How Gen Digital built Norton Revamp’s AI-curated News Engine with Amazon Bedrock AgentCore Web Search

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Gen Digital은 Amazon Bedrock AgentCore Web Search를 활용해 최신 웹 근거를 제공하는 Norton Revamp의 AI 뉴스 엔진을 구축하고, 소규모 엔지니어 팀으로 2026년 3월 출시했다.

📌 핵심 요약

• Norton Revamp는 전문직 사용자의 온라인 평판 관리를 지원하는 생성형 AI 플랫폼으로, 최신 웹 정보를 인용한 개인화 뉴스 피드, 콘텐츠 제안, 트렌드 기반 목표 설정을 제공한다.
• Gen Digital은 자체 크롤러의 유지보수 부담, 외부 뉴스 API의 계약·키 관리 및 데이터 반출 문제, 정적 지식 기반의 정보 노후화를 비교한 뒤 Amazon Bedrock AgentCore Web Search를 선택했다. 글에서는 이 서비스가 완전관리형이며 AWS 환경 내에서 데이터 반출 없이 출처 URL과 발행일을 제공한다고 설명한다.
• 뉴스 엔진은 Amazon Nova로 검색 질의를 생성하고, 검색 결과를 관련성·최신성·출처 신뢰도로 순위화한 뒤 Amazon Nova Lite의 콘텐츠 생성 근거로 사용한다. 사용자 참여 데이터와 최근 4주간 활동은 검색과 목표 추천 개선에 반영된다.
• 개발팀은 아키텍처·보안 검토·비즈니스 로직·개인화 알고리즘의 책임을 사람이 맡고 AI로 구현을 가속했다. 기능 구현 속도 3배, AI가 생성한 UI 코드 비중 70%를 보고했으며, AI 결과물 검토에는 전체 시간의 20~30%가 들었다.
• 자동화된 테스트 생성으로 코드 커버리지 85%를 달성했고, 출시 이후 가동률 99.9%를 보고했다. 통합 권고사항은 구조화된 검색 질의, 최신성 요구에 맞춘 TTL 캐싱, 사용자 참여 피드백, URL·발행일을 활용한 출처 신뢰도 검증이다.

🧩 주요 포인트

1. 검색 인프라를 완전관리형 서비스에 맡기면 → 자체 수집·유지보수 부담을 줄이고, 사용자 목표에 맞는 최신 정보 선별에 집중할 수 있다.
2. Amazon Nova의 질의 생성과 관련성·최신성·출처 신뢰도 평가에 사용자 참여 피드백을 연결하면 → 검색 결과를 개인화된 콘텐츠와 목표 추천의 공통 근거로 활용할 수 있다.
3. 기능 구현 속도 3배와 검토 시간 20~30%가 함께 나타났다는 점은 → AI 생산성 향상을 평가할 때 사람의 검토 부담과 품질 검증도 함께 고려해야 함을 보여준다.

🧠 상세 정리

1. 온라인 평판 관리에 필요한 실시간 정보

글은 채용 담당자가 연락에 앞서 LinkedIn을 확인하고 고객이 첫 만남 전에 온라인 활동을 살펴보는 환경에서, 전문직 종사자의 디지털 평판이 중요해졌다는 문제의식으로 시작한다. 전문성을 드러내는 온라인 발언은 이력서만으로 얻기 어려운 기회를 만들 수 있지만, 콘텐츠 생성 기능만으로는 시의성 있는 전문적 의견을 제공하기 어렵다고 설명한다. 예를 들어 생성형 AI 분야의 전문가로 인정받으려는 사용자는 지난주 기사보다 오늘의 기술 발전에 반응해야 하며, AI 생성 콘텐츠가 넘치는 환경에서는 진정성과 적시성이 중요하다는 주장이다. Gen Digital이 구축한 Norton Revamp는 이러한 요구를 다루는 생성형 AI 기반 전문 평판 관리 플랫폼으로, 소규모 엔지니어 팀이 개발해 2026년 3월 출시했다. 핵심인 AI 뉴스 엔진은 Amazon Bedrock AgentCore Web Search를 이용해 콘텐츠 제안, 목표 추천, 뉴스 피드에 최신 웹 정보와 인용 근거를 제공한다.

