Snowflake 실적, 기대치 상회했지만 AI 소비의 지속 가능성 입증해야

Snowflake의 실적은 분명한 상방 서프라이즈를 기록했다. 분기 매출은 15억 5,000만 달러에 도달했고, 제품 매출은 전년 동기 대비 37% 증가했다. 이는 LSEG가 집계한 약 14억 8,000만 달러의 매출 컨센서스를 웃도는 수치다. Snowflake는 연간 제품 매출 전망도 기존 가이던스를 크게 넘어서는 수준으로 상향했다.

이러한 실적 상회가 중요한 이유는 Snowflake가 소비 기반 비즈니스 모델을 운영하기 때문이다. 고객은 예측 가능한 좌석 기반 구독료가 아니라 컴퓨팅, 스토리지, AI 서비스를 사용하는 만큼 비용을 지불한다. 따라서 더 빠른 성장은 고객이 단순히 장기 계약을 체결한 것이 아니라 기업용 워크로드를 확장하고 있음을 시사한다.

더 근본적인 질문은 AI가 Snowflake의 성장 궤적을 바꿨는지, 아니면 단지 강력한 한 분기를 만들었는지다. Databricks, Microsoft, Google, Amazon Web Services를 비롯한 다른 데이터 플랫폼 제공업체들은 동일한 AI 워크로드를 두고 경쟁하고 있다. 이제 Snowflake는 고객이 나중에 최적화를 통해 줄일 수 있는 실험적 사용이 아니라, 지속 가능한 프로덕션 사용이 성장 가속을 이끌고 있음을 보여줘야 한다.

Snowflake의 실적 상회는 단일 매출 수치를 넘어섰다

Snowflake는 현재 매출, 미래 약정, 연간 전망 전반에서 기대치를 웃돌았다.

Snowflake는 2026년 9월 2일 2027회계연도 2분기 실적을 발표했다. 해당 분기는 7월 31일에 마감됐으므로, 이번 발표에는 달력 기준 3분기의 마지막 달 이전에 완료된 활동이 반영됐다.

회사의 분기 실적에 따르면 총매출은 15억 5,000만 달러에 달했다. 이는 전년 동기 대비 35% 성장한 수치다. 제품 매출은 14억 9,000만 달러로, 37% 증가했다.

이 두 수치는 구분해서 봐야 한다. 총매출에는 제품 매출과 전문 서비스가 포함된다. Snowflake가 핵심 플랫폼 수요를 측정하는 데 제품 매출을 사용한다는 점에서 제품 매출 수치가 특히 중요하다.

외부 컨센서스 데이터는 예상 총매출을 약 14억 8,000만 달러로 제시했다. 일부 보도에서는 이 추정치를 다르게 반올림했지만, 핵심 결과는 변하지 않는다. Snowflake는 월가 평균 전망을 약 7,000만 달러 상회했다.

경영진은 이번 기간을 제품 매출 성장률이 3분기 연속 가속된 시기라고 설명했다. 이 패턴은 단일 분기 실적 상회보다 더 큰 의미를 지닌다. Snowflake는 2026회계연도를 제품 매출 성장률 약 30% 수준으로 마감한 뒤, 2027회계연도 상반기에 성장 속도를 높였다.

고객 지표도 같은 방향으로 움직였다. Snowflake는 최근 12개월 기준 제품 매출이 100만 달러를 넘는 고객 828곳으로 분기를 마감했다. 이 고객군은 전년 대비 27% 증가했다.

대형 고객의 증가는 중요하다. 기업 데이터 프로젝트는 종종 제한된 워크로드에서 시작된다. 추가 부서, 데이터 세트, 애플리케이션, AI 시스템이 같은 플랫폼으로 이동하면 전략적 중요성이 커진다.

Snowflake는 또한 Forbes Global 2000 고객 829곳을 보고했다. 이 수치는 기업 침투도를 별도로 보여주지만, 각 고객의 지출 규모를 드러내지는 않는다.

순매출 유지율은 126%였다. 순매출 유지율은 기존 고객 그룹에서 발생한 현재 제품 매출을 1년 전 동일 고객 그룹의 매출과 비교한다. 100%를 넘는 비율은 확장이 감소와 고객 이탈을 상회했음을 뜻한다.

