대표 사례 4선

LG전자, 신한카드, 미래에셋증권, Canva. 원문 아키텍처로 보기

CASE 1 LG전자: 질문에서 보고서까지

Data Rich, Insight Poor. 무엇을 물어야 할지부터 막히던 마케터의 데이터 분석

BEFORE

요구사항 정의부터 결과 해석까지 평균 2~3주, 데이터 과학자에게 의존

AFTER

데이터 분석 업무 3일 → 30분

초기 구조

Coordinator가 복잡도를 판단하고, Planner가 계획과 추적, Supervisor가 Coder와 Reporter에 배분

적용

워시콤보, 식기세척기 구매 고객 분석, CRM 캠페인 성과 비교 등 실무

LG전자 초기 멀티 에이전트 구조: Coordinator, Planner, Supervisor, Coder, Reporter

출처: AWS 기술 블로그, LG전자 Agentic AI 리포트 자동화 (2025-08), Deep Insight 아키텍처 설계 교훈 (2026-04)

Deep Insight 전체 아키텍처

8개 에이전트, 3계층. AgentCore Runtime 위의 Strands 그래프와 격리된 Code Interpreter

출처: AWS 기술 블로그, LG전자 Agentic AI 리포트 자동화 (2025-08), Deep Insight 아키텍처 설계 교훈 (2026-04)

계층형 멀티 에이전트와 Agents as Tools

계획 계층이 계획하고 승인받은 뒤, 실행 에이전트는 도구처럼 호출

계층형 멀티 에이전트: Coordinator, Planner, Plan Reviewer, Supervisor와 실행 에이전트 Coder, Validator, Reporter, Tracker

출처: AWS 기술 블로그, LG전자 Agentic AI 리포트 자동화 (2025-08), Deep Insight 아키텍처 설계 교훈 (2026-04)

Deep Insight에서 가져올 6가지 패턴

과제 3(보고서), 4(서류 점검), 6(관제)에 그대로 적용 가능

라우팅 먼저

가벼운 모델(Haiku)이 요청을 분류. 단순 요청엔 비싼 오케스트레이션을 생략

계획 + 사람 승인

Planner가 5~10단계로 분해하고, 사용자가 승인하거나 수정한 뒤 실행

요약 말고 원본 누적

에이전트 간 결과를 요약해 넘기지 않고 파일에 누적. 세부 맥락 손실 방지

검증 에이전트 분리
Validator가 원본 데이터로 다시 계산(허용 오차 0.01). 검증된 값만 인용

역할별 모델 + 선택적 캐싱

반복 호출되는 에이전트만 Prompt Caching. 입력 토큰 비용 최대 90% 절감

격리된 코드 실행

세션별 컨테이너를 Private VPC에서 실행, 인터넷 차단, 1시간 후 자동 종료

출처: AWS 기술 블로그, LG전자 Agentic AI 리포트 자동화 (2025-08), Deep Insight 아키텍처 설계 교훈 (2026-04)

운영 화면: 보고서와 관리자 대시보드

작업별 소요시간, 토큰, Cache Hit을 같은 화면에서

워시타워 고객분석, 캠페인 비교, 수익성 분석 보고서 화면 — 워시타워 고객분석, 캠페인 비교, 수익성 분석 보고서

Deep Insight 관리자 대시보드: 작업별 소요시간, 토큰, Cache Hit — 관리자 대시보드: 작업당 15~23분, 토큰 100만 개 이상, Cache Hit 50~70%

리스크: HITL 300초 자동 승인은 금융권에서 무승인 실행으로 해석될 수 있습니다. 타임아웃 시 보류로 바꾸세요. 블로그의 288배 표기는 산술상 144배이므로, 3일에서 30분으로 줄었다는 표현만 인용하세요.

출처: AWS 기술 블로그, LG전자 Agentic AI 리포트 자동화 (2025-08), Deep Insight 아키텍처 설계 교훈 (2026-04)

CASE 2 신한카드: 세 가지 혁신

온톨로지 인텐트 분류, 분산형 에이전트 워크플로우, 에이전트 간 대화 기반 self-healing

신한카드 Agentic AI 챗봇: 유저 쿼리, 온톨로지 기반 인텐트 분류, 분산형 에이전틱 AI 워크플로우

출처: AWS 기술 블로그, 신한카드 온톨로지 기반 분산형 Agentic AI 챗봇 (2026-06)

