Articleaws.amazon.com·2026년 11월 16일·0

How Duco transforms financial data automation with Amazon Bedrock AgentCore

Quick Summary

월 200억 건의 거래를 처리하는 Duco는 Amazon Bedrock과 Amazon Bedrock AgentCore로 금융 데이터 자동화 시스템을 재구축해 은행별 데이터와 에이전트 문맥을 격리하고, 도구 설명을 필요할 때 불러와 주요 문맥의 토큰 수를 약 90% 줄였다고 밝혔다.

How Duco transforms financial data automation with Amazon Bedrock AgentCore 관련 대표 이미지

🖼️ 인포그래픽

How Duco transforms financial data automation with Amazon Bedrock AgentCore 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

How Duco transforms financial data automation with Amazon Bedrock AgentCore의 핵심 내용을 4단계로 요약한 인포그래픽
How Duco transforms financial data automation with Amazon Bedrock AgentCore 핵심 내용을 4단계로 압축한 4컷 인포그래픽

💡 한 줄 요약

월 200억 건의 거래를 처리하는 Duco는 Amazon Bedrock과 Amazon Bedrock AgentCore로 금융 데이터 자동화 시스템을 재구축해 은행별 데이터와 에이전트 문맥을 격리하고, 도구 설명을 필요할 때 불러와 주요 문맥의 토큰 수를 약 90% 줄였다고 밝혔다.

📌 핵심 요약

  • Duco의 고객은 200곳 이상이며 상위 20개 은행 중 7곳, 상위 20개 자산운용사 중 10곳이 포함된다. 기존 머신러닝은 은행의 업무 프로세스 2만 개 이상을 통합·자동화하는 데 기여했지만, 새로운 데이터 형식과 업무 규칙에 빠르게 적응하기 어려웠다.
  • Duco는 Amazon Bedrock으로 작업에 맞는 모델을 선택하고, Amazon Bedrock AgentCore에서 기존 LangChain과 LangGraph 코드 대부분을 수정 없이 실행했다. AWS와 Duco는 배포 시간이 단축되고 온보딩 비용이 줄었다고 보고했으나 구체적인 절감 수치는 제시하지 않았다.
  • 고객들은 VPC와 Amazon EKS 클러스터를 공유하지만, 고객별로 데이터베이스, 암호화 키, Cognito 사용자 풀, AgentCore 런타임과 Gateway를 따로 둔다. 도구를 호출할 때는 에이전트와 사용자의 신원을 모두 검증한다.
  • Duco는 Claude Opus에 계획 수립, Claude Sonnet에 예외 조사와 복잡한 판단, Claude Haiku에 신속한 도구 선택과 분류, Amazon Nova 2 Pro에 도구 응답 요약을 맡겼다.
  • 고객당 도구 300~400개의 설명을 미리 읽어 들이던 방식을 바꿔 필요한 설명만 불러오고 도구 응답 크기도 제한했다. Duco는 주요 문맥이 약 20만 토큰에서 약 2만 토큰으로 줄었고, 같은 모델·도구·과제를 사용한 평가에서 응답 품질이 향상됐다고 밝혔다.

🧩 주요 포인트

  1. 기존 LangChain과 LangGraph 코드 호환 → 이미 운영 중인 에이전트 로직을 유지하면서 런타임 인프라 관리 부담을 줄였다.
  2. 고객별 AgentCore 런타임과 Gateway에 사용자 신원 검증을 결합 → 에이전트가 접근할 수 있는 은행과 각 사용자가 호출할 수 있는 도구를 함께 제한했다.
  3. 도구 300~400개의 설명을 필요할 때만 로드 → 주요 문맥을 약 2만 토큰으로 줄이면서도 새 설명을 읽을 때 기존 캐시를 재사용할 수 있었다.

🧠 상세 정리

1. 월 200억 건을 처리하는 플랫폼에서 드러난 예측 모델의 한계

Duco는 금융기관이 데이터 추출부터 처리 결과를 후속 시스템에 전달하는 단계까지 AI와 노코드 모델로 자동화할 수 있도록 지원한다. 고객은 200곳 이상으로 상위 20개 은행 중 7곳과 상위 20개 자산운용사 중 10곳이 포함되며, 월간 거래 처리량은 200억 건이다. 기존 머신러닝은 데이터에 붙일 표지를 예측하고 패턴을 식별해 은행들이 업무 프로세스 2만 개 이상을 통합·자동화하는 데 기여했다. 그러나 학습에 많은 과거 데이터가 필요했고 새로운 용도마다 상당한 맞춤 작업이 뒤따라 자주 바뀌는 데이터 형식과 업무 규칙을 따라가기 어려웠다. Duco의 최고 아키텍트 겸 혁신 책임자 Rob Gates는 기존 모델이 이미 학습한 패턴을 활용하는 데에는 유용했지만, 다음에 할 일을 찾거나 새로운 문제를 발견하는 데에는 한계가 있었다고 설명했다.

