Articleaws.amazon.com·2026년 11월 17일·0

How LoanPro built an agentic AI loan servicing assistant with Amazon Bedrock AgentCore

Quick Summary

LoanPro는 Amazon Bedrock과 Amazon Bedrock AgentCore로 차주 계정 요약과 후속 조치 추천을 제공하는 상담 보조 AI를 구축했고, AllCloud의 사례 연구는 도입 초기 고객 통화 시간이 최대 15% 줄었다고 보고했다.

How LoanPro built an agentic AI loan servicing assistant with Amazon Bedrock AgentCore 관련 대표 이미지

🖼️ 인포그래픽

How LoanPro built an agentic AI loan servicing assistant with Amazon Bedrock AgentCore 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

How LoanPro built an agentic AI loan servicing assistant with Amazon Bedrock AgentCore의 핵심 내용을 4단계로 요약한 인포그래픽
How LoanPro built an agentic AI loan servicing assistant with Amazon Bedrock AgentCore 핵심 내용을 4단계로 압축한 4컷 인포그래픽

💡 한 줄 요약

LoanPro는 Amazon Bedrock과 Amazon Bedrock AgentCore로 차주 계정 요약과 후속 조치 추천을 제공하는 상담 보조 AI를 구축했고, AllCloud의 사례 연구는 도입 초기 고객 통화 시간이 최대 15% 줄었다고 보고했다.

📌 핵심 요약

  • LoanPro는 AllCloud 및 AWS Generative AI Innovation Center와 함께 기존 대출 관리 포털에 상담 보조 AI를 도입했다. 상담원은 차주 계정을 열면 최근 활동과 미해결 사안을 요약한 설명을 보고, 자연어로 후속 질문을 할 수 있다.
  • Strands Agents SDK로 구현한 전문 에이전트들이 데이터 조회·계정 요약과 후속 조치 추천을 나눠 맡는다. 조정 에이전트가 요청을 배분하고 최종 응답을 구성하며, 시스템은 Amazon Bedrock에서 Claude Sonnet 5.5, Claude Haiku 5.5, Claude Opus 5.5를 사용한다.
  • Data Retrieval Tool은 기존 API 엔드포인트 8개를 통해 계정당 약 1,400개 필드의 정보를 종합한다. Invoke API Tool은 상담원에게 정보 패널을 표시하거나 사전에 정의된 자동화를 시작할 수 있다.
  • LoanPro는 요청마다 사용자의 역할 기반 접근 권한과 규정 준수 조건을 확인한다. AI가 수행한 조치는 실명 책임자와 연결해 감사 기록에 남기며, 상담원과 AI 사이의 대화도 기록한다.
  • 개발팀은 전문가가 판정한 계정 150건에서 데이터 조회·요약·조치 선택을 평가해 정확도 목표 99%를 달성했다고 밝혔다. AllCloud가 보고한 통화 시간 최대 15% 단축은 초기 운영 성과이며, 제공된 본문에는 측정 기간과 평균 단축률이 제시되지 않았다.

🧩 주요 포인트

  1. 전문 에이전트가 업무를 나눠 맡아 계정 요약의 품질과 후속 조치 추천의 적절성을 각각 평가하고 개선할 수 있다.
  2. 기존 API로 운영 데이터를 직접 조회하면서 요청마다 역할 기반 접근 권한을 확인해, 상담원이 볼 수 있는 범위 안에서 계정 정보를 종합한다.
  3. 정확도 목표 99%는 계정 150건의 벤치마크를 기준으로 하고, 통화 시간 최대 15% 단축은 초기 운영 사례를 기준으로 한다. 두 지표가 뒷받침하는 결론의 범위가 다르다.

🧠 상세 정리

1. 상담원이 통화 중에 파악해야 하는 차주의 상황

2015년 설립된 LoanPro는 금융기관이 대출 실행부터 상환 완료까지의 기록과 업무를 관리하는 데 쓰는 API 중심 플랫폼을 운영한다. LoanPro에 따르면 450곳이 넘는 대출기관이 플랫폼을 이용하며, 플랫폼에서 관리하는 대출은 미국 가구의 약 31%에 걸쳐 있다. 차주가 전화를 걸면 상담원은 여러 화면을 오가며 미납·반환을 포함한 납부 이력, 대출 조건과 잔액, 이전 상담과 미해결 문의를 확인해야 했다. 그 내용을 종합해야 상환 계획이나 납부 유예 등 가능한 조치를 검토할 수 있어, 경험이 적은 상담원은 더 오래 걸리고 응대 품질도 담당자에 따라 달라졌다. LoanPro가 해결하려 한 문제는 여러 대출기관의 상담원이 통화 중에 계정 상황을 빠르게 파악하고 일관된 근거로 다음 조치를 판단하도록 돕는 것이었다.