126%라는 수치는 기존 고객들이 전체적으로 지출을 늘렸음을 나타낸다. 다만 이러한 확장이 고르게 분포됐는지는 알 수 없다. 빠르게 성장하는 소수의 AI 워크로드가 소비 매출에 상당한 영향을 미칠 수 있다.

잔여 이행 의무는 전년 대비 30% 증가한 90억 달러에 달했다. 이 지표는 Snowflake가 아직 인식하지 않은 계약상 미래 매출을 의미한다. 수요 가시성을 제공하지만, 매출 인식 시점은 고객 사용량과 계약 조건에 따라 달라진다.

회사는 일반회계기준상 여전히 적자였다. 분기 순손실은 약 1억 9,200만 달러로, 1년 전 약 2억 9,800만 달러에서 개선됐다. 조정 실적과 GAAP 수익성 간의 격차는 여전히 투자 논쟁의 일부다.

종합하면 이 수치들은 폭넓은 개선을 보여준다. 고객은 더 많은 자금을 약정했고, 기존 계정은 소비를 확대했으며, 대형 계정 수는 증가했고, 인식 매출은 기대치를 웃돌았다.

이러한 폭넓은 개선은 투자자들이 15억 5,000만 달러라는 헤드라인 수치 이상에 주목한 이유를 설명한다. 이번 분기는 Snowflake의 성장 엔진이 서로 연결된 여러 지표에서 가속됐다는 증거를 제시했다.

Snowflake는 기존 기준선을 크게 웃도는 수준으로 전망을 상향했다

더 중요한 변화는 Snowflake가 연간 제품 매출 가이던스를 60억 7,000만 달러로 올린 결정이었다.

Snowflake는 이전에 2027회계연도 제품 매출을 약 58억 4,000만 달러로 예상했다. 새 전망은 기존 예상에 약 2억 3,000만 달러를 더했으며, 연간 36% 성장을 시사한다.

상향된 수치는 초기 보도에서 언급된 약 58억 6,000만 달러의 애널리스트 컨센서스도 넘어섰다. 이는 단순히 월가의 기대에 맞추기 위한 좁은 폭의 가이던스 조정이 아니었다.

Snowflake는 3회계분기 제품 매출을 약 15억 9,000만 달러로 예상한다. 이 전망은 원래 뉴스 보도에서 제시된 약 15억 1,000만 달러의 애널리스트 추정치를 웃돌며, 경영진이 보고된 분기 이후에도 모멘텀이 이어질 것으로 본다는 의미다.

시장 반응은 이러한 미래지향적 신호를 반영했다. 발표 후 시간외 거래에서 Snowflake 주가는 20% 이상 상승했다.

주가 움직임이 기업의 운영상 주장을 검증하는 것은 아니다. 하지만 투자자들이 기존 전망과 새 전망 간의 차이를 어떻게 해석했는지는 보여준다. 이번 경우 시장은 가이던스 상향을 수요가 이전 가정을 넘어섰다는 증거로 받아들였다.

이번 수정의 규모가 중요한 이유는 Snowflake가 이미 회계연도 초에 기대치를 상향했기 때문이다. 추가 상향은 회사가 이전 전망을 설정한 이후 더 강한 소비를 관찰했음을 시사한다.

소비 모델은 전통적인 구독 계약보다 수요 변화를 더 빠르게 드러낼 수 있다. 고객이 더 많은 쿼리를 실행하고, 더 큰 데이터 세트를 처리하거나, 더 많은 AI 모델을 호출하면 같은 분기 안에서도 매출이 증가할 수 있다.

이러한 민감성은 동시에 위험을 만든다. 고객은 워크로드를 최적화하고, 불필요한 쿼리를 줄이거나, 프로젝트를 연기할 수 있다. Snowflake는 이전 기간에 기업들이 클라우드 지출을 면밀히 검토하면서 이러한 압박을 경험했다.

