앱과 로그인 없이 전화번호로 끝내는 AI 주문 경험

사용자는 앱 설치나 웹사이트 로그인 없이 전화번호 다이얼링만으로 AI 주문 서비스에 진입한다. 이 방식은 디지털 도구 사용이 서툰 고객의 진입 장벽을 낮추고, 전화 한 통으로 주문을 끝내려는 사용자의 접근성을 높인다. 기존 온라인 주문 시스템이 앱 설치와 회원가입이라는 허들을 만들었다면, 이 구조는 전화망이라는 보편적 접점을 활용해 주문 전 과정을 자동화한다.

AI 호스트는 전화를 받는 순간부터 주문 확정까지의 모든 대화 단계를 수행한다. 고객이 전화를 걸면 AI가 인사를 건네고, 메뉴 구성이나 추천 질문에 실시간으로 답변한다. 이후 고객이 메뉴를 선택하면 픽업 위치를 확인하고, 최종 주문 내역을 안내하며 확정한다. 이는 고객이 매장에 전화를 걸어 직원과 대화하는 기존 경험을 유지하면서 대기 시간 없이 즉각적인 응답을 제공하는 방식이다.

기술적으로 이 시스템은 웹 인터페이스가 아닌 전화 네트워크를 통해 오디오 신호를 직접 수신한다. 시스템은 호출자의 전화번호를 고유 식별자로 사용하여 사용자를 인식하고 주문을 처리하므로, 아이디와 비밀번호를 입력하는 로그인 과정이 필요 없다. 인증 절차를 전화번호로 대체해 서비스 진입 속도를 높였다.

실제 많은 식당에서 전화 주문은 카운터 직원이 응대 중인 손님과 병행 처리해야 하므로, 고객 대기 시간이 길어지고 수기 작성으로 인한 주문 누락이나 오기입 가능성이 높다. AI 에이전트는 전화라는 기존 채널을 유지하면서 운영 인력의 개입을 줄이는 수단이 된다.

Amazon Connect와 MCP 기반의 4단계 아키텍처

Contact Flow(전화 진입점)가 모든 인바운드 호출의 시작점이다. 여기서 Agentic Voice(음성 합성 및 인식 기술)를 설정해 텍스트를 음성으로 변환하고 발신자 번호를 캡처한다. Lambda 함수가 캡처한 번호를 AI 에이전트 세션에 전달해 발신자를 식별하게 만든다. 이후 Amazon Lex V2(대화형 인터페이스 서비스) 봇이 Advanced ASR(고급 자동 음성 인식)로 듣고 TTS(음성 합성)로 말하며, 전화망의 오디오 신호를 텍스트로 바꾸어 AI 에이전트에 전달한다.

추론 계층에서는 Amazon Connect AI Agents와 Anthropic Claude Haiku 4.5(경량 고성능 언어 모델)가 결합해 대화를 이끈다. 시스템 프롬프트로 정의된 페르소나에 따라 주문 의도를 분석하고 필요한 도구를 호출한다. 이때 AI Guardrail(콘텐츠 안전 정책)이 부적절한 응답이나 정책 외 답변을 실시간으로 차단하며, 보안 프로필을 통해 백엔드 도구 접근 권한을 제어한다.

AI 에이전트와 백엔드를 잇는 AgentCore Gateway(에이전트 코어 게이트웨이)는 OpenAPI 스키마(API 설계 표준 문서)를 읽어 각 엔드포인트를 MCP 도구로 자동 등록한다. MCP(모델 컨텍스트 프로토콜)는 AI 모델이 외부 데이터나 도구에 표준화된 방식으로 접근하게 돕는 오픈 표준이다. 게이트웨이는 JWT(JSON 웹 토큰) 인증으로 요청의 유효성을 검증하며, 모델이 규격화된 도구 형태로 기능을 사용하게 하여 연결 구조를 단순화한다.

