안녕하세요, AI 서비스 & 솔루션 프로바이더 베스핀글로벌입니다.
AWS re:Invent 2025의 [AI agents in action: Architecting the future of applications]을 확인해보시기 바랍니다.

AI agents in action: Architecting the future of applications

1. AWS re:Invent 2025: 에이전트 기반 애플리케이션 아키텍처의 부상과 지수적 가치

1-1.클라우드 도입의 과거와 에이전트 시대의 도래

• Shaun Nandi는 2013년 Dow Jones CIO가 워크로드의 75%를 클라우드로 이전하겠다는 발표를 들었을 때 불가능하다고 생각했음을 언급했습니다.
• 지난 5년 이상을 통해 모든 워크로드가 클라우드에서 실행될 수 있다는 것이 입증되었으며, 현재는 에이전트 시대(agentic era)의 새벽을 맞이하고 있습니다. 
• 2025년 이후 비즈니스가 근본적으로 변화하고 AI 혁명이 실제로 일어났음이 명확해질 것이라고 예측합니다. 

1-2. 에이전트 AI가 제공하는 지수적 가치 (Agentic Advantage)

• 수백, 수천, 혹은 수만 개의 에이전트가 복잡한 작업을 수행하며 지수적인 가치(exponential value)를 창출하는 미래가 다가오고 있습니다. 
• 이는 단순 챗봇을 기존 프로세스에 추가하여 얻는 한 자릿수 개선이 아닌, 지수적 가치를 의미합니다. 
• Amazon 내부 사례
  • Amazon 스토어 사업부는 AI 자동화 및 결함 제거를 통해 연간 20억 달러 이상의 비용 절감을 달성했습니다. 
  • 에이전트를 사용하여 Java 애플리케이션을 현대화했으며, 단 한 번의 업그레이드 세트로 4,500년의 개발 시간을 절약했습니다. 
  • AI 네이티브 접근 방식을 채택하여 개발팀 생산성이 4.5배 증가했습니다. 
• 고객 사례
  • 고객 서비스 회사 ASAPP는 에이전트를 사용하여 최종 사용자 상호 작용의 90%를 자동화했으며, 첫 해결률을 91%로 높이고 비용을 77% 절감했습니다. 
  • 시스템 통합 업체 NovaCOMP는 에이전트를 사용하여 애플리케이션을 현대화했으며, 기술 부채를 60% 줄이고 3주 걸리던 작업을 1시간 이내로 단축했습니다. 
  • 브라질 헬스케어 비영리 단체 No Harm은 환자 수용 능력을  8배 향상시키고 연간 3천만 달러 이상을 절약했습니다.

1-3. 에이전트가 차이를 만드는 근본적인 이유 : 두 가지 핵심 요소

• 첫째, 에이전트 패턴의 유연성
  • 초기 GenAI 애플리케이션은 구축에 많은 엔지니어링 노력이 필요한 제약된 아키텍처를 가졌습니다. 
  • 현재의 에이전트 접근 방식은 분산 시스템 아키텍처를 통해 훨씬 더 유연하며, LLM과 에이전트를 비즈니스 프로세스에 통합하는 데 필요한 엔지니어링 복잡성이 줄어들었습니다.
• 둘째, 새로운 비즈니스 가치 계산
  • 이전 GenAI는 데이터 통합에 많은 엔지니어링 작업이 필요했기 때문에 사용 사례는 높은 ROI를 제공해야 했습니다 (The juice had to be worth the squeeze). 
  • 현재는 진입 장벽이 크게 낮아져, 전체 워크플로우 자동화든 타겟 투입이든 동일한 수준의 시간, 비용, 노력이 필요하지 않습니다. 
  • 이전에는 단순한 프롬프트 및 응답 워크플로우에서 가치가 나왔으며, 그 영향은 종종 점진적이었고 LLM과의 상호작용 능력에 의해 제한되었습니다. 
  • 이제 에이전트는 인간이 같은 시간과 용량으로 할 수 없거나 하지 않을 일을 수행하므로 가치가 지수적으로 전달됩니다. 
• 결론으로 이 두 가지 기둥(유연한 에이전트 패턴과 새로운 비즈니스 가치 계산)이 오늘 논의의 기반을 설정합니다. 

