How Qlik built grounded, enterprise-scale AI with Amazon Bedrock

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Qlik은 Amazon Bedrock을 기반으로 출처 검증, 전문 에이전트 분업, 지역별 데이터 주권과 용량 계획을 결합해 전 세계 40,000곳 이상의 고객을 위한 Qlik Answers를 구축했다.

📌 핵심 요약

• Qlik Answers는 자연어 질문을 지식 베이스, 실시간 분석 앱, 용어 정의, 문서 등으로 연결해 출처에 근거한 답변을 제공하며, 2026년 2월 정식 출시 이후 일상적인 사용으로 확대됐다.
• Discovery Agent는 출시 이후 고객에게 100,000건 이상의 발견을 제공했고, 에이전트 기능을 활성화한 Qlik Cloud 계정의 과반수가 해당 기능을 적극적으로 사용하고 있다.
• Qlik은 빠른 라우팅과 심층 추론을 분리하고, 공통 전문 에이전트 실행 환경과 Amazon OpenSearch Service 검색을 구성했으며, Amazon Bedrock Guardrails를 모든 요청과 응답에 적용해 콘텐츠 필터링과 생성 답변의 근거 검증을 수행한다.
• Amazon Bedrock의 다중 모델 선택과 교차 리전 추론(CRIS)을 활용해 11개 리전의 서비스와 데이터 주권 요구에 대응한다. 필요한 모델이 해당 리전의 Bedrock에 없으면 Amazon SageMaker AI에서 호스팅하고, 제공이 시작되면 Bedrock으로 이전한다.
• Bystronic은 15분 만에 챗봇을 배포했고, Lintech International은 17,000건 이상의 기술 문서를 색인해 응답 시간을 75% 단축하고 관리자에게 주당 최대 7시간을 돌려줬다. TouchPoint Support Services는 650개 의료 현장의 직원 15,000명에게 규정 준수에 부합하는 안내를 제공하는 데 Qlik Answers를 활용한다.

🧩 주요 포인트

1. 질문 유형별 경로와 공통 전문 에이전트 실행 환경 → 단순 요청의 처리 부담을 줄이고, 테넌트별 기능 제어로 새로운 기능을 점진적으로 확대하는 구조다.
2. Amazon Bedrock Guardrails의 출처 대조와 CRIS의 지역별 데이터 주권 제어 → 답변의 검증 가능성과 규제 환경에서의 배포 요구를 시스템 수준에서 함께 다룬다.
3. 출시 3~6개월 전 용량 예측과 출시 후 실제 사용량 비교 → 채택 증가에 따른 용량 위험에 대응한다. Qlik은 Amazon Bedrock AgentCore의 일부 워크로드 적용과 체계적인 모델 성능 평가도 검토·개발하고 있다.

🧠 상세 정리

1. 기업의 정보 탐색 문제와 Qlik Answers의 출발점

원문은 기업 직원에게 부족한 것이 데이터 자체가 아니라, 실제 업무 질문을 빠르게 던지고 신뢰할 수 있는 답을 얻는 방법이라고 설명한다. 분석가는 동료가 한 문장으로 물을 수 있는 문제를 해결하려고 문서, 대시보드, 조직에 축적된 지식을 몇 시간씩 찾아야 하며, 생성형 AI를 도입해도 출처 없는 답변과 결과 검증의 어려움, 규제 환경에서의 배포 제약이 남는다. 데이터 통합·품질·분석·AI 분야의 Qlik은 전 세계 40,000곳 이상의 고객을 대상으로 이 문제를 해결하기 위해 Qlik Answers를 구축했다. 2026년 2월 정식 출시 이후 제품은 초기 기능 제공 단계에서 일상적인 사용으로 확대됐다고 원문은 평가한다. 그 근거로 이상 징후와 특이값을 탐지하는 Discovery Agent가 출시 이후 100,000건 이상의 발견을 제공했고, 에이전트 기능을 켠 Qlik Cloud 계정의 과반수가 이를 적극적으로 사용한다는 수치를 제시한다.

2. 동시에 해결해야 했던 세 가지 과제

Qlik이 대규모 운영을 위해 해결해야 했던 첫 번째 과제는 전문적인 추론을 조율하면서도 사용자를 기다리게 하지 않는 것이었다. 기업 질문은 간단한 조회부터 구조화된 분석, 비정형 문서, 용어 정의, 자동화까지 다양하므로, 하나의 범용 도우미에 기능을 계속 추가하면 속도와 정확도가 떨어질 수 있다고 원문은 설명한다. 두 번째 과제는 유럽, 아시아 태평양, 미주 고객의 서로 다른 데이터 거주 요구를 충족하는 것으로, 단일 글로벌 배포는 이를 만족시키기 어렵지만 11개의 독립적인 리전별 구현도 일관되게 유지·개선하기 어렵다. 세 번째 과제는 주요 출시보다 3~6개월 앞서 토큰 소비량과 모델 가용성을 예측하는 일이었다. Qlik은 고객이 실제로 제품을 사용하기 시작한 뒤 예측과 사용량을 비교해, 채택 증가가 용량 부족으로 이어지지 않도록 해야 했다.

