🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

LendingTree는 교육·상품 매칭을 담당하는 전문 에이전트와 이를 조율하는 감독 에이전트를 결합해, 규제 준수와 대화 맥락 유지를 지원하는 주택담보대출 상담 서비스를 구축했습니다.

📌 핵심 요약

• LendingTree는 복잡한 주택담보대출 개념을 설명하고 이용자의 상황에 맞는 대출 상품을 제시하기 위해 감독·교육·매칭 역할로 구성된 다중 에이전트 시스템을 운영하고 있습니다.
• 모든 이용자 입력과 모델 출력에는 콘텐츠 필터링, 개인식별정보 삭제, 프롬프트 위협 검사, 별도의 대화 정책 분류가 적용되며 복잡한 문제는 상담원에게 전달됩니다.
• 감독 에이전트는 이용자 의도를 분석하고 실행 계획을 세운 뒤 교육 또는 매칭 에이전트로 작업을 전달하며, 각 결정 경로를 추적하고 감사할 수 있도록 구성됐습니다.
• 교육 에이전트는 실제 문서에 근거해 금융 개념을 설명하고, 매칭 에이전트는 LendingTree의 금리·자격·상품 API를 이용해 개인화된 선택지를 비교합니다.
• 출시부터 2026년 1분기까지 약 1,960건의 대화와 1만 2,100개 메시지를 처리했으며, 전체 대화의 97% 이상이 사람의 개입 없이 완료됐습니다.

🧩 주요 포인트

1. 역할별 에이전트 분리 → 복잡한 질문을 교육과 개인화된 상품 탐색으로 나누면서도 이용자에게는 하나의 연속된 대화로 제공합니다.
2. 명시적인 상태 흐름과 이중 안전 검사 → 금융 규제에 필요한 통제력을 확보하고 오류 발생 시 어느 단계에서 결정이 내려졌는지 추적할 수 있습니다.
3. 교육 중심 이용에서 거래 행동으로의 이동 → 최근에는 금리 비교·대출기관 매칭·사전 자격 확인이 포함된 대화가 절반을 넘어 실제 행동과 연결되는 비중이 커졌습니다.

🧠 상세 정리

1. 복잡한 주택담보대출 의사결정과 서비스 목표

주택 구매자는 구매와 재융자, 일반 대출과 정부 보증 대출, 15년과 30년 상환 기간, 고정금리와 변동금리 등 여러 선택지를 동시에 비교해야 합니다. 여기에 할인 포인트, 대출 실행 수수료, 총부채상환비율처럼 익숙하지 않은 용어까지 더해져 많은 이용자가 절차를 시작하기 전부터 어려움을 느낍니다. LendingTree는 25년 넘게 수백만 명의 소비자를 대출기관과 연결해 경쟁력 있는 조건을 찾도록 지원해 왔으며, 인공지능 기반 주택담보대출 도우미를 그 역할의 연장선으로 제시했습니다. 단순한 자주 묻는 질문용 챗봇을 만드는 데 그치지 않고, 이용자의 상황을 이해해 어려운 질문에 답하고 적합한 제안을 연결하는 자연스러운 대화를 목표로 삼았습니다.

2. 정확성·투명성·규제 준수를 전제로 한 설계

LendingTree는 새로운 도우미에도 정확한 정보, 투명한 안내, 엄격한 이용자 데이터 보호라는 기존 기준을 적용해야 했습니다. 규제가 강한 주택담보대출 분야에서는 콘텐츠 필터링, 개인식별정보 보호, 규정 준수 감독을 선택 기능이 아니라 필수 조건으로 다뤘습니다. 이에 따라 구성 가능한 안전 통제 기능과 기존 AWS 거버넌스 통제를 활용할 수 있는 Amazon Bedrock을 기반으로 선택했습니다. 회사는 기반 모델과 내장형 가드레일을 통해 보안과 규정 준수를 처음부터 적용하면서, 이용자를 교육하고 상황을 파악해 적절한 제안과 연결하는 신뢰할 수 있는 안내자 역할을 구현했다고 설명했습니다.

