Building AI builders: Playbook for closing the AI knowledge-capability gap

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

AWS는 비개발 직군에 도구·멘토·반복 학습을 제공하는 6주 프로그램을 통해 AI에 관한 지식과 실제 구축 역량의 간극을 줄였으며, 참가자의 자기평가와 작동하는 프로토타입을 성과 근거로 제시한다.

📌 핵심 요약

• 원문은 AI 도입의 주요 장벽을 인식 부족보다 지식과 구현 역량의 간극으로 본다. 조사한 비즈니스 전문가의 90%가 AI 에이전트 구축 실습을 원했고, 80%는 Amazon Bedrock AgentCore를 탐색했지만 Strands Agents SDK를 사용하거나 AWS Lambda 에이전트를 구축한 사람은 5명 중 1명 미만이었다.
• 프로그램은 6주 동안 주당 약 4시간을 투입하며, 3~4명으로 구성된 팀이 실제 업무 문제를 선정하고 도구 실습, 멘토 지원을 받는 개발, 시연과 평가를 수행한다. 원문은 자체 프로그램 데이터에서 단계형 프로그램 이수자가 집중형 이틀 과정 참가자보다 실용 기술을 3배 더 유지했다고 설명한다.
• 엔지니어링 배경이 없는 고객 대면 전문가 4명은 6주 만에 금융 자문 도구 WealthWise를 구축해 1위를 차지했다. 5개 전문 에이전트, Node.js와 Python Flask 이중 서버, Amazon Nova 모델, Strands Agents SDK, Amazon DynamoDB 테이블 4개와 실시간 시장 데이터를 사용했으며, 복잡한 금융 추론의 응답 시간은 5초 미만이었다.
• 도구는 Kiro, Amazon Bedrock, Strands Agents SDK, AWS Model Context Protocol(MCP) 서버와 AWS Lambda 에이전트로 구성했다. 실제 시연 가능한 결과물과 배포 가능한 구조를 지향하고, 멘토가 작업을 대신하지 않으면서 환경·인프라 문제를 해결하도록 지원했다. Amazon Nova 모델은 일부 AWS 리전의 Amazon Bedrock에서 제공된다.
• 참가자 자기평가에서 에이전트형 AI 이해도가 ‘높음 또는 전문가’인 비율은 27%에서 82%로, AI 기회 발굴 준비도가 ‘충분함 또는 매우 충분함’인 비율은 41%에서 85%로 증가했다. 이론적이거나 제한적인 경험만 가진 비율은 34%에서 0%로 감소했고, 52%는 프로그램 중 혜택을 받을 구체적인 고객을 파악했으며 87%는 30일 이내 고객 업무에 학습 내용을 적용할 것으로 예상했다.

🧩 주요 포인트

1. 높은 실습 수요와 낮은 구축 경험 → 교육의 초점을 AI 설명 능력에서 실제 업무 문제를 구현하는 경험으로 옮길 필요가 있다는 논지다.
2. 주·주당 약 4시간과 멘토 지원 → 업무 병행 중에도 2~3회의 반복 개발을 가능하게 하며, 참가자 시간 보호와 직접 수행이 설계의 핵심이다.
3. WealthWise의 작동 성과와 참가자 자기평가 개선 → 비개발 직군의 구축 가능성을 보여주지만, 자기평가와 30일 이내 적용 예상은 장기 역량 유지나 실제 고객 성과와 구분해 해석해야 한다.

