🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

TRUSTBANK는 OpenAI API와 Recursive의 협업을 통해 Furusato Nozei 답례품 탐색을 개인화하는 멀티 에이전트 기반 Choice AI를 구축했다.

📌 핵심 요약

• 일본의 고향납세 제도인 Furusato Nozei는 납세자가 원하는 지자체에 기부하고 세액공제를 받으며, 지자체는 지역 특산품 등 답례품을 제공하는 구조다.
• TRUSTBANK가 운영하는 Furusato Choice는 약 76만 개의 답례품을 보유한 대형 플랫폼이지만, 선택지가 너무 많아 이용자들이 적합한 답례품을 찾는 데 어려움을 겪었다.
• TRUSTBANK는 OpenAI API를 활용해 Choice AI를 개발하고, AI 전문성이 있는 Recursive와 협력해 대화형 에이전트와 RAG 시스템을 설계·구현했다.
• Choice AI는 라우팅 모델과 검색·추천·인사 에이전트 등으로 구성된 멀티 에이전트 구조를 사용하며, 기존 이용자와 첫 이용자에 따라 다른 상호작용 경로와 프롬프트를 동적으로 적용한다.
• AI 추천은 모호한 선호와 예산을 끌어내고 다양한 지자체와 상품을 노출하도록 설계되어, 표준 검색을 이용한 사용자보다 Choice AI 이용자의 전환율이 더 높게 나타났다.

🧩 주요 포인트

1. 일본의 고향납세 제도인 Furusato Nozei는 납세자가 원하는 지자체에 기부하고 세액공제를 받으며, 지자체는 지역 특산품 등 답례품을 제공하는 구조다.
2. TRUSTBANK가 운영하는 Furusato Choice는 약 76만 개의 답례품을 보유한 대형 플랫폼이지만, 선택지가 너무 많아 이용자들이 적합한 답례품을 찾는 데 어려움을 겪었다.
3. TRUSTBANK는 OpenAI API를 활용해 Choice AI를 개발하고, AI 전문성이 있는 Recursive와 협력해 대화형 에이전트와 RAG 시스템을 설계·구현했다.
4. Choice AI는 라우팅 모델과 검색·추천·인사 에이전트 등으로 구성된 멀티 에이전트 구조를 사용하며, 기존 이용자와 첫 이용자에 따라 다른 상호작용 경로와 프롬프트를 동적으로 적용한다.
5. AI 추천은 모호한 선호와 예산을 끌어내고 다양한 지자체와 상품을 노출하도록 설계되어, 표준 검색을 이용한 사용자보다 Choice AI 이용자의 전환율이 더 높게 나타났다.

🧠 상세 정리

1. Furusato Nozei 제도와 답례품 탐색의 복잡성

Furusato Nozei는 일본 납세자가 자신이 응원하고 싶은 지자체에 기부하고, 일정 한도 내에서 다음 해 소득세와 주민세 공제를 받는 고향납세 제도다. 도시 집중으로 농어촌과 지방 도시의 세수가 줄어드는 문제를 완화하기 위해 설계됐으며, 지자체는 기부자에게 지역 특산품 같은 답례품을 제공한다. 이 구조는 지역 지원과 소비 경험을 동시에 제공하지만, 실제 이용자 입장에서는 선택해야 할 지자체와 답례품이 너무 많다는 문제가 생긴다. 특히 처음 참여하는 이용자에게는 세액공제 한도, 기부 목적, 답례품 비교가 한꺼번에 얽혀 제도 자체가 복잡하고 부담스럽게 느껴질 수 있다.

2. Furusato Choice의 규모와 TRUSTBANK의 문제의식

TRUSTBANK가 운영하는 Furusato Choice는 일본의 대표적인 Furusato Nozei 플랫폼 중 하나로, 약 76만 개의 답례품을 제공한다. 플랫폼은 직관적인 인터페이스를 통해 지자체와 기부자를 연결해 왔고, 특히 제도에 처음 참여하는 사용자들을 지원하는 역할을 해왔다. 그러나 답례품 수가 대형 온라인 쇼핑몰에 비견될 정도로 많아지면서, 이용자는 자신에게 맞는 항목을 고르기 어려워졌다. TRUSTBANK는 사용자가 단순히 필요한 상품을 구매하는 전자상거래와 달리, 자신의 기부 한도를 어떻게 잘 활용할지 고민한다는 점에 주목했다. 따라서 검색 기능만으로는 모호한 의도와 선호를 충분히 반영하기 어렵다고 판단했다.

3. Recursive와의 협업을 통한 Choice AI 구축

TRUSTBANK는 답례품 추천을 개인화하기 위해 OpenAI API를 활용한 Choice AI 기능을 개발했다. 다만 내부에 AI 전문 개발자가 충분하지 않았기 때문에, 외부 기술 파트너의 지원이 필요했다. 이에 TRUSTBANK는 고급 AI 전문성과 글로벌 경험을 갖춘 Recursive를 파트너로 선택했다. Recursive는 기획 단계부터 기술 지원을 제공하고, 대화형 AI 에이전트와 RAG 시스템의 설계 및 구현을 담당했다. TRUSTBANK는 답례품 데이터베이스를 준비하고 기능 요구사항을 정의했으며, 해당 기능을 Furusato Choice 앱에 통합했다. 이 협업을 통해 사용자는 앱 안에서 대화형 상호작용을 하며 추천 답례품을 발견할 수 있게 됐다.