3. 감독·교육·매칭으로 나눈 다중 에이전트 구조

전체 시스템은 한 개의 감독 에이전트와 교육 및 매칭을 담당하는 두 개의 전문 작업 에이전트로 구성됩니다. 세 에이전트는 LangGraph, 모델 컨텍스트 프로토콜, Amazon Bedrock 기반 모델을 이용해 협업하며, 각각 Amazon ECS와 AWS Fargate의 컨테이너 서비스로 실행됩니다. ECS 배포는 Amazon Bedrock AgentCore가 정식 제공되기 전에 시스템이 이미 운영 환경에 들어가 있었기 때문에 유지됐습니다. 이용자용 React 채팅 애플리케이션도 같은 컨테이너 기반 환경에서 실행되어 웹과 모바일 브라우저에 공개 엔드포인트를 제공합니다. 각 에이전트를 별도 서비스로 분리했기 때문에 서로 다른 수요 신호에 따라 독립적으로 확장할 수 있습니다.

4. 입출력 안전 검사와 운영 규칙 적용

이용자의 입력과 모델이 생성한 출력은 Amazon Bedrock Guardrails를 통과하며, 혐오 표현과 비속어 같은 콘텐츠를 필터링하고 개인식별정보를 삭제합니다. 들어오는 메시지에는 모델을 악의적으로 조작하려는 프롬프트 위협 검사도 적용됩니다. 이와 별도로 대규모 언어 모델 기반 안전 분류기가 LendingTree의 대화 정책을 집행하며, 두 안전 검사는 지연을 추가하지 않도록 동시에 실행됩니다. 안전 검사 뒤의 비즈니스 로직 계층은 시스템이 자체적으로 처리하기 어려운 복잡한 사안을 사람 상담원에게 전달하고, 주택담보대출과 무관한 대화는 적절한 방향으로 돌립니다. 최종 응답 역시 이용자에게 전달되기 전에 다시 가드레일을 통과합니다.

5. 명시적으로 추적 가능한 감독 에이전트

감독 에이전트는 LangGraph 상태 머신과 계획·실행 패턴을 사용해 전체 대화를 조율합니다. 그래프의 노드는 의도 분석, 실행 계획 수립, 응답 작성 같은 작업을 수행하고, 엣지는 결과에 따라 교육 에이전트, 매칭 에이전트 또는 감독 에이전트의 직접 응답 중 다음 경로를 결정합니다. 감독 에이전트는 Amazon Nova Pro로 이용자 의도를 분석하고 실행 계획을 만든 뒤, 연결 풀링을 적용한 모델 컨텍스트 프로토콜 통신으로 필요한 작업을 전달합니다. 복잡한 추론과 중요한 분류에는 Nova Pro를, 일반 대화와 가벼운 분류에는 Nova Lite를 선택해 신뢰성과 비용 사이의 균형을 맞춥니다. 계획과 실행을 분리했기 때문에 문제가 생기면 어떤 노드가 어떤 결정을 내렸는지 단계별로 확인할 수 있습니다.

6. 교육·매칭 전문화와 지속되는 대화 맥락

교육 에이전트는 주택담보대출 개념과 상품 간 차이를 설명하고, 상호작용형 대화를 통해 이용자가 선택지를 이해하도록 돕습니다. 자체 LangGraph 흐름과 전문 지식 베이스를 사용하며, Amazon OpenSearch Service를 벡터 저장소로 연결한 검색 증강 생성 방식으로 실제 문서에 근거한 답변을 만듭니다. 매칭 에이전트는 이용자의 선호 조건을 수집한 뒤 LendingTree 내부의 상품 제안, 자격 판정, 금리 API를 호출해 실제 상황에 맞는 대출 선택지를 제시하고 나란히 비교합니다. 대화 기록과 세션 상태는 Amazon RDS의 PostgreSQL에 있는 LangGraph 체크포인터로 보존됩니다. 덕분에 여러 차례의 대화, 에이전트 간 인계, 서비스 재시작 이후에도 맥락이 유지되며 이용자는 중단한 대화를 이어서 질문할 수 있습니다.