2. 세 가지 대안과 AgentCore Web Search 선택

Norton Revamp는 정적인 지식에 의존하는 챗봇과 달리 사용자의 전문 분야에서 지금 일어나는 변화를 이해해야 하므로, 사이버 보안 전문가에게는 당일 위협 정보가, 마케팅 리더에게는 해당 주의 업계 변화가 필요하다고 설명한다. 개발팀은 자체 웹 크롤러, 외부 뉴스 API, 정적 지식 기반을 검토했으며, 각각 지속적인 유지보수와 실시간성 부족, 공급업체 계약·API 키 관리·AWS 환경 밖으로의 데이터 이동, 정보의 반복적인 노후화를 문제로 꼽았다. 글에서는 AgentCore Web Search가 완전관리형 서비스로 인프라 운영 부담을 없애고, AWS 환경 안에서 데이터 반출 없이 검색 결과를 제공해 이러한 우려를 해소했다고 주장한다. 이 기능은 Amazon Bedrock AgentCore의 AgentCore Gateway에서 관리형 커넥터로 제공되며 Model Context Protocol인 MCP를 준수한다. 에이전트가 자연어 질의를 보내면 관련 발췌문, 출처 URL, 제목, 발행일을 반환하므로 모델은 이를 근거로 응답을 생성할 수 있다.

3. 뉴스 피드·콘텐츠 코칭·목표 설정의 연결

첫 번째 핵심 기능인 AI 뉴스 피드는 사용자가 설정한 전문적 목표에 맞춰 최신 기사와 인기 주제를 제공하며, 생성형 AI 분야의 평판을 쌓으려는 사용자에게는 AI 발전, 산업 분석, 새로운 활용 사례를 우선 제시한다. 글은 이를 정적인 RSS 집계와 구분되는 목표 인식형 탐색 기능으로 설명하며, 세션마다 최신 정보를 반영한다고 밝힌다. 두 번째 기능은 사용자의 분야에서 주목받는 주제를 개인의 고유한 표현 방식에 맞춘 콘텐츠 아이디어로 제안하고, 선택적으로 AI 생성 이미지를 제공하는 것이다. 사용자는 Analyze, Refine, Post의 3단계 코칭을 거쳐 LinkedIn과 X에 게시하며, 반복 과정의 피드백이 AI 개선에 반영된다. 세 번째 기능에서는 사용자가 목표를 정의하면 AI가 주간 주제와 이정표를 포함한 개인화 경로를 만들고, 실시간 트렌드와 최근 4주간 활동을 바탕으로 추천을 갱신한다.

4. 이벤트 기반 검색·순위화·생성 구조

뉴스 엔진은 사용자가 전문적 목표를 설정하거나 수정하는 것을 계기로 작동하는 이벤트 기반 아키텍처를 따른다. Amazon Bedrock을 통해 호출되는 Amazon Nova는 목표, 최근 활동, 참여 패턴을 바탕으로 검색 질의를 만들고, 에이전트는 이를 AgentCore Web Search에 보내 AWS 환경 안에서 인용 가능한 결과를 받는다. AI Learning System은 검색 결과를 관련성, 최신성, 출처 신뢰도에 따라 순위화하고, Amazon Nova Lite는 이 결과를 근거 문맥으로 사용해 사용자의 고유한 표현 방식에 맞춘 콘텐츠를 생성한다. 이후 사용자 참여 데이터가 질의 생성으로 되돌아가면서 뉴스 엔진을 점진적으로 개선하는 구조다. 기술 구성에서 Amazon Bedrock은 콘텐츠 생성·개인화·게시물 배치 분석·코칭을 담당하고, Amazon Nova Lite는 콘텐츠·목표 생성과 트렌드 분석의 주력 모델이며, Stability AI는 이미지 생성에, Amazon Bedrock을 통한 Claude는 복잡한 추론 작업에 사용된다.

