From theory to delivery: How Atos upskilled 400 engineers in agentic AI

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Atos는 2026년 AWS와 함께 400명의 엔지니어를 대상으로 3일간 AI League를 운영해, 에이전트형 AI 이론을 실제 시스템 구현과 효율 최적화 경험으로 연결했다.

📌 핵심 요약

• 참가자의 사전 경험은 에이전트형 AI 지식 없음 5%, 기본 인지 25%, 개념은 이해하지만 실습 경험 없음 50%, 관련 서비스 실무 경험 보유 20%로 나뉘었다.
• 3일간의 AI League에서 참가자들은 제한 시간과 생명 수 안에서 던전 미로를 탐색하는 자율 에이전트를 만들고, 과제 해결·보물 도달·생명 보존·응답 효율 등으로 경쟁했다.
• 구현에는 Amazon Bedrock, Amazon Bedrock AgentCore, Amazon Bedrock Guardrails, AWS Lambda, Amazon SageMaker 등이 사용됐으며, 경로 탐색·메모리·코드 실행·모델 미세 조정을 다뤘다.
• 주요 학습 내용은 토큰 사용량과 도구 호출 최적화, 다중 에이전트 구조의 지연·신뢰성 절충, 가드레일의 차단 강도 조절, 경로 탐색의 위험·시간 관리였다.
• 원문은 등록 데이터를 근거로 400명이 실습 경험을 얻었다고 보고하며, 내부 기술 주도자의 자신감 향상과 팀 간 지식 공유를 성과로 제시했다. Amazon CloudWatch Logs 활용과 Kiro에 충분한 과제 맥락을 제공한 접근은 더 빠른 개선과 관련된 관찰로 소개됐다.

🧩 주요 포인트

1. 실습 경험이 서로 다른 참가자와 3일간의 유연한 운영 → 공통 과제를 수행하면서 각자의 일정에 맞춰 반복 개선하는 교육 방식.
2. 제한 시간·생명 수·응답 효율을 반영한 평가 → 기능 구현에 더해 토큰 사용량, 지연, 안전성, 경로 선택의 절충을 학습.
3. 명의 실습 참여와 팀 간 지식 공유 → 조직 역량 확대의 성과로 제시됐지만, 고객 현장 적용에 대한 자신감과 실제 운영 성과는 구분해 해석할 필요.

🧠 상세 정리

1. 이론 교육에서 실습 역량으로의 전환

Atos가 해결하려던 문제는 에이전트형 AI의 개념을 전달하는 데서 그치지 않고, 엔지니어가 실제 비즈니스 문제에 적용할 경험과 자신감을 갖추도록 하는 것이었다. 원문은 온라인 강의와 교실 수업이 기초를 형성하는 데 도움이 되지만, 실제 적용에 필요한 역량까지 항상 제공하지는 못한다고 설명한다. Atos와 AWS는 앞서 AWS DeepRacer를 활용한 강화학습 교육과 2025년 AI League를 통한 모델 미세 조정 실습을 진행하면서 직접 구현하는 학습의 필요성을 확인했다. Atos는 여러 지역에 Sovereign Agentic AI Studios를 개발하는 등 에이전트형 AI에 전략적으로 투자하고 있었으며, 이에 맞춰 엔지니어의 실무 역량을 빠르게 높일 방식이 필요했다. 이러한 배경에서 2026년 교육은 실제 서비스를 사용해 작동하는 시스템을 만들고, 경쟁을 통해 성능과 효율을 개선하는 AI League 형식으로 구성됐다.

2. 참가자 구성과 유연한 3일 운영

참가자들의 출발점은 다양했으며, 기존 AWS 경험이 있는 개발자뿐 아니라 AWS를 처음 사용하는 사람과 제품 책임자·프로젝트 관리자처럼 기술 중심 업무가 아닌 역할도 포함됐다. 에이전트형 AI 사전 지식이 없는 비율은 5%, 기본 인지만 있는 비율은 25%, 개념을 이해하지만 실습 경험이 없는 비율은 50%, 관련 서비스의 실무 경험이 있는 비율은 20%였다. AWS AI League는 사전 구성된 방식으로 제공돼 준비에는 AWS와의 일정·운영 협의, 행사 안내, 참가자 정보 수집이 필요했다고 설명한다. AWS Workshop Studio를 통해 1~3일 운영이 가능했으며, Atos는 참가자의 유연성을 높이기 위해 3일 형식을 선택했다. 공식 일정은 2시간의 시작 워크숍, 매일 1시간의 질의·지원 시간, 상위 3명의 결선과 우승자 선정을 위한 1시간으로 구성됐다. 참가자들은 이 시간 외에는 기존 업무 일정에 맞춰 에이전트형 AI 솔루션을 반복 개선할 수 있었다.

