AI 도입의 가장 큰 걸림돌은 인식 부족이 아닙니다. 진짜 문제는 AI에 대해 이야기하는 것과 AI로 무언가를 만드는 것 사이의 격차입니다.
주된 역할이 코드 작성이 아니지만 일상 업무가 점점 더 AI 솔루션에 의존하게 되는 전문가들은 AI 역량을 구축하기 시작하는 데 공학 배경이 필요하지 않습니다. 이들에게 필요한 것은 적절한 도구, 체계적인 지원, 그리고 실패해도 되는 허가입니다. 우리가 이를 어떻게 입증했는지, 그리고 여러분이 이를 어떻게 재현할 수 있는지 소개합니다.
조직이 무시하고 있는 문제
여러분의 팀은 이미 AI 논의에 참여하고 있습니다. 고객의 질문에 답하거나, 벤더 솔루션을 평가하거나, 일상 업무에서 자동화 기회를 파악하는 등의 방식으로 말입니다. 에이전틱 AI 도구가 일반에 공개된 속도를 고려하면, 대부분의 팀원들은 논의하고 있는 그 도구들로 무언가를 만들어 본 적이 없습니다.
이 팀들은 영업, 운영, 재무, 제품 어디에 소속되어 있든 데모를 보고 인증 과정을 이수했습니다. 하지만 누군가 "실제로 어떻게 작동하나요?"라고 묻는다면, 그들은 직접 만들어보면서 얻은 답을 가지고 있지 않습니다.
비용은 실재합니다: 더딘 도입, 지연되는 생산성 향상, 사용 사례를 파악할 기회의 놓침, 그리고 여러분의 팀이 무엇을 하는지와 점점 커지는 단절이 그것입니다. ~에 대해 알다 그리고 그들이 할 수 있는 것 구현하십시오.
우리는 AI 도구를 매일 사용하지만 운영용 코드를 작성하지는 않는 비즈니스 전문가들에게 AI 도입에 있어 무엇이 걸림돌이었는지 물었습니다. 답은 "배우고 싶지 않다"가 아니었습니다. 90 퍼센트가 AI 에이전트를 직접 구축하는 실습 경험을 원했습니다. 그들에게는 안전하게 구축할 수 있는 연결 조직과 구조적 지원이 없었습니다. 다음 차트는 비즈니스 팀이 AI로 구축을 시도할 때 직면하는 가장 흔한 장애물을 보여줍니다.
그림 1: 비즈니스 팀이 AI를 활용한 구축에 있어 지적하는 주요 장벽
높은 수준에서 보면, 그들은 다음에 대해 이야기할 수 있었습니다 Amazon Bedrock 그리고 Amazon Bedrock AgentCore, 어떤 프레임워크나 모델을 사용해서라도 대규모로 에이전트를 구축, 연결 및 최적화할 수 있는 플랫폼입니다(80%가 이를 사용해 본 적이 있었음). 하지만 5명 중 1명 미만만이 Strands Agents SDK를 사용해 보았거나 이를 활용해 개발한 적이 있었습니다. AWS Lambda 에이전트들이었습니다. 이들은 자신의 기술 지식이 엔지니어들과 어깨를 나란히 하며 경쟁하기에 충분히 강하지 않다고 믿었기 때문에 해커톤과 빌드 행사에 참가하지 않았습니다.
이 문제를 해결하기 위해 저희는 비즈니스 전문가들과 멘토, 프로덕션 수준의 도구를 연결하여 프로그램 이후에도 확장 가능한 작동하는 AI 프로토타입을 만들 수 있도록 하는 6주간의 구조화된 프로그램을 설계했습니다. 목표는 개념적 지식과 실무 역량 사이의 격차를 해소하는 것입니다.
한 팀이 만든 것: 6주 만의 증명
함께 일해 본 적이 없던 고객 대면 전문가 4명이 우리 프로그램에 참여했습니다. 그들은 모두 엔지니어링 배경이 없었습니다. 6주 후, 그들은 다중 에이전트 AI 금융 자문 도구인 자신들의 프로토타입 WealthWise를 발표했고, 이것이 1위를 차지했습니다.
그들이 만든 것:
- 5개의 특화된 AI 에이전트 지능형 금융 자문을 제공합니다: 포트폴리오 분석, 리스크 평가, 재무 계획, 시장 인사이트, 그리고 개인 맞춤형 투자 추천.