5. 운영 인프라와 네 단계 처리 파이프라인

프런트엔드는 React, TypeScript, Tailwind CSS로 구성되며, 백엔드에는 Node.js와 Amazon ECS, AWS Lambda, 복합 키 패턴을 적용한 다중 테이블 Amazon DynamoDB 등이 사용된다. API 제공과 저장·메시징·이벤트·콘텐츠 배포·관측·비밀 관리에는 Amazon API Gateway, Amazon S3, Amazon SQS, Amazon EventBridge, Amazon CloudFront, Amazon CloudWatch, AWS Secrets Manager를 활용하고, Terraform과 블루그린 배포로 인프라 및 무중단 릴리스를 관리한다고 설명한다. 처리 파이프라인의 Full Scan은 과거 게시물을 최대 1,000개 가져와 Amazon S3에 저장하고 Amazon Bedrock 배치 분석으로 평판 영향을 평가하며, Daily Scan은 Amazon EventBridge가 촉발하는 증분 분석을 수행한다. Weekly Goal Generation에서는 Lambda가 과거 참여 데이터와 AgentCore Web Search의 실시간 트렌드를 함께 고려해 목표를 생성한다. Content Coaching은 Analyze, Refine, Post 단계마다 검색 결과를 근거로 삼아 동기식 Amazon Bedrock 호출을 수행한다.

6. AI를 활용한 개발 속도와 검토 비용

개발팀은 생성형 AI를 제품 기능뿐 아니라 개발 방식에도 처음부터 적용하되, 아키텍처 결정·보안 검토·비즈니스 로직·개인화 알고리즘의 책임은 사람이 맡고 코드 생성·문서화·테스트 골격·리팩터링·UI 구성요소 제작은 AI가 지원하도록 역할을 나눴다. Claude로 개념당 10개 이상의 디자인 변형을 만들면서 디자인에서 프로토타입까지 걸리는 시간을 수주에서 수시간으로 줄였고, UI 코드의 70%를 AI로 생성했다고 보고한다. 기존에 가격 모델 하나를 시험하던 시간에 다섯 가지를 시험했으며, 게임화 시스템은 출시 전 여덟 차례 반복 개선했다. 정량 성과로 기능 구현 속도 3배와 함께 상용구 코드 생성 90%, 문서화 80%, 테스트 제작 70%, UI 구성요소 생성 65%의 가속을 제시했지만, AI 결과물 검토에 전체 시간의 20~30%가 소요됐다는 상충 비용도 밝혔다. AI는 개인화 알고리즘과 DynamoDB 다중 테이블 구조, 보안 구현, 배치 처리 최적화도 지원했으나, 사용자 목표에 맞춰 AI Learning System이 적응하는 방식은 사람이 설계했고 제품용 AI와 개발용 AI의 목적을 구분했다.

7. 테스트·보안 검증과 운영 성과

개발팀은 자동화된 테스트 생성을 통해 코드 커버리지 85%를 달성했다고 밝히며, 콘텐츠 생성 품질과 AgentCore Web Search 검색 결과의 관련성·최신성 검증을 주요 시험 영역으로 제시한다. 이 밖에도 사용자 참여 추적의 정확성, 게임화 로직, 뉴스 피드가 사용자 목표에 부합하는지를 검증했다. Norton 브랜드를 사용하는 제품이라는 점에서 보안과 규정 준수를 필수 조건으로 보고, 정적 코드 분석·의존성 취약점 검사·인증 흐름·사용자 데이터 암호화·접근 제어·생성형 AI 출력 검증·콘텐츠 필터링을 점검했다. 보안팀은 AI가 생성한 모든 권고사항을 검토했으며, AI는 문제 식별을 가속하고 최종 결정은 사람이 내리는 방식이었다. 글은 출시 이후 가동률 99.9%를 달성했다고 보고하고, 생성형 AI 콘텐츠 품질과 사용자 만족도를 실시간으로 모니터링한다고 설명한다.

