파편화된 SOP와 숙련자 병목 현상을 해결하는 AWS 생성형 AI
분석가가 처리할 수 있는 속도보다 티켓이 더 빠르게 유입되면 시스템에 백로그가 쌓이고 지연 시간이 누적된다. 이는 린 식스 시그마(Lean Six Sigma, 낭비를 제거하고 품질을 높이는 경영 혁신 방법론)의 택트 타임(Takt Time, 제품 하나를 완성하는 데 걸리는 시간) 원칙을 위반하는 상황으로, 인력 증원 없이 물량을 처리해야 하는 운영팀의 핵심 제약이다. 분석가는 적절한 절차를 찾기 위해 위키, 공유 드라이브, 채팅 기록, 교육 녹화본을 일일이 검색하며 상당한 시간을 소모한다. 정보가 여러 도구에 흩어져 있어 검색 자체에 에너지를 쏟느라 실제 문제 해결에 집중할 시간이 부족해진다.
검색 끝에 찾아낸 표준운영절차(SOP, Standard Operating Procedure)조차 특정 기능의 관점에서만 작성되어 엔드투엔드 워크플로의 가시성을 제공하지 못한다. 분석가는 여러 개의 단절된 문서와 숙련자의 경험적 지식인 트라이벌 노리지(Tribal Knowledge, 문서화되지 않고 특정 개인에게만 전수되는 지식)를 머릿속에서 직접 조합해 해결 경로를 재구성해야 한다. 이 작업은 조직적인 설계가 아니라 개별 분석가의 숙련도와 과거 경험에 전적으로 의존하는 구조다. 결국 전체 맥락을 파악하지 못한 분석가가 엉뚱한 이슈를 처리하거나 불완전한 조치를 취해 티켓이 다시 되돌아오는 낭비가 발생한다.
Figure 1: End-to-end architecture of the support operations solution on AWS
이러한 구조에서 숙련자는 루틴한 질문에 응답하는 병목 지점이 되고, 신입 분석가는 상위 단계로 문제를 넘기는 에스컬레이션(Escalation, 하위 담당자가 해결 못 한 문제를 상급자에게 전달하는 것)에 과도하게 의존하며 성장 속도가 더뎌진다. 지식의 단절로 인한 운영 효율 저하를 해결하기 위해 Amazon Bedrock(파운데이션 모델을 쉽게 사용할 수 있게 돕는 완전 관리형 서비스)과 AWS Strands Agents SDK(AI 에이전트 구축을 위한 소프트웨어 개발 키트)를 활용한다. 이를 통해 문서와 티켓 분석 기능을 하나로 통합한 운영 인텔리전스 워크스페이스를 구축한다. 이 계층은 분석가와 운영자가 사용하는 기본 실행 환경이 되어 파편화된 지식을 통합하고 실행 가능한 가이드로 변환한다.
교육 영상의 SOP 자동 추출부터 에이전트 워크플로까지의 구현
교육 영상을 다시 돌려보며 작업 순서를 복구하는 낭비를 겪는 분석 팀은 생성형 AI를 통해 영상 속 동작을 분석하고 표준운영절차(SOP, Standard Operating Procedure)를 자동으로 추출할 수 있다. 추출된 지식은 단순한 텍스트 요약이 아니라, 특정 단계와 조건이 명시된 구조화된 검색 가능 포맷으로 보존된다. 조직 내에 파편화되어 있던 숙련자의 경험이나 교육 녹화본이 검색 가능한 자산으로 전환되는 과정이다. 이는 지식을 매번 새롭게 발견해야 했던 기존의 반복적 낭비를 제거하고, 신입 분석가도 숙련자와 동일한 절차에 즉시 접근할 수 있는 환경을 구축하여 지식 전수 비용을 낮춘다.
이렇게 구조화된 SOP는 검색 증강 생성(RAG, Retrieval Augmented Generation) 기술을 통해 실시간 티켓 해결 가이드로 연결된다. RAG는 모델이 학습하지 않은 외부의 최신 지식 베이스에서 관련 정보를 찾아 답변의 근거로 활용하는 방식이다. 분석가가 티켓을 접수하면 AI가 티켓의 텍스트 내용을 분석하고, 이에 가장 적합한 SOP 단계를 지식 베이스에서 찾아내어 해결 방법을 자동으로 제안한다. 분석가가 수동으로 수많은 문서를 검색하고 대조하며 정답을 찾는 시간을 획기적으로 줄여 초기 대응 시간을 단축시키고 해결의 일관성을 높이는 효과를 준다. 결과적으로 분석가는 단순 검색이 아닌 문제 해결 자체에 더 집중할 수 있게 된다.
단순한 정보 제안을 넘어 티켓 태깅, 코멘트 작성, 상태 업데이트를 스스로 수행하는 에이전틱 워크플로(Agentic Workflows)를 구축해 운영 효율을 극대화한다. 에이전틱 워크플로는 AI가 목표를 달성하기 위해 필요한 도구를 선택하고 실행 순서를 결정하는 자동화 체계다. 티켓의 성격에 맞는 태그를 달고, 처리 과정을 코멘트로 남기며, 완료 후 상태를 업데이트하는 일련의 루틴한 작업을 AI가 대행한다. 다만 정확도와 제어권을 유지하기 위해 최종 실행 전 사람이 내용을 확인하고 승인하는 Human-in-the-loop(인간 개입) 구조를 유지한다. 이는 자동화의 속도와 운영의 안정성 사이에서 실무자가 최종 판단 기준을 갖게 하는 안전장치다.
