Blog

[AWS Summit Seoul 2026] Amazon’s AI Strategy로 본 에이전틱 AI 전환

Tags: , , , , , , ,

들어가며

AWS Summit Seoul 2026 Track 1 “AI 시대의 리더십”에서 진행된 Amazon’s AI Strategy 세션

저는 이번의 AWS Summit Seoul 2026에서 Track 1 “AI 시대의 리더십” 세션 중 첫번째인 Amazon’s AI Strategy를 참관했습니다.

이 세션은 Amazon이 AI를 단순한 기술 트렌드가 아니라, 고객 경험과 내부 운영 프로세스를 재설계하는 핵심 전략으로 바라보고 있음을 보여준 세션이었습니다.

특히 인상적이었던 점은 AI 활용 범위가 단순 검색, 요약, 챗봇을 넘어섰다는 점입니다. Amazon은 AI를 통해 고객의 쇼핑 의사결정을 돕고, Seller의 운영을 지원하며, 공급망과 물류 업무까지 자동화하는 방향으로 확장하고 있었습니다. 이를 한마디로 정리하면, LLM 기반 정보 탐색에서 에이전틱 AI 기반 판단과 실행으로의 전환이라고 볼 수 있습니다.

1. Amazon의 AI 전략: 고객 경험과 운영 전반의 재창조

Amazon의 AI 적용 영역: 고객 경험 혁신, Seller 지원, 공급망 혁신

세션에서는 Amazon의 AI 적용 영역을 크게 세 가지로 설명했습니다.

  • 첫 번째는 고객 경험 혁신입니다. Amazon은 고객이 원하는 상품을 더 쉽게 찾고, 비교하고, 구매 결정을 내릴 수 있도록 AI를 쇼핑 여정 전반에 적용하고 있었습니다. Rufus, Interests AI, Help Me Decide, Buy for Me와 같은 사례가 소개되었습니다.
  • 두 번째는 Seller 지원입니다. Amazon Marketplace에서 활동하는 3P Seller가 상품 등록, 광고 이미지 생성, 판매 실적 관리, 재고 확인, 운영 질문 대응 등을 더 쉽게 수행할 수 있도록 AI를 적용하고 있었습니다. 특히 Project Amelia는 단순 질의응답형 챗봇이 아니라, Seller의 상황을 이해하고 필요한 작업을 지원하는 에이전틱 AI 사례로 소개되었습니다.
  • 세 번째는 공급망 혁신입니다. Amazon은 수요 예측, 창고 로봇 학습, 물류 배송, 운송 가격 협상과 같은 운영 영역에도 AI를 적극적으로 활용하고 있었습니다. 이 부분은 AI가 디지털 서비스 영역을 넘어 실제 물류·운영 프로세스까지 확장되고 있음을 보여주었습니다.

2. 고객 경험: 검색을 넘어 의사결정과 구매 지원으로

LLM 기반 정보 탐색에서 에이전틱 AI 기반 의사결정·구매로의 진화

Amazon의 고객 경험 혁신 사례에서 핵심은 AI가 단순히 정보를 보여주는 역할을 넘어, 고객의 목적을 이해하고 의사결정을 지원하는 방향으로 진화하고 있다는 점입니다.

기존에는 고객이 직접 상품을 검색하고, 리뷰를 읽고, 가격과 스펙을 비교한 뒤 구매를 결정해야 했습니다. 하지만 세션에서 소개된 방향은 다소 다릅니다. AI가 고객의 질문과 맥락을 이해하고, 고객의 구매 목적, 예산, 선호도, 리뷰, 상품 속성, 가격 등을 종합해 더 적합한 선택지를 제안하는 방식입니다.

  • 예를 들어 Help Me Decide는 고객이 “가성비 좋은 노트북은 무엇인가?”, “우리 아이에게 맞는 카시트는 무엇인가?”와 같은 질문을 했을 때, 단순 상품 목록을 나열하는 것이 아니라 고객의 니즈를 파악하고, 여러 상품을 비교 분석해 추천하는 방식으로 설명되었습니다.
  • Buy for Me는 한 단계 더 나아간 사례입니다. 고객이 Amazon 앱 안에서 외부 브랜드의 상품까지 탐색하고 구매할 수 있도록 돕는 자율 구매 대행 형태로 소개되었습니다. 이는 AI가 검색과 추천을 넘어, 구매 여정 자체를 통합하는 방향으로 발전하고 있음을 보여줍니다.