3. 던전 과제와 성능·효율을 결합한 평가

참가자들은 던전 미로에서 경로를 찾고, 타일별 과제를 해결하며, 함정을 피해서 보물에 도달하는 자율 AI 에이전트를 구현했다. 모든 활동에는 제한 시간과 제한된 생명 수가 적용됐고, 과제의 정답은 점수를 얻는 반면 오답은 생명을 잃게 했다. 동전은 위험이나 추가 수집 시간 없이 점수를 얻을 수 있었으며, 제한 시간 내 보물 도달과 종료 시 남은 생명에도 추가 점수가 주어졌다. 응답이 장황한 에이전트보다 간결한 에이전트가 높은 평가를 받았고, 전문화된 소형 언어 모델을 미세 조정하면 가산점을 받을 수 있었다. 과제는 유해 콘텐츠 차단, 코드 생성과 실행, 상호작용 간 맥락 유지, 웹 정보 검색, 일반 지식 응답, 구조화된 데이터 추출 등을 시험했다. 따라서 실시간 순위표는 단순한 정답 수뿐 아니라 기능 완성도와 자원 사용 효율을 함께 비교하는 역할을 했다.

4. 모델 추론과 에이전트 실행 구조

Amazon Bedrock은 에이전트의 추론을 담당하는 모델 접근을 제공했으며, 참가자들은 과제에 적합한 모델 선택과 시스템 프롬프트 설계를 수행했다. 처음에는 잘 알려진 모델로 시작한 뒤 자신이 미세 조정한 모델로 추론하는 흐름을 다뤘고, 답변을 효율적으로 생성하거나 하위 에이전트와 도구에 일을 위임하면서 토큰 사용량과 비용을 관리했다. Amazon Bedrock AgentCore의 런타임은 과제 타일을 처리하고 제한 시간 안에 평가할 응답을 반환하는 에이전트 컨테이너를 호스팅했다. 게이트웨이는 모델 컨텍스트 프로토콜인 MCP를 통해 에이전트의 도구 호출을 AWS Lambda 함수로 연결해 경로 탐색, 웹 수집, 코드 실행을 지원했다. 메모리는 획득한 열쇠와 이미 해결한 과제처럼 상호작용 사이에 유지해야 하는 정보를 저장하는 데 사용됐다. 코드 인터프리터는 계산 과제를 위해 격리된 샌드박스에서 코드를 안전하게 실행하는 기능을 제공했다.

5. 안전장치·사용자 정의 도구·모델 미세 조정

Amazon Bedrock Guardrails에서는 차단할 주제를 지정하고, 혐오·폭력·부적절한 행위에 대한 콘텐츠 필터 임계값을 설정하며, 입력과 출력의 차단 메시지를 구성했다. AWS Lambda는 모델만으로 안정적으로 처리하기 어려운 작업을 사용자 정의 도구로 구현하는 데 사용됐으며, 너비 우선 탐색인 BFS를 활용한 경로 탐색, 계산용 코드 실행, 웹페이지 수집과 해석이 예시로 제시됐다. Amazon SageMaker Studio는 통합 개발 환경과 AI 개발 도구를 제공해 모델 개발과 미세 조정 작업을 지원했다. 참가자들은 직접 만든 데이터셋과 검증 가능한 보상을 활용하는 강화학습 방식인 RLVR을 사용해 서버리스 미세 조정을 수행했다. 미세 조정한 모델은 이후 추론 엔드포인트에 배포돼 요청을 처리했다. 이 구성은 안전성 설정, 명시적 알고리즘 구현, 전문 모델 학습을 하나의 에이전트 과제 안에서 함께 경험하도록 했다.

6. 제약이 드러낸 프롬프트·구조·안전성의 절충

프롬프트 설계의 핵심 교훈은 답을 생성하는 것만으로 충분하지 않으며, 실제 제약 안에서 효율적으로 작동해야 한다는 점이었다. 추가 토큰은 점수를 낮추고 불필요한 도구 호출은 시간과 점수를 소모했기 때문에, 참가자들은 기능 구현 이후 응답과 실행 과정을 줄이는 작업에 집중하게 됐다. 에이전트 구조에서도 전문 도구를 가진 단일 목적 에이전트를 여러 개 둘지, 더 다양한 일을 맡는 에이전트를 사용할지 결정해야 했다. 각각의 선택은 토큰 사용량, 지연, 신뢰성 사이의 절충을 수반했으며, 원문은 이를 실제 운영 환경의 설계 판단과 연결한다. 유해 콘텐츠를 다루는 Violent Violet 과제에서는 가드레일이 너무 강하면 정상 질의를 차단해 다른 과제에 실패하고, 너무 약하면 안전성 과제 자체를 통과하지 못했다. 따라서 프롬프트와 에이전트 수, 차단 강도는 각각 독립적으로 높이거나 늘릴 대상이 아니라 전체 과제의 성과를 보며 조정할 요소로 나타났다.

