안녕하세요, AI 서비스 & 솔루션 프로바이더 베스핀글로벌입니다.
AWS re:Invent 2025의 [Amazon's journey deploying Quick Suite across thousands of users]을 확인해보시기 바랍니다.

1. Amazon Quick Suite 도입 배경 및 비전

1-1. 워크플로우 혁신을 이끄는 다섯 가지 주요 동인 

1. AI 에이전트의 등장: 모든 기업이 비즈니스에서 에이전트가 어떻게 작동하는지, 그리고 직원들이 에이전트와 협력하여 더 많은 일을 어떻게 할 수 있을지에 대해 고민하기 시작함.
2. 가속화된 의사결정의 필요성: 향후 3년 이내에 조직에서 이루어지는 일상적인 비즈니스 결정의 15%가 자율적으로 이루어질 것으로 예상됨.
3. 경쟁 심화 및 생산성 압력: 에이전트를 활용하여 더 많은 성과를 내는 개인들이 생산성 향상을 경험하면서 직장 내 경쟁이 심화되고 있음.
4. 직원들의 AI 소비자 경험: 직원들은 일상생활에서 소비자용 AI 도구에 노출되어 있으며, 이러한 시스템을 직장에서도 사용하고 싶어 하는 욕구가 존재함.
5. 엔터프라이즈 요구사항과의 균형: 직원들의 새로운 도구 사용 욕구와 엔터프라이즈의 보안, 신뢰성, 거버넌스 요구사항 사이에서 균형을 맞춰야 하는 과제가 있음. 

1-2. 기존 업무 환경의 비효율성

1. 데이터 접근의 어려움: 직원들은 다양한 도구에서 데이터를 가져와야 하며, 이 도구들 중 다수가 자체적인 에이전트 환경이나 자연어 채팅 기능을 가지고 있음.
2. 반복 업무로 인한 가치 창출 저해: 직원들이 반복적인 작업을 수행하느라 더 높은 가치의 업무를 달성하지 못하고 시간이 낭비됨.
3. 맥락 전환(Context Switching)의 마찰: 필요한 정보를 얻기 위해 맥락을 전환하는 것이 엔터프라이즈 환경에서 큰 마찰의 원인이 됨.
4. 심층 분석의 병목 현상: 심층 분석이 필요할 때, 다양한 데이터 소스를 흡수하고 중요한 결정을 내려야 하므로 생산성 속도가 저하됨.

1-3. Amazon Quick Suite의 비전 및 소개

• Quick Suite의 비전: 에이전트 팀원들이 직원들과 나란히 일하며 질문에 신속하게 답변하고, 이러한 질문과 답변을 행동(Actions)으로 전환하는 환경을 제공하는 것이 목표임.

• 공식 출시: Amazon Quick Suite는 10월 9일에 소개 및 출시되었으며, Amazon 내부에서도 실제로 사용 중임.

• 핵심 기능: 사용자가 데이터 소스를 통합하여 명확하고 맥락적으로 관련된 답변을 얻을 수 있으며, 에이전트 팀원들과 함께 더 많은 작업을 수행할 수 있는 직관적인 경험을 제공함.

2. Amazon Quick Suite의 구조와 핵심 기능

2-1. Quick Suite의 구성 요소 (아래에서 위로)

• 데이터 집계: Quick Suite는 업무 수행에 필요한 모든 엔터프라이즈 데이터 소스를 집계함.

  • 지식 기반(Knowledge bases) 및 개인이 업로드한 파일.

  • Quicksite에서 가져온 구조화된 데이터(대시보드 데이터).

• 행동 통합: 집계된 엔터프라이즈 지식에 1자 및 3자 시스템의 행동(Actions)을 결합함.

• 외부 지식 증강: 필요할 때 세계 지식(World knowledge) 및 웹 검색 기능으로 정보를 보강함.