2. 에이전트 아키텍처 패턴의 근본적인 변화

2-1. 클라우드 네이티브에서 에이전트 시스템으로의 논리 이동

• 기존 클라우드 네이티브 패턴의 역할
  • 전통적인 서버리스 및 이벤트 기반 아키텍처는 탄력성, 확장성, 복잡한 애플리케이션을 독립적으로 배포 가능한 서비스로 분해하는 기반을 제공했습니다. 
• 논리 위치의 변화
  • 전통적 애플리케이션: 핵심 논리는 정적이며 개발자가 모든 조건 분기, 비즈니스 규칙, 예외 사항을 명시적으로 프로그래밍해야 했습니다. 
• 에이전트 시스템 
  • 논리는 LLM 증강 에이전트로 이동합니다. 이들은 맥락을 해석하고, 결정을 내리며, 정의된 경계 내에서 목표를 향해 행동할 수 있습니다. 
• 결과적으로 시스템은 결과가 미리 정의된 결정론적 시스템(deterministic systems)에서 동적 해석 및 지능형 증강이 가능한 시스템으로 전환되고 있습니다. 

2-2. 초기 GenAI 통합의 어려움

• 클라우드 네이티브의 역할
  • 지난 20년간 클라우드 네이티브 아키텍처 패턴은 모범 사례의 초석이었습니다. 
  
• 초기 GenAI 통합 문제
  • 초기에는 단일 모델 엔드포인트만 존재하여 텍스트 요약이나 응답 초안 작성만 가능했습니다. 
  • 기존 프로덕션 시스템에 통합하는 것이 어려웠으며, 도구 통합, 엔터프라이즈 데이터 접근, 워크로드 확장이 어려웠습니다. 
  • 모델 상호작용은 상태 비저장(stateless) 및 점진적(incremental) 경향이 있었고, 지속적인 맥락이나 목표 개념이 없었습니다. 
  • 잠재력은 컸으나, 수십 년간 완성해 온 현대적 분산 시스템처럼 작동하는 GenAI 애플리케이션을 구축하기는 어려웠습니다.
• 결과적으로 많은 회사의 초기 PoC가 프로덕션 도달 전에 중단되었습니다.

2-3. 에이전트 접근 방식이 상황을 바꾼 방식

• 모델이 목표 지향적 루프(goal-driven loops)를 유지하여 여러 단계와 반복에 걸쳐 복잡한 목표에 집중할 수 있게 되었습니다. 
• 에이전트는 맥락을 유지하고, 도구를 기본적으로 통합하며, 확장 가능한 이벤트 기반 환경 내에서 작동합니다. 
  Bedrock Agent Core와 같은 런타임 기능은 에이전트를 배포하고 감독하기 위한 간단하고 운영적으로 강력한 기반을 제공합니다. 
• 사용자는 기능을 정의하고, 정책을 시행하며, 동작을 모니터링하고, 에이전트가 사용자 지정 API를 구축하는 대신 새로운 프로토콜을 통해 조정하도록 할 수 있습니다. 
• 올바른 도구를 사용하면 클라우드 네이티브 패턴과 에이전트 패턴 사이에 큰 차이가 없으며, 수십 년간 사용해 온 기본적인 클라우드 네이티브 관행에 LLM을 시스템 중앙에 배치하여 새로운 수준의 가치 창출을 촉진하는 것입니다.

2-4. Strands와 Amazon Bedrock Agent Core를 통한 엔지니어링 부담 완화

• 프로덕션 준비의 어려움
  • 보안, 관찰 가능성, 권한 부여 등을 위한 사용자 지정 배관(plumbing)이 필요했습니다.
• Strands의 역할
  • Strands는 차별화되지 않은 엔지니어링 작업을 제거하여 사용자가 에이전트의 오케스트레이션 방법이 아닌 달성하고자 하는 목표 정의에 집중할 수 있게 합니다. 
  • Strands는 프롬프트, 모델, 도구 및 데이터 서비스를 연결하는 계획, 실행, 반성(planning, acting, and reflecting) 주기를 처리합니다. 
  • 보안, 관찰 가능성, 배포 파이프라인과 같은 비기능적 배관을 추상화하여 프로토타입에서 프로덕션까지 복잡성을 줄입니다. 
  • Strands는 오픈 소스로 모든 사용자에게 완전히 제공됩니다.
• Amazon Bedrock Agent Core의 역할
  • 자율 시스템은 새로운 안정성 및 안전 고려 사항을 도입하므로 대규모 운영은 어렵고 잠재적으로 위험할 수 있습니다. 
  • Agent Core는 에이전트를 위한 관리형 엔터프라이즈급 런타임 플랫폼을 제공합니다. 
  • 세션 격리, 최대 8시간의 장기 실행 워크로드, 도구 통합, 메모리 서비스, 모든 모델 및 프레임워크 지원을 포함합니다. 
  • 정책 지원 및 평가 지원이 추가되었습니다. 

