Amazon Bedrock 위에 근거 기반 AI를 구축한 Qlik Answers는 흔한 엔터프라이즈 문제를 다룹니다. 즉, 직원들에게 데이터가 부족한 것이 아니라, 그 데이터에 실질적인 질문을 던지고 신뢰할 수 있는 답변을 빠르게 얻는 방법이 부족하다는 것입니다. 분석가들은 동료가 한 문장으로 물어볼 수 있는 질문에 답하기 위해 문서, 대시보드, 조직 내 축적된 지식을 수 시간 동안 뒤집습니다. 그리고 조직들이 생성형 AI로 이 격차를 메우려 할 때 많은 곳이 같은 벽에 부딪힙니다. 출처 없는 답변, 결과를 검증할 방법의 부재, 규제 환경에서 도구를 배포할 경로의 부재입니다.
Qlik, 데이터 통합, 데이터 품질, 분석 및 AI 분야의 글로벌 리더인 는 전 세계 40,000명이 넘는 고객을 위해 그 문제를 해결하고자 Qlik Answers를 구축했습니다. 2026년 2월 정식 출시(GA) 이후 Qlik Answers는 초기 기능에서 일상적인 사용으로 발전했습니다: Qlik의 Discovery Agent, AI 기반 이상 및 이상치 탐지 에이전트인 것만으로도 출시 이후 고객에게 100,000건이 넘는 발견 사항을 제공했으며, 에이전트 도구를 켠 Qlik Cloud 계정 대다수가 이를 실제로 활용하고 있습니다.
이 게시물에서는 Qlik이 그러한 채택을 이끈 도구를 어떻게 구축했는지, 그리고 Amazon Bedrock이 이를 글로벌 규모에서 어떻게 지원하는지 설명합니다.
과제
Qlik은 Qlik Answers를 고객 기반 전반에 프로덕션으로 제공하기 위해 동시에 해결해야 했던 세 가지 문제를 파악했습니다:
- 아무도 느려지지 않게 하면서 전문화된 추론을 오케스트레이션하는 것. 엔터프라이즈 질문은 매우 다양합니다. 빠른 조회가 필요한 질문도 있고, 구조화된 분석, 비구조화된 문서, 용어집 정의 또는 자동화에서 정보를 가져와야 하는 질문도 있습니다. 단일 범용 어시스턴트는 기능이 추가될수록 느려지고 정확도가 떨어지는 경향이 있습니다.
- 리전 전반의 데이터 주권 요구 사항을 충족하는 것. Qlik은 유럽, 아시아 태평양, 아메리카 전역의 고객을 서비스하며, 각 리전은 고유한 데이터 레지던시 기대치를 가지고 있습니다. 단일 글로벌 배포 모델로는 이러한 요구 사항을 충족할 수 없었고, 11개의 별도 리전별 구축은 일관되게 유지하고 개선하기 어려웠습니다.
- 수요보다 수 개월 앞서 모델 용량을 예측하는 것. 토큰 소비량과 모델 가용성은 주요 출시 3~6개월 전에 계획되어야 했습니다. Qlik은 고객이 제품을 사용하기 시작한 후 실제 사용량에 대해 이러한 예측을 검증함으로써, 채택 증가가 용량 문제로 이어지지 않도록 했습니다.
솔루션 개요
Qlik Answers는 분석가뿐 아니라 직원 누구에게나 자연어 질문을 하고 근거 기반의, 출처가 명시된 답변을 받을 수 있는 단일 창구를 제공합니다. 질문에 따라 그 답변은 지식 베이스, 실시간 분석 앱, 용어집 정의 또는 문서에서 나올 수 있습니다. 기반 시스템이 어떤 경로를 취할지 결정합니다.
세 가지 배포 사례가 고객에게 어떤 모습인지 보여줍니다:
- Bystronic, 글로벌 판금 가공 전문 기업인 는 15분 만에 AI 챗봇을 배포하여 직원들이 실시간 운영 데이터를 조회하고 부서 전반에 걸쳐 출처가 명시된 답변을 얻을 수 있게 했습니다.
- Lintech International 는 Qlik Answers에 17,000개 이상의 기술 문서를 색인하여 수동 조사 시간을 줄이고 응답 시간을 75% 단축했으며, 이를 통해 비즈니스 관리자에게 주당 최대 7시간을 돌려주었습니다.
