Articleaws.amazon.com·2026년 11월 17일·0

Getting AI out of the demo and into businesses globally

Quick Summary

AWS는 한국을 포함한 15개국에서 AWS Forward Deployed Engineering(FDE)을 제공하며, 고객 엔지니어와 함께 AI 시제품을 실제 업무에 투입하고 고객이 직접 운영·확장할 기반을 구축한다고 밝혔다.

Getting AI out of the demo and into businesses globally 관련 대표 이미지

🖼️ 인포그래픽

Getting AI out of the demo and into businesses globally 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

Getting AI out of the demo and into businesses globally의 핵심 내용을 4단계로 요약한 인포그래픽
Getting AI out of the demo and into businesses globally 핵심 내용을 4단계로 압축한 4컷 인포그래픽

💡 한 줄 요약

AWS는 한국을 포함한 15개국에서 AWS Forward Deployed Engineering(FDE)을 제공하며, 고객 엔지니어와 함께 AI 시제품을 실제 업무에 투입하고 고객이 직접 운영·확장할 기반을 구축한다고 밝혔다.

📌 핵심 요약

  • AWS는 AI 시제품이 운영 단계에서 막히는 주된 이유로 실제 데이터의 복잡성, 문서화되지 않은 업무 규칙, 개별 결정을 설명해야 하는 감사 요건을 꼽았다. FDE는 고객의 AWS 계정에서 45일 단위 스프린트로 이 문제를 다룬다.
  • AWS에 따르면 삼성생명에서는 4개 계열사가 AI 솔루션을 개별 개발하던 상황에서 FDE 팀이 45일 만에 단일 제어 체계와 규정 준수 기능을 갖춘 플랫폼을 구축했다. 이제는 등록과 정책 할당으로 새 에이전트를 배포한다.
  • Rio Tinto Iron Ore 사례에서는 FDE 팀이 에이전트를 이용해 30년 된 Oracle 시스템의 의존관계를 수주 만에 파악했다고 AWS는 전했다. 5,000개가 넘는 데이터베이스 테이블과 140개 애플리케이션의 관계를 파악하는 데 이전에는 수개월이 걸렸다.
  • AWS에 따르면 Marsh는 자체 감사 기준을 설계에 반영해 착수 약 두 달 만에 첫 업무를 운영 환경에 배포했다. 대상 영역의 효율 개선 폭은 최대 70%였고, 일부 단계의 처리 시간은 수시간에서 수초로 줄었다.
  • AWS는 고객이 업무 규칙과 운영 통제를 다음 업무에 재사용하고 직접 시스템을 확장하는 것을 성과 기준으로 삼는다. AI-Driven Development Lifecycle(AI-DLC)을 적용한 한 금융서비스 고객의 개발 처리량은 53% 늘었고 코드 리뷰는 56% 빨라졌다고 소개했다.

🧩 주요 포인트

  1. 공통 기반을 먼저 구축하면 시스템 연동, 업무 규칙, 운영 통제를 다음 업무에 재사용할 수 있어 후속 개발의 중복이 줄어든다.
  2. 현업 담당자가 실제 사례로 문서화되지 않은 업무 규칙을 설명하고 기존 시스템의 의존관계를 검증해야 에이전트가 처리할 일과 사람이 판단할 예외를 구분할 수 있다.
  3. 에이전트별 권한과 감사 기록을 처음부터 고객의 AWS 계정에 갖추면 고객이 배포 이후에도 의사결정을 추적하고 시스템을 직접 확장할 수 있다.

🧠 상세 정리

1. 시연을 통과한 AI가 실제 업무에서 막히는 이유

AWS가 만난 기업들은 보험금 청구서를 읽거나 카드 분쟁을 처리하고 고객 질문에 수초 만에 답하는 시제품을 이미 만들고 있었다. 막상 전사에 적용하면 실제 데이터는 시험용 데이터보다 다루기 어렵고, 처리량은 늘어나며, 감사 담당자는 에이전트가 개별 결정을 내린 이유를 요구한다. 결정에 가장 중요한 규칙이 현업 담당자의 경험 속에만 남아 있는 경우도 있다. AWS는 시연과 운영 사이의 이 간극을 줄이기 위해 6월에 FDE를 출범시켰고, 금융·의료·스포츠·미디어·유통 등의 민간 및 공공 부문 고객과 일했다고 밝혔다. AWS가 제시한 성공 기준은 파견이 끝난 뒤에도 고객이 기반을 소유하고, 업무 과정에서 새로 배운 내용을 반영하며, 에이전트의 결정을 감독할 수 있는지다.