2-2. Spaces와 핵심 역량 오버레이

• Spaces 개념 도입: Spaces는 Quick Suite가 너무 엔터프라이즈 중심적으로 느껴지는 것을 방지하기 위해 도입되었으며, 팀과 개인이 자체 환경을 구성하여 에이전트 행동을 취할 수 있도록 허용함.
• AWS의 핵심 가치: 모든 기능은 AWS의 거버넌스, 가드레일, 책임감 있는 AI 관점, 규제 준수 등의 토대 위에서 제공됨.
• 다섯 가지 주요 역량: 다음 다섯 가지 핵심 기능이 Quick Suite 위에 오버레이 됨.

1. 챗 에이전트(Chat agents): 자연어로 대화하여 작업을 수행하는 기능.
2. 연구 에이전트(Research agent): 복잡한 비즈니스 문제에 대해 심층적인 연구를 수행하는 데 특화됨.
3. Quicksite: 모든 BI 및 생성형 BI 기능을 갖춘 구조화된 데이터 환경.
4. 플로우(Flows): 팀과 개인이 일상 업무를 에이전트 방식으로 자동화하도록 설계된 경량 자동화 프레임워크
5. Quick Automate: 엔터프라이즈급 자동화를 위해 설계된 더 무거운 자동화 환경.

• 통합: 이 모든 요소가 결합되어 Quick Suite를 형성함.

2-3. 기반 기술 및 에이전트 워크플로우

• 통합 인덱스 기반: 구조화된 데이터와 비구조화된 정보를 균일하게 볼 수 있는 곳에 모아 인덱스 위에 구축됨

• 에이전트 워크플로우의 필요성: 생성형 AI에서 도전 과제였던 통합된 기반을 제공하여 조직 데이터에 기반한 의사결정을 가능하게 함.

• 팀과 에이전트의 통합: Quick Suite는 팀과 에이전트를 통합하는 역할을 수행함.

2-4. 사용자 정의 에이전트 및 Spaces 활용

• 커스텀 챗 에이전트 생성: 소프트웨어 개발자가 아니어도 자연어를 사용하여 팀의 요구사항을 설명함으로써 커스텀 챗 에이전트를 만들 수 있음.
  • Quick Suite는 에이전트 개선을 위한 권장 사항을 제공함.
• Spaces를 통한 협업: 구축된 에이전트는 Space라는 구조 내에서 팀원들과 협업할 수 있음.
  • Space는 팀에 관련 지식과 사용할 에이전트가 공존하는 허브를 구축하게 함.
  • 팀의 현재 임무에 맞춰 특정 문서를 업로드할 수 있으며, 에이전트는 해당 Space 내의 정보만을 기반으로 맥락적으로 관련된 답변을 제공함.

3. Quick Suite의 주요 기능 상세 설명

3-1. Quick Site 및 Quick Research 기능

• Quick Site의 통합: Quick Site는 Quick Suite 내의 한 기능으로 통합되었으며, 기존의 구조화된 분석, 대시보드 상호작용, 자연어 기반 아티팩트 생성, 데이터 스토리 구축 기능이 모두 원활하게 제공됨.

• Quick Research: 시간이 많이 소요되는 작업을 처리하는 공간임.

  • Quick Suite에 추가된 조직 데이터, 비공개 3자 데이터, 인터넷 데이터를 활용할 수 있음.

  • 20~40개의 소스를 고려하는 집중적인 연구 프로젝트를 30분 이내에 완료할 수 있음.

3-2. Quick Flows 자동화 엔진

• 자동화 엔진: Quick Flows는 Quick Suite 내의 자동화 엔진으로, 도구들을 연결하여 반복적인 작업을 자동화함으로써 시간과 에너지를 절약함.
• Flow 생성 방식: 에이전트 생성과 유사하게, 달성하려는 목표에 대한 자연어 설명을 제공함.
• 자동화 과정: Quick Suite가 설명을 해석하고, 사용자가 접근 가능한 데이터 소스, Space, 3자 시스템의 행동 등을 파악하여 프로세스를 실행할 수 있는 Flow를 구축함.