• • Strands와 Agent Core는 엔지니어링에 몇 달이 걸리던 것을 몇 시간 내에 구축할 수 있는 완전히 관리 가능한 서비스 세트로 변환하여, 기존 시스템 수준 용어로 생각할 수 있게 하면서 추론과 자율성이 내장되도록 합니다. 

3. 고객 사례: Steady (헬스케어)와 QAD (제조)

3-1.Steady (헬스케어)의 에이전트 여정

• Steady는 헬스케어 생태계 내 공급자(의사, 치과 등)와 지불자(보험사) 간의 거래를 처리하는 헬스케어 클리어링하우스입니다. 
• 문제 정의 (비정상 경로)
  • 환자가 보험 카드를 잊거나, 카드가 훼손되거나, 보험 정보가 변경된 경우, 인간의 기억과 수동 입력에 의존하게 됩니다. 
  • 보험사는 정확하지 않은 세부 정보에 대해 보험 확인을 거부하며, 이는 전화 통화나 환자에게 보장되지 않는다고 알리는 상황으로 이어집니다. 
• 첫 번째 에이전트 기능
  • 가장 좁은 사용 사례인 자격 확인(eligibility checks) 문제 해결을 선택했습니다. 
• 구현
  • Agent Core와 Strands를 사용하여 2주 만에 엔드투엔드로 구축했으며, AWS 기술의 우수성을 강조했습니다. 
• 에이전트 설계 접근 방식 (규제 산업)
  • 보안 및 규정 준수 : 매우 높은 수준의 품질을 유지해야 합니다. 
  • 결과의 확실성 : 심장 수술과 같은 중요한 작업으로 시작하지 않고 매우 간단한 것으로 시작해야 합니다. 
  • 범위 희생 : 품질과 보안을 희생할 수 없으므로 범위(scope)를 희생했습니다. 
  • 초기 사용 사례 선택 : 고객이 작동하지 않아도 나쁜 결과가 발생하지 않는 사용 사례를 선택했습니다. 
  • 부정된 청구(appealing denied claims) 대신 자격 확인(eligibility checks)을 선택했습니다. (이름이 Wilfred 대신 Will로 잘못 입력되어도 비용이 높지 않기 때문). 
• 기술적 복잡성 회피
  • CDK, CodeBuild, API Gateway, IAM, Amazon Verified Permissions 등 기존의 표준 개발 방식을 사용하여 기술적 복잡성을 피했습니다. 

• 보안 및 거버넌스
  • 최소 권한 원칙(principle of least privilege)을 시작점으로 삼았습니다. 
  • Steady는 API 우선(API-first) 플랫폼이며, 에이전트에게 필요한 접근 권한만 부여합니다. 
  • Bedrock 가드레일을 추가하여 에이전트가 할 수 있는 것과 할 수 없는 것에 대한 적절한 경계를 설정합니다. 
• 성공 측정 및 진화
  • 사용 빈도 : 고객의 거의 1/3이 매주 사용하고 있습니다. 
  • 해결률 : 자격 확인의 거의 1/3이 성공적으로 해결됩니다. 이는 10건 중 3건의 전화 통화를 피하거나 3명의 환자가 비용을 지불해야 하는 상황을 피하는 것을 의미합니다. 
  • 모듈성 : 에이전트를 플러그형 모듈 방식으로 구축하여 다른 부분으로 쉽게 확장 가능하게 했습니다. (현재는 자격 확인 문제 해결 에이전트가 아닌, 자격 확인 문제 해결 도구를 가진 에이전트입니다.) 
  • 확장 : 현재 지불자 선택(payer selection)으로 확장했으며, 향후 청구, 거부, 재제출 등으로 확장할 계획입니다. 
  • 궁극적 목표 : 고객이 플랫폼 위에서 구축하는 AI 기반 수익 주기 관리(RCM) 워크플로우를 지원하기 위해 다른 에이전트로부터 에이전트를 호출하는 방식을 탐색 중입니다.