- TouchPoint Support Services, 650개 의료 현장을 서비스하며 규모를 두 배로 늘리는 것을 목표로 하는 는 Qlik Answers를 활용해 규제되고 빠르게 움직이는 환경에서 일하는 15,000명의 직원에게 빠르고 컴플라이언스에 부합하는 가이던스를 제공합니다.
이를 규모 있게 지원하기 위해 Qlik은 하나의 대형 어시스턴트가 아닌 명확한 아키텍처 경계를 중심으로 시스템을 구축했습니다. 주요 계층은 다음과 같습니다:
- 진입 계층. Qlik Cloud 내부의 안정적인 대화 진입점으로, 고객이 어시스턴트와 상호작용하는 방식을 변경하지 않고도 새로운 백엔드 기능을 추가할 수 있습니다.
- 라우팅 계층. 사용자의 메시지와 대화 컨텍스트를 읽고 요청이 어디로 가야 하는지 결정하는 가벼운 계층입니다. 이 계층의 유일한 역할은 빠르고 정확한 라우팅 결정이지, 과제 자체를 해결하는 것이 아닙니다.
- 답변 계층요청이 라우팅되면 응답 생성을 조율하며, 단순한 요청을 위한 빠른 경로와 질문을 하위 질문으로 나누고 여러 소스에서 정보를 가져오는 보다 신중한 경로 중에서 선택합니다.
- 전문 에이전트 계층. 공유 스웜(swarm) 런타임은 전문 에이전트, 도구, 상태 및 휴먼인더루프(human-in-the-loop) 단계가 작동하는 방식을 정의하므로, 각 전문 에이전트가 자체 오케스트레이션 모델을 새로 만들지 않고도 새로운 전문 에이전트를 추가할 수 있습니다.
- 대화형 분석 계층. 구조화된 데이터 질문을 일반 텍스트 생성이 아닌 분석용으로 구축된 앱 인식 추론 경로로 라우팅하여 처리합니다.
- 검색 계층. 비정형 문서 색인 및 검색은 Amazon OpenSearch Service에서 실행되며, 이는 지식 베이스 및 문서 질문에 대한 Qlik Answers의 응답을 근거화하는 콘텐츠를 저장하고 검색합니다.
- 모델 액세스 레이어. Qlik의 자체 대규모 언어 모델(LLM) 게이트웨이를 통해 접근하는 이 레이어는 Amazon Bedrock에 연결되어 채팅, 스트리밍, 임베딩, 재랭킹을 지원합니다. 또한 모든 요청과 응답에 Amazon Bedrock Guardrails를 적용합니다. 프롬프트 인젝션, 개인 식별 정보(PII), 시크릿, 금지 주제에 대한 콘텐츠 필터링과 생성된 답변에 대한 그라운딩 검증 확인이 여기에 포함됩니다. 고객이 의존하는 모델이 아직 해당 리전의 Bedrock에서 사용할 수 없는 경우, Qlik은 대신 Amazon SageMaker AI에서 이를 호스팅한 뒤, 해당 리전에서 Bedrock 가용성이 확보되면 그 워크로드를 다시 Bedrock으로 이전합니다. AWS 리전별 모델 가용성은 Amazon Bedrock.
그림 1: 직원 질문은 엔트리, 라우팅, 답변 레이어를 통과한 뒤 전문 에이전트, 분석 에이전트, 검색 에이전트(Amazon OpenSearch Service 기반)로 분기되고, 이후 Amazon Bedrock에서 이용 가능한 파운데이션 모델에 도달하는 모델 액세스 레이어로 수렴하며, 리전 내 폴백으로 Amazon SageMaker AI가 사용됩니다
실제 소스에 기반한 답변 그라운딩
그라운딩은 프레임워크에서 가장 중요한 설계 결정 중 하나였습니다. 답변 레이어는 질문에 따라 여러 종류의 컨텍스트를 활용합니다. 구조화된 앱 메타데이터, 검색된 지식 베이스 콘텐츠, 용어집 정의, 자동화 컨텍스트, 그리고 요약을 위한 문서 콘텐츠 등입니다. 완전한 답변의 요소들이 반환되면 전체 응답이 조립되어 사용자에게 제공됩니다.
