 전략
기관은 단일 데이터 플랫폼만 선택해야 한다고 생각하는 경우가 많습니다. 하지만 실제 상용 환경에서는 데이터 플랫폼을 조합해 활용하면서 시너지를 창출하는 경우가 일반적입니다. Snowflake를 거버넌스가 적용된 기반 플랫폼이자 미션 분석과 AI를 위한 고도의 동시성 제공 계층으로 활용할 수 있습니다.
실제 환경에서 Snowflake는 기관이 신뢰할 수 있고, 감사 가능하며, 공유 가능한 ‘단일 진실 공급원’ 데이터 세트를 구축하는 공간이 됩니다. 이러한 정제된 데이터 제품은 대시보드, 운영 의사결정 지원 및 AI 애플리케이션의 기반이 됩니다. 이후 전문화된 플랫폼이 이 거버넌스 기반에 연결되어 고급 워크플로우를 수행하고, 그 결과물은 다시 Snowflake에 게시됩니다. 이를 통해 결과가 또 다른 데이터 사일로에 갇히지 않고 조직 전반에서 재사용될 수 있습니다.
Snowflake + Palantir: Palantir Foundry에는 대규모의 정제된 데이터 파운데이션이 필요합니다. Snowflake는 고도의 동시성을 지원하는 서비스 계층 역할을 하며, 기존 온프레미스 스토리지보다 더 효과적으로 거버넌스가 적용된 데이터를 Foundry에 제공합니다.
Snowflake + Databricks: Snowflake는 Databricks 머신러닝 모델을 위한 이상적인 ‘골드 레이어’ 저장소 역할을 합니다. 이를 통해 비즈니스 분석가는 Python이나 Spark를 학습하지 않아도 표준 SQL 대시보드를 통해 고부가가치 인사이트에 즉시 접근할 수 있습니다.
Snowflake는 에이전틱 AI 활용이 확대됨에 따라 증가하는 엔터프라이즈 수준의 동시성 요구 사항을 충족할 수 있는 위치에 있습니다. 단일 에이전트만으로도 다수의 병렬 검색 쿼리, 피처 조회 및 평가 작업을 실행할 수 있으며, 동시에 수많은 분석가, 대시보드 및 애플리케이션이 동일한 거버넌스 적용 데이터 세트에 접근할 수 있습니다. Snowflake는 개별 가상 웨어하우스를 통해 워크로드를 분리하고, 대기열이 발생하면 멀티 클러스터 웨어하우스가 컴퓨팅 클러스터를 추가하며, 수요가 감소하면 다시 축소함으로써 이러한 요구를 지원합니다.
Snowflake가 조직 내 ‘신뢰 데이터’의 원천 역할을 하게 되면 에이전틱 AI의 핵심 데이터 리소스와 동시성 대응 역량의 기반 또한 Snowflake 위에서 하나로 통합됩니다.
ServiceNow와 Salesforce의 ‘폐쇄형 생태계’에서 데이터 해방
많은 기관은 업무 현대화를 위해 ServiceNow와 Salesforce 같은 로우코드 플랫폼에 상당한 투자를 진행했습니다. 하지만 미션 크리티컬 데이터가 개별 SaaS 플랫폼 안에 머물게 되면 또 다른 데이터 사일로가 만들어질 수 있습니다. Snowflake는 커넥터, CDC, 스트리밍과 같은 표준 데이터 수집 방식과 안전한 데이터 공유 기능을 통해 ServiceNow와 Salesforce 같은 플랫폼의 데이터를 수집하고, 일정 주기 또는 준실시간으로 최신 상태를 유지할 수 있도록 지원합니다. 이 과정에서 유지 관리가 어려운 맞춤형 ETL 파이프라인을 개발할 필요가 없습니다. 이를 통해 기관은 시스템 전반에 걸친 임무 수행 현황을 통합적으로 파악할 수 있습니다. 예를 들어 ServiceNow IT 인시던트 데이터와 Salesforce 사례 관리 데이터를 연계해 미션 가동 중단을 사전에 예측하는 대시보드를 상상해 보세요. Snowflake는 이러한 통합을 훨씬 더 간단하게 구현할 수 있도록 지원하며, 거버넌스 측면에서도 보다 효과적으로 관리할 수 있게 합니다.
중요한 것은 단순히 SaaS 플랫폼의 데이터를 가져오는 것이 아닙니다. 핵심은 그 데이터를 여러 임무와 조직 전반에서 활용할 수 있도록 만드는 것입니다. Snowflake는 운영 데이터를 최신 상태로 유지할 수 있도록 증분 수집 방식을 지원하며, 이후 인시던트, 사례, 자산 및 아이덴티티 데이터를 표준화하고 한 번만 조인하면 되는 공유 ‘데이터 제품’ 계층을 제공합니다. 이를 통해 다운스트림 프로그램이 동일한 통합 작업을 반복해서 구축할 필요가 없습니다. 그 결과 시스템 간 연관 분석을 더욱 빠르게 수행할 수 있어 서비스 중단 예측, 사기 및 이상 징후 탐지, 운영 준비 태세 보고를 지원할 수 있습니다. 또한 신뢰 데이터의 원천에서 일관된 거버넌스 통제를 적용할 수 있습니다.