- 이중 서버 아키텍처 (
Node.js+ Python Flask)와 Amazon Nova 모델을 함께 사용합니다.* - Strands Agents SDK 멀티 에이전트 오케스트레이션과 대화 메모리를 위한.
- 네 개의 Amazon DynamoDB 테이블 실시간 데이터 지속성을 위해
- 라이브 시장 데이터 통합 상황 인지 기반 금융 추천을 위해
- 5초 미만의 응답 시간 복잡한 금융 추론을 위해
이 시스템은 조율된 의사 결정을 특징으로 합니다. 각 에이전트는 독립적으로 어떤 도구를 호출할지 결정하고 여러 도구를 연결하여 포트폴리오 데이터, 시장 데이터베이스, 금융 플래닝 모델 전반에 걸친 다단계 추론을 수행합니다.
그들은 첫날부터 정립한 다섯 가지 원칙 덕분에 성공했다고 말했습니다:
- 승리보다 학습 – 안전한 지름길 대신 도전적인 접근 방식을 선택함으로써 두려움 없이 실험할 수 있었습니다.
- 정기적인 케이던스 – 데일리 스탠드업이 고립을 방지하고 문제를 조기에 발견했습니다.
- 최소 실행 가능 제품(MVP)으로 시작한 후 개선 – 2일차에 엔드투엔드 플로우를 완성한 후 반복 개선합니다.
- 오피스 아워 참여 – 막혔을 때 적극적으로 멘토링을 요청합니다.
- 즐겁게 하기 – 기술적 성과보다 심리적 안전이 먼저입니다.
참가자들은 실습 중심 형식이 학습을 어떻게 가속화했는지 회상했습니다:
"해커톤의 시기가 완벽했고, 실습 형식은 AgentCore 활성화에 매우 귀중했습니다. 길어질 수 있었던 학습 곡선을 크게 단축시켜 주었습니다."
"훌륭한 팀빌딩이자 AI 학습 프로젝트였습니다! 스스로 많은 것을 배웠고, AI 솔루션이 처음인 고객들에 대한 공감도 더 커졌습니다."
* Amazon Nova 모델은 일부 AWS 리전의 Amazon Bedrock에서 사용할 수 있습니다. 최신 가용성에 대한 정보는 AWS Regional Services 페이지를 참조하십시오.
플레이북: 프로그램을 어떻게 설계했는가
다음 섹션에서는 프로그램 구조, 각 단계, 그리고 프로그램을 성공으로 이끈 설계 결정들을 살펴봅니다.
프로그램 구조
프로그램은 6주간 진행되며, 참가자는 매주 약 4시간을 투자합니다. 우리는 이렇게 구조화하기를 의도적으로 선택했습니다. 프로그램 데이터에 따르면, 단계별로 진행된 프로그램을 완수한 참가자들이 집중 2일 과정을 이수한 참가자들보다 실용적 기술을 3배 더 많이 유지했습니다. 주 업무에서 코드를 작성하지 않는 전문가들에게는 반복 주기, 즉 낯선 개념과 씨름하고 회복한 뒤 자신감이 견고해지기 전에 다시 구축할 시간이 필요합니다.
Phase 0: 모집 및 프로그램 셋업
우리는 매니저 추천, Slack, 이메일 캠페인을 통해 참가자를 모집했으며, AI 솔루션을 일상적으로 다루지만 직접 만들지는 않는 전문가들, 즉 어카운트 매니저, 솔루션 컨설턴트, 운영 애널리스트, 프로그램 매니저 등 유사한 직무의 전문가들을 대상으로 했습니다. 먼저 경영진의 동의를 얻었습니다. 우리는 팀 리더들에게 시간 투자(6주간 매주 4시간)에 대해 브리핑하고, 이를 일일 업무 수행의 방해가 아니라 유창성과 대화의 질에 대한 투자로 프레이밍했습니다.
프로그램은 본업을 병행하며 운영한 4명의 핵심 팀원과 멘토들이 함께 주도했습니다. 이것이 핵심적인 재현 가능성 포인트입니다. 이 프로그램에는 전담 프로그램 팀이 필요하지 않지만, 참가자의 시간을 보호할 만큼 충분한 조직 내 신뢰를 갖춘 사람이 최소 한 명은 필요합니다.