검색만으로는 정확성이 보장되지 않습니다. Qlik은 생성된 답변에 대해 그라운딩 검증 확인을 수행하여 각 답변을 그 답변이 참조한 소스 콘텐츠와 비교하며, 이를 위해 Amazon Bedrock Guardrails의 contextual grounding 기능을 사용합니다. 이를 통해 그라운딩이 단순한 검색 단계에서 검증된 프로덕션 통제로 전환됩니다. 비구조화된 질문의 경우, 이 도구는 Amazon OpenSearch Service에서 질문별 콘텐츠를 검색하고 그 컨텍스트를 전달하여 최종 답변에 인용이 포함되도록 합니다. 구조화된 질문의 경우, 대화형 분석 경로로 작업을 넘깁니다. 용어집 조회, 자동화, 문서 요약을 포함한 추가 기능은 기능 제어와 함께 출시되므로, Qlik은 모든 고객의 기본 경험을 한 번에 불안정하게 만들지 않고 도구가 할 수 있는 일을 확장할 수 있습니다. 테넌트별 기능 옵션 덕분에 Qlik은 요청별로 사용 가능한 오케스트레이션 경로를 재구성할 수 있어, 전체 아키텍처를 고객 전반에 걸쳐 일관되게 유지하면서 기능을 선택적으로 켤 수 있습니다.
그림 2: 전문 에이전트 스웜. 공유 상태, 도구, 휴먼인더루프 단계를 통해 새로운 전문 에이전트가 공통 런타임에 연결될 수 있습니다
Amazon Bedrock을 선택한 이유
Qlik은 앞서 설명한 세 가지 문제를 기준으로 자사의 모델 전략을 평가했고, Amazon Bedrock은 각 문제를 직접적으로 해결했습니다.
멀티 모델 유연성. Bedrock을 통해 Qlik은 각 에이전트의 작업에 가장 적합한 모델을 할당할 수 있으며, 시스템 전체를 한 모델의 트레이드오프에 종속시키지 않아도 됩니다.
대규모 데이터 주권. Amazon Bedrock 교차 리전 추론(CRIS)을 통해 Qlik은 컴플라이언스가 요구하는 곳에 데이터를 상주시키면서 11개 리전 전체를 서비스할 수 있습니다. 이는 글로벌 도달 범위와 주권 통제를 단일 관리형 기능으로 결합합니다.
관리형 서비스를 선택적으로 도입할 여유. AWS 리전 배포 모델과 용량 예약 옵션은 Qlik에 오늘날 계속 확장할 여유를 제공합니다. 준비가 되면 Amazon Bedrock AgentCore 같은 서비스를 통해 특정 워크로드에 대한 운영 오버헤드를 더 오프로드할 수 있는 선택지가 생기며, 그러기 위해 전체 마이그레이션이 필요하지 않습니다.
Qlik은 Bedrock을 자체 LLM 게이트웨이를 통해 사용하며, 애플리케이션 로직을 특정 모델에 직접 결합하지 않습니다. 제품 팀은 주변 애플리케이션을 재작성하지 않고도 작업별로 모델 선택을 변경할 수 있습니다. 모델 전략이 계속 진화할 것으로 예상되는 시스템에서는 이러한 분리가 중요합니다.
수요에 앞선 용량 계획
Qlik은 주요 출시에 앞서 3~6개월 동안 모델 용량을 예측하기 때문에, 팀은 기능별, 리전별 토큰 소비량을 추정하는 실무 모델을 만들었고, 각 출시 후 실제 사용량을 그 예측치와 대조했습니다. 이러한 규율이 2월의 정식 출시(GA)가 자체 채택 부담에 시달리지 않고 확장된 이유의 일부입니다.
비즈니스 성과와 고객 영향
2026년 2월 Qlik의 에이전틱 경험이 정식 출시된 이후, Discovery Agent는 고객을 위해 100,000건 이상의 디스커버리를 제공했으며, 에이전틱 도구가 켜져 있는 Qlik Cloud 계정의 대다수는 에이전트를 한 번 시도하고 멈추는 것이 아니라 적극적으로 사용하고 있습니다.