이 사례는 고객사의 커머스, 금융, 제조, 공공 서비스에도 시사점이 큽니다. 앞으로의 AI 서비스는 단순 FAQ 응답이나 문서 검색 수준을 넘어, 사용자의 목적을 이해하고 업무 흐름을 끝까지 지원하는 업무 실행형 Agent로 발전할 가능성이 높습니다.

3. Seller 지원: Project Amelia와 에이전틱 AI

Project Amelia: 단순 챗봇이 아니라 Seller를 대신해 판단하고 행동하는 AI Assistant

Seller 지원 영역에서 가장 인상적인 사례는 Project Amelia였습니다. 세션에서는 Amelia를 “단순한 LLM 챗봇이 아니라 Seller를 대신해 판단하고 행동하는 AI”로 설명했습니다.

Amelia는 판매 실적, 재고, 트래픽, 광고 성과 등 다양한 데이터 소스를 연계해 Seller의 현재 상황을 파악합니다. 그리고 단순히 “현재 재고가 몇 개인가?”에 답하는 것을 넘어, “이번 Prime Day에는 무엇을 준비해야 하는가?”, “현재 판매가 부진한 상품은 무엇인가?”, “재고 부족 가능성이 있는 상품은 무엇인가?”와 같은 운영 질문에 대해 맞춤형 인사이트와 액션을 제안합니다.

이 사례에서 중요한 기술적 포인트는 다음 세 가지입니다.

  • 첫째, 다중 데이터 소스 연계입니다. AI Agent가 의미 있는 판단을 하려면 판매 실적, 재고, 광고, 트래픽, 상품 정보 등 여러 데이터가 연결되어야 합니다.
  • 둘째, Tool Use와 Function Calling입니다. Agent가 내부 시스템의 API를 호출해 필요한 정보를 가져오거나, 특정 작업을 수행할 수 있어야 합니다. 이 부분은 실제 엔터프라이즈 환경에서 AI Agent를 구축할 때 매우 중요한 설계 요소입니다.
  • 셋째, Self-Service 문제 해결입니다. 복잡한 질문을 단계적으로 분해하고, 필요한 데이터를 조회하고, 상황에 맞는 조치를 제안함으로써 Seller가 담당자에게 문의하지 않고도 문제를 해결할 수 있게 됩니다.

4. 공급망 혁신: 예측, 로봇 학습, 협상까지 확장되는 AI

수요 예측, 창고 관리, 물류 배송으로 확장되는 Amazon의 AI 활용

세션의 또 다른 핵심은 AI가 고객 경험이나 Seller 지원뿐 아니라 공급망 운영 영역에도 깊게 적용되고 있다는 점입니다.

  • 수요 예측 영역에서는 Project Chronos가 소개되었습니다. Chronos는 시계열 데이터를 언어처럼 다루는 접근 방식으로 설명되었습니다. 과거의 시계열 데이터를 토큰 시퀀스처럼 인코딩하고, 다음 값을 예측하는 방식으로 수요 예측 정확도를 높이는 사례입니다. 특히 신규 상품이나 장기·예외적 수요 예측처럼 기존 방식에서 어려웠던 문제를 개선하는 방향으로 소개되었습니다.
  • 창고 관리 영역에서는 로봇 학습 사례가 소개되었습니다. Amazon은 물류센터에서 많은 로봇을 운영하고 있으며, 실제 환경에서 로봇 제어 동작을 학습할 경우 학습 속도, 비용, 파손 리스크가 문제가 될 수 있습니다. 이를 해결하기 위해 가상 환경에서 디지털 트윈과 시뮬레이션 기반 학습을 수행하고, 로봇 제어 동작을 더 빠르고 안전하게 고도화하는 방향이 제시되었습니다.
  • 물류 배송 영역에서는 Spot 가격 협상 Agent가 소개되었습니다. Middle Mile 구간에서 외부 운송사와 운송 가격을 협상하는 업무에 생성형 AI 기반 Agent를 적용한 사례입니다. 이 Agent는 단순 정보 제공을 넘어 운송사와 직접 가격을 협상하고, 거래 이력, 시장 상황, 운송 긴급도 등을 고려해 최적 가격을 제안하는 방식으로 설명되었습니다.