51개 상담 의도를 온톨로지로 쪼개 분류

규제, 비용, 5초 응답 제약 속에서 소형 모델(sLLM)로 정확도를 올린 방법

1. 3속성 병렬 추출

sLLM이 Domain, Action, Tag를 각각 독립적으로 고른다

2. 그래프 매칭으로 후보 축소

Tag로 거르고, Domain과 Action이 맞는 인텐트만 남긴다

3. 남은 후보만 LLM이 비교

하나면 확정, 여럿이면 원문과 후보 설명을 비교해 선택

신한카드 인텐트 온톨로지 맵 일부: Intent, Domain, Action, Tag 노드

Qwen3 32B 기존84.2%

Qwen3 32B 온톨로지91.0%

Qwen3 235B A22B 기존77.4%

Qwen3 235B A22B 온톨로지88.7%

5초 이내요청당 응답

약 18배비용 절감 (Opus 4.5 대비)

~98%topic switching 감지

작은 32B 모델이 약 7배 큰 235B 모델보다 2.3%p 높음. 측정 조건 비공개 수치이므로 참고용. 2부 D2처럼 조건(51개, 유사 의도, sLLM)이 효과를 만든다는 점도 함께

출처: AWS 기술 블로그, 신한카드 온톨로지 기반 분산형 Agentic AI 챗봇 (2026-06)

중앙 오케스트레이터 대신 분산형 구조

각 전문 에이전트가 "내 일인가"만 병렬 판단, 에이전트가 늘어도 응답 시간은 거의 그대로

중앙집중형 에이전틱 AI 아키텍처: Central Orchestrator가 모든 위임을 담당 — 중앙집중형: Orchestrator가 모든 위임을 맡아 병목

간소화된 분산형 에이전트 AI 아키텍처 — 분산형: 관련 에이전트만 후속 처리 후 통합

출처: AWS 기술 블로그, 신한카드 온톨로지 기반 분산형 Agentic AI 챗봇 (2026-06)

신한카드 AWS 아키텍처

Router Agent, 전문 에이전트(AgentCore Runtime), AgentCore Gateway(MCP), Bedrock

출처: AWS 기술 블로그, 신한카드 온톨로지 기반 분산형 Agentic AI 챗봇 (2026-06). 다이어그램의 QWEN 30B 표기와 달리 본문 수치는 Qwen3 32B 기준

자율 개선 루프 Tikitaka

합성 고객이 테스트하고 에이전트가 고친다: 수일에서 수주 걸리던 멀티턴 테스트를 자동 루프로

01 SIMULATE

시뮬레이션

실제 고객 데이터에서 도출한 페르소나의 Test Agent가 멀티턴 대화

02 DIAGNOSE

진단

Analyzer Agent가 비정상 패턴과 원인 코드, 함수까지 특정

03 PROPOSE

해결책 제안

Code Reviewer, Solution Designer Agent가 라우팅 로직과 수정안 제시

04 VERIFY

검증과 배포

같은 페르소나로 재테스트, Update Agent가 적용하고 모니터링

한도 조회와 상향 시나리오

7턴 실패 → 4턴 완료

개선 전: 고객번호 입력 요청만 반복. 개선 후: 조회와 상향까지 처리 (AI 평가자 확인)

TASK 01 마이데이터 상담

합성 고객 페르소나, 응답 품질 평가, 코칭과 같은 구조. AgentCore User Simulation과 Evaluations로 시뮬레이션과 채점 구간을 바로 구성

리스크: AI가 코드를 고쳐 배포하는 루프는 금융 변경관리 통제와 충돌합니다. Update 단계에는 사람 승인 게이트를 두세요.

출처: AWS 기술 블로그, 신한카드 온톨로지 기반 분산형 Agentic AI 챗봇 (2026-06)

CASE 3 미래에셋증권: 망분리 지식DB

5호망 AWS Private Cloud의 지식DB, 망분리 예외 구간에서만 LLM 호출

미래에셋증권 망 구성: 5호망 AWS Private Cloud 지식DB, AWS DMZ 프록시, 망분리 예외 허용 구간의 Bedrock과 Azure OpenAI

출처: 미래에셋증권 「AI-Ready Data: 온톨로지 기반 금융상품 지식 데이터 혁신 여정」 AWS FSI Forum 발표 (공개 링크 없음)

4-Task 지식 파이프라인

AI-Ready Data: 수집과 파싱, 온톨로지 설계, 지식 추출, 질의와 검색

4-Task 파이프라인: Data Pipeline, Ontology Engineering, Knowledge Extract, Query and Retrieval과 Knowledge Base 저장소

출처: 미래에셋증권 「AI-Ready Data: 온톨로지 기반 금융상품 지식 데이터 혁신 여정」 AWS FSI Forum 발표 (공개 링크 없음)