Phase 1: 팀 구성 및 킥오프
참가자가 하는 일: 경험 수준을 의도적으로 섞어 3–4명으로 팀을 구성합니다. 각 팀은 자신의 역할에서 실제로 마주한 시나리오와 연결된 문제 정의문을 작성합니다.
이 단계의 산출물: 시연 가능한 범위가 명확한 프로젝트 컨셉과 팀 책임 구조.
다음 단계로 넘어가기 전에 이것이 중요한 이유: 구체적인 해결 과제가 없으면 역량 강화 세션이 추상적으로 흐릅니다. 목표 사용 사례를 먼저 정의한 팀은 목적의식을 갖고 기술 콘텐츠를 흡수합니다.
Phase 2: 역량 강화
참가자가 하는 일: 에이전틱 AI 개념과 AWS 도구에 대한 라이브 교육 세션에 참석합니다. 이는 강의가 아닙니다. 참가자들은 빌드 단계에서 실제로 사용할 도구 안에서 작업하며, 자신의 프로젝트 작업을 반영하는 구조화된 연습을 완수합니다.
이 단계의 산출물: 기초적인 기술 유창성과 작동하는 로컬 환경.
다음 단계로 넘어가기 전에 이것이 중요한 이유: 곧바로 빌드로 넘어간 팀은 환경 설정과 기초 개념에서 벽에 부딪힙니다. 이 단계는 가장 흔한 이탈 지점을 피하게 해 줍니다.
Phase 3: 아이디어 구상, 빌드 및 개발
참가자가 하는 일: 여러 주에 걸쳐 작동하는 프로토타입을 설계하고 반복 개선합니다. 각 팀은 기술적으로 뛰어난 멘토와 매칭되어, 대신 작업해 주지는 않으면서 인프라 문제를 해결하고 아키텍처 패턴을 제안하는 안전망을 제공받습니다.
이 단계의 산출물: 이해관계자나 고객에게 시연할 수 있는 기능하는 프로토타입.
다음 단계로 넘어가기 전에 이것이 중요한 이유: 긴 타임라인 덕분에 2–3번의 반복 주기가 가능합니다. 3주 차에 프로토타입을 만든 팀은 새로 배운 내용을 지속적으로 적용하고, 이를 해체한 뒤 5주 차에 더 나은 버전으로 재구축할 시간이 있었습니다. 바로 이 반복 과정에서 진짜 학습이 일어납니다.
Phase 4: 심사 및 데모
참가자가 하는 일: 비즈니스 임팩트, 기술적 우수성, 재사용성과 확장성, 혁신, 발표 품질의 다섯 가지 카테고리로 평가되는 라이브 데모를 진행합니다.
결과물: 동료 검증을 거친 역량 증명과 재사용 가능한 프로토타입 라이브러리.
중요한 이유: 데모 형식은 참가자가 고객, 경영진, 그리고 다부서 파트너와의 실제 대화에서 수행하게 될 업무를 반영합니다. 심사 기준은 단순히 작동 하는 것만으로는 충분하지 않다는 점을 강조합니다. 영향력 있고, 확장 가능하며, 명확하게 전달되어야 합니다.
핵심 설계 결정
엔지니어가 아닌 빌더에게 가장 중요한 결정은 도구 선택입니다. 잘못된 도구는 흐름을 멈추게 하는 마찰을 만들어냅니다. 올바른 도구는 인프라를 추상화하고 사람들이 현재 갖춘 전문성 수준에 맞춰 다가갑니다. 우리는 다음을 선택했습니다:
- Kiro 자연어 개발을 위한 통합 개발 환경(IDE): 원하는 것을 설명하면 아키텍처를 스캐폴딩해 줍니다.
- 해당 리전에서 사용 가능한 API 접근형 파운데이션 모델을 위한 Amazon Bedrock: 모델에서 작동하는 응답을 얻기 위해 기계 학습(ML) 전문 지식이 필요하지 않습니다.
- 조립 가능한 에이전트 패턴을 위한 Strands Agents SDK: 에이전트가 빌딩 블록처럼 조립됩니다.
- AWS Model Context Protocol(MCP) 서버 및 AWS Lambda 에이전트를 통해 팀이 단순한 로컬 노트북이 아닌 배포 가능한 프로덕션 수준의 아키텍처로 나아가도록 유도합니다.