이번 분기는 확장되는 워크로드가 그러한 최적화 노력을 상회했음을 보여준다. 그렇다고 최적화가 사라졌다는 뜻은 아니다. 특히 AI 추론이 인프라 비용을 높이는 상황에서 고객들은 컴퓨팅 단위당 더 나은 성능을 계속 추구할 것이다.

Snowflake는 연간 비GAAP 영업이익률을 14.5%로 제시했다. 예상 비GAAP 조정 잉여현금흐름률은 23%였다.

AI 워크로드는 제공 비용이 높을 수 있기 때문에 이러한 마진 목표가 중요하다. 모델 추론, 가속 컴퓨팅, 네트워킹, 스토리지는 기존 분석 쿼리와 다른 비용 구조를 만든다.

따라서 경영진은 두 가지 시험을 동시에 통과해야 한다. Snowflake는 수용 가능한 매출총이익률과 영업이익률을 유지하면서 AI 관련 소비를 늘려야 한다. 경제성이 없는 컴퓨팅을 통해 달성한 성장은 매출 가속의 가치를 약화시킬 수 있다.

Snowflake의 장기 인프라 약정도 또 다른 변수를 더한다. 회사는 이전 분기에 60억 달러 규모의 예상 AWS 인프라 소비가 포함된 5년 계약을 체결했다.

이 약정은 용량을 확보하고 경제성을 개선할 수 있다. 동시에 Snowflake가 인프라를 효율적으로 활용할 만큼 충분한 고객 소비를 창출해야 하므로, 지속적인 플랫폼 수요의 중요성도 커진다.

새 전망은 경영진이 현재 기대치를 높일 만큼 충분한 수요를 보고 있음을 나타낸다. 향후 몇 분기는 이러한 자신감이 고객 예산과 컴퓨팅 효율성의 변화 속에서도 유지되는지를 보여줄 것이다.

AI는 기능 중심 이야기를 넘어 소비 중심 이야기로 바뀌고 있다

핵심적인 반전은 AI가 Snowflake의 핵심 데이터 플랫폼을 우회하는 대신 그에 대한 수요를 늘리는 것으로 보인다는 점이다.

기업용 AI에 대한 약세 논리는 단순했다. 새로운 모델은 기업이 기존 시스템 전반의 정보와 직접 상호작용하게 해, 별도의 클라우드 데이터 웨어하우스 필요성을 줄일 수 있다는 것이다.

Snowflake는 정반대의 결과를 제시하고 있다. 이 플랫폼은 기업 데이터와 AI 애플리케이션 사이에 위치하며, 스토리지, 컴퓨팅, 거버넌스, 검색, 액세스 제어를 제공한다. AI 애플리케이션은 해당 환경 안에서 추가 쿼리와 데이터 처리 활동을 만들어낼 수 있다.

CFO Brian Robins는 이번 분기에 “AI 매출의 의미 있는 증가”가 있었다고 말했다. 그는 또한 이 결과를 Snowflake 핵심 데이터 플랫폼 사업의 지속적인 강세와 연결했다.

이 구분은 중요하다. AI는 완전히 별개의 제품 카테고리로 작동하는 것이 아니다. 기존 웨어하우스, 데이터 파이프라인, 거버넌스 시스템, 애플리케이션 인프라에 대한 수요를 늘릴 수 있다.

Snowflake Intelligence는 하나의 사례다. 이 제품은 비즈니스 사용자가 대화형 인터페이스를 통해 기업 데이터 전반에 질문할 수 있게 한다. 그 인터페이스 아래에서 Snowflake는 여전히 권한이 부여된 데이터를 식별하고, 관련 정보를 검색하며, 거버넌스가 적용된 연산을 실행해야 한다.

Cortex AI는 Snowflake 내부에서 생성형 AI 애플리케이션을 구축하고 운영하기 위한 서비스를 제공한다. Cortex AI SQL은 구조화된 데이터를 쿼리하는 데 널리 쓰이는 언어인 SQL에 모델 지원 작업을 도입한다.

