Modernizing and scaling support operations with generative AI on AWS

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

AWS의 생성형 AI 기반 지원 운영 아키텍처는 SOP 생성, 티켓 해결 지원, 업무 흐름 가시화와 SLA 위험 예측을 연결해 인력 증가에 의존하는 운영 확장의 한계를 개선하는 방안을 제시한다.

📌 핵심 요약

• 지원 조직은 티켓 증가와 엄격한 SLA, 변화하는 규정 준수 요구에 대응해야 하지만, 분산된 SOP와 녹화 자료, 개인에게 집중된 지식 때문에 해결 지연과 업무 편중을 겪는다.
• 운영 인텔리전스 작업 공간은 Amazon Bedrock과 AWS Strands Agents SDK를 기반으로 영상의 SOP 전환, 티켓 분석, 부서 간 업무 흐름 가시화를 통합한다.
• 영상의 SOP 전환 기능은 교육 녹화의 시각 정보, 음성 지침, 화면 조작을 단계별 절차로 구조화하며, 티켓 분석기는 RAG로 SOP와 정책 문서를 검색해 해결 지침을 생성한다.
• 에이전트는 티켓 태깅, 댓글 작성, 상태 업데이트를 수행하며, 사람의 검토와 통제를 포함한 운영 방식으로 정확성과 규정 준수를 지원한다.
• Amazon Quick 기반 분석 계층은 업무량과 복잡도, 인력 가용성을 보여주고, ML 기반 티켓 분류와 SLA 위험 점수 및 감독하에 실행하는 에이전트 권고로 업무 재분배와 우선순위 판단을 지원한다.

🧩 주요 포인트

1. 분산된 SOP와 개인 지식을 운영 활동에서 구조화 → 반복적인 지식 재탐색과 숙련자 의존을 줄이는 기반 마련.
2. RAG 기반 해결 지침과 부서 간 업무 흐름 가시화의 결합 → 개별 작업을 넘어 승인·인계·의존관계가 지연에 미치는 영향 파악.
3. SLA 위험 예측과 사람의 검토를 거치는 실행의 연결 → 사후 보고 중심 운영에서 위험에 앞서 대응하는 우선순위 관리로 전환.

🧠 상세 정리

1. 지원 운영 확장을 가로막는 지식 분산

지원 운영의 확장은 늘어나는 티켓을 처리하면서 엄격한 SLA와 변화하는 규정 준수 요구를 충족하고, 빠르게 낡아가는 문서를 유지해야 하는 문제를 함께 포함한다. 조직이 커지면 절차 지식이 문서와 사람, 도구에 흩어지고, 작은 비효율이 누적되어 해결 속도와 품질, 의사결정에 영향을 준다. 각 팀이 필요에 따라 작성한 SOP는 자기 기능의 작업을 설명하지만, 앞 단계의 입력이나 다음 팀으로의 인계, 다른 부서와의 의존관계까지 보여주지는 못한다. 절차 변경도 개별 문서에만 반영되거나 누락되어 실제 업무와 기록의 간극이 커진다. 교육과 문제 해결 과정에서 공유된 지식은 긴 녹화에 남아 나중에 다시 찾아봐야 하므로, 원문은 운영 활동에서 지식을 직접 포착해 구조화하고 검색 가능하게 보존할 필요성을 강조한다.

2. 티켓 유입 속도와 해결 지침 탐색의 불균형

들어오는 티켓은 내용을 해석하고 적절한 절차와 연결해야 실제 처리를 시작할 수 있으며, 유입 속도가 분석가의 처리 속도를 넘으면 적체와 지연이 누적된다. 분석가는 위키, 공유 드라이브, 대화 기록, 녹화 자료를 오가며 지침을 찾는 데 상당한 시간을 사용한다. 올바른 SOP를 찾아도 한 기능의 관점만 담긴 경우가 있어 여러 문서와 개인 지식, 과거 경험을 조합해 전체 해결 경로를 재구성해야 한다. 이 과정에서 문제를 잘못 다루거나 전체 맥락을 놓치면 티켓이 되돌아오고, 문서화되지 않은 절차는 경험 많은 일부 인력에게 질문을 집중시킨다. 원문은 사람이 매번 지침을 수동으로 찾는 방식에서 벗어나 요청 내용 자체로 관련 지침을 자동 식별하는 시스템이 필요하다고 설명한다.