3. 자연어 질문의 통합 창구와 고객 적용 사례

Qlik Answers는 분석가뿐 아니라 일반 직원도 한곳에서 자연어로 질문하고, 실제 출처에 근거한 답변을 받을 수 있도록 설계됐다. 질문에 따라 지식 베이스, 실시간 분석 앱, 용어 정의 또는 문서에서 답을 얻으며, 어떤 경로를 사용할지는 내부 시스템이 결정한다. 판금 가공 전문 기업 Bystronic은 15분 만에 AI 챗봇을 배포해 직원들이 실시간 운영 데이터를 조회하고 부서 전반에서 출처가 제시된 답변을 얻도록 했다. Lintech International은 17,000건 이상의 기술 문서를 색인해 수작업 조사 시간을 줄이고 응답 시간을 75% 단축했으며, 비즈니스 관리자에게 주당 최대 7시간을 돌려줬다고 보고했다. 650개 의료 현장에 서비스를 제공하고 규모를 두 배로 확대하려는 TouchPoint Support Services는 규제가 적용되는 빠른 업무 환경에서 직원 15,000명에게 신속하고 규정 준수에 부합하는 안내를 제공하는 데 활용한다.

4. 빠른 라우팅과 전문 추론을 분리한 계층 구조

Qlik은 하나의 거대한 도우미 대신 경계가 명확한 계층으로 시스템을 구성했으며, 진입 계층은 Qlik Cloud 안의 대화 창구를 안정적으로 유지해 백엔드 기능이 늘어나도 고객의 상호작용 방식이 바뀌지 않게 한다. 라우팅 계층은 사용자 메시지와 대화 맥락을 읽어 요청의 목적지를 빠르게 결정하고, 답변 계층은 간단한 요청의 빠른 처리와 질문을 하위 질문으로 나누어 여러 출처를 활용하는 심층 처리 중 적절한 경로를 선택한다. 전문 에이전트 계층은 에이전트, 도구, 상태, 사람의 개입 단계를 공통 실행 환경으로 정의해 새로운 전문가가 각자 조율 방식을 만들 필요를 줄인다. 대화형 분석 계층은 구조화된 데이터 질문을 분석 앱의 맥락을 이해하는 추론 경로로 보내고, 검색 계층은 Amazon OpenSearch Service에서 비정형 문서를 색인하고 검색한다. 모델 접근 계층은 Qlik 자체 LLM 게이트웨이를 통해 Amazon Bedrock의 채팅, 스트리밍, 임베딩, 재순위화 기능에 연결된다. 이 계층은 모든 요청과 응답에 Amazon Bedrock Guardrails를 적용하며, 필요한 모델이 해당 리전의 Bedrock에 없으면 Amazon SageMaker AI에서 호스팅한 뒤 리전 내 제공이 시작되면 Bedrock으로 옮긴다.

5. 검색을 넘어 생성 답변의 근거까지 검증

답변 계층은 질문에 따라 구조화된 앱 메타데이터, 검색된 지식 베이스 내용, 용어 정의, 자동화 맥락, 요약할 문서 내용을 활용하고, 답변에 필요한 요소가 돌아오면 이를 하나의 응답으로 조합한다. 그러나 원문은 검색만으로 정확성이 보장되지는 않는다고 지적하며, Qlik이 Amazon Bedrock Guardrails의 맥락적 근거 검증 기능으로 생성 답변과 사용한 원문을 대조한다고 설명한다. 비정형 질문은 Amazon OpenSearch Service에서 질문에 맞는 내용을 검색하고 그 맥락을 최종 답변까지 전달해 인용을 포함하도록 하며, 구조화된 질문은 대화형 분석 경로에서 처리한다. 모델 접근 계층에서는 프롬프트 인젝션, 개인 식별 정보(PII), 비밀 정보, 금지된 주제에 대한 콘텐츠 필터링도 적용한다. 용어 조회, 자동화, 문서 요약 같은 추가 기능은 기능 제어를 통해 단계적으로 제공하고, 테넌트별 설정에 따라 요청마다 사용 가능한 조율 경로를 다시 구성해 고객별 선택권과 전체 아키텍처의 일관성을 함께 유지한다.

6. Amazon Bedrock 선택과 지역별 운영 방식

Qlik은 앞서 제시한 세 가지 과제를 기준으로 모델 전략을 평가했으며, Amazon Bedrock이 각 과제에 대응한다고 설명한다. 다중 모델 선택은 전체 시스템을 하나의 모델 특성에 맞추는 대신, 각 에이전트의 작업에 적합한 모델을 배정할 수 있게 한다. 원문에 따르면 Amazon Bedrock의 교차 리전 추론(CRIS)은 규정 준수상 필요한 데이터 거주 범위를 유지하면서 11개 리전에 서비스를 제공하도록 지원한다. AWS의 리전별 배포 방식과 용량 예약 선택지는 확장 여력을 제공하고, Amazon Bedrock AgentCore 같은 관리형 서비스는 전체 시스템을 이전하지 않고도 특정 워크로드의 운영 부담을 줄일 수 있는 선택지로 제시된다. Qlik은 애플리케이션 로직을 특정 모델에 직접 연결하지 않고 자체 LLM 게이트웨이를 사용하므로, 제품 팀은 주변 애플리케이션을 다시 작성하지 않고 작업별 모델 선택을 바꿀 수 있다.