Snowflake가 작성한 기술 논문은 Cortex AI SQL이 모델 추론 비용을 쿼리 계획의 일부로 다루는 방식을 설명한다. 이 시스템은 쉬운 작업을 더 저렴한 모델로 라우팅하고, 불확실한 경우에는 더 성능이 높은 모델을 사용할 수 있다.

이 메커니즘은 AI 도입을 Snowflake의 경제적 과제와 직접 연결한다. 고객은 유용한 모델 출력을 원하지만, 예측 가능한 지연 시간과 관리 가능한 컴퓨팅 비용도 필요하다.

Snowflake가 AI 쿼리 비용을 낮추면 고객은 요청당 지출을 줄일 수 있다. 그러나 비용 하락은 추가적인 프로덕션 사용 사례를 실현 가능하게 해 전체 쿼리 볼륨을 늘릴 수도 있다.

이러한 역학은 이전의 클라우드 최적화 주기와 닮았다. 더 효율적인 인프라가 자동으로 공급업체의 매출을 줄이는 것은 아니다. 고객이 실행할 가치가 있는 워크로드를 더 많이 발견하면 낮은 단위 비용이 더 큰 소비를 촉진할 수 있다.

Snowflake의 기존 데이터 위치는 도움이 된다. 기업용 AI 시스템에는 언어 모델 접근권만으로는 충분하지 않다. 최신 비즈니스 정보, 권한 제어, 품질 검사, 계보, 모니터링이 필요하다.

AI 에이전트가 행동을 취할 수 있을 때 이러한 요건은 특히 중요해진다. 잘못된 요약은 불편을 초래한다. 잘못된 자동화 조치는 재무 기록, 고객, 재고 또는 규제 대상 프로세스에 영향을 미칠 수 있다.

Snowflake는 이러한 시스템을 위한 거버넌스 적용 실행 계층이 되려 하고 있다. 그 기회는 독점 모델에 대한 접근권을 판매하는 데 그치지 않는다. 고객은 데이터와 제어 정책을 Snowflake 내부에 유지하면서 서로 다른 모델 제공업체를 사용할 수 있다.

이 접근 방식은 플랫폼의 핵심 사업이 AI 매출과 함께 가속된 이유도 설명한다. 고객은 AI 에이전트를 배포하기 전에 정보를 통합하고, 데이터 품질을 개선하며, 액세스 규칙을 수립해야 할 수 있다.

이러한 준비 작업은 기존 데이터 플랫폼 사용량을 만들어낸다. 따라서 AI는 최종 애플리케이션이 광범위한 프로덕션 환경에 도달하기 전에도 매출을 확대할 수 있다.

회사의 실적 발표에서도 기존 데이터 시스템으로부터의 마이그레이션이 강조됐다. 이러한 마이그레이션은 여전히 별도의 성장 동력이지만, AI 도입의 시급성이 이를 가속할 수 있다.

직원들이 수작업으로 보고서를 취합하는 상황에서는 기업이 분산된 데이터를 감수할 수 있다. 그러나 AI 시스템이 부서 전반의 데이터에 신뢰성 있게 즉시 접근해야 할 때는 이러한 분산이 더 큰 장애물이 된다.

따라서 Snowflake의 가장 강력한 논거는 단순히 “고객이 AI를 원한다”는 수준을 넘어선다. 유용한 엔터프라이즈 AI는 체계화되고, 거버넌스가 적용되며, 컴퓨팅으로 접근 가능한 데이터에 대한 수요를 늘린다는 점이다.

지식 근로자들도 더 작은 규모에서 유사한 문제에 직면한다. 관련 메모와 문서가 흩어져 있으면 모델은 질문에 신뢰성 있게 답할 수 없다. 검색 가능한 개인 지식 베이스는 동일한 기본 원칙을 개인 업무에 적용한다.

Snowflake의 매출 기회는 이 원칙을 대규모 조직 전체에 적용하는 데서 나온다. 모든 프로덕션 AI 시스템은 데이터 준비, 검색, 보안, 모니터링에 대한 새로운 수요를 만들 수 있다.

이 때문에 이번 분기는 단발성 AI 제품 발표보다 더 큰 의미를 갖는다. Snowflake는 AI 관련 활동이 이제 인식 매출과 연간 전망에 영향을 미치고 있다는 증거를 제시했다.