🧠 상세 정리

1. AI를 설명하는 지식과 구축하는 역량의 간극

원문은 AI 도입의 가장 큰 장벽이 인식 부족이 아니라 AI를 말로 설명하는 것과 직접 구축하는 것 사이의 간극이라고 주장한다. 영업·운영·재무·제품 등 여러 직군은 고객 질문, 공급업체 솔루션 평가, 자동화 기회 발굴에 참여하지만, 시연을 보고 인증 과정을 마쳤어도 해당 도구로 직접 만들어 본 경험은 부족하다는 설명이다. 그 결과 도입과 생산성 향상이 지연되고, 활용 사례를 발견할 기회를 놓치며, 알고 있는 내용과 구현할 수 있는 내용이 벌어진다고 본다. 조사한 비즈니스 전문가의 90%는 AI 에이전트 구축 실습을 원했고 80%는 Amazon Bedrock AgentCore를 탐색했지만, Strands Agents SDK를 사용하거나 AWS Lambda 에이전트를 구축한 사람은 5명 중 1명 미만이었다. 참가자들이 기술 지식 부족을 이유로 해커톤과 구축 행사에서 물러났다는 관찰을 바탕으로, 원문은 학습 의지보다 안전하게 시도할 도구와 구조적 지원의 부족에 주목한다.

2. 6주 만에 구축한 WealthWise의 기술적 구성

서로 함께 일한 적이 없고 엔지니어링 배경도 없는 고객 대면 전문가 4명은 6주 뒤 다중 에이전트 금융 자문 도구 WealthWise를 시연해 1위를 차지했다. 이 도구는 포트폴리오 분석, 위험 평가, 재무 계획, 시장 인사이트, 개인화된 투자 추천을 담당하는 5개 전문 AI 에이전트로 구성됐다. Node.js와 Python Flask의 이중 서버 구조에 Amazon Nova 모델을 사용하고, Strands Agents SDK로 다중 에이전트 조율과 대화 기억을 구현했으며, Amazon DynamoDB 테이블 4개로 데이터를 실시간 저장했다. 실시간 시장 데이터를 연결한 시스템은 복잡한 금융 추론에서 5초 미만의 응답 시간을 보였고, 각 에이전트는 사용할 도구를 독립적으로 결정한 뒤 여러 도구를 연결해 다단계 추론을 수행했다. 원문은 이를 비개발 직군의 구축 가능성을 보여주는 프로토타입 사례로 제시하며, Amazon Nova 모델은 일부 AWS 리전의 Amazon Bedrock에서 제공된다는 가용성 조건도 명시한다.

3. 학습을 우선하는 팀 원칙과 단계형 운영

WealthWise 팀은 첫날부터 승리보다 학습을 우선하고, 정기적인 진행 점검을 유지하며, 최소 기능 제품인 MVP부터 만든 뒤 개선하고, 멘토 상담 시간을 적극 활용하며, 즐겁게 참여한다는 다섯 원칙을 정했다. 이들은 안전한 지름길보다 어려운 접근을 선택해 실험했고, 매일 짧은 진행 회의로 고립과 문제 방치를 줄였으며, 2일 차에 전체 흐름이 작동하도록 만든 뒤 반복 개선했다. 참가자 소감은 실습이 AgentCore 학습 곡선을 단축하고, AI 솔루션을 처음 접하는 고객에 대한 공감을 높였다는 방향이었다. 전체 프로그램은 6주 동안 주당 약 4시간을 투입하도록 설계됐으며, 원문은 자체 프로그램 데이터상 단계형 과정 이수자가 집중형 이틀 과정 참가자보다 실용 기술을 3배 더 유지했다고 설명한다. 그 근거로 낯선 개념에 부딪히고 회복한 뒤 다시 구축할 시간이 필요하다고 주장하지만, 해당 비교의 구체적인 측정 방법은 제공된 본문에 제시되지 않는다.

4. 모집·시간 보호와 실제 문제 중심의 팀 구성

준비 단계에서는 관리자 추천, Slack, 이메일을 통해 AI 솔루션을 업무에서 접하지만 직접 구축하지 않는 계정 관리자, 솔루션 컨설턴트, 운영 분석가, 프로그램 관리자 등을 모집했다. 참가자 모집에 앞서 팀 리더에게 6주 동안 주당 4시간의 투입을 설명하고, 이를 일상 업무의 방해가 아니라 AI 이해와 대화 품질에 대한 투자로 제시했다. 운영은 핵심 구성원 4명과 멘토들이 본업과 병행했으며, 전담 운영팀이 필수는 아니지만 조직 내 신뢰를 바탕으로 참가자의 시간을 보호할 사람이 적어도 한 명은 필요하다고 강조했다. 이후 경험 수준이 서로 다른 사람들을 의도적으로 섞어 3~4명 팀을 구성하고, 각 팀이 자신의 업무에서 실제로 만난 상황과 연결된 문제를 정의하도록 했다. 이 단계의 결과는 시연 가능한 범위의 프로젝트 개념과 팀의 책임 구조이며, 구체적인 활용 사례를 먼저 정해야 뒤따르는 기술 교육을 목적에 맞게 받아들일 수 있다는 논리다.

