기업이 생성형 AI와 사내 지식검색 환경을 구축하기 시작하면서, ECM에 쌓인 대용량 문서를 클라우드로 옮길 때 전송료와 스토리지 비용이 급증하는 새로운 고민이 생기고 있습니다.
수년간 문서중앙화 시스템(ECM)에 축적해 온 PDF, HWP, Word, Excel, PPT, 이미지 등의 데이터를 클라우드 데이터 레이크나 AI 서버로 옮겨야 하기 때문입니다.
문제는 데이터를 옮기기로 결정한 다음부터입니다.
수십 TB에서 많게는 수백 TB에 달하는 데이터를 대상으로 마이그레이션 비용을 산정하다 보면 예상보다 큰 데이터 전송 비용과 스토리지 비용을 마주하게 됩니다. 여기에 백업 데이터, 개발·검증 환경의 복제본, AI 학습 및 검색 시스템에서 사용하는 데이터까지 더해지면 처음 계산했던 저장 용량보다 실제 운영 과정에서 관리해야 할 데이터 규모는 더욱 커질 수 있습니다.
결국 클라우드 전환 비용의 출발점은 단순합니다.
“얼마나 많은 데이터를 클라우드로 가져갈 것인가?”
클라우드에 올린 뒤 줄이는 것은 이미 늦을 수 있습니다
클라우드 마이그레이션을 준비할 때 흔히 서버 사양, 스토리지 등급, 네트워크 대역폭부터 검토합니다.
하지만 기존 문서의 파일 크기는 그대로 둔 채 인프라만 효율적으로 설계하는 데에는 한계가 있습니다.
예를 들어 온프레미스 문서중앙화 시스템(ECM)에 100TB의 데이터가 있다면 100TB를 기준으로 전송과 저장 구조를 설계해야 합니다. 반면 클라우드로 전송하기 전에 데이터를 50TB로 줄일 수 있다면 이야기는 달라집니다.
이동해야 할 데이터가 줄어들고, 초기 적재해야 할 스토리지가 줄어들며, 이후 백업·복제·전송 과정에서 다뤄야 하는 데이터도 함께 줄어듭니다.
즉, 네트워크를 더 빠르게 만드는 것보다 네트워크를 통과해야 하는 데이터 자체를 줄이는 것이 먼저일 수 있습니다.
그래서 최적화 시점은 ‘클라우드 이전’이어야 합니다
핵심 전략은 기존 문서중앙화 서버와 클라우드 사이에 하나의 단계를 추가하는 것입니다.
문서중앙화 데이터 → 파일 용량 최적화 → 클라우드 데이터 레이크·AI 서버
파일프레소 솔루션은 이미지, 동영상, PDF, HWP, MS Office 문서 등의 파일을 대상으로 기존 업무에서 사용하는 파일 형태를 유지하면서 데이터 용량을 줄이는 방식입니다.
PDF, HWPX, PPT·PPTX, DOC·DOCX, XLS·XLSX 등을 지원하며, 원본 문서와 이미지를 최대 90%까지 줄일 수 있습니다. 이미지가 포함되지 않은 문서도 메타데이터 최적화를 통해 용량을 줄일 수 있습니다.
ZIP처럼 매번 파일을 해제할 필요가 없습니다. 업무에서 사용하는 파일 형식을 유지한 채 직접 최적화하기 때문에, 기존 시스템과 업무 프로세스의 변화를 최소화하면서 저장 공간과 네트워크 사용량을 줄이는 것이 목적입니다.
100TB를 옮길 것인가, 50TB를 옮길 것인가
여기서 중요한 것은 ‘압축률 몇 %’라는 기술적인 숫자 자체가 아닙니다.
클라우드 아키텍트의 관점에서는 최적화율을 비용 관점에서 다시 해석할 필요가 있습니다.
가령 마이그레이션 대상 100TB의 문서중앙화 데이터가 최적화를 통해 50TB로 감소했다면 클라우드로 전달해야 할 데이터량 역시 절반 수준으로 줄어듭니다.
초기 저장 공간도 100TB가 아닌 50TB부터 시작할 수 있습니다.