7. 하나의 대화로 보이는 실행 흐름과 운영 방식

이용자가 FHA 대출과 일반 대출의 차이 및 자신에게 맞는 선택을 함께 묻는 경우, 메시지는 먼저 안전 검사를 거칩니다. 감독 에이전트는 저장된 대화 이력을 불러와 설명과 개인화 비교라는 두 가지 요구를 식별한 뒤, 각각 교육 에이전트와 매칭 에이전트에 전달합니다. 두 작업 에이전트가 독립적으로 반환한 결과는 감독 에이전트가 하나의 일관된 답변으로 합치고, 최종 안전 검사를 거쳐 이용자에게 제공합니다. 전체 교환 내용은 PostgreSQL에 체크포인트로 기록되므로 다음 질문에서도 앞선 조건과 답변이 유지됩니다. 운영 측면에서는 각 에이전트를 독립적으로 업데이트·확장·되돌릴 수 있고, CloudWatch 로그와 AWS X-Ray 분산 추적으로 여러 서비스에 걸친 한 대화의 경로와 처리 시간을 추적합니다.

8. 운영 성과와 이용 행태의 변화

이 도우미는 2025년 말부터 실제 주택담보대출 대화를 처리했으며, 출시부터 2026년 1분기까지의 LendingTree 내부 분석에 따르면 약 1,960건의 대화와 1만 2,100개 메시지를 처리했습니다. 전체 평균은 대화당 6.2개 메시지였고, 적극적으로 이용한 사용자는 평균 9분 동안 10개가 넘는 메시지를 주고받으며 조건을 보완하고 후속 질문을 이어갔습니다. 초기에는 전체 대화의 75%가 금융 개념을 묻는 교육 목적이었지만, 최근에는 금리 비교, 대출기관 매칭, 사전 자격 확인 같은 거래 의도가 포함된 대화가 50%를 넘었습니다. 주요 질문은 FHA·일반·VA 대출 비교, 신용 조건별 자격, 금리 협상, 마감 일정, 계약금의 장단점처럼 개인 상황에 따라 답이 달라지는 주제였습니다. 전체 대화의 97% 이상이 사람의 개입 없이 완료됐고, 직접 상담원을 요청한 이용자는 약 3%였습니다.

🧾 핵심 주장 / 시사점

• 교육 에이전트가 개념 이해를 돕고 매칭 에이전트가 실제 상품 탐색을 이어받는 구조는, 별도의 재시작이나 강제 인계 없이 교육에서 행동으로 연결되는 대화를 가능하게 했습니다.
• 평균 6.2개 메시지와 적극 이용자의 9분·10개 이상 메시지라는 수치는 이용자가 단발성 조회에 그치지 않고 이전 대화의 조건을 바탕으로 질문과 선택지를 계속 구체화했음을 보여줍니다.
• 97% 이상의 자체 처리율과 약 3%의 상담원 요청 비율은 이 시스템이 콜센터 앞단의 단순 분류 도구가 아니라 대부분의 대화를 처음부터 끝까지 처리하는 상담 서비스로 운영됐음을 나타냅니다.

✅ 액션 아이템

• 감독·교육·매칭 에이전트 역할 경계를 정의하고, 이용자에게는 하나의 연속 대화로 보이게 유지하는 조건을 점검한다.
• 입력·출력 콘텐츠 필터, 개인식별정보 삭제, 프롬프트 위협 검사, 대화 정책 분류가 전 경로에 적용되는지 확인한다.
• 금리 비교·대출기관 매칭·사전 자격 확인 등 거래형 대화 비중이 절반을 넘는 추세에 맞춰 매칭 경로 우선순위를 정한다.

❓ 열린 질문

• 복잡한 문제를 상담원에게 넘기는 기준은 어떤 의도·위험 수준에서 판단할 것인가?
• 교육 에이전트의 문서 근거와 매칭 에이전트 API 결과가 어긋날 때 어떤 우선순위를 적용할 것인가?
• 대화의 97% 이상이 무인 완료되는 운영을 유지하면서 결정 경로 감사 추적성은 어떻게 확보할 것인가?