4. 멀티 에이전트 구조와 동적 개인화 방식

Choice AI의 핵심은 사용자 입력을 분석해 의도를 파악하고 적절한 작업을 전문 에이전트에 위임하는 멀티 에이전트 아키텍처다. 상위에는 라우팅 모델이 있으며, 그 아래에서 Search Agent, Recommendation Agent, Greeting Agent 같은 특화 에이전트가 동작한다. 각 에이전트는 필요에 따라 추가 하위 에이전트와 도구를 호출해 사용자의 요청에 맞는 결과를 조율한다. 개인화는 프롬프트 설계에도 반영되어, 기존 이용자와 처음 이용자가 서로 다른 상호작용 경로를 따르도록 구성된다. Recursive의 Matthew Whalley는 사용자별 정보를 바탕으로 에이전트를 동적으로 결합하고, 그 경로를 관리하기 위해 프롬프트를 동적으로 생성한다고 설명했다.

5. 실제 사용자 행동 분석과 추천 흐름 개선

Choice AI는 현재 GPT-4.1 시리즈를 기반으로 운영되며, 기본적으로 GPT-4.1 mini를 사용한다. Recursive는 지연시간과 정확도 테스트 결과에 따라 nano 버전이나 더 큰 모델로 동적으로 전환하는 방식도 실험하고 있다. 실제 사용자 행동을 분석한 결과, 많은 이용자가 앱을 검색엔진처럼 사용한다는 점이 드러났다. 사용자는 제품 관련 정보를 많이 입력하고 즉각적인 추천을 기대했으며, 대화를 시작하도록 설계된 짧은 내장 프롬프트도 자주 활용했다. 이러한 발견을 바탕으로 팀은 추천 흐름을 조정해 더 이른 단계에서 제안을 노출하고, 추천 상품의 다양성을 확대해 더 폭넓은 선택지를 보여주도록 개선했다.

6. 성과와 향후 방향

Choice AI는 방대한 답례품 목록 때문에 발생하는 사용자 혼란을 줄이고, 인기 지자체나 일부 상품에 관심이 집중되는 현상을 완화하는 데 초점을 둔다. 사용자는 상세한 상품 지식이나 뛰어난 검색 능력이 없어도 자연어 대화만으로 적합한 답례품을 찾을 수 있으며, ‘부모님을 위한 선물’처럼 모호한 요청도 추천의 출발점이 될 수 있다. 추천 결과에는 통제된 무작위성이 반영되어, 사용자가 명확한 선호를 밝히지 않는 한 여러 현과 지역의 상품이 더 다양하게 노출된다. 그 결과 Choice AI를 사용한 이용자는 일반 사이트 검색 이용자보다 더 높은 전환율을 보였다. TRUSTBANK는 앞으로 AI 추천 품질을 높이고 전체 사용자 경험을 개인화해, 경제적 혜택을 넘어 이용자와 지자체를 선의로 연결하는 컨시어지형 서비스로 발전시키려 한다.

🧾 핵심 주장 / 시사점

• Choice AI의 핵심 가치는 단순 검색 자동화가 아니라, 사용자가 스스로 표현하기 어려운 선호·예산·목적을 대화로 끌어내는 데 있다.
• 추천 결과에 통제된 무작위성을 넣은 점은 전환율뿐 아니라 지역 다양성과 공정한 노출을 함께 고려한 설계로 볼 수 있다.
• TRUSTBANK 사례는 선택지가 과도하게 많은 공공·준공공 성격의 플랫폼에서 AI 에이전트가 탐색 비용을 줄이고 사용자 결정을 돕는 방식의 구체적 사례다.

✅ 액션 아이템

• 원문에서 강조한 핵심 변화와 이해관계자를 기준으로 TRUSTBANK uses AI agents to personalize Furusato Nozei gifts | OpenAI의 영향을 정리한다.
• 다음 의사결정이나 제품/정책 판단에 연결될 수 있는 근거를 원문 문장과 함께 기록한다.
• 기사에서 제시한 수치·사례·제약 조건을 분리해 과장 없이 검토한다.
• 후속 모니터링이 필요한 발표·제품·정책 변화가 있는지 출처 링크를 기준으로 추적한다.

❓ 열린 질문

• Enterprise Reinforcement Learning Research for Agents]]" "239. 이 변화가 실제 사용자나 조직의 선택 기준을 어떻게 바꿀까?
• Cloudflare’s AI Platform an inference layer designed for agents" "285. 이 근거가 다른 산업이나 지역에서도 동일하게 적용될 수 있을까?
• How Box AI built enterprise content agents with Deep Agents" "268. 기사에서 아직 검증되지 않은 전제나 리스크는 무엇일까?
• Introducing Firecrawl web agent Build and Deploy Your Own Web Research Agent" "[[250. 후속 발표나 데이터가 나오면 어떤 지표를 먼저 비교해야 할까?