이후 동일한 데이터를 백업하거나 다른 시스템으로 전달하고, AI 검색·분석 환경에서 반복적으로 읽고 복제하는 과정에서도 더 작은 데이터를 기준으로 인프라를 설계할 수 있습니다.
따라서 데이터를 50% 줄일 수 있다면 전송량·저장량·복제량이 함께 줄어 비용 부담을 낮출 수 있는 기반이 마련됩니다.
물론 실제 클라우드 비용은 사용하는 CSP, 리전, 네트워크 구성, 스토리지 등급과 데이터 이동 경로에 따라 달라집니다. 따라서 ‘최적화율 50% = 전체 클라우드 비용 50% 절감’으로 단순 계산해서는 안 됩니다.
하지만 한 가지는 분명합니다.
처음부터 옮겨야 할 데이터가 적으면 비용이 발생하는 기준점 자체가 낮아집니다.
대규모 데이터에서도 확인된 용량 절감 효과
대량의 기존 데이터를 줄이는 전략은 단순한 이론에 그치지 않습니다.
메리츠화재 사례에서는 기존 약 2천만 개의 이미지 파일을 대상으로 용량 최적화를 진행해 57.32TB의 데이터를 10.82TB까지 줄여 약 81%의 용량을 절감했습니다. 또한 1MB 이상의 고용량 이미지는 평균 62% 수준으로 용량을 줄였으며, 대량의 이미지가 유입되는 환경에서도 원활하게 최적화할 수 있도록 시스템을 구축했습니다.
이 사례에서 주목해야 할 부분은 단순히 스토리지 몇 TB를 확보했다는 것이 아닙니다.
앞으로 이동하고, 저장하고, 처리해야 할 데이터의 기준 자체를 낮췄다는 점입니다.
클라우드와 AI 인프라에서는 이 차이가 더욱 중요해질 수 있습니다.
AI 전환 시대에는 ‘데이터 품질’만큼 ‘데이터 부피’도 설계해야 합니다
지금까지 기업의 문서중앙화 시스템(ECM)은 데이터를 안전하게 보관하고 관리하는 역할이 중요했습니다.
하지만 AI 활용이 본격화되면서 이제는 보관된 문서중앙화 데이터를 다시 꺼내 클라우드로 이동시키고, 데이터 레이크에 적재하고, 검색하고, 분석해야 하는 단계로 넘어가고 있습니다.
과거에는 크게 문제되지 않았던 파일 용량이 앞으로는 AI 인프라의 비용과 효율을 결정하는 중요한 변수가 될 수 있는 이유입니다.
특히 AI 프로젝트 예산은 한정돼 있습니다.
불필요하게 큰 데이터를 그대로 이전하면서 네트워크와 스토리지에 많은 예산을 사용하면 정작 중요한 GPU, AI 플랫폼, 검색 시스템, 모델 개발 등에 투입할 수 있는 예산은 상대적으로 줄어들 수 있습니다.
그래서 성공적인 클라우드 마이그레이션을 설계하는 아키텍트라면 질문을 바꿔볼 필요가 있습니다.
“이 데이터를 어떤 클라우드로 옮길 것인가?”보다 먼저
“이 데이터를 꼭 이 크기 그대로 옮겨야 하는가?”를 물어야 합니다.
파일프레소 솔루션을 활용한 콘텐츠 용량 최적화는 클라우드로 데이터를 전송한 이후 비용을 통제하는 방법이 아니라, 비용이 발생하기 전에 데이터 부피부터 줄이는 전략입니다.
온프레미스 문서중앙화 시스템(ECM)에 수년간 축적된 문서중앙화 데이터를 클라우드 AI 환경으로 이전할 계획이라면, 마이그레이션 견적을 확정하기 전에 먼저 기존 데이터의 파일 유형과 용량을 분석하고 실제 최적화 가능 비율을 측정해볼 필요가 있습니다.
가장 저렴하게 전송하는 데이터는, 애초에 전송해야 할 용량을 줄여놓은 데이터입니다.
AI 인프라 전환의 비용 경쟁력은 클라우드에 데이터를 올리는 순간이 아니라, 클라우드로 데이터를 보내기 전부터 결정됩니다.
콘텐츠 용량 최적화 솔루션, 파일프레소에 대해 궁금한 점이 있으시면 [email protected] 로 언제든 문의주세요💙