이 사례들은 AI가 단순 생산성 도구를 넘어, 실제 비즈니스 운영의 핵심 판단과 실행 영역으로 들어오고 있음을 보여줍니다. 특히 공급망처럼 복잡한 변수와 실시간 판단이 중요한 영역에서는 예측, 시뮬레이션, Agent 기반 실행을 결합하는 방식이 중요한 차별화 요소가 될 것으로 보입니다.

5. AI on AWS: 성공적인 AI 전략을 위한 7가지 역량

성공적인 AI 전략을 위한 7가지 역량

세션 후반부에서는 AI on AWS 관점에서 기업이 성공적인 AI 전략을 위해 갖춰야 할 역량이 소개되었습니다. 발표에서는 이를 일곱 가지로 정리했습니다.

역량 의미
AI Infrastructure 성능, 비용, 보안을 고려한 확장 가능한 AI 인프라
Model Development, Customization & Inference 비즈니스 요건에 맞는 모델 선택, 최적화, 추론
Agent Development & Scale 복잡한 워크플로우를 처리하는 Agent 개발과 확장
AI-Powered Development Tools AI 기반 개발 도구를 통한 생산성 향상
AI-Powered Modernization & Migration 레거시 시스템 현대화와 마이그레이션 가속화
Employee Productivity & Insights 내부 생산성 향상과 데이터 기반 인사이트 확보
Data Foundations 신뢰 가능한 AI 애플리케이션을 위한 데이터 기반과 거버넌스

AWS 공식 문서 기준으로 Amazon Bedrock은 Amazon 및 서드파티 기반 모델을 활용해 생성형 AI 애플리케이션을 구축하고 확장할 수 있는 완전관리형 서비스입니다. 또한 Amazon Bedrock Agents는 기반 모델, 데이터 소스, 소프트웨어 애플리케이션, 사용자 대화를 오케스트레이션하고 API 호출과 지식 기반 연계를 통해 작업 자동화를 지원합니다.

즉, 기업의 AI 전략은 “어떤 모델을 쓸 것인가?”에서 끝나지 않습니다. “어떤 데이터를 연결할 것인가?”, “어떤 업무 도구를 호출하게 할 것인가?”, “어떤 권한으로 실행하게 할 것인가?”, “실행 결과를 어떻게 관측하고 통제할 것인가?”까지 함께 고려해야 합니다.

6. AgentCore: Agent를 운영 가능한 형태로 만들기 위한 기반

AgentCore를 활용한 빠른 Agent 빌드와 운영 지원

후반부에서 소개된 AgentCore 관련 내용은 기술 블로그 관점에서 특히 중요하게 볼 만한 부분입니다. 많은 기업이 PoC 단계에서는 LLM 호출과 RAG 구성만으로 빠르게 결과를 만들 수 있습니다. 하지만 실제 운영 환경에서는 문제가 달라집니다.

운영 환경의 Agent는 다음 요소를 갖춰야 합니다.

  • 안정적인 Runtime
  • 외부 Tool 및 API 연계
  • 사용자 및 시스템 권한 관리
  • 대화와 작업 맥락을 저장하는 Memory
  • 실행 과정에 대한 Observability
  • 정책과 보안 통제
  • Agent 성능 및 결과 품질 평가

AWS 공식 문서 기준으로 Amazon Bedrock AgentCore는 Runtime, Memory, Gateway, Identity, Observability 등 Agent 운영에 필요한 구성 요소와 통합됩니다. 또한 MCP 서버, inline function, custom container 환경 등을 지원해 다양한 Agent 실행 구조를 구성할 수 있습니다.