Databricks와 클라우드 대기업이 압박을 계속 높인다

Snowflake의 실적은 입지를 강화하지만, 엔터프라이즈 AI 데이터 워크로드 경쟁의 승부를 결정짓지는 못한다.

Databricks는 가장 뚜렷한 직접 경쟁자다. 이 회사는 데이터 엔지니어링과 머신러닝을 중심으로 명성을 쌓았고, Snowflake는 처음에는 클라우드 데이터 웨어하우징으로 알려졌다.

두 회사 모두 이러한 출발점 너머로 확장했다. Snowflake는 개발자 도구, 머신러닝 서비스, 오픈 테이블 지원, AI 제품을 추가했다. Databricks는 분석, SQL 워크로드, 거버넌스, 비즈니스 인텔리전스 분야로 더 깊이 진출했다.

이러한 수렴은 구매자들이 점점 더 동일한 요구사항을 기준으로 두 회사를 평가한다는 의미다. 여기에는 데이터 엔지니어링, 분석, 모델 개발, 거버넌스, 애플리케이션 배포, 오픈 포맷 지원이 포함된다.

Snowflake의 매출 성장 가속은 Databricks가 대기업 내 Snowflake의 확장을 막지 못했음을 시사한다. 그렇다고 반대 결론을 강하게 단정해서도 안 된다. 많은 기업이 두 플랫폼을 모두 사용하며 각각에 서로 다른 워크로드를 할당한다.

Microsoft, Google, AWS는 또 다른 형태의 압박을 만든다. 각각 주요 클라우드 환경을 통제하며 통합 데이터, 분석, AI 서비스를 제공한다.

Microsoft는 Azure 인프라, Fabric, Power BI, OpenAI와의 관계를 결합할 수 있다. Google은 BigQuery, Vertex AI, Gemini 모델을 제공한다. AWS는 인프라 기반을 Redshift, Bedrock, SageMaker 및 관련 서비스와 연결한다.

이들 기업은 더 광범위한 클라우드 약정과 함께 데이터 및 AI 제품을 패키지로 제공할 수 있다. 또한 Snowflake가 서비스를 제공하는 데 사용하는 기반 인프라도 통제한다.

Snowflake의 대응은 멀티클라우드 가용성과 공급자 전반에서 일관된 플랫폼을 제공하는 것이다. 이는 하나의 클라우드 공급업체에 대한 의존도를 낮추거나 여러 환경에 걸쳐 데이터를 관리하려는 기업에 매력적일 수 있다.

그러나 멀티클라우드 아키텍처에는 자체적인 비용도 따른다. 리전이나 공급자 간 정보 이동은 네트워킹 비용, 거버넌스 복잡성, 지연 시간을 초래할 수 있다.

오픈 데이터 포맷도 경쟁 구도를 바꿨다. 오픈 테이블 포맷인 Apache Iceberg는 여러 컴퓨팅 엔진이 동일한 기본 데이터 파일을 활용할 수 있게 한다.

Snowflake는 고객들이 데이터 스토리지와 단일 공급업체의 컴퓨팅 엔진을 분리하기를 점점 더 원하기 때문에 Iceberg를 지원한다. Databricks는 레이크하우스 접근법과 관련된 기술을 통해 유사한 개방성을 내세운다.

이 변화는 고객에게 더 많은 유연성을 제공한다. 동시에 데이터와 컴퓨팅을 하나의 독점 환경 안에 묶어두는 전통적 이점은 약화한다.

따라서 Snowflake는 성능, 거버넌스, 개발자 경험, 통합 서비스로 경쟁해야 한다. 단순히 고객 데이터를 저장하는 것만으로는 더 이상 충분하지 않다.

AI는 모델 제공업체와 애플리케이션 개발자들이 불필요한 데이터 이동 없이 데이터에 접근하기를 원하기 때문에 이러한 압박을 높인다. 거버넌스가 적용된 접근을 가장 쉽게 제공하는 플랫폼이 더 많은 후속 컴퓨팅 수요를 확보할 수 있다.