3-2. QAD (제조)의 에이전트 여정

• QAD Red Zone은 약 5억 달러 규모의 글로벌 소프트웨어 회사로, AI 기반 제조 플랫폼을 제공하며 중소 제조사를 행동 시스템(systems of action)으로 전환하는 것을 목표로 합니다.

• 솔루션 3대 기둥
  • Red Zone : 연결성 및 현장 작업자 솔루션 (데이터 및 정보를 작업자에게 직접 제공). 
  • Adaptive : 제조에 중점을 둔 ERP (지능형 백본). 
  • Champion AI : 에이전트 계층 (인간 잠재력 증폭).
• 에이전트 구현 3가지 범주
  • 페르소나 기반 에이전트: 제조 분야의 모든 페르소나(작업자, 관리자, 플랜트 관리자 등)를 매핑하여 일상적인 지루한 작업을 에이전트가 대신 수행하게 하여 사람들이 고부가가치 작업에 집중하고 참여도를 높이도록 합니다. 
  • 재고 유지 비용 : 공급망 전체를 살펴보고 보충 수준을 조정하는 정밀한 권장 사항을 제공합니다. 
  • 조달 에이전트 : 구매자의 시간을 50% 단축하여 산출량을 크게 증가시킵니다. 
  • 구현 에이전트 : 시스템 구현 기간을 12~24개월에서 90일로 단축하는 데 도움을 줍니다. 데이터 마이그레이션, 사용자 지정 코드 이동 등에 AWS Transform을 사용합니다. 
• 아키텍처 모델은 AWS Bedrock, 도메인별 훈련은 SageMaker, 메모리는 DynamoDB 및 S3, 보안 및 제어는 IAM 및 KMS를 사용합니다. 
• 유연성 수용 (비결정론적 접근)
  • 사고방식 전환 : 워크플로우 스크립팅에서 결과(outcomes) 중심으로 전환했습니다. 
  • 수용해야 할 3가지
    • 결정론적 답변 대신 확률적 답변을 수용합니다. 
    • 단일 단계 대신 다단계 자율성을 생성합니다. 
    • 인간을 루프에 포함(human in the loop)시켜야 한다는 것을 강력히 믿습니다.
• 보안 및 규정 준수
  • 설계 기반 보안(Security by design)이 명확하며, 자율성이 증가할 때 통제가 감소하지 않도록 설계했습니다. 
  • IAM, 전체 감사 추적, KMS 등 AWS 표준 제어가 모두 적용됩니다. 
  • 고객 데이터가 모델 훈련에 사용되지 않는다는 보증을 제공합니다. 
  • 신뢰하되 검증(trust but verify) 원칙에 따라 인간을 루프에 두는 것이 중요합니다. 
• 성공 측정
  • 제조 지표 : OEE, 처리량, 다운타임, 비용 등 명확한 지표에 연결됩니다. 
  • 측정 결과 : Red Zone 사용자 65만 명을 대상으로 측정 시, 에이전트 배포를 통해 26%의 생산성 향상, 81%의 참여도 증가, 35%의 이직률 감소를 기록했습니다. 
  • 재고 에이전트 : 고객사에서 재고 유지 비용 30% 감소를 기록했습니다.

4. 에이전트 가치 실현을 위한 아키텍처 및 전략 

4-1. 에이전트가 제공하는 4가지 핵심 가치 동인

• 에이전트는 실행을 가속화합니다.
  • 전통적인 워크플로우는 시스템, 팀, 사람 간의 핸드오프(handoffs)에 의존하여 유휴 시간과 오류 공간을 만듭니다. 
  • 에이전트는 이러한 격차를 축소하고, 여러 단계를 미리 계획하며, 조건이 충족되는 즉시 다운스트림 작업을 트리거합니다. 
  • 에이전트는 본질적으로 비동기적이며 병렬로 작업을 조정하여 사이클 시간을 단축하고 처리량을 높입니다. (Steady의 동시 프로바이더 풀링, QAD의 ERP 마이그레이션 단축 사례 언급) 
• 적응형 오케스트레이션 및 의사 결정
  • 전통적인 자동화는 미리 정의된 규칙으로 작동하지만, 에이전트는 의도(intent)로 작동합니다. 
  • 에이전트는 대안 경로를 탐색하고, 가설을 테스트하며, 설정된 경계 내에서 최상의 계획으로 수렴합니다. 

