사례로 보는 AI 에이전트

8주 AI 에이전트 PoC 세션: AWS에서 만들고 운영하는 법, 온톨로지의 원리, 그리고 6개 과제와 닮은 사례

오준석, Senior Solutions Architect, AWS Korea | October 2026

오늘 가져가실 세 가지

네 사례에서 반복해서 보인 패턴, 과제가 달라도 똑같이 적용

01

지식을 먼저 구조화한다

모델을 바꾸기 전에, 용어와 관계와 근거를 AI가 읽을 수 있는 형태로 만듭니다.

45% → 84.7%

미래에셋증권 ETF 질의 정답률

02

역할을 나누고 검증자를 둔다

계획, 실행, 검증 에이전트를 분리하고, 사람 승인은 필요한 곳에만 둡니다.

3일 → 30분

LG전자 데이터 분석 업무

03

평가 루프로 운영한다

합성 고객이 테스트하고, 진단부터 수정과 재검증까지 하나의 루프로 돌립니다.

7턴 → 4턴

신한카드 한도 상향 처리 (실패에서 완료로)

6개 과제, 3가지 에이전트 패턴

현업 PoC 3개와 IT 팀 과제 3개, 패턴이 같으면 참고할 사례도 같음

지식 기반 응답

근거를 찾아 출처와 함께 답한다

TASK 01마이데이터 비대면 자산관리 상담현업 부서, 현업 PoC

TASK 05IT 운영지식 위키IT 개발팀, IT 팀 과제

조사와 생성

자료를 모아 초안과 시안을 만든다

TASK 02UX 디자인 기획UX 부서, 현업 PoC

TASK 03보고서 작성(리서치)현업 부서, 현업 PoC

판독과 진단

규칙과 신호로 누락과 이상을 찾는다

TASK 04고객 제출서류 누락 자동 점검IT 개발팀, IT 팀 과제

TASK 06AI 기반 통합관제IT 인프라팀, IT 팀 과제, 내부망

오늘의 순서

1

AWS에서 에이전트 만들기 11분

2

온톨로지 쉽게 이해하기 19분

3

대표 사례 4선 25분

4

과제별 닮은 사례 11분

5

데모 앱, PoC 팁, Q&A 9분

AWS에서 에이전트 만들고 운영하기

Strands Agents, Amazon Bedrock AgentCore, 관측과 평가

에이전트 = 모델 + 도구 + 루프

루프는 SDK에 맡기고, 팀은 도구와 지식에 집중

모델: Amazon Bedrock

목표를 이해하고 다음 행동을 추론하고 계획

도구: Tools (MCP)

지식 검색, DB 조회, 사내 API 호출

지식: Knowledge
약관, 절차, 항목 정의서. 답의 품질을 결정

루프: Agent loop

실행, 관찰, 다음 행동을 목표 달성까지 반복

# strands_agent.py
from strands import Agent, tool

@tool
def search_terms(query: str) -> str:
    """상품 약관에서 관련 조항을 찾는다"""
    return kb_search(query)  # 예시 함수

agent = Agent(
    model="<Bedrock 모델 ID>",
    tools=[search_terms],
    system_prompt="근거 조항을 인용해 답한다",
)
agent("ISA 중도 인출 조건 알려줘")