2. 첫 번째 과제는 여러 업무가 함께 쓸 기반을 만드는 일

AWS는 신규 시스템에서는 빠르게 개발을 시작할 수 있지만 공통 기반을 처음부터 세워야 하고, 기존 시스템에서는 수십 년간 쌓인 데이터와 규칙, 시스템 간 연동을 고려해야 한다고 설명한다. 어느 쪽이든 여러 에이전트가 함께 쓸 신원 관리, 보안, 업무 맥락, 거버넌스, 운영 통제가 필요하다. 특히 데이터가 여러 시스템에 흩어져 있고 업무 개념과 그 관계를 일관되게 정의한 공통 모델이 없으면, 두 번째 시범 사업에서도 연동을 다시 구축하느라 첫 번째와 비슷한 비용이 들 수 있다. AWS는 개별 시범 사업을 잠시 멈추고 공통 기반을 먼저 만드는 전환을 ‘AI 리셋’이라고 부른다. AWS에 따르면 삼성생명에서는 4개 계열사가 각자 AI 솔루션을 개발하던 상황에서 45일 만에 단일 제어 체계와 규정 준수 기능을 갖춘 플랫폼을 구축했고, 이후에는 등록과 정책 할당으로 새 에이전트를 배포하게 됐다.

3. 두 번째 과제는 사람과 시스템에 남아 있는 업무 규칙을 찾는 일

보험금 청구, 고객확인(KYC) 심사, 카드 분쟁, 대출 취급, 송장 대사처럼 처리량이 많고 규칙이 복잡한 업무에서는 자동화 효과를 측정하기 쉽지만, 판단 기준까지 문서로 정리돼 있는 경우는 드물다고 AWS는 설명한다. 예를 들어 송장과 구매주문서가 불일치할 때 어느 기록을 우선할지, 어떤 예외를 사람이 검토해야 할지는 숙련된 직원이 경험으로 판단해 온 문제다. 오래된 시스템에서는 업무 지식이 테이블과 애플리케이션의 의존관계에 담겨 있기도 하다. AWS에 따르면 Rio Tinto Iron Ore의 광산·선적 공급망을 뒷받침하는 30년 된 Oracle 시스템에는 5,000개가 넘는 테이블과 140개 애플리케이션이 있었고, 그 관계를 파악하는 데 수개월이 걸렸다. FDE 팀이 만든 에이전트는 수주 만에 의존관계를 정리해 Rio Tinto 담당자들이 이를 검증하고 후속 개발에 활용할 수 있게 했다.

4. 세 번째 과제는 배포 뒤에도 작동하는 감사와 통제

에이전트가 늘어나면 기업이 관리할 보안 위험과 비용이 커지고, 사후에 설명해야 할 결정도 많아진다. AWS는 각 에이전트에 사람과 구분되는 신원과 권한을 부여하고 감사 기록을 남겨야 누가 어떤 권한으로 결정했는지 추적할 수 있다고 설명한다. 배포 뒤에도 모델의 동작, 업무 규칙, 데이터 형식과 규제가 달라지므로, 결과의 일관성이 필요한 업무에서는 지속적인 모니터링과 평가가 필요하다. AWS는 이런 통제를 설계 마지막에 추가하면 운영 전환이 지연될 수 있다고 보고, 자체 감사 기준을 처음부터 반영한 전문서비스 기업 Marsh를 사례로 들었다. AWS에 따르면 Marsh의 첫 업무는 착수 약 두 달 뒤 실제 운영에 들어갔고, 대상 영역의 효율은 최대 70% 개선됐으며 일부 단계는 수시간에서 수초로 단축됐다. 이후 Marsh는 적용 범위를 넓히고 자체적으로 시스템을 확장하고 있다.

5. 45일 스프린트에서 현업의 판단을 반영하는 방식

FDE에서는 AWS 엔지니어·과학자·제품 관리자로 구성된 소규모 팀이 고객 엔지니어 및 전문 AI 에이전트와 함께 일한다. AWS에 따르면 파견 인력 중에는 Amazon Bedrock, Amazon Bedrock AgentCore, Kiro, AWS Quick, AWS Security Hub를 개발하는 서비스 팀 출신이 많다. 이들은 폭넓게 제시된 목표를 사업 담당자와 함께 구체화한 뒤, 첫날부터 고객의 AWS 계정에서 실제 데이터와 기존 신원·보안 통제를 사용해 개발한다. 짧은 주기마다 현업 담당자에게 실제 사례를 보여 주면, 담당자가 결과를 검토하는 과정에서 평소 명시하지 않았던 판단 기준이 드러나고 팀은 이를 시스템이 참조하는 업무 맥락에 반영한다. AWS는 45일 단위로 작업하면서 시연과 평가로 고객이 원하는 성과에 얼마나 가까워졌는지 확인하고, 시제품을 다시 구축하는 과정 없이 한 분기 이내에 운영 시스템을 제공하는 방식이라고 설명한다.

6. 두 번째 업무에서 재사용하는 기술과 지식

모든 FDE 팀은 AWS 서비스 팀이 사용하는 AI-DLC를 따르며, 고객 환경에 맞춰 공통 기술 구성을 적용한다고 AWS는 밝혔다. 여기에는 계속 갱신되는 업무 맥락, 고객 엔지니어와 에이전트가 함께 개발하는 작업 환경, Amazon Bedrock AgentCore 실행 환경, 거버넌스·성과·비용·에이전트 성능을 확인하는 통합 관리 기능이 포함된다. 문서 처리와 고객 감정 분석 등 반복되는 작업에는 운영 환경에서 사용할 수 있도록 미리 구축한 수십 개의 구성 요소를 활용해 고객 고유의 업무에 개발 시간을 쓸 수 있게 한다. AWS가 든 예에서는 영업 자동화를 위해 정리한 업무 맥락이 고객 계정에 남아 후속 공급망 최적화 작업의 출발점이 된다. 업무별로 도구와 연동을 다시 만드는 부담을 줄이고, 앞선 개발에서 얻은 지식까지 이어 가는 것이 AWS가 설명하는 확장 방식이다.