7. 용량 예측, 사용 성과와 운영에서 얻은 교훈

Qlik은 주요 출시 3~6개월 전에 기능과 리전별 토큰 소비량을 예측하는 모델을 만들고, 각 기능을 배포한 뒤 실제 사용량과 비교했으며, 원문은 이 과정이 2026년 2월 정식 출시 이후의 확장을 뒷받침했다고 설명한다. Discovery Agent의 100,000건 이상 발견과 활성화 계정 과반수의 적극적인 사용은 제품 전체의 채택 지표이고, Lintech International의 응답 시간 75% 단축과 Bystronic의 15분 배포는 별도로 보고된 고객 사례다. 운영 교훈으로는 빠른 라우팅과 심층 추론을 일찍 분리해 모든 요청이 불필요한 처리 비용을 부담하지 않도록 할 것이 제시된다. 또한 전문 에이전트마다 별도 실행 환경을 만들기보다 하나의 조율 프레임워크를 사용해야 운영이 쉬워진다고 설명한다. 안전성과 근거 검증은 모델 접근 계층의 공통 관문으로 적용해 신규 에이전트가 같은 보호 조치를 이어받게 하고, 테넌트별 기능 플래그로 검증이 덜 된 기능의 영향을 제한한다. 출시 후 예측 사용량과 실제 사용량을 비교하는 습관은 용량 계획을 추측에서 반복 가능한 절차로 바꾸는 요소로 제시된다.

8. 선택적인 관리형 서비스 도입과 모델 평가의 다음 단계

Qlik은 앞으로도 아키텍처를 개방적이고 적응 가능한 상태로 유지하려 하며, 관리형 에이전트 실행 환경이 운영 부담을 줄일 수 있는 일부 워크로드에 Amazon Bedrock AgentCore를 적용하는 방안을 평가하고 있다. 동시에 비용, 지연 시간, 이식성을 더 잘 통제할 수 있는 경우에는 개방형 표준과 자체 조율 계층을 계속 활용할 계획이다. 특정 관리형 서비스 하나를 중심으로 전체 프레임워크를 고정하기보다, 도움이 되는 영역에서 선택적으로 채택할 수 있는 여지를 남기는 것이 목표다. Qlik은 체계적인 모델 성능 평가 프레임워크도 개발하고 있으며, 더 적합한 모델이 등장하면 고객이 이미 의존하는 경험을 방해하지 않고 전환하려 한다. 원문은 지금까지의 채택을 속도가 중요한 요청은 빠르게, 정확성이 중요한 요청은 신중하게 처리하면서 실제 출처와 안전성 통제를 유지한 아키텍처의 결과로 해석하지만, 제공된 결론 마지막 문장은 중간에서 끊겨 있어 추가 성과 수치는 확인할 수 없다.

🧾 핵심 주장 / 시사점

• Qlik Answers의 확장 방식은 전문 기능을 늘리는 것과 모든 질문의 처리 부담을 늘리는 것을 분리하는 데 초점이 있다. 라우팅, 답변 생성, 전문 에이전트 실행을 구분한 구조가 이 선택을 뒷받침한다.
• 출처를 검색하는 단계와 생성 답변을 출처에 대조하는 단계는 서로 다른 역할을 한다. Qlik은 Amazon Bedrock Guardrails를 공통 모델 접근 계층에 배치해 검증을 개별 기능이 아닌 시스템 차원의 통제로 운영한다.
• 100,000건 이상의 발견과 활성화 계정 과반수의 사용은 채택을 보여주지만, 응답 시간 75% 단축과 주당 최대 7시간 절감은 Lintech International의 개별 성과다. 이 수치들을 전체 고객에게 동일하게 적용되는 효과로 해석할 근거는 제시되지 않는다.

✅ 액션 아이템

• Qlik Answers 적용 시 빠른 라우팅과 심층 추론의 분리, 테넌트별 기능 제어의 적합성 검토.
• Amazon Bedrock Guardrails의 근거 검증과 CRIS의 데이터 주권 제어를 규제 환경의 요구에 맞춰 검토.
• 출시 3~6개월 전 용량 예측을 출시 후 실제 사용량과 비교하고, Amazon Bedrock AgentCore의 일부 워크로드 적용 가능성 평가.

❓ 열린 질문

• Qlik Answers의 빠른 라우팅과 심층 추론 경로를 선택하는 구체적인 기준은 무엇인가?
• CRIS를 활용하는 11개 리전에서 데이터 주권 요구에 따라 허용되는 처리 범위는 어떻게 달라지는가?
• 출시 3~6개월 전 용량 예측과 출시 후 실제 사용량 사이의 오차는 어느 정도이며, 그 결과를 다음 예측에 어떻게 반영하는가?