5. 도구 실습에서 멘토 지원과 반복 개발로

교육 단계에서는 에이전트형 AI 개념과 AWS 도구를 다루되, 강의만 듣는 방식이 아니라 이후 개발에 사용할 실제 도구 안에서 프로젝트와 닮은 구조화된 실습을 수행했다. 이 단계는 기본적인 기술 이해와 작동하는 로컬 환경을 확보하는 과정으로, 곧바로 개발을 시작할 때 환경 설정과 기초 개념에서 막혀 이탈하는 문제를 줄이려는 목적을 가진다. 개발 단계에서는 여러 주에 걸쳐 프로토타입을 설계하고 개선하며, 팀마다 기술에 능숙한 멘토를 배정해 인프라 문제를 풀고 아키텍처 패턴을 제안하도록 했다. 멘토는 참가자의 작업을 대신하는 사람이 아니라 막힌 지점을 해소하는 안전망으로 설정됐고, 결과물은 이해관계자나 고객에게 시연할 수 있는 기능적 프로토타입이었다. 원문은 긴 일정 덕분에 2~3회의 반복 개발이 가능하다며, 3주 차에 만든 프로토타입에 학습 내용을 적용하고 5주 차에 다시 구성하는 과정에서 실제 학습이 일어난다고 설명한다.

6. 시연 평가와 비개발 직군에 맞춘 도구 선택

마지막 단계의 실시간 시연은 비즈니스 영향, 기술적 우수성, 재사용성과 확장성, 혁신성, 발표 품질의 다섯 항목으로 평가됐으며, 동료가 검증한 구축 역량과 재사용 가능한 프로토타입 모음을 남기는 것을 목표로 했다. 이 형식은 고객·리더십·다른 직군과의 실제 대화를 닮도록 설계됐고, 단순히 작동하는 데서 그치지 않고 영향과 확장 가능성을 명확히 전달해야 한다는 기준을 부여했다. 도구 선택에서는 자연어로 원하는 것을 설명하면 구조를 만들어 주는 Kiro와, 해당 리전에서 제공되는 기반 모델에 API로 접근할 수 있는 Amazon Bedrock을 사용했다. Strands Agents SDK는 조합 가능한 에이전트 패턴을 제공하고, AWS Model Context Protocol(MCP) 서버와 AWS Lambda 에이전트는 팀이 배포 가능한 운영 수준의 구조를 지향하도록 하는 역할을 맡았다. 원문은 잘못된 도구가 마찰을 만들어 진행을 멈출 수 있다는 점을 강조하면서, 참가자의 현재 전문성 수준에 맞는 도구로 짧은 준비만으로도 시연할 수 있는 실제 결과물을 만드는 원칙을 유지했다고 설명한다.

7. 업무 병행과 실용적 자신감의 변화

프로그램은 주당 투입 시간을 의도적으로 4시간으로 제한하고, 참가자가 그 시간을 언제 사용할지 유연하게 정하도록 했다. 가장 흔한 피드백은 첫 2주 안에 배운 내용을 업무에 직접 적용해 시간 투입이 기존 업무와 경쟁하기보다 도움이 됐다는 것이었다. 시작 전 참가자들은 실제 사례 부족을 가장 큰 구축 장벽으로 꼽았고, 종료 후에는 실용적 활용 사례에 AI를 적용할 자신이 있다고 평가한 참가자 비율이 시작 시점에 예상했던 비율보다 23%포인트 높았다. 참가자들은 작동하는 프로토타입, 코드 저장소, 즉시 시연 가능한 참조 아키텍처를 확보했으며, 원문은 AI 역량·도구 도입·고객 업무 적용 준비도 등을 포함한 8개 지표의 전후 자기평가를 비교했다고 설명한다. 구축 사례로는 의료 분야 독립 소프트웨어 공급업체를 위한 다중 에이전트 돌봄 조정, 콘텐츠 검토와 분류, 사기 식별과 예방, 고객 이탈 예측과 예방, 자율 의사결정 조율, 고객 워크숍용 Kiro와 Amazon Bedrock AgentCore 시연이 제시됐다.