Snowflake의 2분기 수치는 고객들이 현재 더 많은 활동을 이 플랫폼으로 가져오고 있음을 보여준다. 잔여 수행 의무와 대형 고객의 성장도 회사가 더 장기적인 약정을 확보하고 있음을 시사한다.

그러나 이러한 약정이 독점적 사용을 보장하지는 않는다. 기업은 대규모 Snowflake 계약을 체결하는 동시에 다른 곳에서 Databricks, Microsoft Fabric 또는 Google BigQuery를 확장할 수 있다.

고객 집중도 역시 주목할 필요가 있다. 100만 달러 이상을 지출하는 계정의 성장은 고무적이지만, 대기업은 상당한 협상력을 보유한다. 이들은 할인 조건을 협상하고 경제성이 바뀌면 워크로드를 이전할 수 있다.

Snowflake의 사용량 기반 모델은 경쟁 변화가 사용량을 통해 드러나게 한다. 고객이 머신러닝 학습이나 AI 추론을 다른 환경으로 전환하면, Snowflake는 구독 계약이 만료되기 전에 그 영향을 받을 수 있다.

이러한 민감성은 투자자들이 이번 분기에 강하게 반응한 이유 중 하나다. 사용량 증가는 Snowflake가 경쟁 및 최적화 압박을 극복할 만큼 충분한 워크로드를 확보하고 있다는 비교적 즉각적인 신호를 제공한다.

회사의 이전 연차 보고서는 경쟁, 인프라 의존성, 보안, 고객 최적화를 지속적인 위험으로 지목했다. 강한 한 분기는 현재의 증거를 바꿀 뿐, 이러한 구조적 조건을 바꾸지는 않는다.

Snowflake는 이 논의에서 더 강한 입지를 확보했다. 그러나 그 논의에서 면제받은 것은 아니다.

수치가 여전히 입증하지 못하는 것

Snowflake는 AI가 더 빠른 성장에 기여했음을 보여줬지만, 그 기여의 지속성이나 경제성을 완전히 공개하지는 않았다.

경영진은 AI 매출이 유의미하게 증가했다고 밝혔다. 공개된 실적 발표 자료에는 별도 AI 매출 수치, 고객 코호트, 해당 워크로드의 매출총이익률이 완전하게 제시되지 않았다.

이러한 누락은 외부 분석에 한계를 만든다. 투자자들은 더 빠른 제품 매출 성장을 확인할 수 있지만, AI 사용량을 마이그레이션, 기존 분석, 스토리지, 가격 책정, 기타 플랫폼 서비스와 정확히 분리할 수는 없다.

고객 도입 지표도 맥락이 필요하다. 계정은 AI 기능을 활성화할 수 있지만, 이를 핵심적인 프로덕션 프로세스에 적용하지 않을 수 있다. 시험 사용, 시연, 제한적인 부서 배포도 모두 사용량으로 집계될 수 있다.

프로덕션 워크로드는 대체로 다르게 작동한다. 더 많은 데이터를 처리하고, 더 엄격한 보안을 요구하며, 반복적으로 운영된다. 또한 재무, 법무, 인프라 팀의 더 면밀한 검토를 받는다.

따라서 다음 질문은 고객이 Snowflake의 AI 제품에 접근할 수 있는지 여부가 아니다. 그 제품들이 비즈니스 운영의 반복적 구성 요소가 되는지 여부다.

사용량 변동성도 또 다른 불확실성으로 남아 있다. AI 개발은 팀들이 데이터를 준비하고, 모델을 테스트하며, 아키텍처를 비교하는 과정에서 초기 급증을 만드는 경우가 많다. 프로젝트가 끝나거나 최적화 단계에 도달하면 사용량은 감소할 수 있다.

Snowflake가 상향 조정한 3분기 전망은 즉각적인 반전 우려를 낮춘다. 그러나 다년간의 패턴을 확립하는 것은 아니다.

효율성과 매출의 관계 역시 신중하게 해석할 필요가 있다. Snowflake는 고객이 더 적은 크레딧으로 더 많은 작업을 완료할 수 있도록 컴퓨팅 성능을 지속적으로 개선하고 있다.