3-3. Quick Suite 요약 및 신뢰성

• 요약: Quick Suite는 에이전트 팀원들과 사용자가 함께 일하는 공간이며, 이 팀원들은 시간이 지남에 따라 역량이 향상됨.
• 핵심 가치: 답변에서 행동으로 즉시 원활하게 이동하며, 이 모든 것을 엔터프라이즈급, 보안, 거버넌스, 신뢰성이 확보된 환경에서 수행함.

4. Amazon의 Quick Suite 대규모 도입 여정 및 도전 과제

4-1. 파일럿에서 프로덕션으로의 어려움

• 현실 인식: 도구의 존재에도 불구하고 대규모 확장은 여전히 어려우며, 88%의 AI 파일럿이 프로덕션 도달에 실패하고 있음.
• 업계 현실: 리더 중 72%가 AI 구현 및 채택에 어려움을 겪고 있다고 응답함.
   

4-2. Amazon이 직면한 고유한 도전 과제

• 광범위한 구현 필요성: Amazon은 모든 조직이 최대의 이익을 얻을 수 있도록 매우 광범위하게 AI를 구현해야 함.
  • 개별 팀을 대상으로 하는 특정 제품보다는 광범위한 조직 채택을 목표로 함.
• 보안 및 법률 승인: AI에 대한 조직의 신뢰를 얻기 위해 보안 및 법률 프로세스를 거쳐야 했음.
• 데이터 사일로: 팀 수준 및 엔터프라이즈 수준의 데이터 사일로가 존재하며, 에이전트 AI가 효과적이려면 이 사일로들이 연결되어야 함.
• 변화 관리: 기존 업무 방식에 익숙한 직원들을 위한 변화 관리가 필요함.

4-3. Amazon 내부 Quick Suite 도입 성과

• 사용 현황: Amazon 직원들은 Quick Suite를 에이전트 AI 팀원으로 사용하고 있음.
  • 40,000명 이상의 Amazon 직원이 맞춤형 챗 에이전트를 생성하여 업무에 활용 중임.
  • 수십만 명의 사용자가 50,000개 이상의 Quick Research 쿼리를 실행하여 심층 분석 질문에 답하고 시간을 절약함.
  • 수십만 명의 사용자가 300,000회 이상 실행된 Quick Flows를 실행함.
     
• 결론: Quick Suite를 조직 내에 배포함으로써 이점을 보기 시작했음.

5. Quick Suite 내부 배포 및 거버넌스 과제 해결

5-1. Enterprise Engineering의 역할과 성공을 위한 네 가지 영역

• Enterprise Engineering 역할: 기업 전체의 생산성 도구 및 서비스를 제공하고, 클라이언트 장치 플릿의 보안 규정 준수를 보장하는 역할을 수행함.

  • 100개 이상의 제품을 서비스하며 일부 제품은 백만 명의 사용자를 보유함.
• 성공적인 롤아웃을 위한 네 가지 영역: 성공적인 배포를 위해 집중한 네 가지 영역이 존재함.

1. 데이터 통합(Data unification): 고객(Amazon 직원)에게 가장 가치 있는 데이터 소스를 결정함.
2. 보안(Security): Amazon의 높은 보안 기준을 충족하기 위한 여러 단계를 거침.
3. 개인정보 보호(Privacy): 글로벌 기업으로서 여러 노동 협의회(work councils)의 요구사항을 충족해야 함.
4. 확장성(Scalability): 대규모 사용자 커뮤니티에 흥미와 참여를 유도해야 함.

5-2. 데이터 통합 및 보안 검증 과정

• 데이터 통합: 직원들의 생산성을 높일 가장 가치 있는 데이터 소스를 결정하기 위해 내부 연구(검색, 프로젝트 관리, 문서 협업)를 수행함.
  • 사용 중인 제품 목록을 기반으로 15개 제품을 우선순위 지정하여 Quick Suite에 연결하고, 직원들을 위한 큐레이션된 지식 기반을 생성함.
• 보안 챌린지: 내부 사용 제품에 대한 높은 보안 기준을 충족하기 위한 특정 승인 절차를 따름.
  • 고수준 설계 및 기술 아키텍처 검토, 위협 모델링을 보안 파트너와 함께 진행함.
  • 포괄적인 침투 테스트를 수행했으며, 발견된 모든 문제점은 위험이 완화되고 보안 승인을 받을 때까지 수정 및 재테스트됨.