6대 Challenge와 해법

법령과 업무 상식을 결정적인 규칙으로 옮기기

Challenge	해법
1 Ontology Axioms	자본시장법 §229 집합투자기구 유형을 폐쇄집합으로. 별칭은 출처별 구분, 단일값과 상호배타 제약
2 Ontology Sampler	축 기반 표본: AUM 상위 50개는 23개 축값 중 11개, Sampler 50개는 22개 커버
3 Mapping Rules	YAML 규칙표로 코드 수정 없이 확장 (7 네임스페이스, 6 도메인, 이름 맞추기 12종)
4 Thin, Temporal Graph	항상 참인 구조와 유효기간 있는 사실을 분리. 새 사실이 옛 사실을 자동 만료
5 Ontology Grounding	vocabulary.ttl로 미국국채를 해외채권으로 확정한 뒤 LLM은 질의만 조립. 실패 시 되묻기
6 Semantic Layer	배당은 분배율, 배당 질의에 투자지역 필터 금지, 브랜드에서 운용사 매핑

TASK 01, 05: 사내 용어가 많은 과제일수록 5번 Grounding과 6번 Semantic Layer부터. 2부 D1이 바로 이 두 가지를 작게 재현한 것입니다.

출처: 미래에셋증권 「AI-Ready Data: 온톨로지 기반 금융상품 지식 데이터 혁신 여정」 AWS FSI Forum 발표 (공개 링크 없음)

Federated Query Architecture

하나의 질문이 네 저장소를 동시에 조회하고, 근거로 합쳐짐

출처: 미래에셋증권 「AI-Ready Data: 온톨로지 기반 금융상품 지식 데이터 혁신 여정」 AWS FSI Forum 발표 (공개 링크 없음)

무엇이 정확도를 끌어올렸나

국내 ETF 도메인, 자체 벤치마크 72문항, 구성요소를 하나씩 더하며 측정

정확도 막대: 스키마만 45%, 온톨로지 프롬프트 설명 47.4%, 온톨로지로 실제 값 변경 65%, Federation 검색 84.7%

출처: 미래에셋증권 「AI-Ready Data: 온톨로지 기반 금융상품 지식 데이터 혁신 여정」 AWS FSI Forum 발표 (공개 링크 없음)

PoC 이후: 혁신금융서비스 여정

기술 트랙과 규제 트랙을 병렬로, 일정은 발표 시점 기준

2025.12서비스 신청완료

2026.03지정 고시완료

2026.07금융보안원 보안대책 평가완료

2026.08금감원 개시 신청진행 중

2026.09임직원 오픈예정

2027.1Q대고객 오픈예정

Phase	기간	내용
Phase 1	2026.02~03	상품지식 EBA: GraphRAG Toolkit으로 Ontology, ER, Search 방법론 검증
Phase 2	2026.04~09	지식DB와 지식검색서비스 구축 (AWS Professional Services 협업)
Phase 3	2026.10~	전사 AI 표준 지식 기반, AI-Ready Data 거버넌스

출처: 미래에셋증권 「AI-Ready Data: 온톨로지 기반 금융상품 지식 데이터 혁신 여정」 AWS FSI Forum 발표 (공개 링크 없음). 최신 상황은 별도 확인 필요

CASE 4 Canva: 프로덕션의 세 가지 실패

Canva Code가 스케일 전에 먼저 만든 것, Amazon Bedrock 기반

Monolithic prompt

한 모델이 다섯 가지 일을 하며 최고가 모델 요금을 다섯 번 낸다

기계적 작업에 확률적 생성

CSS 클래스 하나 바꾸려고 HTML 8,000 토큰을 다시 생성

Vibes 기반 마이그레이션

평가가 없으니 신호도 없고, 새 모델이 나오면 hype로 배포

Canva Code, Canva AI 출시 이후 매출 곡선: 2026년 5월 17M MRR, 8주 구간 표시

출처: ANT105 Agentic Engineering, Lessons from Canva (Bryn Price, AWS); AWS Prescriptive Guidance, Agentic Design Patterns (2026-05); Canva 고객 사례

Lesson 1: 모델 말고 에이전트를 분해하라

Architect(Opus)가 계획, Builder와 Editor(Haiku)가 실행

Decompose the agent: Architect(Opus), Builder(Haiku), Editor(Haiku) 역할 분리

출처: ANT105 Agentic Engineering, Lessons from Canva (Bryn Price, AWS); AWS Prescriptive Guidance, Agentic Design Patterns (2026-05); Canva 고객 사례