3. 보이지 않는 업무 흐름과 뒤늦은 위험 인식

여러 승인과 부서 간 조정이 필요한 요청과 몇 분 안에 끝나는 요청은 외부에서 모두 단순한 티켓으로 보이기 때문에, 티켓 수만으로는 업무량과 복잡도를 구분하기 어렵다. 인계와 의존관계가 드러나지 않으면 업무가 불균등하게 배분되고, 표준화 대신 숙련자의 개별 지도가 이를 보완하게 된다. CRM의 우선순위가 영향도와 긴급도에 따라 자동 지정되더라도, 그 입력은 분석가의 판단에 의존하는 경우가 많고 부정확하거나 불완전한 접수 정보가 판단을 더 어렵게 한다. 그 결과 중요한 요청이 일상적인 요청과 경쟁하다 지연이 드러난 뒤에야 문제가 인식되며, 상향 보고 시점에는 이미 SLA를 위반했을 수 있다. 경영진의 사후 보고 역시 앞으로 발생할 문제를 설명하는 데 한계가 있어, 원문은 절차 설계와 해결 시간, SLA 위험, 재작업률을 연결하는 지속적인 운영 가시성을 요구한다.

4. 실행과 분석을 연결하는 두 계층의 구조

제안된 솔루션은 수동 문서화, 분산된 티켓 처리, 사후 대응식 업무 관리를 개선하기 위해 실행과 분석을 AWS의 하나의 운영 시스템으로 통합한다. 첫 번째 계층인 운영 인텔리전스 작업 공간은 분석가와 운영 담당자가 일상 업무를 수행하는 환경으로, 문서화와 티켓 분석, 가치 흐름 정보를 함께 제공한다. 두 번째 계층인 분석 및 의사결정 인텔리전스는 연결된 데이터에서 도출한 정보를 업무 흐름 안에 제공하여 분석가가 각 티켓의 영향과 긴급도를 이해하도록 돕는다. 같은 계층은 리더에게 집계된 운영 현황도 제공하여 성과 감시와 의사결정을 지원한다. 두 계층은 독립된 도구가 아니라 지식 포착과 적용, 업무 흐름 파악이 이어지는 순환 구조이며, 해결된 티켓과 새 SOP가 지식 기반을 강화하도록 설계된다.

5. 교육 영상에서 구조화된 SOP 생성

영상의 SOP 전환 기능은 교육 녹화와 시스템 사용 시연에 담긴 운영 지식을 구조화된 절차로 바꾸는 역할을 한다. 원문은 Amazon Bedrock에서 여러 단계로 모델을 호출하는 파이프라인을 통해 이 변환을 자동화한다고 설명한다. 변환 대상에는 화면에 나타나는 시각적 맥락뿐 아니라 말로 전달한 지침과 인터페이스 조작이 포함되며, 결과는 화면 캡처와 검증 지침을 담은 단계별 절차로 구성된다. 이는 긴 녹화를 다시 시청하며 작업 방법을 재구성하던 문제에 대응하고, 운영 활동에서 나온 지식을 이후 티켓 해결에 활용할 수 있는 형태로 보존하는 기능이다. 다만 제공된 본문은 구성요소별 기술 설계가 시작되는 지점에서 끊겨 있어, 개별 영상 모델이나 세부 처리 단계에 대한 추가 설명은 확인할 수 없다.

6. RAG 기반 티켓 분석과 사람의 통제

티켓 분석기는 자연어 처리와 의미 기반 검색, RAG를 사용해 들어오는 요청에 적합한 절차를 식별하고 맥락에 맞는 해결 지침을 생성한다. 검색한 SOP와 정책 문서를 Amazon Bedrock의 기반 모델에 결합하여 조직의 기준에 맞는 권고를 제공하는 것이 핵심이다. 이 구성은 분석가가 여러 저장소를 직접 뒤지고 흩어진 지식을 조합해야 했던 부담에 대응하며, 요청의 내용에서 관련 지침을 찾는 방향으로 업무를 바꾼다. 또한 AWS Strands Agents SDK로 구축한 에이전트 워크플로에서는 여러 자율 에이전트가 협력해 티켓 태깅과 댓글 작성, 상태 업데이트 같은 운영 작업을 수행한다. 이러한 실행에는 사람이 검토하고 통제하는 구조를 포함해 정확성과 규정 준수를 지원하며, 지침 생성과 실제 업무 수행을 같은 작업 환경 안에서 연결한다.