5-3. 개인정보 보호 및 확장성 계획

• 개인정보 보호: 글로벌 기업으로서 AI와 관련된 위험을 이해시키기 위해 여러 국가의 노동 협의회와 교육 세션을 진행함.
  • 에이전트 AI와 LLM의 차이점을 교육하고, 데이터가 비식별화되어 개인에게 추적되지 않음을 강조함.
  • Space에 데이터를 넣을 경우, 해당 데이터 소스는 원본 소유자의 보안 설정을 상속받아 Quick Suite의 모든 사람에게 공개되지 않음을 보장함.
• 확장성 계획: Amazon의 AI 책임 정책을 업데이트하고 모든 직원이 접근하도록 보장함.
  • 데이터 기반 연구 접근 방식을 사용하여 Amazon 내의 모든 직무군을 분석하고, Quick Suite 기능과 매핑할 수 있는 기회와 페인 포인트를 식별하여 교육 자료에 통합함.

5.4. 대규모 채택을 위한 다각적 론칭 계획

• 다중 접점 론칭 계획: 대규모 채택을 위해 여러 커뮤니케이션 방식을 활용함.
  • Quick Suite 브라우저 확장 프로그램을 M365, Word 및 Outlook용 애드인으로 자동 설치하여 직원들이 즉시 접근 가능하게 함.
  • 이메일 캠페인, 뉴스레터, FAQ 및 셀프 서비스 교육 스낵(짧은 비디오)이 포함된 내부 위키를 출시함.
  • 모니터링 및 응답을 위한 Slack 채널을 개설했으나, 실제 답변의 상당 부분은 Quick Suite 사용자들에 의해 크라우드소싱됨.
  • 청중과 사용 목적에 맞춘 수십 건의 대규모 라이브 교육 세션을 진행함.
  • 주간 설문조사를 통해 고객 피드백 루프를 생성하여 교육 자료 및 커뮤니케이션에 반영함.
  • 사용자 커뮤니티 포커스 그룹을 생성함.
• 점진적 접근: 대규모 참여를 위해 소규모로 시작했으며, AWS 및 Enterprise Engineering의 개별 사용자에게 베타 버전에 대한 접근 권한을 부여하고 피드백 루프를 통해 100% 확신을 얻은 후 전체 지식 근로자에게 확장함.

5-5. 포스 멀티플라이어 식별 및 영향 분석

• 포스 멀티플라이어 식별: 사용자 연구 및 페르소나를 깊이 분석하여 Quick Suite 기능을 페인 포인트와 맞춤. Amazon의 각 수직 분야를 살펴보고 조직 전체에 사용될 수 있는 포스 멀티플라이어(Force Multiplier) 솔루션을 식별함.
• 프로그램 상태 보고서(Program status reports) 분석: 이 보고서 작성이 생산성을 높이는 포스 멀티플라이어로 식별됨.
  • 전/후 분석을 통해 보고서 생성에 걸리는 단계 수, 시간, 사용자 만족도를 측정함.
  • 데이터 통합을 통해 워크플로우를 생성하여 상태 보고서를 만드는 데 주당 시간 절약 개선을 확인했으며, 이는 매우 효과적인 포스 멀티플라이어였음.
• 통찰력 확보: 단순히 상태 보고서 생성 자동화를 넘어, 에이전트 AI를 사용하여 보고서에 대한 통찰력을 얻을 수 있었음.
  • 이전에는 지난주 활동과 다음 주 계획을 보고했지만, Quick Suite를 통해 대규모 조직의 중복 작업, 누락된 업데이트, 잠재적 위험에 대한 통찰력을 얻어 보고 품질을 향상시킴.
• 최종 영향: 수십만 명의 Amazon 직원이 Quick Suite를 에이전트 AI 팀원으로 사용하고 있음.