7. 고객이 직접 운영하고 확장하기 위한 조건

구축한 시스템은 고객의 AWS 계정에서 고객의 신원·네트워크·보안 통제 아래 실행되며, 고객 엔지니어는 첫 스프린트부터 실제 업무를 다루면서 아키텍처와 개발 방식을 익힌다. AWS 팀이 떠난 뒤에는 고객이 한곳에서 에이전트별 상태와 보안을 확인하고 직접 기능을 확장할 수 있다. AWS는 첫 번째나 두 번째 프로젝트 이후 고객이 스스로 AI 소프트웨어를 반복해서 개발할 수 있기를 기대하며, AI-DLC로 엔지니어와 에이전트가 협업한 한 금융서비스 고객의 처리량이 53% 늘고 코드 리뷰가 56% 빨라졌다고 밝혔다. 또한 고객은 Amazon Bedrock을 통해 시스템을 다시 구축하지 않고 모델을 바꿀 수 있고, 자체 코딩 에이전트도 사용할 수 있다고 설명한다. 기존 시스템은 API와 개방형 표준, 커넥터로 연결하며, 하이브리드 환경에서도 고객이 쓰던 도구 및 파트너와 작업할 수 있다는 설명이다.

8. 15개국 제공 범위와 고객의 도입 단계별 지원

AWS는 고객 현장에서 배운 내용을 서비스 개발에 반영하고, 초기 아이디어 탐색부터 운영까지 단계별로 조직을 연결한다고 설명한다. 초기 아이디어는 고객 개발 엔지니어링 조직이 탐색하고, FDE가 복잡한 업무를 운영 단계로 옮기면 AWS Professional Services와 AWS Partners가 조직 전반으로 적용을 넓히며 AWS Support가 운영을 지원한다. FDE 제공 국가는 미국·멕시코·브라질·캐나다·호주·싱가포르·인도·한국·일본·영국·독일·네덜란드·프랑스·스웨덴·사우디아라비아 등 15개국이며, 민간 및 공공 부문 고객 모두 이용할 수 있다. 각 45일 스프린트에는 FDE 약관에 따른 고정 가격이 적용되며 고객의 AWS 계정으로 청구된다. 도입 초기에는 공통 기반과 첫 업무를 구축하고, 이후에는 청구 심사나 고객 문의 해결 방식을 재설계하거나 기존 애플리케이션에 맞춰 개발 방식을 정비하며, 이미 운영 규모가 큰 고객에게는 보안 유지와 성과당 비용 절감을 지원한다고 밝혔다. AWS는 시작 단계에서 성과를 책임질 임원과 공동 개발에 참여할 엔지니어가 AWS 계정 담당 팀과 논의할 것을 제안했다.

🧾 핵심 주장 / 시사점

  • 삼성생명 사례에서 공통 기반의 효과가 구체적으로 드러나는 지점은 새 에이전트의 배포 방식이다. 기존 제어 체계를 활용할 수 있어 각 계열사가 처음부터 다시 구축하던 작업을 등록과 정책 할당으로 바꿨다.
  • 현업 담당자와의 사례 검토는 경험에 의존하던 판단 기준을 드러내고, Rio Tinto Iron Ore의 시스템 분석은 기존 애플리케이션에 남아 있던 의존관계를 드러낸다. 두 경우 모두 발견한 지식의 업무상 의미를 확인하는 역할은 고객 팀에 있다.
  • AWS가 제시한 성과 수치는 사례마다 측정 대상이 다르다. Marsh의 최대 70%는 특정 업무 영역의 효율 개선 폭이고, 금융서비스 고객의 53%와 56%는 각각 개발 처리량 증가와 코드 리뷰 속도 개선을 가리킨다.

✅ 액션 아이템

  • 삼성생명 사례를 참고해 후속 업무에서도 재사용할 시스템 연동과 운영 통제의 범위를 정한다.
  • 현업 담당자와 실제 사례를 검토해 문서화되지 않은 업무 규칙과 사람이 판단할 예외를 구체화한다.
  • 고객의 AWS 계정에서 에이전트별 권한과 감사 기록을 관리하고 배포 이후에도 개별 결정을 추적할 수 있는지 확인한다.

❓ 열린 질문

  • 삼성생명이 구축한 공통 기반 가운데 다른 업무에도 그대로 재사용할 수 있는 부분은 어디까지인가?
  • 문서화되지 않은 업무 규칙 중 에이전트가 처리할 일과 사람이 판단할 예외는 어떤 기준으로 구분할 수 있는가?
  • Marsh가 보고한 최대 70%의 효율 개선은 대상 영역별로 어떻게 달랐는가?

관련 문서

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