7. 부서 간 흐름을 드러내는 가치 흐름 인텔리전스

가치 흐름 인텔리전스는 해결 절차를 대화형 스윔레인 지도로 표현하여 업무가 여러 팀과 시스템을 통과하는 모습을 보여준다. 앞뒤 단계의 프로세스 데이터를 연결하므로 이해관계자는 개별 티켓의 존재뿐 아니라 지연이 발생하는 위치와 승인 과정의 마찰, 조정의 공백을 파악할 수 있다. 이는 기능별로 작성된 SOP만으로는 전체 업무 흐름을 볼 수 없었던 문제에 대응하며, 문서에 분리되어 있던 절차 사이의 관계를 운영 관점에서 드러낸다. 원문은 이러한 가시성을 지속적인 개선에 활용하는 구성으로 제시하고, 단순히 처리 건수만 보는 방식으로는 업무의 복잡성과 의존관계를 이해하기 어렵다고 설명한다. 따라서 이 기능의 의미는 해결 지침을 제공하는 데 더해, 그 지침이 여러 역할과 시스템을 거치며 실행되는 구조까지 함께 살펴보는 데 있다.

8. 업무 배분과 SLA 위험을 지원하는 분석 계층

Amazon Quick 기반 분석 계층은 업무 배분과 티켓 규모, SLA 위험을 한곳에서 보여주어 운영 상태를 관찰하고 새롭게 나타나는 위험에 대응하도록 지원한다. 업무 관리 기능은 분석가별 티켓 수와 복잡도를 함께 보여주고, 가용성 지표와 추세를 통해 과부하와 낮은 활용도를 드러낸다. ML 모델은 티켓을 기능별 범주로 묶고 SLA 위험 점수를 부여하여 위험이 큰 요청을 먼저 식별하고 예상 영향에 따라 우선순위를 정할 수 있게 한다. 내장된 Amazon Quick 에이전트는 업무 재분배와 우선순위에 관한 실행 가능한 권고를 제공하며, 권고는 전체 감사 이력을 남기는 감독된 워크플로를 통해 검토되고 실행된다. 이 계층이 운영 작업 공간과 연결되면서 시스템은 과거 결과를 설명하는 데서 나아가 다음에 필요한 대응을 예상하는 방향을 지향하지만, 제공된 본문에는 실제 성과를 입증하는 정량 수치는 제시되지 않는다.

🧾 핵심 주장 / 시사점

• 문서화의 단위가 개별 기능에 머무르면 해결 지침과 운영 현황 모두 전체 흐름을 놓치므로, 지식 구조와 프로세스 가시성을 함께 개선하는 것이 핵심이다.
• 티켓 수와 복잡도, 인력 가용성을 함께 보는 구조는 처리 건수만으로 설명하기 어려운 업무 편중을 파악하는 데 의미가 있다.
• 이 아키텍처는 지식 생성과 활용, 위험 예측을 연결하는 설계 제안이며, 제공된 본문만으로 해결 시간 단축이나 SLA 개선 효과의 크기를 판단할 수는 없다.

✅ 액션 아이템

• 분산된 SOP와 개인 지식을 운영 활동에서 구조화하는 적용 범위 검토.
• RAG 기반 해결 지침과 부서 간 업무 흐름 가시화를 연결하는 방식 검토.
• Amazon Quick의 SLA 위험 점수와 사람의 검토를 업무 재분배 및 우선순위 판단에 반영하는 방식 검토.

❓ 열린 질문

• 분산된 SOP와 개인 지식 중 어떤 절차부터 구조화할 것인가?
• RAG 기반 해결 지침에 승인·인계·의존관계를 어떻게 연결할 것인가?
• SLA 위험 점수에 따른 업무 재분배와 우선순위 변경에서 사람의 검토 범위를 어떻게 정할 것인가?