6. AWS 인사이트 여정: 문제 정의 및 3단계 분석 프레임워크

6.1. AWS 인사이트 팀 소개 및 비전

• Sujit Naredi 소개: AWS 글로벌 영업 부서의 분석 및 인사이트 책임자임.

• 팀 비전: 데이터 기반 의사결정을 위해 적절한 페르소나에게 적시에 통찰력과 인텔리전스를 제공하는 것임.

6.2. AWS가 직면한 문제: 풍요의 문제(Problem of Plenty)

• 문제 정의: AWS와 같은 대규모 기업은 파편화된 데이터 소스와 확산되는 대시보드로 인해 풍요의 문제에 직면함.

  • 팀들은 핵심 비즈니스 질문을 해결하기보다 KPI에 지나치게 집중함.

  • 근본 원인 분석이나 실질적인 실행 가능한 통찰력을 제공하는 데 어려움을 겪음

• 비즈니스 리뷰 경험 저하: 비즈니스 검토 시 필요한 모든 데이터 포인트와 메트릭이 파편화되어 있고 맥락이 부족하여 리더들에게 나쁜 경험을 제공함.

  • 비유: 요리할 모든 재료는 있지만, 명확한 레시피나 라벨이 없는 것과 같음.

• 두 가지 핵심 질문:

  • 방대한 데이터를 비즈니스 가치를 창출하는 의미 있는 통찰력으로 어떻게 변환할 것인가?

  • 전통적인 분석을 넘어 AI 기반 통찰력을 활용하려면 어떻게 진화해야 하는가?

6-3. 3단계 분석 프레임워크(Knowing to Acting)

• 구조화된 접근 방식: 데이터에 대한 사고방식을 변환하는 구조화된 접근 방식이 필요함.

  • 1단계: 기술 분석(Descriptive Analytics): 무슨 일이 일어나고 있는지에 답하며 기준선 메트릭과 데이터 포인트를 제공함.

  • 2단계: 진단 분석(Diagnostic Analytics): 왜, 어디서 이런 일이 일어나고 있는지 깊이 파고들어 추세를 파악하는 것을 넘어 근본 원인을 이해하게 함.

    • 예시: 단순히 판매 감소를 보는 것이 아니라, 그 감소가 발생한 정확한 위치와 이유를 파악함.

  • 3단계: 처방 분석(Prescriptive Analytics): 어떻게 행동할 수 있는지에 답하며, AI 기반 통찰력이 빛을 발하는 단계임.

    • 시스템은 검증된 패턴과 예측 분석을 기반으로 명확하고 실행 가능한 권장 사항을 제공하여 사용자가 무엇을 해야 할지 안내함.

6-4. AWS Insights 플랫폼 구현

• AWS Insights 정의: AWS 내 비즈니스 검토를 용이하게 하는 분석 플랫폼으로, 전통적인 BI와 최신 AI 기능을 결합함.
• 두 가지 핵심 역량:
  • 전통적 분석 (Quick Sight 대시보드): 대시보드를 웹 애플리케이션에 내장하여 접근성, 협업성, 실행 가능성을 높임. CEO부터 판매원까지 모두를 한 곳에서 지원함.
  • 대화형 AI (Quick Chat): 사용자가 일반 영어로 질문하고, 몇 분 이내에 더 빠르고 깊은 답변을 얻을 수 있게 함.
• 플랫폼 구조: 비즈니스 운영 방식에 맞춰 구조화됨.
  • 중앙 통찰력(Central Insights): 비즈니스 검토 주기(cadences)를 반영함.
  • 기능적 및 보조적 통찰력(Functional and supplemental insights): 전문 팀을 지원함.
  • 모든 계층에 맥락과 가드레일이 내장되어 있음.