8. 검색 품질을 높이는 통합 운영 원칙

첫 번째 권고는 검색 질의 생성에 투자하는 것으로, 개방적이고 막연한 질의보다 잘 구조화된 질의가 좋은 결과를 내므로 개발팀은 이 부분의 프롬프트 설계에 집중했다고 설명한다. 두 번째는 최신성 요구에 맞춘 캐싱으로, 실시간 정보가 중요하더라도 모든 검색을 매 세션 다시 실행할 필요는 없으므로 질의별 요구에 맞는 TTL을 적용한다. 세 번째는 사용자가 어떤 웹 검색 결과에 반응하는지 추적하고 그 신호를 질의 생성으로 돌려보내는 피드백 구조이며, 개발팀은 처음 90일 동안 뉴스 엔진의 관련성이 개선됐다고 보고한다. 네 번째는 출처 품질 검증으로, 검색 결과에 포함된 URL과 발행일을 활용하고 권위 있는 출처를 우선하기 위한 경량 신뢰도 점수 계층을 구축했다. 이 원칙들은 검색 기능의 도입에 더해 질의 구성, 정보 갱신 주기, 사용자 반응, 출처 평가를 함께 다루는 운영 방식을 보여준다.

9. 소규모 팀과 완전관리형 서비스의 결합

결론에서 Gen Digital은 생성형 AI의 지원을 받는 소규모 팀이 수개월 안에 기업용 소프트웨어를 제공할 수 있었으며, AgentCore Web Search가 최신 정보를 필요로 하는 제품의 실시간 정보 기반 역할을 했다고 평가한다. 출시한 Norton Revamp에는 개인화 목표 설정, AI 콘텐츠 제안, 검색 근거를 갖춘 실시간 뉴스 피드, 적응형 학습, 게임화, Norton 수준의 보안이 포함됐다고 설명한다. 글의 핵심 주장은 생성형 AI가 엔지니어를 대체하기보다 역량을 증폭하며, 완전관리형 서비스와 결합할 때 웹 검색 인프라를 구축하고 유지하는 복잡성을 줄일 수 있다는 것이다. 인용된 개발팀의 설명도 데이터 반출 없는 개인화 콘텐츠 제공과 개념에서 운영까지 수개월이 걸렸다는 점을 강조하며, AgentCore Web Search를 주요 기여 요소로 꼽는다. 사람이 제품의 방향과 적응 방식을 설계하고 Amazon Bedrock, Amazon Nova, AgentCore Web Search가 구현을 가속했다는 것이 이 사례가 제시하는 역할 분담이다.

🧾 핵심 주장 / 시사점

• 이 사례에서 최신 웹 검색은 뉴스 피드 하나의 기능을 넘어 콘텐츠 제안과 목표 추천이 공유하는 근거 계층으로 작동한다.
• 완전관리형 검색을 사용한 뒤에도 질의 설계, 출처 신뢰도 평가, 최신성에 맞춘 캐싱, 사용자 피드백 처리는 개발팀이 맡는 핵심 품질 과제로 남는다.
• 개발 생산성 성과와 AI 결과물 검토 비용을 함께 제시한 점은, 구현 가속과 사람의 판단 책임이 동시에 필요하다는 글의 결론을 뒷받침한다.

✅ 액션 아이템

• Amazon Nova의 검색 질의 생성에 사용자 목표와 사용자 참여 피드백을 반영하는 방식 검토.
• 최신성 요구에 맞춘 TTL 캐싱과 URL·발행일 기반 출처 신뢰도 검증 적용 검토.
• 기능 구현 속도 3배와 AI 결과물 검토 시간 20~30%를 함께 고려해 생산성 및 품질 검증 부담 평가.

❓ 열린 질문

• AWS 환경 내 데이터 반출 없이 검색한다는 AgentCore Web Search의 설명은 구체적으로 어떤 처리 범위에 적용되는가?
• 사용자 참여 피드백과 최근 4주간 활동이 Amazon Nova의 검색 질의 및 목표 추천 품질을 얼마나 개선했는가?
• 기능 구현 속도 3배라는 성과는 AI 결과물 검토에 소요된 전체 시간의 20~30%를 포함해 측정했는가?