핵심 원칙은 변하지 않았습니다. 짧은 준비 시간에 데모할 수 있는 실제 무언가를 만드는 것입니다.
본업 방해 관리
우리는 의도적으로 주간 학습 시간을 4시간으로 제한하고, 참가자들이 그 시간을 언제 사용할지 유연하게 조정할 수 있게 했습니다. 가장 많았던 피드백은 참가자들이 첫 2주 안에 배운 내용을 업무에 직접 적용하여, 시간 투자가 경쟁 요소가 아니라 부가적인 것으로 느껴졌다는 것이었습니다.
결과
다음 차트는 8개의 핵심 지표에 대해 프로그램 전후의 참가자 자기 평가를 비교한 것으로, AI 역량, 도구 채택, 고객과의 학습 적용 준비도가 포함됩니다.
그림 2: 프로그램 전후 참가자 자기 평가
시작할 때 참가자들은 AI로 개발하는 데 있어 가장 큰 장벽으로 “실제 사례 부족”을 꼽았습니다. 프로그램을 마친 후에는 AI를 실질적인 사용 사례에 적용하는 데 자신 있다고 평가한 참가자가 시작 시 예상보다 23퍼센트 포인트(pp) 더 많았습니다. 참가자들은 프로그램을 마칠 때 이해관계자에게 즉시 시연할 수 있는 작동하는 프로토타입, 코드 저장소, 참조 아키텍처를 갖게 되었습니다.
참가자들이 만들어 고객에게 제공하고 있는 것:
- 의료 독립 소프트웨어 벤더(ISV)를 위한 멀티 에이전트 케어 조정.
- 콘텐츠 조정 및 분류 시스템.
- 사기 식별 및 예방.
- 고객 이탈 예측 및 방지.
- 자율적 의사 결정을 위한 멀티 에이전트 오케스트레이션.
- 고객 워크숍을 위한 Kiro + Amazon Bedrock AgentCore 데모.
그 영향: 관찰자에서 빌더로
참가자들이 AI 도구에 직접 접근할 수 있게 되자, 가능성을 논의하는 단계에서 작동하는 프로토타입을 만드는 단계로 나아갔습니다. 숫자가 그 이야기를 말해 줍니다:
- 에이전틱 AI에 대한 자기 평가 ‘높음 또는 전문가’ 수준의 이해: 27퍼센트에서 82퍼센트로 증가(+55 pp).
- AI 기회를 식별하는 데 ‘잘 또는 매우 잘 준비됨’이라고 느낌: 41퍼센트에서 85퍼센트로 증가(+44 pp).
- 이론적이거나 제한적인 경험만 있는 참가자: 34퍼센트에서 0퍼센트로 감소(제거됨).
이에 투자함으로써 얻을 수 있는 것:
팀을 위해: 팀원들은 AI 관찰자를 그만두고 AI 빌더가 됩니다. 그들은 직접적인 실험을 통해 무엇이 실현 가능한지, 무엇이 비용이 많이 드는지, 무엇이 주말에 만들 수 있는 것인지 알게 됩니다. 우리 코호트에서 52퍼센트가 프로그램 도중에 자신들이 만든 것으로 혜택을 볼 수 있는 구체적인 고객을 식별했고, 87퍼센트는 30일 이내에 고객과의 작업에 배운 내용을 적용할 것으로 예상했습니다. 이 프로그램은 참가자들이 스스로 사례를 만들도록 요구했기 때문에 실질적인 사용 사례 면에서 기대 이상의 성과를 냈습니다.
엔지니어링 조직을 위해: 비즈니스 담당자가 프로토타입을 만들고 아키텍처 트레이드오프를 명확히 설명할 수 있으면, 엔지니어링 팀은 요구 사항을 번역하는 데 시간을 덜 쓰고 구축에 더 많은 시간을 쓸 수 있습니다. 기술 빌더는 더 명확한 요구 사항 접수, 불일치하는 요청 감소, 단 한 번의 스프린트도 착수하기 전에 실현 가능성을 검증할 수 있는 파트너를 얻습니다. 참고로 참가자의 82퍼센트가 프로그램을 마칠 때 에이전틱 AI 아키텍처에 대한 높은 수준의 이해를 갖추었습니다. 도구 활용 능력이 스택 전반에서 급증했습니다: Strands Agents SDK는 채택률이 20퍼센트에서 80퍼센트로(+60 pp), AgentCore는 39퍼센트에서 85퍼센트로 상승하여 엔지니어링 판단력의 기준을 높였습니다.