6-5. 전통적 분석 및 대화형 경험의 구체화

• 전통적 분석의 강력한 기능:
  • QuickSight 임베딩: 탐색 창과 바로 가기를 제공함.
  • 원활한 맥락 보존: 필터와 행동이 따라와 대시보드 간에 맥락을 재구축할 필요가 없음.
  • 즉각적인 드릴다운: CEO 수준 메트릭부터 개별 고객 성과까지 드릴다운하여 이상 징후의 원인을 정확히 파악함.
• 대화형 경험: 데이터 구조와 지식 모델링 접근 방식을 통해 Quick Chat 에이전트가 비즈니스 맥락을 이해할 수 있음.
  • "비즈니스 요약을 제공해 줘"라고 질문하면 즉시 실행 가능하고 맥락화된 통찰력을 얻을 수 있음.
  • 과거에는 수동 요청, 여러 대시보드 검토, 회의, 질의응답 등이 필요했던 작업임.
• 심층 분석 및 외부 연결: 판매 리더는 권한뿐만 아니라 고유한 맥락과 판매 전략을 존중하는 자연어 대화로 깊이 파고들 수 있음.
  • 챗 에이전트는 웹 검색을 통해 외부 인텔리전스와 연결할 수 있으며, 실제 비즈니스 성과에 안전하게 기반을 둔 산업 동향 분석이 가능함.
• 단일 진실 공급원(Single Source of Truth): 수년간의 어려움이었던 대규모 데이터 처리 문제를 해결하고, 모든 리더가 판매, 재무, 운영 전반에 걸쳐 상충되는 수치 없이 동일한 진실 공급원에서 작업하도록 보장함.

7. AWS Insights 구축의 기반 기술: 3가지 핵심 요소

• 직관적인 경험의 기반: 대시보드와 AI 상호작용이 원활하게 작동하지만, 이 경험을 만들기 위해 세 가지 핵심 요소로 구성된 포괄적인 기반을 구축함.
• 세 가지 영역:

1. 전통적인 통찰력을 향상시켜 실행 가능성을 높이는 방법.
2. AI 엔진을 준비하여 지능적이고 맥락적인 응답을 제공하는 방법.
3. Quick Suite를 통해 모든 것을 연결하여 통합된 경험을 만드는 방법.

7-1. 대시보드 확산 문제 해결 및 구조화

• 문제점: 초기에는 대시보드가 사일로화되어 있었고, 지역별로 중복된 수익 대시보드가 존재했으며, 사용자들이 고립된 상태로 대시보드에 접근하여 파편화된 경험을 초래함.

• 해결책: 책과 같은 아키텍처(Book-like architecture): Quick Sight 기반의 웹 애플리케이션에 모든 대시보드를 통합함.
  • 이 아키텍처는 수익, 고객 분석, 운영, 재무 등 비즈니스 기능을 나타내는 챕터로 구성되며, 통합된 소프트웨어 계층을 통해 연결됨.
  • 각 비즈니스 수직 분야는 전용 챕터를 가지지만, 공통의 기반 데이터 및 소프트웨어 계층을 통해 상호 연결되어 통찰력과 사용자 경험의 일관성을 보장함.
• 웹 애플리케이션 레이어의 역할: 경험을 체계적으로 제어하는 동시에 빌더 커뮤니티가 공동 개발할 수 있는 유연성을 제공함.

