퇴직 연금 관리 분야의 선두주자인 BGL은 복잡한 금융 데이터와 비기술직 비즈니스 사용자 사이의 간극을 효과적으로 메웠다. 이들은 Amazon Bedrock AgentCore에서 호스팅되는 Claude Agent SDK를 활용하여, 기존의 불안정한 text-to-SQL 솔루션을 넘어 강력한 에이전틱 AI 워크플로우로 전환했다. 그 결과, 현업 팀들은 자연어 질문만으로 400개 이상의 분석 테이블을 자유롭게 쿼리하며 필요한 정보를 즉시 도출할 수 있게 되었다.

기술적인 핵심은 '관심사 분리(separation of concerns)' 전략에 있다. BGL은 AI가 정제되지 않은 복잡한 데이터베이스 스키마를 직접 탐색하게 하는 대신, Amazon Athena와 dbt를 기반으로 미리 정제된 분석용 테이블을 제공한다. AI 에이전트는 여기서 정교한 번역가 역할을 수행한다. 즉, 데이터를 추출하기 위한 SQL을 생성한 뒤 로컬에서 결과를 처리할 Python 스크립트를 직접 작성하는 방식이다. 이러한 설계는 대용량 원시 데이터 파일이 모델의 메모리인 컨텍스트 윈도우를 과부하시키는 고질적인 문제를 근본적으로 해결했다.

또한 다양한 제품군에서 정확도를 유지하기 위해 모듈형 지식 아키텍처를 도입했다. 에이전트는 특정 구성 파일을 통해 각 금융 도메인에 필요한 전문 지식을 동적으로 로드하여 업무를 수행한다. 특히 Amazon Bedrock AgentCore 기반의 이 시스템은 각 사용자 세션을 독립된 보안 환경(microVM)에서 격리하여 운영한다. 이는 민감한 금융 서비스에 필수적인 높은 수준의 보안을 보장하면서도, 최대 8시간 동안 대화의 흐름을 끊김 없이 유지하는 사용자 편의성을 동시에 제공한다.

퇴직 연금 관리 분야의 선두주자인 BGL은 복잡한 금융 데이터와 비기술직 비즈니스 사용자 사이의 간극을 효과적으로 메웠다. 이들은 Amazon Bedrock AgentCore에서 호스팅되는 Claude Agent SDK를 활용하여, 기존의 불안정한 text-to-SQL 솔루션을 넘어 강력한 에이전틱 AI 워크플로우로 전환했다. 그 결과, 현업 팀들은 자연어 질문만으로 400개 이상의 분석 테이블을 자유롭게 쿼리하며 필요한 정보를 즉시 도출할 수 있게 되었다.

기술적인 핵심은 '관심사 분리(separation of concerns)' 전략에 있다. BGL은 AI가 정제되지 않은 복잡한 데이터베이스 스키마를 직접 탐색하게 하는 대신, Amazon Athena와 dbt를 기반으로 미리 정제된 분석용 테이블을 제공한다. AI 에이전트는 여기서 정교한 번역가 역할을 수행한다. 즉, 데이터를 추출하기 위한 SQL을 생성한 뒤 로컬에서 결과를 처리할 Python 스크립트를 직접 작성하는 방식이다. 이러한 설계는 대용량 원시 데이터 파일이 모델의 메모리인 컨텍스트 윈도우를 과부하시키는 고질적인 문제를 근본적으로 해결했다.

또한 다양한 제품군에서 정확도를 유지하기 위해 모듈형 지식 아키텍처를 도입했다. 에이전트는 특정 구성 파일을 통해 각 금융 도메인에 필요한 전문 지식을 동적으로 로드하여 업무를 수행한다. 특히 Amazon Bedrock AgentCore 기반의 이 시스템은 각 사용자 세션을 독립된 보안 환경(microVM)에서 격리하여 운영한다. 이는 민감한 금융 서비스에 필수적인 높은 수준의 보안을 보장하면서도, 최대 8시간 동안 대화의 흐름을 끊김 없이 유지하는 사용자 편의성을 동시에 제공한다.