Articleaws.amazon.com·2026년 11월 16일·0

How MoEngage built agentic customer engagement on Amazon Bedrock AgentCore

Quick Summary

MoEngage는 Amazon Bedrock과 Amazon Bedrock AgentCore로 Merlin AI를 구축해, 마케팅팀이 브랜드별 데이터 접근 권한을 유지하면서 한 대화에서 캠페인을 작성·분석·조정할 수 있게 했다.

How MoEngage built agentic customer engagement on Amazon Bedrock AgentCore 관련 대표 이미지

🖼️ 인포그래픽

How MoEngage built agentic customer engagement on Amazon Bedrock AgentCore 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

How MoEngage built agentic customer engagement on Amazon Bedrock AgentCore의 핵심 내용을 4단계로 요약한 인포그래픽
How MoEngage built agentic customer engagement on Amazon Bedrock AgentCore 핵심 내용을 4단계로 압축한 4컷 인포그래픽

💡 한 줄 요약

MoEngage는 Amazon Bedrock과 Amazon Bedrock AgentCore로 Merlin AI를 구축해, 마케팅팀이 브랜드별 데이터 접근 권한을 유지하면서 한 대화에서 캠페인을 작성·분석·조정할 수 있게 했다.

📌 핵심 요약

  • 1,350개가 넘는 소비자 브랜드가 사용하는 MoEngage는 기존 API를 MCP 도구로 제공해, 제품 안의 Merlin AI와 Claude·ChatGPT 같은 외부 MCP 클라이언트가 각 브랜드의 권한 범위에서 실시간 데이터를 활용할 수 있게 했다.
  • Merlin AI는 내장형·대화형·맞춤형·의사결정형의 네 가지 에이전트 모드를 제공한다. MoEngage와 AWS는 고객사 Glance의 푸시 알림 클릭률이 38% 상승했다고 보고했다.
  • Merlin AI는 Amazon Bedrock의 Anthropic Claude Sonnet 4.6, Claude Sonnet 5, Claude Sonnet 5.5를 추론·도구 호출 계획·콘텐츠 생성에 사용한다. AgentCore 런타임에 호스팅된 MCP 서버는 기존 플랫폼 API 호출을 담당한다.
  • MoEngage는 FastMCP로 기존 OpenAPI 3.0 명세에서 캠페인·분석·세분화·콘텐츠·플로 도구를 생성했다. 명세를 갱신하면 도구 정의에도 변경 사항이 반영된다.
  • AgentCore 런타임은 기존 JWT를 검증하고 사용자별 세션을 격리한다. 작업공간과 사용자 정보는 요청 헤더로 전달하며, 팀은 에이전트의 활동 로그를 확인하고 자율 실행과 실행 전 사람의 검토 중에서 선택할 수 있다.

🧩 주요 포인트

  1. OpenAPI 3.0 명세 하나에서 API와 MCP 도구의 정의를 맞출 수 있어, 수백 개의 기존 API를 다시 구축할 필요가 줄었다.
  2. MCP 서버와 추론을 분리해 모델이나 에이전트 프레임워크가 바뀌어도 플랫폼 도구를 제공하는 서버를 그대로 사용할 수 있다.
  3. 브랜드별 데이터 접근 범위는 기존 권한 체계가 정하고, 그 안에서 에이전트에 어느 정도의 실행 권한을 줄지는 팀이 결정한다.

🧠 상세 정리

1. 캠페인 하나를 만들 때 여러 도구를 오가던 문제

주말 할인 행사를 준비하는 담당자는 첫 문안을 쓰기 전부터 분석 화면에서 지난 성과를 확인하고, 콘텐츠 라이브러리에서 브랜드의 어조를 찾고, 캠페인 편집기로 이동한다. 이메일·푸시·SMS·WhatsApp마다 이 과정을 반복하면 어떤 메시지를 보낼지 판단하는 데 쓸 시간이 줄어든다. 1,350개가 넘는 소비자 브랜드에 고객 참여 플랫폼을 제공하는 MoEngage는 담당자가 원하는 결과를 일상 언어로 설명하면 에이전트가 관련 기능을 호출하는 방식을 도입했다. 이를 구현하려면 수백 개의 기존 API를 다시 만들지 않고도 에이전트가 실시간 캠페인 이력과 콘텐츠에 접근하게 하면서, 각 브랜드에 허용된 데이터 범위를 지켜야 했다.