이 개선은 고객 가치와 경쟁력을 높인다. 하지만 단기적으로는 변함없는 워크로드에서 발생하는 매출을 줄일 수 있다. Snowflake는 이러한 효율성 향상을 상쇄하기 위해 새로운 워크로드와 더 높은 활동량이 필요하다.

AI는 그 추가 수요를 제공할 수 있다. 이번 분기는 이를 뒷받침하지만, 향후 실적은 워크로드 창출이 최적화를 지속적으로 초과한다는 점을 보여줘야 한다.

마진은 두 번째 시험대다. Snowflake는 연간 74%의 비GAAP 제품 매출총이익률과 14.5%의 비GAAP 영업이익률을 예상하고 있다.

이 수치는 경영진이 늘어난 AI 활동에도 불구하고 상당한 수익성을 기대하고 있음을 보여준다. 투자자들은 모델 추론과 가속 컴퓨팅이 제품 매출총이익률에 압박을 가하는지 계속 지켜봐야 한다.

GAAP 수익성은 여전히 해결되지 않은 문제다. Snowflake의 분기 순손실 약 1억9,200만 달러는 개선됐지만, 조정 이익이 모든 중요한 비용을 포착하지는 않는다는 점을 보여준다.

주식 기반 보상은 GAAP와 비GAAP 실적 간 중요한 차이로 남아 있다. 이는 임금처럼 즉각적인 현금 지급을 요구하지는 않지만, 기업이 추가 주식을 발행하면 기존 주주의 지분을 희석할 수 있다.

시장 반응은 그 자체로 과제를 만든다. 더 높은 밸류에이션은 미래 실행력에 더 큰 비중을 둔다. Snowflake는 이제 이전 계획을 크게 상회하는 연간 전망을 달성해야 한다.

엔터프라이즈 예산도 불확실성을 더한다. AI는 여전히 경영진의 우선순위이지만, 많은 조직은 어떤 사용 사례가 측정 가능한 수익을 제공하는지 여전히 판단하고 있다.

보안과 신뢰성은 배포를 늦출 수 있다. 기업은 AI 어시스턴트가 에이전트가 데이터베이스를 업데이트하거나 운영 워크플로를 실행하도록 허용하기 전에, 먼저 내부 문서를 요약하도록 허용할 수 있다.

데이터 품질도 또 다른 제약이다. 소스 데이터가 일관되지 않거나, 불완전하거나, 거버넌스가 제대로 적용되지 않았다면 AI 시스템은 정보를 빠르게 검색하면서도 신뢰할 수 없는 답변을 생성할 수 있다.

Snowflake는 거버넌스를 위한 인프라를 제공할 수 있지만, 부실한 데이터를 만든 모든 조직 프로세스를 자동으로 바로잡을 수는 없다. 성공적인 배포를 위해서는 고객의 기술 작업과 운영 규율이 필요하다.

이러한 제약이 이번 분기의 의미를 부정하는 것은 아니다. 이는 Snowflake가 다음으로 충족해야 할 기준을 정의한다. 회사는 마진이나 신뢰를 희생하지 않고 초기 AI 관심을 반복적인 프로덕션 사용량으로 전환해야 한다.

Snowflake의 성장 가속이 계속될지 보여줄 세 가지 신호

3분기 사용량, AI 경제성, 경쟁 워크로드 확보가 이번 분기가 지속적인 변화를 의미하는지 결정할 것이다.

첫 번째 신호는 Snowflake의 회계연도 3분기 제품 매출이다. 경영진은 약 15억9,000만 달러를 예상하며, 이는 초기 보도에서 인용된 기존 애널리스트 추정치를 충분히 웃도는 수준이다.

이 목표를 달성하면 2분기의 성장 가속이 7월 이후에도 이어졌음을 보여줄 것이다. 또 한 번의 가이던스 상향은 경영진이 여전히 수요를 과소평가하고 있었다는 주장을 강화할 것이다.