• 런타임 품질 및 복원력 내장
  • 전통적인 QA는 사후에 발생하지만, 에이전트 시스템에서는 작업 수행 중에 확인이 이루어집니다. 
  • 에이전트는 중간 결과를 검증하고, 자가 수정(self-correct)하며, 출처를 자동으로 문서화할 수 있습니다. 
  • 실패한 단계를 지능적으로 재시도하거나, 자신감이 임계값 이하로 떨어지면 에스컬레이션할 수 있습니다. 

• 확장 가능한 도달 범위 및 지속적인 메모리
  • 에이전트는 데이터 사일로, 형식, 언어를 넘어 맥락을 가져올 수 있습니다. 
  • 무엇이 작동했고 실패했으며 결과를 개선했는지 기억합니다. 
  • 시간이 지남에 따라 이 메모리는 복리 효과를 내어, 기본 모델이 변경되지 않아도 시스템 전체가 학습하여 비용을 절감하고 품질과 속도를 높입니다.

4-2. 에이전트 도입의 단계적 접근 방식

• 현재 단계
  • LLM 지원 워크플로우에서 5~15%의 효율성 개선을 제공하는 단계에서, 결과를 가속화하고 비용을 절감하는 에이전트 워크플로우로 이동 중입니다. 
• 단계적 확장
  • 시작 : 비즈니스 프로세스의 개별 부분에 에이전트를 통합하여 작업을 보강하고 개선합니다.

• • 확장 : 시간이 지남에 따라 프로세스의 다른 부분을 처리하는 더 많은 에이전트로 확장합니다.

• • 궁극적 목표 : 완전히 에이전트화된 프로세스가 되어 비정상적인 결과, 훨씬 낮은 비용, 훨씬 빠른 사이클 시간을 제공합니다. 
• Amazon의 내부 적용
  • Amazon은 7월 이후 자체 비즈니스 전반에 걸쳐 20,000개 이상의 에이전트를 배포하여 다양한 워크플로우를 자동화했습니다.

4-3. 엔지니어링 개발에서의 에이전트 활용

• AI 네이티브 개발
  • 에이전트는 코드를 생성하는 것을 넘어 전체 수명 주기를 오케스트레이션하며 제품, 보안, 운영, 엔지니어를 실시간으로 통합합니다. 
• 협업 촉진
  • 에이전트는 개발이 진행됨에 따라 사일로화된 팀이 문제를 발견하는 대신, 트레이드오프를 조기에 노출하고 결정을 중재하여 시스템이 처음부터 총체적으로 진화하도록 정렬을 유지합니다. 
• 고객 성공 사례
  • IT 서비스 회사 Repro는 도메인 주도 설계 및 DAN 플랫폼을 활용하여 20시간 만에 프로덕션 준비가 된 엔터프라이즈 헬스케어 플랫폼을 개발했습니다. 
  • 새로운 기능을 구축하는 데 원래 2개월이 걸렸으나, AI 네이티브 관행을 채택하여 48시간 만에 개발했습니다. 
• Ericsson(R&D 생산성 두 자릿수 증가) 및 Honda(자율 주행 기술 생산 속도 향상) 사례가 언급되었습니다.

5. Pattern (이커머스)의 에이전트 기반 프로세스 재구상 

5-1. Pattern 소개 및 데이터 기반 문제 해결

• Pattern 소개
  • 2013년에 설립되었으며, 60개 글로벌 마켓플레이스에서 브랜드를 돕는 인텔리전스 레이어를 보유하고 있으며, 현재 Amazon 마켓플레이스에서 1위 판매자입니다. 
• 문제 사례 (You Theory 브랜드)
  • 이 브랜드는 총 매출의 약 19%를 광고에 지출하고 있었습니다. 
  • 핵심 문제는 전환율이 경쟁사 대비 낮다는 것이었습니다 (자사 10.4% vs 경쟁사 16.7%). 
  • 이 문제는 글로벌 판매 및 아마존 외 판매까지 고려해야 하는 매우 복잡한 문제였습니다. 
• 에이전트 기반 솔루션
  • 센서 트리거 : "경쟁사 대비 -6% 전환"과 같은 지표를 센서로 간주하고 트리거합니다. 
  • 정보 수집 에이전트 : 웹과 모든 소스를 조사하여 데이터를 수집합니다. 
  • 경쟁사 분석 : 경쟁사가 무엇을 하고 있는지 분석합니다. 
  • 전략 수립 및 사진 생성 : 전략을 세우고, AI 기반 제품 사진 생성을 위해 노력합니다. 

