데이터 레이크는 많은 원본 데이터를 원래 형식 그대로 저장하므로 싸고 유연하게 데이터를 넣을 수 있습니다. 그런데 메타데이터, 분명한 담당자, 무엇을 넣고 어떻게 확인할지에 대한 규칙이 없으면 아무도 설명할 수 없는 파일이 쌓입니다. 중복 사본, 출처를 모르는 데이터, 오래된 추출본, 뜻이 불분명한 컬럼이 늘어납니다. 이 상태를 데이터 늪이라고 부릅니다. 데이터는 그대로 있지만, 맞는 테이블을 찾아 믿고 쓰기까지 처음부터 다시 만드는 것보다 오래 걸립니다.
예를 들어 고객 이탈 데이터를 찾던 분석가가 행 수가 서로 다른 비슷한 테이블 다섯 개를 발견했는데, 재무팀이 어느 것을 쓰는지 아무 기록도 없을 수 있습니다. 팀은 데이터 카탈로그, 데이터셋별 담당자, 데이터 계보로 상황을 되돌립니다. AI 업무에서는 이런 형태로 비용이 드러납니다. 모델이나 에이전트가 맞아 보이는 테이블을 읽었지만, 그 테이블이 더 이상 업무가 전제하는 뜻이 아닐 수 있습니다.