2. Amazon Bedrock을 선택한 이유

Duco가 모델 서비스를 선택할 때 따진 조건은 민감한 금융 데이터의 처리 경계와 업무별 모델 선택권이었다. AWS의 설명에 따르면 Amazon Bedrock에서 처리하는 고객 데이터는 AWS 환경 안에 머물며 모델 학습에 사용되지 않는다. Duco는 가상 사설 클라우드(VPC)의 프라이빗 엔드포인트를 통해 내부 시스템을 외부에 노출하지 않고 서비스에 연결할 수 있었다. 동시에 단일 API로 Amazon Nova 2 계열과 Anthropic, OpenAI, Cohere, Meta, Mistral AI의 모델에 접근하고, 설정 매개변수를 바꿔 작업에 맞는 모델로 전환할 수 있었다. Duco는 대형 은행이 요구하는 보안 수준을 유지하면서 거버넌스와 규정 준수에 필요한 통제를 이용할 수 있다는 점도 선택 이유로 들었다.

3. 운영 중인 에이전트를 AgentCore로 이전

모델에 접근할 서비스를 정한 뒤에는 에이전트를 대규모로 실행할 환경을 선택해야 했다. Duco는 이미 LangChain과 LangGraph로 만든 에이전트를 실제 서비스에서 운영하고 있었기 때문에 기존 코드가 새 환경에서 어떻게 동작하는지가 중요한 판단 기준이었다. Amazon Bedrock AgentCore는 두 프레임워크와 호환돼 기존 코드 대부분을 수정 없이 계속 사용할 수 있었고, 관리형 런타임을 제공해 엔지니어가 직접 운영해야 하는 인프라도 줄였다. Duco는 런타임에 내장된 보안 및 규정 준수 통제가 금융기관의 배포 요건에 부합한다고 판단했다. AWS와 Duco는 전체 시스템을 재구축한 결과 배포 시간이 단축되고 온보딩 비용이 줄었다고 설명했으며, 제공된 본문에는 두 효과의 규모나 산정 기준이 제시돼 있지 않다.

4. 공유 클러스터 안에서 은행별 데이터 분리

Duco는 여러 고객에게 하나의 SaaS 플랫폼을 제공하면서 각 금융기관의 업무와 데이터를 분리해야 했다. 고객들은 VPC와 Amazon EKS 클러스터를 공유하고, 클러스터 안에서는 고객별 네임스페이스와 네트워크 정책으로 워크로드를 나눈다. 데이터를 저장하는 Amazon Aurora MySQL 데이터베이스와 Amazon S3 버킷, 데이터를 암호화하는 AWS KMS 키는 고객마다 전용으로 배정한다. Amazon SES와 Amazon SQS를 이용하는 메시징 서비스, Amazon ElastiCache, Amazon Cognito 사용자 풀도 고객별로 분리해 서로 다른 은행이 같은 데이터 저장소나 캐시를 사용하지 않도록 구성했다. 연산 자원을 자동으로 늘리는 단위도 고객별로 나눠 한 은행에서 계산량이 큰 작업을 실행할 때 다른 은행의 처리 성능에 미치는 영향을 줄였다.

5. 도구 호출까지 이어지는 사용자 권한과 문맥 격리

사용자 요청이 들어오면 해당 고객의 Cognito 사용자 풀이 발급한 토큰을 전용 AgentCore 런타임이 검증한 뒤 에이전트 로직을 실행한다. 에이전트는 같은 고객의 전용 Gateway를 통해서만 Amazon EKS에서 실행되는 MCP 서비스에 접근하며, 사용자 신원은 이 서비스까지 전달된다. 각 MCP 서버가 에이전트와 사용자의 신원을 모두 확인하므로 도구 호출에는 실제 요청을 보낸 사용자의 권한이 적용된다. 고객별 런타임 및 Gateway에 세션 격리를 결합해 은행마다 다른 데이터 스키마, 명명 규칙, 업무 지식이 다른 은행의 에이전트 메모리나 대화 문맥에 섞이지 않도록 했다. Amazon Bedrock과 AgentCore로 향하는 트래픽은 프라이빗 엔드포인트를 통해 AWS 네트워크 안에 머물고, 런타임에서 VPC로 나가는 통신에는 보안 그룹의 규칙이 적용된다.

6. 계획·판단·분류·요약을 나눈 네 모델

Duco는 업무 단계마다 요구되는 추론 능력과 응답 속도가 다르다는 점을 모델 배치에 반영했다. Anthropic의 Claude Opus는 복잡한 요청을 이해하고 다른 에이전트가 실행할 계획을 미리 세우며, Claude Sonnet은 예외가 발생한 이유를 조사하거나 금융 기록을 대조하는 로직과 업무 규칙을 해석하는 데 쓰인다. Claude Haiku는 어떤 도구로 요청을 보낼지 빠르게 정하고 처음 들어온 항목을 적은 비용으로 분류하는 역할을 맡는다. Amazon Nova 2 Pro는 MCP 도구가 반환한 결과를 압축해 분석가가 읽기 쉬운 요약으로 바꾼다. Duco는 이런 역할 분담으로 작업별 품질과 비용 효율을 함께 추구하며, 모델 성능이 달라지면 전체 시스템에 영향을 주지 않고 해당 역할의 모델을 교체할 수 있도록 설계했다.