최종 구조: Sonnet + sub-agent

Sonnet 주 스레드, 평균 총비용 −46%, 사용자 성공 지표 +9%

Smarter model routing with sub-agents: Sonnet 주 스레드, Opus와 Haiku sub-agent, 평균 총비용 -46%, 사용자 성공 지표 +9%

출처: ANT105 Agentic Engineering, Lessons from Canva (Bryn Price, AWS); AWS Prescriptive Guidance, Agentic Design Patterns (2026-05); Canva 고객 사례

Lesson 2, 3: 결정론적 도구와 평가

모델은 확률적 권한, 주변 코드는 결정론적 권한

LESSON 2

replace_text: 정확히 일치하는 부분만 교체

유일하게 일치하지 않으면 에러를 내고 모델이 재시도합니다.

~40× patch 경로 출력 토큰 감소 (약 8,000에서 약 200)

LESSON 3

Eval이 마이그레이션의 활주로다

Opus 4.6 High	출력 토큰	지연	WCAG AA
thinking 끔	11k	138s	1 / 10
thinking 켬	37k (3.4×)	530s (3.8×)	2 / 10

토큰 3.4배, 지연 3.8배로 10개 중 1건 더 통과해서 thinking을 끈 채로 배포. 품질(WCAG, axe-core), 토큰 비용, 지연 3축으로 모든 모델 교체를 검증

같은 원리: 신한카드 규칙 매칭, 미래에셋 Grounding, 2부의 "규칙 강제" 자리. 지켜야 할 것은 코드로, 판단만 모델에게

출처: ANT105 Agentic Engineering, Lessons from Canva (Bryn Price, AWS); AWS Prescriptive Guidance, Agentic Design Patterns (2026-05); Canva 고객 사례

Agentic Design Patterns 8종

AWS Prescriptive Guidance, 과제의 어느 지점에 어떤 패턴을 쓸지

패턴	해법	PoC 과제 연결
Agentic Loop	도구 결과를 한 메시지로 묶어 재호출, 반복 상한	모든 과제의 뿌리
Deterministic Override	pre-tool hook으로 반드시 지킬 규칙 강제	TASK 01 상담 금지 표현, 고액 처리
Tool Gate	선행 도구가 성공하기 전 호출 차단	TASK 04 분류, 추출, 대조 순서
Validation-Retry	앱 코드로 검증 후 원문 에러로 재시도, 2회 상한	TASK 03 수치 검증, TASK 04 필드 검증
Structured Error	transient, validation, permission, prerequisite 4분류	TASK 06 조치 권한 오류 재시도 금지
Confidence Routing	0~1 점수 대신 4개 이름 라벨로 사람 검토 선별	TASK 04 불확실 서류만 사람 검토
Review Pass	이진 루브릭 5개 이내로 2차 검토	TASK 02 디자인 규칙, TASK 03 인용 점검
Coordinator-Subagent	병렬 디스패치, 겹치지 않는 영역	TASK 05, 06 지식, 코드, DB 에이전트 분리

출처: ANT105 Agentic Engineering, Lessons from Canva (Bryn Price, AWS); AWS Prescriptive Guidance, Agentic Design Patterns (2026-05); Canva 고객 사례

모든 패턴은 루프의 한 단계를 고친다

Agentic Loop를 먼저 제대로 만들고, 필요한 지점에만 패턴을 추가

Every later pattern modifies one step of the loop: 가운데 Agentic Loop와 도구 호출 지점, 결과 지점의 패턴들

출처: ANT105 Agentic Engineering, Lessons from Canva (Bryn Price, AWS); AWS Prescriptive Guidance, Agentic Design Patterns (2026-05); Canva 고객 사례

네 사례의 공통점: 지식, 역할, 평가

모델을 바꾸기 전에 세 가지를 먼저 설계

패턴	LG전자	신한카드	미래에셋증권	Canva
지식 구조화	에이전트 간 원본 누적 기록	Domain, Action, Tag 인텐트 온톨로지	FIBO 기반 온톨로지 + Semantic Layer	features.json 스펙, 프로젝트 파일 3종
역할 분리와 검증	Planner, Supervisor, Validator	내 일인가 판단하는 분산형 에이전트	근거, 권한, 출처 검증 후 반환	Architect, Builder, Editor + exact-match 도구
평가 루프	계획 대비 Task Tracking	페르소나 시뮬레이션 후 재테스트	72문항 벤치마크로 단계별 측정	품질, 비용, 지연 3축 eval
대표 수치	3일 → 30분	84.2% → 91.0%	45% → 84.7%	비용 −46%, 성공 +9%