사용량 기반 과금 모델이 제공하는 재정 운영상의 이점
레거시 데이터베이스는 최대 사용량에 맞춰 용량을 사전에 프로비저닝해야 하며, 실제 사용 여부와 관계없이 이를 24시간 내내 유지하는 비용을 부담해야 합니다. 반면 Snowflake는 컴퓨팅과 스토리지를 분리합니다. 작업이 완료되면 웨어하우스(컴퓨팅)를 즉시 중지할 수 있습니다. 이는 현 행정부가 추진하는 기술 현대화 목표와도 잘 부합합니다. 사용량이 감소하면 컴퓨팅 비용도 함께 줄어든다는 점을 통해 직접적인 투자 수익률(ROI)을 입증할 수 있으며, 유지 관리 비용 대신 혁신을 위한 예산을 확보할 수 있습니다. 이러한 모델은 특히 연방 기관의 업무 특성에 적합합니다. 월말 보고, 대응 작전 또는 모델 학습과 같이 일시적으로 대규모 리소스가 필요한 경우에는 성능을 확장하고, 필요가 끝나면 다시 축소할 수 있기 때문입니다. 기관은 연중 내내 최대 사용량을 기준으로 비용을 지불하는 대신 자동 일시 중단 및 자동 재개 가드레일을 적용해 기본 웨어하우스 규모를 적정 수준으로 유지할 수 있습니다. 또한 BI, 파이프라인, 데이터 사이언스, AI 등 워크로드별로 전용 웨어하우스를 할당해 비용 관리와 성능 예측 가능성을 높일 수 있습니다.
Snowflake 도입의 목적은 현재 사용 중인 도구를 대체하는 것이 아닙니다. 오히려 이러한 도구를 미래에도 지속적으로 활용할 수 있도록 만드는 것입니다. Snowflake는 거버넌스, 보안 및 확장성을 갖춘 기반을 제공하여 AI 파일럿 프로젝트를 신속하게 추진하고, SaaS 애플리케이션 간 데이터를 원활하게 연결하며, 전문화된 임무 수행 도구를 더욱 효율적으로 운영할 수 있도록 지원합니다.
AI 준비도와 에이전틱 AI
2024년과 2025년에 연방 기관들은 생성형 AI를 실험했습니다. 2026년의 핵심 과제는 에이전틱 AI, 즉 추론하고 작업을 실행할 수 있는 자율 시스템입니다. 현재 연방 기관의 AI 도입을 가로막는 가장 큰 병목은 모델이 아니라 데이터입니다.
Snowpark와 Cortex를 비롯한 Snowflake 관리형 AI 서비스는 기관이 페타바이트 규모의 민감 데이터를 모델로 이동시키는 대신 컴퓨팅을 데이터가 있는 곳으로 가져올 수 있도록 지원합니다. 또한 역할 기반 액세스 제어, 동적 마스킹 및 감사 가능성과 같은 기본 제공 거버넌스 기능이 더해져 조직이 데이터 액세스 범위를 안전하게 확장할 수 있도록 지원합니다. 기관은 FedRAMP High 인증을 획득한 Snowflake Government(SnowGov) 환경(해당되는 경우 DoD IL5 포함) 내에서 데이터를 거버넌스 체계 아래 유지하면서 인증된 보안 경계 내에서 데이터와 가까운 위치에서 분석 및 AI 워크플로우를 실행할 수 있습니다.
단기적인 AI 파일럿 프로젝트에서 반복 가능한 AI 운영 체계로 전환하면 실질적인 이점을 얻을 수 있습니다. 큐레이션된 데이터 세트에 대한 거버넌스 기반 액세스, 반복 가능한 데이터 변환 파이프라인, 그리고 민감 데이터를 승인되지 않은 도구 사일로로 이동하지 않고 수행하는 특성 엔지니어링, 검색 및 스코어링 워크플로우의 통제된 실행을 제공합니다.
Slalom의 전문성
Slalom은 2,700건 이상의 Snowflake 프로젝트를 성공적으로 수행했으며, 2025년 Snowflake Global Data Cloud Services AI Partner of the Year로 선정되었습니다. Slalom의 차별점은 분명합니다. Slalom은 규제가 엄격한 상업 환경에서 축적한 Snowflake 전문성을 연방 정부 고객에게도 제공하고 이를 통해 상업 분야의 혁신 역량과 연방 데이터, 보안 및 운영에 요구되는 엄격한 기준을 결합하는 것입니다.