5-2. AI 기반 제품 사진 및 감사 프로세스

• 이미지 품질이 충분하지 않아 Portal이라는 하드웨어(로봇 팔, 턴스타일 테이블, 모터 포함)를 구축했습니다. 
• Portal 내에서 LED 스크린을 사용하여 LoRA 모델을 훈련시키고 수백 장의 샷을 찍어 AI 기반 제품 사진을 생성합니다. 
• 에이전트를 사용한 감사
  • 에이전트를 사용하여 브랜드 스타일 가이드, 금지 사항, PIM(제품 정보 관리)의 실제 용량 등을 확인하여 에어 체크(air-check)합니다. 
  • 이미지의 일부가 잘못되면 콘텐츠 생성 에이전트를 사용하여 해당 부분만 다시 생성합니다.

5-3. Pattern의 에이전트 아키텍처 및 결과

• 에이전트 워크플로우 아키텍처
  • 비에이전트 워크플로우 : 입력 → 단계 1, 2, 3, 4 → 출력. 
  • 에이전트 워크플로우 : 단계 1과 2 사이에 결정 지점이 있으며, 내부 정보 시스템(PXM)을 쿼리하고 데이터를 모델에 공급한 후, 에이전트가 2단계에서 3단계로 갈지, 3단계를 건너뛸지 결정합니다. 
  • 메모리 : 장기 및 단기 메모리를 사용하여 이전에 수행된 작업과 더 영향력 있는 작업을 기억합니다. 
  • 상호 운용성 : Amazon 및 비Amazon 제품을 혼합하여 사용하며, AWS 기반은 다른 시스템과의 완전한 상호 운용성을 허용합니다. 
• 결과
  • 전환율 증가 : 전체 Pattern 포트폴리오(10만 SKU, 60개 마켓플레이스)에서 2%의 전환율 증가를 달성했으며, 이는 선형적이지 않고 트래픽 증가로 이어지는 막대한 영향을 미칩니다. 
  • 시간 및 비용 절감 : 사진 촬영을 위해 임대했던 공간을 줄이는 등 시간과 비용이 절감되었습니다. 
• 교훈 (사람 중심)
  • 기술 구현은 결국 사람의 업무입니다. 
  • AI 엔지니어에게 최저 수준의 급여를 지급하면 최상의 인재를 채용할 수 없으며, 향후 2~3년 내에 이 부분을 해결하지 못하는 회사는 뒤처질 것입니다. 
  • 리더들이 AI와 기술의 이점에 완전히 몰입하지 않으면 뒤처지게 됩니다. 
• 결과가 명확하지만, 그곳에 도달하는 해결책이 가변적이고 창의적일 수 있는 곳이 에이전트 워크플로우에 완벽한 지점입니다.

6. 결론 및 AWS의 지원 방향

6-1. 에이전트 가치 재강조

• 에이전트는 운영 민첩성을 가속화하고 비정상적인 비즈니스 가치를 잠금 해제합니다.

6-2. AWS의 역할

• AWS는 전 세계 어디서든 신뢰할 수 있고 성능이 뛰어난 에이전트를 구축하고 배포하기에 가장 좋은 곳입니다.

6-3. Bedrock Agents 기능

• 프로덕션에서 안전하고, 보안을 갖추고, 확장 가능하게 에이전트를 실행하기 위한 기능(평가 및 정책 포함)을 제공합니다.

6-4. 광범위한 지원

• 준비된 애플리케이션 : 소프트웨어 개발을 위한 Hero, 보안 및 DevOps 에이전트
• 도구 : 마이그레이션 가속화를 위한 Transform, 고객 경험 개선을 위한 Connect, 직원 지원을 위한 Quick. 
• 프레임워크 및 모델 : Strands와 같은 오픈 소스 기능을 포함하여 가장 인기 있는 프레임워크를 지원하며, Nova 2 모델을 포함한 가장 광범위한 모델 선택지를 Bedrock에서 제공합니다. 
• 인프라 : SageMaker(Nova Forge 포함) 및 자체 제작 실리콘(Tranium 3 초고속 서버 포함)을 제공합니다. 

6-5. 역사적 관점

• 10년 전 클라우드가 비즈니스에 가져온 변화를 상상할 수 없었던 것처럼, 이제 에이전트가 모든 비즈니스 프로세스, 워크플로우, 시스템에 관여하게 될 것이며, 이는 역사가 가르쳐주듯이 현실이 될 것입니다.