7-2. AI 엔진 준비: 5단계 플라이휠

• 지식 기반 에이전트의 필요성: 대시보드에 구성된 에이전트는 자판기와 같아 특정 항목만 제공하지만, 지식 기반 에이전트는 요리사처럼 사용 가능한 재료로 맞춤형 솔루션을 만들 수 있어 훨씬 강력함.
• 초기 설정 및 구성: 복잡한 사용 사례를 충족하기 위해 지식 기반 구축에 투자함.
  • 데이터 저장소 중앙 집중화 및 사전 계산된 메트릭 구현.
  • 평가 프레임워크 구축 및 체크포인트를 통해 에이전트 환각(hallucinations)을 포착하여 응답의 정확성과 신뢰성을 보장함.
• 비즈니스 로직 유지: 템플릿 구조를 통해 비즈니스 로직과 관계를 유지하여 사용자에게 필요한 맥락 보존을 제공함.
• 보강(Enrichment) 단계:
  • 부서별 데이터 시스템의 인위적인 경계로 인해 에이전트의 통찰력이 제한되는 문제를 해결하기 위해 교차 수직 데이터 보강을 구현함.
  • 대규모 데이터 세트의 경우, 부서 간 비즈니스 관계를 설정하여 지능적으로 청크(chunk)로 분할함.
  • 이는 모든 비즈니스 기능에 걸쳐 지식 기반을 최신 상태로 유지하기 위한 반복적인 보강 프로세스이며, Quick Flows 기능이 이 전체 프로세스 오케스트레이션을 지원함.
• '무엇이 일어났는지'에서 '어떻게, 왜 일어났는지'로 이동:
  • 과거에는 모든 사용자 역할(임원, 영업, 재무)이 대시보드에서 동일한 정적 답변을 보았지만, 이제는 지식 기반과 Quick Agents를 결합하여 각 역할에 맞는 통찰력을 제공함.
  • 지식 기반은 비즈니스 맥락과 의미론적 이해를 제공하고, Quick Agents는 근본 원인 분석을 수행하여 추세 이면의 이유를 설명하는 지능형 분석가 역할을 함.
  • 이는 질문뿐만 아니라 질문하는 사람에 따라 데이터 인텔리전스를 개인화하는 방식임.

7-3. 보안 및 협업 생태계 구축

• 보안 단계: 민감한 비즈니스 데이터를 공유하면서도 사용자가 볼 수 있는 정보만 제한하는 문제를 해결함.
  • 역할 수준 보안(Role-level security) 아키텍처 계층을 생성하여 데이터베이스를 떠나기 전에 사용자 페르소나에 따라 데이터를 필터링함.
• 전문 지식 통합: AWS 내의 집단적 전문 지식을 통합하는 것이 목표였으며, 기존에 구축된 전문 에이전트(고객 성공 워크플로우, 재무 모델링 등)를 활용하고자 함.
• Quick Actions의 역할: 범용 번역기 역할을 하여 전문 에이전트들이 보안 경계를 존중하면서 안전하게 협력할 수 있도록 함.
  • 이는 에이전트 연결을 넘어 팀 간의 장벽을 허물고 진정한 협업 AI 생태계를 구축한 것임.
• 전체 아키텍처: AWS Insights AI 엔진과 Quick Suite의 완전한 아키텍처가 시각화됨.

7-4. Quick Suite 연결 방법 및 학습 교훈

• Quick Suite 연결 방법 (3가지):
  1. 실험: 코딩이 거의 필요 없는 기성 Quick Knowledge base를 사용하여 프로토타이핑 및 아이디어 테스트에 적합함.
  2. 작업 자동화: 여러 애플리케이션 연결 시, 비즈니스 중심 도구를 MCP 엔드포인트로 노출하여 Quick Suite 에이전트와 연결하며, 이는 일상적인 작업을 효율적으로 처리함.
  3. 복잡한 추론: 비즈니스 서술 또는 복잡한 추론의 경우, 지식 기반을 구축하고 MCP 연결을 통해 연결할 수 있음.
• 여정에서 얻은 핵심 교훈:
  1. 데이터에 투자: 에이전트는 데이터만큼만 우수하며, 강력한 AI 모델로 나쁜 데이터를 보상할 수 없음.
  2. 사용자와 의도 이해: 일률적인 통찰력은 작동하지 않으며, 에이전트는 무엇을 묻는지뿐만 아니라 누가 묻는지를 이해해야 함.
  3. 정확한 정보가 모든 정보보다 우수: 더 많은 데이터가 더 나은 답변을 의미하지 않으므로 양보다 정밀도를 우선해야 함.
  4. 배포 전 오류 포착: 품질은 협상 불가이므로, 고객에게 도달하기 전에 에이전트 환각을 포착하기 위해 진화 프레임워크와 체크포인트를 구현함. 