이번 세션의 AgentCore 슬라이드에서는 더 빠르게 Agent를 빌드하기 위한 요소로 Managed harness, AgentCore CLI, Pre-built skills가 소개되었습니다. AWS 문서에서도 AgentCore harness는 인프라 관리를 직접 하지 않고 Agent를 빌드·실행·운영할 수 있도록 돕는 구성으로 설명되며, AgentCore CLI를 통해 몇 분 안에 실행 가능한 Agent를 구성하는 Quickstart도 제공됩니다.

7. AI-DLC: 개발 방식도 AI 중심으로 재구성된다

AI-DLC Phases and Steps

세션 후반부에서는 AI가 애플리케이션뿐 아니라 개발 방식 자체에도 영향을 주고 있음을 보여주는 AI-DLC 개념도 소개되었습니다.

AI-DLC는 기존 SDLC를 단순히 AI 도구로 보조하는 수준이 아니라, 요구사항 구체화, 작업 단위 계획, 도메인 모델링, 코드 생성, 테스트, 배포, 운영까지 개발 생명주기 전반에 AI를 체계적으로 활용하는 접근 방식입니다. AWS 공식 블로그에서도 AI-DLC를 대규모 팀이 AI 시대에 프로덕션급 소프트웨어를 협업해 구축하기 위한 end-to-end, AI-native 방법론으로 설명하고 있습니다.

다만 여기서 중요한 것은 AI가 모든 결정을 대신한다는 의미가 아닙니다. AWS의 AI-DLC 관련 자료에서는 Human-in-the-loop의 중요성을 강조합니다. AI가 계획과 산출물을 생성하더라도, 주요 의사결정과 검증은 사람이 수행해야 합니다.

AI-DLC 와 관련해서는 ‘[AWS Summit Seoul 2026] 생성형 AI 시대의 새로운 개발 방법론: AI-DLC (AI-Driven Development Lifecycle)‘ 포스팅을 참고하실 수도 있습니다.

8. Key Takeaways

Amazon’s AI Strategy 세션의 Key Takeaways

Amazon’s AI Strategy 세션의 마지막 메시지는 크게 세 가지로 정리할 수 있었습니다.

  • 첫 번째는 LOB와 Tech 조직의 협업입니다. AI 프로젝트는 기술 조직만의 과제가 아니라, 현업이 해결해야 할 비즈니스 문제를 정의하고 기술 조직이 이를 구현 가능한 구조로 풀어내는 과정이 중요합니다.
  • 두 번째는 Start Small, Scale Fast입니다. 처음부터 큰 플랫폼을 만들기보다, 작고 명확한 유스케이스에서 시작해 빠르게 검증하고 확장하는 접근이 필요합니다. Project Amelia 역시 여러 버전으로 빠르게 고도화된 사례로 소개되었습니다.
  • 세 번째는 Quality Data is Must입니다. AI가 신뢰할 수 있는 판단을 내리기 위해서는 정확하고 연결된 데이터가 필수입니다. 수요 예측, Seller 지원, 물류 협상, 운영 자동화 모두 데이터 품질이 기반이 되어야 합니다.

마치며

이번 Amazon’s AI Strategy 세션은 AI가 단순한 검색, 요약, 챗봇의 범위를 넘어 실제 비즈니스 프로세스를 판단하고 실행하는 방향으로 진화하고 있음을 보여주었습니다. Amazon은 고객 경험, Seller 운영, 공급망이라는 핵심 영역에서 AI를 적극적으로 활용하고 있었고, AWS는 이를 기업 환경에서 구현할 수 있는 다양한 기반을 제공하고 있었습니다.

결국 AI의 경쟁력은 단순히 답변을 잘 생성하는 데서 끝나지 않습니다. 앞으로는 업무 맥락을 이해하고, 필요한 도구와 데이터를 활용하며, 실제 행동으로 연결할 수 있는지가 더욱 중요해질 것입니다. 이번 세션은 이러한 변화가 이미 실제 비즈니스 현장에서 진행되고 있음을 확인할 수 있었던 의미 있는 시간이었습니다.

SA 김제헌

Post Views: 5