2. Merlin AI Studio가 개별 작업을 지원하는 방식

Merlin AI Studio는 마케팅팀과 제품팀이 특정 작업을 수행하는 화면에 그 작업을 위한 에이전트를 배치한다. Copywriter는 브랜드 어조에 맞춰 개인화된 푸시·거래 알림 문안을 작성하고, Designer는 텍스트 설명을 바탕으로 마케팅 배너나 이미지를 만든다. Segment Assist는 일상 언어로 설명한 고객 집단을 속성과 필터로 바꾸며, Jinja Assist는 동적 콘텐츠에 필요한 Jinja·Liquid 마크업을 작성한다. In-app Template Builder는 설문이나 잠재고객 정보 수집 팝업 등에 사용할 수 있도록 접근성을 갖춘 반응형 HTML 템플릿을 만든다. Flow Assist는 고객 여정의 아이디어를 해석해 경로와 구조를 제안하고, 과거 데이터를 반영해 배포할 수 있는 형태로 정리한다.

3. 대화형 분석과 상시 실행되는 맞춤형 에이전트

대화형 에이전트는 캠페인·분석·고객 세그먼트·플로에 걸친 질문을 받고, 답변이나 작업에 필요한 도구를 선택한다. 분석 화면의 Campaign Insights Agent는 여러 지표를 함께 분석하는 일, 특정 지표의 성과가 낮은 이유를 진단하는 일, 기간이나 세그먼트별 성과를 비교하는 일을 전문 하위 에이전트에 나눈 뒤 결과를 하나의 답변으로 정리한다. 맞춤형 에이전트는 고객 생애주기 관리팀과 CRM팀이 정한 규칙에 따라 MoEngage 데이터와 도구를 사용해 지속적으로 작업한다. 팀은 활동 로그에서 에이전트가 조회한 데이터, 내린 결정, 사용한 채널, 발송한 콘텐츠를 확인할 수 있으며, 자율 실행을 허용하거나 실행 전에 사람이 검토하도록 설정할 수 있다.

4. 고객 한 명에게 어떤 메시지를 보낼지 결정하는 방식

의사결정형 에이전트는 고객 한 명을 단위로 어떤 내용을 언제, 얼마나 자주, 어느 채널에서 전달할지 결정하고 각각의 결과에서 학습한다. 제품팀과 마케팅팀은 사용할 콘텐츠와 달성할 목표, 에이전트가 지켜야 할 제약을 정하고 개별 결정 내용을 확인할 수 있다. Offer Decisioning은 웹과 앱 화면에 표시할 혜택을 선택하고, Campaign Decisioning은 이메일·푸시·SMS·WhatsApp에서 고객별 메시지 전달을 결정한다. 이 기능을 앞서 설명한 업무용 에이전트와 함께 쓰면 캠페인을 기획하는 작업과 고객별 전달 결정을 한 시스템에서 다룰 수 있다. 공동 작성자들은 고객사 Glance의 푸시 알림 클릭률이 38% 상승했다고 보고했으며, 이 수치는 Glance 사례의 결과다.

5. 클라이언트에서 플랫폼 API까지 이어지는 요청

MoEngage는 아키텍처를 클라이언트, AgentCore 런타임의 MCP 서버, MoEngage 플랫폼 API, Amazon Bedrock의 기반 모델이라는 네 계층으로 구성했다. 제품 내부의 Merlin AI와 MoEngage MCP Connector를 이용하는 Claude·ChatGPT 같은 외부 클라이언트는 같은 MCP 서버에 연결할 수 있다. 일반적인 요청에서는 클라이언트가 로그인한 사용자의 기존 JWT를 보내고, AgentCore 런타임이 이를 검증해 해당 사용자의 격리된 세션을 시작한다. 에이전트는 Amazon Bedrock의 모델을 이용해 필요한 도구를 고르고, MCP 서버는 사용자가 속한 테넌트의 맥락으로 기존 플랫폼 API를 호출한다. API가 기존 권한과 데이터 보관 지역 규칙을 적용해 결과를 반환하면 에이전트가 답변을 작성한다.

6. 기존 API 명세를 도구로 바꾼 방법과 캠페인 초안 사례

MoEngage의 플랫폼 API는 이미 OpenAPI 3.0과 호환됐기 때문에 FastMCP를 사용해 각 작업을 구조화된 스키마, 설명, 매개변수 검증을 갖춘 MCP 도구로 변환할 수 있었다. 캠페인 도구는 생성·편집·예약·발송을, 분석 도구는 전달 단계별 성과와 클릭률·전환·코호트 성과 조회를 담당한다. 세분화 도구는 고객 집단을 조회하거나 만들고, 콘텐츠 도구는 템플릿과 동적 콘텐츠 규칙을 관리하며, 플로 도구는 자동화된 고객 여정을 조회·일시 정지·수정한다. 각 도구의 정의는 원본 API 명세의 변경을 따라간다. 글 마지막의 주말 할인 행사 사례에서는 분석 도구로 12월에 성과가 가장 좋았던 캠페인을 찾고, 세분화 도구로 우수 고객 집단을 확인한 뒤, 콘텐츠 도구로 브랜드 어조를 참조해 푸시 초안을 반환한다.