8. 관찰자에서 구축자로의 전환과 성과 해석의 범위

참가자가 에이전트형 AI 이해도를 ‘높음 또는 전문가’로 평가한 비율은 27%에서 82%로 55%포인트 증가했고, AI 기회를 발굴할 준비가 ‘충분함 또는 매우 충분함’이라고 평가한 비율은 41%에서 85%로 44%포인트 증가했다. 이론적이거나 제한적인 경험만 가진 참가자 비율은 34%에서 0%로 감소했으며, 원문은 이를 AI의 가능성을 논의하던 사람들이 직접 작동하는 결과물을 만드는 사람으로 전환한 근거로 제시한다. 프로그램 도중 52%가 자신이 만든 결과물의 혜택을 받을 구체적인 고객을 파악했고, 87%는 30일 이내에 고객 업무에 학습 내용을 적용할 것으로 예상했다. 원문은 직접 실험을 통해 무엇이 가능한지, 비용이 많이 드는지, 주말에 구축할 수 있는지를 이해하게 된다고 주장하며, 참가자가 실제 사례를 직접 만들어야 했던 설계가 실용적 활용 사례의 성과를 높였다고 설명한다. 다만 제시된 비율은 자기평가와 적용 예상에 관한 것이며, 제공된 본문은 엔지니어링 조직에 대한 효과를 설명하려는 대목에서 끊겨 그 후속 주장이나 근거는 확인할 수 없다.

🧾 핵심 주장 / 시사점

• 실습 의지가 높아도 도구 경험과 지원이 부족하면 구축으로 이어지지 않는다. 원문은 비개발 직군의 참여를 기술 배경만의 문제가 아니라 도구 접근성, 시간 보호, 실패를 허용하는 환경의 문제로 다룬다.
• 실제 업무 문제를 먼저 정하고 작동하는 흐름을 만든 뒤 반복 개선하는 방식은 교육 내용을 구체적인 구현 경험으로 연결한다. 멘토가 작업을 대신하지 않는다는 조건도 이 학습 구조의 핵심이다.
• WealthWise는 비개발 직군이 복잡한 프로토타입을 만들 수 있음을 보여주지만, 참가자 자기평가 개선과 고객 적용 예상만으로 장기적인 역량 유지나 실제 고객 효과까지 확정할 수는 없다.

✅ 액션 아이템

• 6주·주당 약 4시간의 참여 시간을 보호하고, 3~4명 팀이 해결할 실제 업무 문제를 먼저 선정할 필요가 있다.
• Kiro, Amazon Bedrock, Strands Agents SDK의 도구 실습과 멘토 지원을 연결하고, 참가자가 직접 수행하는 2~3회의 반복 개발에 시간을 배분할 필요가 있다.
• 27%에서 82%로 증가한 AI 이해도 자기평가와 87%의 30일 이내 적용 예상을 해석할 때, 실제 구축 결과 및 고객 적용 성과와 구분할 필요가 있다.

❓ 열린 질문

• 6주·주당 약 4시간의 운영과 멘토 지원을 다른 조직에서도 유지하려면 참가자 시간 보호를 어떻게 확보할 수 있는가?
• WealthWise의 5초 미만 응답 시간과 5개 전문 에이전트 구성은 재사용성과 확장성 측면에서 어떻게 평가됐는가?
• 30일 이내 고객 업무에 학습 내용을 적용할 것으로 예상한 87% 가운데 실제 적용으로 이어진 비율은 얼마인가?