7. 경로 탐색·관측·AI 개발 도구의 활용

경로 탐색에서는 빠른 이동과 점수 극대화 중 어떤 목표를 우선할지, 모든 과제를 방문할지 곧바로 보물로 향할지 판단해야 했다. 가시는 생명을 줄이고 벽은 게임을 끝내므로 위험도 구분이 필요했으며, 문을 통과하기 전에 열쇠를 확보하는 것처럼 행동의 선후 관계도 반영해야 했다. 실행 사이에 Amazon CloudWatch Logs를 확인한 엔지니어들은 더 빠르게 개선하는 것으로 관찰됐고, 실패 원인을 추측한 참가자들은 상대적으로 진행이 느린 경우가 있었다. 원문은 이 경험을 근거로 솔루션에 관측 수단을 갖추고, 변경 전에 실제 동작을 확인하는 원칙을 강조한다. Kiro 같은 AI 개발 도구를 사용한 엔지니어들도 빠르게 진전하는 경우가 많았으며, 도구에 과제의 전체 맥락을 제공한 참가자들이 더 신속하게 좋은 결과를 얻는 경향을 보였다. 이 두 관찰은 실행 데이터와 구체적인 문제 맥락이 개선 과정에 중요하다는 교훈으로 제시되지만, 효과의 크기를 수치로 비교한 결과는 제공되지 않았다.

8. 보고된 성과와 해석 범위

원문은 행사 등록 데이터를 근거로 400명의 엔지니어가 에이전트형 AI 실습 경험을 얻었다고 보고한다. 참가자들은 Amazon Bedrock, Amazon Bedrock AgentCore, AWS Lambda, Amazon Bedrock Guardrails, Kiro, Amazon SageMaker를 활용하는 실무 기술을 익혔다고 설명된다. 또한 고객 업무에 에이전트형 AI를 적용할 자신감이 커진 내부 기술 주도자들이 등장했고, 경쟁 형식이 지식 공유를 촉진하며 팀 간 장벽을 낮추는 데 도움이 됐다고 제시한다. 상위 솔루션의 특징으로는 사용자 정의 경로 탐색 전략이 언급되지만, 제공된 본문은 그 뒤의 설명 도중에 끊겨 있어 나머지 성과나 결론을 확인할 수 없다. 따라서 확인 가능한 결과는 실습 참여, 기술 경험, 자신감, 협업에 관한 보고이며, 교육 전후의 정량적 숙련도 변화나 고객 환경에서의 운영 성과는 이 본문에서 제시되지 않는다.

🧾 핵심 주장 / 시사점

• 실습 경험이 없는 개념 이해자가 50%였다는 구성은 이번 교육의 중심 과제가 새로운 개념 소개보다 지식을 구현 경험으로 연결하는 데 있었음을 보여준다.
• 정답뿐 아니라 토큰·시간·생명 보존을 평가한 방식은 참가자들이 시스템의 기능과 효율, 위험을 함께 판단하도록 했다.
• 로그 확인과 충분한 맥락 제공의 효과는 실습 중 관찰된 경향이므로, 정량적으로 검증된 생산성 향상과 구분해 받아들일 필요가 있다.

✅ 액션 아이템

• 3일간의 AI League 운영 방식과 참가자의 실습 경험 차이를 교육 설계 시 검토.
• 에이전트 구현 시 토큰 사용량, 도구 호출, 지연, 신뢰성, 가드레일의 차단 강도를 함께 점검.
• 400명의 실습 참여와 팀 간 지식 공유 성과를 고객 현장 적용에 대한 자신감 및 실제 운영 성과와 구분해 해석.

❓ 열린 질문

• 실습 경험이 서로 다른 참가자들에게 3일간의 AI League가 제공한 학습 효과는 어떻게 달랐는가?
• 토큰 사용량과 도구 호출을 줄이는 과정에서 지연과 신뢰성 사이의 절충은 어떻게 판단했는가?
• 400명의 실습 참여와 고객 현장 적용에 대한 자신감은 이후 실제 운영 성과로 얼마나 이어졌는가?