사후 보고서에서 실시간 SLA 리스크 예측으로의 전환
CRM(고객 관계 관리) 시스템의 우선순위 설정이 분석가의 주관적 판단에 의존하는 구조를 걷어낸다. 티켓 접수 단계에서 정보가 누락되거나 부정확하게 입력되면 숙련된 분석가조차 실제 긴급도를 즉시 파악하기 어렵다. 이 때문에 고영향 요청이 일반 요청과 뒤섞여 처리되다가 마감 기한이 임박해서야 리스크가 드러나는 상황이 반복된다. 팀은 보통 성능 지표가 하락한 뒤에야 문제를 발견하며, 에스컬레이션이 일어날 때쯤에는 이미 SLA(서비스 수준 협약) 위반이 발생한 상태가 된다. 기존의 사후 보고서는 이미 벌어진 일만 설명할 뿐, 어떤 티켓이 곧 위반될지 예측하지 못한다.
머신러닝(ML)을 활용해 SLA 위반 가능성이 높은 티켓을 사전에 찾아내는 조기 신호 체계를 구축한다. 단순히 처리해야 할 티켓의 총량을 세는 방식에서 벗어나 개별 작업의 복잡도와 핸드오프(Handoff, 업무 인수인계) 지점을 정밀하게 분석한다. 특정 숙련자에게만 업무가 쏠리는 불균형한 워크로드 분배 문제를 데이터로 식별하고 이를 조정한다. 전문 지식이 소수에게 집중되어 온보딩이 느려지고 규모 확장을 위해 무작정 인력만 추가하던 관행을 깨고, 측정 가능한 지표로 리스크를 사전에 차단함으로써 프로세스 자체의 효율을 높이는 기반을 만든다.
분석 및 의사결정 인텔리전스 계층을 통해 운영 리더에게 실시간 통찰을 제공한다. SOP(표준운영절차)의 구조나 승인 경로, 핸드오프 지점 같은 프로세스 설계 결정이 실제 해결 시간과 재작업률 같은 운영 결과로 어떻게 연결되는지 가시화한다. 리더는 과거의 통계 수치가 아니라 현재 진행 중인 업무의 병목 구간을 실시간으로 파악해 리소스를 즉각 재배치한다. 실행을 담당하는 운영 인텔리전스 워크스페이스와 최적화를 담당하는 분석 계층을 분리해 실무자와 관리자의 요구사항을 동시에 충족하며, 지속적인 가시성 부족으로 인해 지연되었던 용량 결정 문제를 해결한다.
금융·제조·물류 등 한국 엔터프라이즈 지원 운영 적용 기준
금융 서비스, 헬스케어, 물류, 제조, 에너지 산업은 엄격한 규제 준수와 복잡한 승인 경로라는 공통 제약을 가진다. 이 환경에서는 실무자가 일상 업무에 사용하는 운영 인텔리전스(실행 계층)와 관리자가 실시간 통찰을 얻는 분석 인텔리전스(최적화 계층)를 분리한 2계층 아키텍처를 적용한다. 두 계층은 긴밀하게 연결되어 실무자가 티켓 해결 가이드를 즉시 제공받는 동시에 리더는 전체 성능을 모니터링하며 의사결정을 내리는 구조를 만든다. 계층 분리는 현장 실무자와 관리자의 서로 다른 요구사항을 동시에 충족하며 운영의 정밀도를 높인다.
단순한 티켓 처리 건수 최적화보다 팀 간 업무 흐름을 결정하는 하위 프로세스 개선에 집중해야 한다. 개별 태스크의 속도만 높여서는 상위 단계의 입력값과 하위 단계의 핸드오프(Handoff, 업무 인수인계) 지점에서 발생하는 병목을 해결할 수 없기 때문이다. 특히 승인 단계가 많은 한국 기업 특성상 전체 워크플로를 데이터로 연결해 분석하면 부서 간 협업 과정에서 낭비되는 시간을 구체적으로 찾아내고 조정할 수 있다. 이는 개별 작업의 효율을 넘어 전체 프로세스의 처리량을 늘려 운영 리소스를 최적화하는 실질적인 방법이다.
규제 준수(Compliance, 법적 요구사항 준수) 요구사항이 빈번하게 변하는 한국 엔터프라이즈 환경에서는 자동화된 문서 업데이트 체계가 필수적이다. 수동으로 표준운영절차(SOP)를 수정하면 실제 운영 방식과 문서 사이의 간극이 벌어져 감사 리스크가 발생하고 이는 곧 운영 사고로 이어진다. 시스템이 변경 사항을 감지하고 문서를 자동으로 갱신하는 체계를 갖추면 규제 대응 속도가 비약적으로 빨라진다. 문서가 항상 최신 상태로 유지되어야 실무자가 숙련자의 개인적 경험이나 구두 전수에 의존하지 않고 표준화된 절차에 따라 업무를 수행할 수 있다.
운영의 핵심은 숙련자 개인의 경험과 파편화된 문서에 의존하던 기존 방식에서 벗어나, 자동화된 지식 베이스와 데이터 기반 예측 모델로 전환하는 판단 기준을 세우는 것이다.
