기업 데이터 환경이 벡터·멀티모달 기반 AI 워크로드 중심으로 재편되면서 기존 SQL 중심의 질의 방식만으로는 요구 성능을 만족시키기 어려워지고 있다. 텍스트, 이미지, 로그 데이터를 동시에 다루는 AI 검색과 추천 시스템은 초당 수백만 건의 벡터 연산을 처리해야 하며, 1억~수십억 단위 임베딩 조회가 일상적이 되고 있다. 이를 위해 현업 사용자가 SQL 문법을 학습해 복잡한 조건을 작성하는 방식은 생산성의 한계가 두드러지고 있다. 

AI 벡터 데이터베이스 기업 질리즈(Zilliz)가 자연어 인터페이스가 2026년 기업 데이터 질의의 기본 방식이 될 것이라는 전망을 공개했다고 밝혔다.

AI 에이전트가 데이터 접근을 대화형으로 전환

질리즈는 자연어로 질의하면 AI 에이전트가 의도를 해석해 최적 실행 계획을 자동 생성하는 흐름을 강조했다. 사용자가 “지난 30일 동안 행동 변화가 가장 큰 고객을 보여줘”라고 요청하면, 시스템은 이를 구조화된 필터, 벡터 유사도 검색, 하이브리드 질의 등 필요한 연산으로 자동 변환해 실행한다. 이 과정에서 사용자는 SQL 문법이나 조인(JOIN0 구조를 전혀 몰라도 되고, 단순히 목적을 설명하는 것만으로 원하는 분석 결과를 얻을 수 있다. 

이러한 접근이 제품·분석·비즈니스 조직 전반의 데이터 활용 장벽을 낮추고, 기존에 SQL 전문가에게 의존했던 병목을 줄이는 효과가 있다.

벡터·멀티모달 AI 워크로드에서 SQL이 비효율적

AI 애플리케이션은 텍스트·이미지·오디오·로그 등 다양한 입력을 벡터 임베딩 형태로 변환해 의미 기반 검색을 수행한다. SQL은 관계형 테이블 구조를 전제로 하기 때문에 수천 차원의 벡터 유사도 계산을 효율적으로 처리할 수 없고, 쿼리 플래너 역시 이러한 연산 최적화 능력을 갖추고 있지 않다.

질리즈 내부 벤치마크에 따르면 AI가 이해하는 방식으로 변환된 데이터를 빠르게 저장하고 검색하는 데 특화된 데이터베이스 ‘밀버스(Milvus)’는 포스트그레SQL(PostgreSQL) 대비 동일 조건에서 지연 시간 60% 감소, 처리량 4.5배 향상을 기록했다. 조직이 임베딩 규모를 수십억 단위로 확장할수록 성능 격차는 더 크게 벌어지는 것으로 나타났다.

이에 대해 질리즈 엔지니어링 부사장 제임스 루안(James Luan)은 “SQL은 수천 차원 벡터 유사도 검색을 위해 설계된 언어가 아니다”라며 “AI 워크로드에는 관계형 구조가 아니라 의미 기반 검색을 위한 새로운 계층이 필요하다.라고 말했다.

AI 에이전트·RAG·추천 엔진까지 확장

전 세계 1만여 조직이 밀버스 또는 질리즈 클라우드를 활용해 의미 기반 검색, 추천 시스템, RAG, 에이전틱 AI 아키텍처를 구축하고 있다. 이들 시스템은 AWS·구글 클라우드(Google Cloud)·마이크로소프트 애저(Microsoft Azure) 환경에서 10ms 이하 쿼리 지연 시간으로 운영되며, 수십억 벡터 스케일에서도 안정적인 응답 속도를 유지한다. 질

리즈는 자연어-벡터 기반 검색 체계가 기업 AI 플랫폼의 핵심 인프라로 자리 잡고 있으며, 클라우드·엔터프라이즈 환경 전반에서 SQL 중심의 데이터 패러다임이 빠르게 재편될 것으로 전망했다.

벡터·멀티모달 데이터가 주류가 되면서 기존 관계형 질의 구조는 성능·표현력 측면에서 한계에 부딪히고 있으며, 자연어·벡터 검색을 결합한 AI 데이터베이스가 기업 데이터 아키텍처의 중심 기술로 부상하고 있다. 질리즈의 이번 전망은 향후 AI 애플리케이션 개발·운영 방식이 자연어 중심의 에이전트 환경으로 재편될 가능성을 보여준다.