7. 브랜드별 데이터 접근과 사용자별 세션 격리

MoEngage는 어느 브랜드의 데이터를 읽을 수 있는지를 인증된 사용자 정보에 따라 정하도록 설계했다. AgentCore 런타임은 요청이 MCP 서버에 도달하기 전에 MoEngage의 기존 인증 체계로 JWT를 검증한다. 작업공간과 사용자 정보는 런타임이 요청 헤더에 담아 서버로 전달하므로, 모델이 도구를 호출할 때 이 값을 보거나 바꿀 수 없다. 각 사용자 세션은 별도의 환경에서 실행돼 한 사용자의 대화가 다른 사용자의 세션 상태를 읽는 것을 막는다. 응답을 반환할 때는 Amazon Bedrock Guardrails가 콘텐츠 안전성과 개인 식별 정보 필터를 적용하고, 사용자 인터페이스에 표시하기 전에 프런트엔드용 백엔드가 생성된 콘텐츠의 구조를 검증한다.

8. AgentCore 런타임과 Amazon Bedrock을 선택한 이유

MoEngage는 고객사별 트래픽이 몰릴 때 수요에 맞춰 세션 규모를 조절할 수 있고, 세션 격리와 기존 인증 제공자를 통한 JWT 검증을 기본으로 지원한다는 점을 AgentCore 런타임의 선택 이유로 들었다. 엔지니어는 Amazon CloudWatch의 지표와 로그, 추적 기록으로 개별 세션의 동작을 살펴볼 수 있다. MCP 서버 자체는 모델을 실행하지 않으므로 모델이나 에이전트 프레임워크를 교체할 때 서버를 수정할 필요가 없다. Merlin AI는 같은 Amazon Bedrock API를 통해 Anthropic Claude Sonnet 4.6, Claude Sonnet 5, Claude Sonnet 5.5를 사용하며, MoEngage는 GPU 인프라를 직접 운영하는 대신 사용한 토큰에 따라 비용을 지불한다. 글은 Amazon Bedrock이 고객 입력과 응답을 기반 모델 학습에 사용하지 않는다는 점도 고객 참여 데이터 처리에서 중요하게 본 이유로 꼽았다.

🧾 핵심 주장 / 시사점

  • 한 대화에서 캠페인 초안을 만들 수 있는 이유는 에이전트가 과거 성과, 대상 고객, 브랜드 어조를 각각 담당하는 도구에서 가져와 함께 활용하기 때문이다.
  • 기존 API는 권한과 데이터 보관 지역 규칙을 계속 적용하고, 에이전트는 어떤 도구가 필요한지 판단한다. 이 역할 분담 덕분에 플랫폼의 접근 통제를 유지하면서 모델을 교체할 수 있다.
  • 팀이 정하는 통제에는 두 가지 결정이 있다. 고객별 메시지에 적용할 목표와 제약을 정하는 일과, 맞춤형 에이전트의 작업을 사람이 실행 전에 검토할지 정하는 일이다.

✅ 액션 아이템

  • MCP 도구로 제공할 기존 기능을 검토할 때 캠페인·분석·세분화·콘텐츠·플로의 OpenAPI 3.0 명세를 기준으로 삼는다.
  • 모델이나 에이전트 프레임워크의 변경 영향을 검토할 때 MCP 서버가 맡은 API 호출과 Amazon Bedrock이 맡은 추론을 구분한다.
  • 맞춤형 에이전트에 허용할 작업 범위를 정하고, 활동 로그에서 확인할 내용과 실행 전 사람의 검토가 필요한 작업을 구분한다.

❓ 열린 질문

  • Glance의 푸시 알림 클릭률 38% 상승은 어떤 기준과 기간을 두고 측정했는가?
  • 어떤 작업에서는 맞춤형 에이전트의 자율 실행을 허용하고, 어떤 작업에서는 실행 전 사람의 검토를 요구하는가?
  • Merlin AI는 추론·도구 호출 계획·콘텐츠 생성에 사용할 Claude Sonnet 4.6, Claude Sonnet 5, Claude Sonnet 5.5를 어떤 기준으로 선택하는가?

관련 문서

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