고객을 위해: 고객은 직접적이고 실질적인 경험을 통해 자신들이 직면한 것과 동일한 아키텍처 트레이드오프를 헤쳐 나온 파트너를 얻습니다. 대화는 “다시 연락드리겠습니다”에서 실시간 시연으로 바뀝니다. 프로그램 이전에는 참가자의 44퍼센트가 아키텍처 패턴에 대한 불확실성을 장벽으로 꼽았습니다. 프로그램 이후에는 90퍼센트가 실제 고객 대화에서 AI 기회를 식별할 준비가 잘 또는 그 이상으로 되어 있다고 느꼈습니다.
조직을 위해: 조직은 누적 효과를 내는 재현 가능한 모델을 얻습니다. 우리 파일럿이 한 팀에서 지역 단위로, 이제는 전 세계로 확장된 것이 그 패턴을 보여 줍니다. 실질적인 활용 능력은 스스로 확장됩니다. 이 프로그램은 100퍼센트의 추천율을 달성했으며, 참가자의 95퍼센트가 프로그램이 기대를 충족했거나 초과했다고 답했습니다.
조직에서 이를 재현하기 위한 7가지 교훈
이 7가지 교훈은 프로그램이 성공하게 만든 요소와 여러분의 조직에서 재현해야 할 사항을 담고 있습니다.
1. 도구 선택이 모든 것을 바꿉니다
로우코드 에이전틱 경험은 “나는 기술적이지 않다”는 장벽을 제거합니다. 이는 프로그램 설계 결정이지, 조달의 부수적 고려 사항이 아닙니다. 도구에 Python 능력이 필요하다면 첫 주 전에 이미 절반의 참석자를 잃은 것입니다.
2. 구조가 강도보다 중요하다
비기술적 대상자에게는 2일 집중 과정보다 명확한 마일스톤이 있는 단계적 프로그램(6주)이 더 효과적입니다. 첫 주는 느리다고 느껴질 것입니다. 복리 효과는 그 이후에 나타납니다.
3. 멘토십은 승수다
비기술적 참가자를 기술에 능숙한 멘토와 짝지어 주면 실패에 대한 두려움이 사라지고 학습이 가속화됩니다. 멘토는 그들을 대신해 만들어 주지 않습니다. 안전망을 제공할 뿐입니다.
4. 진짜 무언가를 만들어라
코드 저장소와 참조 아키텍처가 포함된 작동하는 프로토타입(슬라이드가 아닌)을 요구하면 도구에 대한 깊은 몰입이 강제됩니다. 라이브 데모는 속일 수 없습니다. 이것이 해커톤과 교육 과정을 구분하는 기준입니다.
5. 이전 및 이후 측정
역량 평가의 이전·이후 비교는 영향력을 가시화하고 확장을 위한 비즈니스 근거를 구축하는 데 도움이 됩니다. 자기 보고식 자신감도 유용하지만, '제한적'에서 '폭넓은' 실무 경험으로의 전환이 중요한 부분입니다.
6. 재현 가능하게 만들기
잘 정리된 플레이북(참가자 가이드라인, 평가 루브릭, 멘토 매칭 프레임워크, 환경 설정 가이드)은 일회성 이벤트를 확장 가능한 프로그램으로 전환합니다.
7. 먼저 심리적 안전감 만들기
사람들이 실패를 두려워하지 않으면 스스로도 생각지 못했던 것을 만들어 냅니다. 우승 팀은 '승리보다 학습'을 최우선 원칙으로 꼽았습니다. 성과를 낸 모든 팀은 코드보다 신뢰를 먼저 구축했습니다.
시작하기
이 모델을 재현하려는 팀을 위해 플레이북, 평가 루브릭, 환경 설정 가이드가 제공됩니다. 이 프레임워크를 조직에 도입하는 방법에 대해 자세히 알아보려면 저자 중 한 명에게 문의하시기 바랍니다.
자세히 알아보기 Amazon Bedrock | Kiro IDE | Strands Agents SDK