별도로 보고된 고객 수준의 성과로는 Lintech International의 75% 빨라진 응답 시간과 비즈니스 관리자에게 주당 최대 7시간 절약, 그리고 Bystronic의 15분 챗봇 배포.
교훈
40,000명 이상의 고객을 대상으로 Qlik Answers를 구축하고 확장하면서, Bedrock 위에서 에이전틱 도구를 구축하는 다른 팀에 도움이 될 수 있는 몇 가지 교훈이 도출되었습니다:
- 빠른 라우팅과 깊은 추론을 초기에 분리하세요. 이를 하나로 묶으면 모든 요청이 필요 이상으로 많은 처리 비용을 지불하게 됩니다.
- 각 새로운 전문 기능이 자체 런타임을 발명하도록 두기보다, 멀티 에이전트 실행을 위해 하나의 오케스트레이션 프레임워크로 표준화하세요. 서로 연결되지 않은 에이전트 시스템 집합보다 하나의 애플리케이션을 운영하는 것이 더 쉽습니다.
- 안전성과 그라운딩 검증을 기능별 사후 고려사항이 아니라 시스템 수준의 게이트로 취급하십시오. 모델 액세스 계층에서 한 번만 실행하면 새로운 전문 에이전트가 추가될 때마다 동일한 보호 기능을 자동으로 상속받습니다.
- 테넌트 수준에서 기능 플래그를 사용하여 기능을 점진적으로 확장하십시오. 이를 통해 새롭고 검증이 덜 된 기능이 핵심 경험의 안정성에 영향을 미치지 않도록 할 수 있습니다.
- 필요해지기 전에 용량 예측 습관을 들이십시오. 각 출시 후 예상 사용량을 실제 사용량과 대조하여 검증하는 것이야말로 용량 계획을 추측에서 반복 가능한 프로세스로 바꾸는 열쇠입니다.
다음 단계
Qlik의 로드맵은 의도적으로 개방적이고 적응 가능한 아키텍처를 유지합니다. 팀은 관리형 에이전틱 런타임이 운영 오버헤드를 줄여줄 수 있는 일부 워크로드에 대해 Amazon Bedrock AgentCore를 평가하는 한편, 비용, 지연 시간 또는 이식성에 대한 통제력을 더해주는 부분에서는 개방형 표준과 자체 오케스트레이션 계층을 기반으로 구축을 계속하고 있습니다. 목표는 관리형 서비스가 도움이 되는 곳에서는 이를 채택할 수 있는 선택권을 유지하면서, 프레임워크를 특정 서비스에 맞춰 설계하지 않는 것입니다. Qlik은 또한 모델 성능을 평가하기 위한 체계적인 프레임워크를 구축하고 있습니다. 이를 통해 Qlik은 고객이 이미 의존하고 있는 경험을 방해하지 않고도 더 적합한 모델이 나올 때마다 전환할 수 있습니다.
결론
2026년 2월 출시 이후 Qlik Answers의 채택은 방해가 되지 않도록 설계된 아키텍처를 반영합니다. 속도가 중요한 곳에서는 빠르고, 정확성이 중요한 곳에서는 신중하며, 전 과정에서 실제 소스에 기반하고, 규제 산업에서도 의지할 수 있을 만큼 안전합니다. Amazon Bedrock의 모델 유연성, 리전 주권 제어 기능, Guardrails 기반 콘텐츠 필터링 및 그라운딩 검증은 Qlik이 글로벌 규모에서 해당 경험을 구축할 수 있는 기반을 제공했습니다. 지금까지의 결과로는 100,000건이 넘는 디스커버리가 도출되었고, Lintech 및 TouchPoint 같은 회사의 직원들에게 몇 시간씩의 시간이 돌아왔으며, 에이전틱 도구를 켠 대다수 계정이 사용해 본 후에도 계속 에이전트를 사용하고 있습니다.
Qlik Answers가 여러분의 데이터로 무엇을 할 수 있는지 확인하려면 Qlik Cloud Analytics 무료 체험을 시작하거나, Qlik Answers 데모 또는 Qlik 및 AWS 데모를 요청하거나, Qlik Answers 제품 페이지 를 방문하여 자세히 알아보십시오.