7. 작업 시작 전에 약 20만 토큰을 차지한 도구 설명

Duco의 각 서비스에는 별도 MCP 서버가 있고, 한 고객의 AgentCore Gateway를 통해 제공되는 도구는 300~400개에 달했다. 처음에는 에이전트가 어떤 작업을 맡든 모든 도구 설명을 미리 읽어 들였기 때문에 실제 업무를 시작하기도 전에 약 20만 토큰이 문맥에 들어갔다. Duco는 대화가 길어질수록 응답 품질이 떨어지고 모델이 앞선 추론의 흐름을 놓치는 현상을 관찰했다. 팀은 에이전트의 능력이 떨어진다는 인상만으로 설계를 바꾸는 것은 근거가 부족하다며, 기술적 결정을 내리기 전에 평가를 수행해야 한다고 강조했다. 이에 따라 모델이나 제공 기능을 교체하지 않고 도구 설명을 불러오는 방식과 문맥에 남기는 응답의 크기를 조정한 뒤, 같은 과제에서 응답 품질을 비교했다.

8. 필요한 설명만 불러와 문맥을 약 2만 토큰으로 축소

Duco는 MCP 리소스를 활용해 도구 설명을 고정 문맥에서 꺼내고, 현재 작업에 필요한 기능의 설명만 대화 중에 불러오도록 바꿨다. 에이전트에는 기능 설명을 가져오고 관련 도구를 찾아 호출하는 세 가지 공통 도구를 제공했으며, 사용자 인터페이스용 리소스도 업무 도구와 분리했다. 새 설명이 대화에 추가돼도 입력 앞부분은 작고 일정하게 유지되므로 기존 캐시를 계속 쓸 수 있었다. 필요한 설명만 불러오는 방식과 도구 응답 크기 제한을 함께 적용한 결과, 주요 문맥은 약 20만 토큰에서 약 2만 토큰으로 90% 줄었다. Duco는 인프라를 변경하지 않고 같은 모델·도구·과제를 사용한 평가에서 응답 품질이 향상됐다고 보고했으며, 구체적인 품질 지표나 개선 폭은 제시하지 않았다. 서비스별 MCP 도구를 시작 시점에 동적으로 발견한다는 설명도 있지만, 제공된 본문은 새 서비스를 등록하는 대목에서 끝난다.

🧾 핵심 주장 / 시사점

  • 고객 격리는 데이터를 어디에 저장하는지와 도구가 누구의 권한으로 실행되는지를 모두 다룬다. 전용 저장소가 은행 간 데이터를 나누고, 호출 시점의 신원 검증이 같은 은행 안에서 사용자의 접근 범위를 제한한다.
  • 모델에 접근하는 계층과 에이전트를 실행하는 계층을 구분한 덕분에 Duco는 기존 LangChain과 LangGraph 로직을 활용하면서 계획, 예외 조사, 분류, 요약에 서로 다른 모델을 배치할 수 있었다.
  • 90%는 주요 문맥의 토큰 수가 줄어든 비율이다. 응답 품질은 같은 모델·도구·과제로 별도 평가했고, 제공된 결과로 확인할 수 있는 것은 품질이 향상됐다는 Duco의 보고까지다.

✅ 액션 아이템

  • Amazon Bedrock AgentCore 도입 효과를 판단할 때 배포 시간과 온보딩 비용의 도입 전후 수치를 확인한다.
  • 고객별 AgentCore 런타임과 Gateway의 격리 범위를 검토할 때 도구 호출에 에이전트와 사용자의 신원 검증이 함께 적용되는지 확인한다.
  • 도구 300~400개의 설명을 필요할 때만 불러오는 방식은 같은 모델·도구·과제에서 응답 품질을 비교해 평가한다.

❓ 열린 질문

  • Amazon Bedrock AgentCore 도입 전후 배포 시간과 온보딩 비용은 각각 얼마나 줄었는가?
  • 고객별 AgentCore 런타임과 Gateway를 통한 도구 호출에서 사용자 권한이 일관되게 적용되는지는 어떻게 검증했는가?
  • 주요 문맥을 약 20만 토큰에서 약 2만 토큰으로 줄인 뒤 같은 모델·도구·과제에서 응답 품질은 어떤 지표로 얼마나 향상됐는가?

관련 문서

공통 태그와 주제 흐름을 기준으로 같이 보면 좋은 문서를 이어서 제안합니다.