8. Amazon 내부 Quick Suite 활용 사례 및 후속 조치

8-1. AWS 재무팀의 활용 사례: 거래 분석 가속화

• 초기 사용자: AWS 재무팀은 Quick Suite의 초기 채택자 중 하나였음.
• 기존 프로세스: 여러 단절된 데이터 소스에서 거래를 추적했으며, 거래 분석에 평균 4시간이 소요됨.
• Quick Suite 적용: 지식 기반을 통합한 Space를 구축하여 단절된 데이터 소스를 통합함.
• 성과: 분석 시간이 4시간에서 몇 분으로 단축되었으며, 이전보다 더 많은 규모인 500건의 동시 거래를 처리할 수 있게 됨.
  • 실시간 경보를 구현하여 선제적으로 대응하며, 최종 결과는 비즈니스의 수익 가속화임.

8-2. 전 세계 전문가 팀(WWSO)의 활용 사례: 영업 플레이 자동화

• WWSO 역할: AWS 서비스나 산업에 대한 깊은 지식을 가진 전문가 그룹으로, 현장을 지원함.
• 도전 과제: 파편화된 콘텐츠와 수동으로 생성된 아티팩트가 많아 여러 서비스를 아우르는 회의 준비가 어려움.
• 해결책: Quick Suite를 통해 노출되는 통합 데이터 메시(unified data mesh)를 구축함.
• MCP와 연결된 행동을 사용하여 브리핑 및 준비 프로세스를 자동화함.
• 성과: 영업 플레이(sales play) 생성에 소요되는 시간이 90% 감소했으며, 회의 준비에 주당 10시간 이상을 절약함.
  • 인력의 75%가 Quick Suite 내에서 인간과 에이전트가 협력하는 자연어 채팅 동반자와 상호작용하며 더 나은 결과를 보고 있음.

8-3. 공급망 및 QuickScribe 활용 사례

• 공급망 재무팀: 6개의 레거시 회사가 통합되어 시스템이 단절되었으나, Quick Suite의 지식 기반 Space를 통해 정보를 통합함.
  • 전략적 재무 문서 작성 시 쓰기 속도(writing velocity)가 크게 증가했으며, 국제적으로 더 효율적으로 확장하고 이전에 시간이나 대역폭이 없어 완료하지 못했던 주문형 분석을 수행할 수 있게 됨.
• QuickScribe: QuickSight 위에 구축된 기능으로, 고객과의 회의에서 얻은 비정형 콘텐츠(회의 메모)를 추출하고 구조화하여 더 의미 있게 만듦.
  • 이를 통해 문서를 즉시 캡처하고, 이전에 볼 수 없었던 패턴을 인식하며, 고객과의 모든 대화에서 중앙 집중식 인텔리전스 소스를 확보함.

8-4. 향후 계획 및 리소스 안내

• 공유 약속: Amazon은 배운 내용을 공개적으로 공유하고 문서화하여 Quick Suite 채택 여정에 도움을 줄 것을 약속함.
• re:Invent 세션 안내: Quick Suite 관련 세션이 총 25개 있으며, 수요일과 목요일에도 다수의 세션이 예정되어 있으므로 참석을 권장함.
  • 연구, 자동화, 플로우 등 각 기능에 깊이가 있으므로 참석할 가치가 있음.
• 추가 학습 리소스:
  • Quick Community: 공개적으로 접근 가능한 사이트로, 수많은 리소스를 제공하며 기여하고 질문에 답변하는 활발한 커뮤니티가 있음. QuickSight의 모든 것에 대한 공개적인 홈임.
  • AWS Skill Builder: 생성형 AI 및 QuickSight에 대해 더 배우고자 할 때 사용할 수 있으며, 1,000개 이상의 무료 전문가 주도 교육 클래스가 제공됨.