2. 계정 요약과 조치 추천을 나눈 멀티에이전트 설계

LoanPro와 AllCloud, AWS Generative AI Innovation Center는 상담 업무를 나눠 처리하는 전문 에이전트들을 Strands Agents SDK로 구현했다. 한 에이전트는 데이터를 조회해 계정을 요약하고, 다른 에이전트는 계정 상황에 맞는 조치를 선택해 업무 절차를 추천한다. 조정 에이전트는 요청을 적절한 담당 에이전트에 보내고 그 결과로 최종 응답을 구성하므로, 개발팀은 각 기능을 독립적으로 평가하고 조정할 수 있다. 본문에 따르면 시스템은 Amazon Bedrock에서 Anthropic의 Claude Sonnet 5.5, Claude Haiku 5.5, Claude Opus 5.5를 사용하며 모델 가용성은 AWS 리전에 따라 다르다. 팀은 Amazon Bedrock의 단일 API로 모델에 접근하고 Amazon Bedrock AgentCore의 관리형 실행 환경에서 에이전트를 구동해 모델별 엔드포인트와 운영 인프라를 직접 관리하는 부담을 줄였다.

3. 기존 대출 관리 API를 통한 조회와 업무 실행

상담원의 요청이 Amazon API Gateway의 LoanPro API v2로 들어오면 AWS Lambda가 이를 Amazon SQS 대기열에 넣고, 이어 Agent Interceptor Lambda가 계정 요약 에이전트를 호출한다. 에이전트가 사용하는 Data Retrieval Tool은 기존 API 엔드포인트 8개를 통해 계정 상세 정보, 납부 이력, 대출 조건, 차주 관련 정보를 가져온다. 계정 하나에서 종합하는 데이터가 약 1,400개 필드에 이르지만, LoanPro의 운영 API를 그대로 활용하므로 별도의 데이터 파이프라인이나 데이터 웨어하우스를 구축할 필요가 없었다. 조회 결과에 이어 상담 업무를 진행할 때는 Invoke API Tool을 사용한다. 이 도구가 수행하는 일에는 관련 정보를 보여 주는 패널을 상담원 화면에 띄우는 것과 플랫폼에 미리 정의된 자동화 절차를 시작하는 것이 포함된다.

4. 도구 접근 권한과 실명 책임자 감사 기록

Amazon Bedrock AgentCore Gateway는 LoanPro의 API를 Model Context Protocol(MCP) 도구로 제공하고, AWS Lambda는 게이트웨이와 기존 API를 연결한다. 게이트웨이는 요청을 먼저 검사하고 AWS Systems Manager Parameter Store에 등록된 목록에서 필요한 도구를 찾는다. 계정 요약 도구는 LoanPro의 통합 인증 서비스에서 호출자의 서명을 검증하며, 대출 관리 시스템도 같은 서명을 바탕으로 역할 기반 접근 권한을 확인한다. 팀은 인증을 한곳에서 관리하고 내부 API에 대한 접근을 통제하면서, 새 도구가 생겨도 에이전트를 다시 배포하지 않고 연결할 수 있다는 점을 설계 이유로 들었다. 실제 운영에서는 LoanPro가 각 요청에 사용자의 권한과 규정 준수 통제를 적용하고 AI가 수행한 조치를 실명 책임자와 연결해 감사 기록에 남긴다.

5. 기존 상담 포털에서 이어지는 계정 요약과 후속 질문

상담 보조 AI는 상담원들이 평소 차주 계정을 관리하던 LoanPro 웹 포털 안에서 작동한다. 상담원이 계정을 열면 AI가 계정 상태, 최근 활동, 아직 해결되지 않은 사안을 서술형으로 정리해 보여 준다. 이전에는 상담원이 여러 탭에서 납부 이력과 상담 기록을 읽고 서로 어떤 관련이 있는지 파악해야 했지만, 이제는 통화를 시작할 때 차주의 전반적인 상황을 먼저 확인할 수 있다. 요약을 읽다가 특정 계정 정보를 더 자세히 살펴볼 필요가 생기면 같은 포털의 대화창에서 자연어로 후속 질문을 할 수 있다. 팀은 이러한 사용 경험을 대출 계정과 직접 대화하는 것에 비유했으며, 차주를 응대하는 동안 상담원이 대화창에서 AI와 주고받은 내용은 모두 기록돼 나중에 확인할 수 있다.