목표 미달이 AI 논지를 자동으로 무효화하지는 않는다. 고객 일정과 계절적 활동 때문에 사용량은 분기 간 이동할 수 있다. 그러나 의미 있는 규모의 미달은 최근 워크로드 성장의 지속성에 대한 의문을 제기할 것이다.

순매출 유지율은 제품 매출과 함께 읽어야 한다. 안정적이거나 상승하는 비율은 기존 고객이 계속 확장하고 있음을 나타낸다. 하락은 신규 고객 활동이 더 많은 역할을 하고 있음을 시사할 것이다.

두 번째 신호는 AI 매출과 마진의 관계다. Snowflake는 늘어난 모델 사용량이 매출총이익률 및 조정 잉여현금흐름 목표와 공존할 수 있음을 입증해야 한다.

투자자들은 제품 매출총이익률, 인프라 비용, 추론 효율성에 대한 경영진의 발언을 지켜봐야 한다. AI 사용량이 증가하는 가운데 마진이 유지된다면 Snowflake의 플랫폼 경제성은 더 강해 보일 것이다.

마진이 약화된다면 시장은 그 압박이 일시적 투자에 따른 것인지, 아니면 구조적으로 더 비용이 많이 드는 워크로드 구성에 따른 것인지 판단해야 할 것이다.

세 번째 신호는 경쟁에서의 실제 도입 성과를 보여주는 증거다. 고객 발표는 배포된 시스템, 반복적인 사용, 측정 가능한 소비, 부서 전반으로의 확장을 설명할 때 가장 중요하다.

일반적인 파트너십 발표는 증거력이 더 약하다. 기업은 실질적인 플랫폼 매출을 창출하지 않고도 모델이나 통합 기능에 대한 접근을 발표할 수 있다.

마이그레이션 활동 역시 경쟁력을 드러낼 것이다. 조직이 기존 데이터 웨어하우스나 분산된 데이터 시스템을 Snowflake로 이전하면, 향후 분석 및 AI 소비를 위한 기반을 마련하게 된다.

가장 강력한 사례는 마이그레이션과 프로덕션 AI를 결합할 것이다. 이 조합은 AI가 핵심 플랫폼을 대체하는 것이 아니라 확장한다는 Snowflake의 주장을 뒷받침한다.

Databricks, Microsoft, Google, AWS는 계속해서 경쟁 서비스를 출시할 것이다. 이들의 대응은 Snowflake가 차별화된 거버넌스 및 소비 측면의 우위를 구축했는지, 아니면 혼잡한 기능 경쟁에 합류했을 뿐인지를 보여주는 데 도움이 될 것이다.

엔터프라이즈 구매자는 워크로드 수준에서 플랫폼을 비교해야 한다. 데이터 위치, 거버넌스 요구사항, 오픈 포맷 지원, 모델 선택권, 성능, 총운영비용은 단일 분기 실적 헤드라인보다 더 중요하다.

개발자는 Snowflake의 AI 서비스가 프로토타입에서 모니터링되는 애플리케이션으로 얼마나 쉽게 전환되는지 지켜봐야 한다. 배포 속도도 중요하지만, 이러한 애플리케이션이 예산 검토를 통과해 유지되는지는 신뢰성과 비용 통제에 달려 있다.

지식 근로자는 엔터프라이즈 데이터에 대한 대화형 접근이 더 늘어날 것으로 예상해야 한다. 또한 어떤 출처가 답변을 뒷받침하는지, 어떤 권한이 적용되는지, 그리고 시스템이 검증된 정보와 생성된 텍스트를 구분할 수 있는지도 확인해야 한다.

Snowflake의 2분기 실적은 AI가 플랫폼 소비를 늘리고 있다는 가장 강력한 증거를 지금까지 제시한다. 매출, 유지율, 약정, 전망 모두 긍정적인 방향으로 움직였다.

남은 시험대는 반복성이다. 3분기 제품 매출 목표인 15억9,000만 달러, AI 관련 마진 논평, 그리고 실명이 공개된 프로덕션 배포 사례를 지켜봐야 한다. 이 세 가지 신호는 Snowflake의 실적이 지속적인 가속을 의미했는지, 아니면 유난히 강한 한 분기에 그쳤는지를 보여줄 것이다.