6. 상담 보조 AI의 운영 도입과 규칙 자동화 자문

세 조직은 구현 작업을 병행했으며, 주된 과제는 현재 상담원이 실제로 사용하는 보조 AI를 구축하는 일이었다. 팀은 대출 신청 자료, 대출 이력, 차주 기록에서 조회할 데이터를 선별해 연결하고, 에이전트가 필요한 정보를 찾아 후속 조치를 선택하는 기능을 개발했다. 조회 정확도와 응답 품질을 개선하는 작업과 함께 운영 환경에 필요한 LoanPro의 보안 모델과 연동 방식도 문서화했다. 별도 과제에서는 자연어를 Clojure 규칙 엔진용 자동화 코드로 바꾸는 LoanPro의 기존 대규모 언어 모델 개념증명을 검토했다. 이 개념증명은 핵심 기능이 작동했으나 시간 초과가 잦았고 모니터링 체계와 배포 전략이 없었으므로, AllCloud는 구조를 검토해 운영 전환을 위한 아키텍처 권고와 위험 평가를 제공했다.

7. 전문가 벤치마크와 초기 통화 시간 성과

LoanPro의 업무 전문가들은 계정 150건에 대해 기준이 되는 판정을 마련했고, 개발팀은 이를 에이전트의 수행 결과를 평가하는 데 사용했다. 평가는 필요한 데이터를 조회하는 능력, 확인한 내용을 계정 상황에 맞게 요약하는 능력, 적절한 후속 조치를 선택하는 능력을 다뤘다. 개발팀은 이 벤치마크에서 설정한 정확도 목표 99%를 달성했다고 보고했으며, 운영 중에도 같은 평가 체계를 활용해 성능을 반복 측정하고 개선한다고 설명했다. 상담 업무에 미친 영향에 대해서는 AllCloud가 발표한 사례 연구를 인용해 도입 초기 고객 통화 시간이 최대 15% 줄었다고 전했다. 제공된 본문은 결과 절의 첫 문장에서 끝나므로, 어느 기간의 통화를 비교했는지, 전체 통화의 평균 단축률은 얼마였는지까지는 확인할 수 없다.

🧾 핵심 주장 / 시사점

  • 계정 요약과 대화형 조회를 같은 포털에 배치해 상담원이 통화 초반에는 차주의 전반적인 상황을 파악하고, 이후에는 필요한 세부 사항을 골라 확인할 수 있게 했다.
  • 전문 에이전트를 나눈 설계는 평가 방식과도 연결된다. 개발팀은 데이터를 제대로 찾았는지와 그 정보로 적절한 조치를 골랐는지를 구분해 살펴볼 수 있다.
  • 기존 API를 재사용하면서 권한 검사와 감사 기록도 상담 흐름에 포함했다. 덕분에 어떤 계정 정보를 이용할 수 있는지 통제하고, 실행된 조치의 책임자를 사후에 확인할 수 있다.

✅ 액션 아이템

  • 계정 요약의 품질과 후속 조치 추천의 적절성을 전문 에이전트별로 구분해 평가한다.
  • 기존 API로 계정 정보를 조회하거나 조치를 실행할 때 역할 기반 접근 권한과 실명 책임자 감사 기록이 적용되는지 확인한다.
  • 성과를 인용할 때 정확도 목표 99%에는 계정 150건이라는 평가 범위를, 통화 시간 최대 15% 단축에는 AllCloud의 초기 운영 사례라는 근거를 함께 명시한다.

❓ 열린 질문

  • 계정 150건의 벤치마크에서 데이터 조회·요약·조치 선택 각각의 정확도는 얼마였는가?
  • AllCloud가 보고한 통화 시간 최대 15% 단축은 어느 기간에 측정했으며, 같은 기간의 평균 단축률은 얼마였는가?
  • 초기 운영에서 전문 에이전트의 계정 요약과 후속 조치 추천은 각각 통화 시간 단축에 얼마나 기여했는가?

관련 문서

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