최하단 백엔드 인프라는 데이터 저장과 비즈니스 로직 실행을 담당한다. Amazon DynamoDB(NoSQL 데이터베이스)가 고객 정보, 주문 내역, 메뉴, 장바구니, 위치 데이터를 저장하고 Amazon Location Service(위치 서비스)는 주소 확인과 경로 라우팅을 처리한다. AWS Lambda(서버리스 함수)가 주문 처리 로직을 수행하며 Amazon API Gateway(REST API 인터페이스)를 통해 외부로 노출된다. 인프라는 DynamoDB와 Location Service를 먼저 구축한 뒤 API Gateway와 Lambda를 올리는 순서로 배포하며, 샘플 데이터를 시딩해 테스트 환경을 구축한다.

MCP 표준 도입으로 얻는 채널과 로직의 독립성

이러한 4단계 구조의 핵심은 MCP를 통해 각 계층의 의존성을 제거한 점에 있다. Amazon Connect는 전화 연결을, AI 에이전트는 추론을, 백엔드는 데이터 관리를 담당하며 역할을 분리한다. 에이전트가 백엔드의 내부 구조를 알 필요 없이 표준화된 방식으로 메뉴 정보를 요청하거나 장바구니에 상품을 담는 체계다.

MCP 표준을 적용하면 에이전트 설정을 변경하지 않고도 백엔드 시스템을 교체할 수 있다. 기존 방식은 API 엔드포인트나 데이터 형식이 바뀌면 에이전트의 호출 로직과 프롬프트를 모두 수정해 재배포해야 했다. 하지만 MCP는 에이전트와 도구 사이에 공통 인터페이스 층을 두어 의존성을 제거한다. 백엔드 로직을 개선하거나 데이터베이스를 변경해도 에이전트는 동일한 MCP 도구 규격으로 소통하므로 서비스 중단 없이 업데이트가 가능하다.

Agentic Voice는 대화의 순서를 주고받는 턴 테이킹(Turn-taking) 속도를 높여 대화의 끊김을 방지하고 실제 통화와 유사한 리듬을 구현한다. 음성 인식(ASR)과 합성(TTS) 과정이 추론 엔진과 유기적으로 결합되어 응답 대기 시간이 짧아지며, 사용자가 AI의 반응을 기다리며 느끼는 어색함을 제거한다.

과거의 IVR(Interactive Voice Response, 자동 응답 시스템)은 미리 정의된 트리 구조의 시나리오를 따르는 하드코딩 방식이었다. 이번 구성은 추론 엔진과 데이터 소스를 독립시켜 백엔드에서 메뉴 구성이나 가격 정책을 변경해도 에이전트의 대화 모델을 다시 학습시키거나 프롬프트를 수정할 필요가 없다. 개발자는 비즈니스 로직 최적화와 대화 품질 개선을 독립적으로 추진할 수 있어 유지보수 비용을 낮춘다.

AWS CDK를 이용한 빠른 배포와 실행 조건

AWS CDK(Cloud Development Kit, 인프라 코드화 도구)를 사용해 복잡한 AI 음성 서비스 설정을 단일 코드로 관리함으로써, 별도 설치 없이 스크립트 실행만으로 전체 인프라를 구축한다. 실무자는 aws-samples 저장소의 샘플 코드를 통해 환경을 빠르게 구성할 수 있으며, 코드 기반의 일관된 배포 환경을 통해 구축 시간을 단축한다.

서비스 가동을 위해서는 Amazon Connect Agentic Voice, Claude Haiku 4.5, AgentCore Gateway가 모두 지원되는 `us-east-1`(미국 동부 버지니아 북부) 리전 선택이 필수적이다. 리전별 서비스 출시 속도가 다르므로, 기능이 누락된 지역에서 배포 시 런타임 오류가 발생할 수 있다. 인프라 설계 단계에서 리전 제약 사항을 확인하고 환경을 고정하는 것이 오류를 방지하는 설정 방법이다.

배포 순서는 백엔드 인프라 구축, AgentCore Gateway 설정, Amazon Connect 인스턴스 및 AI 에이전트 생성, 텔레포니 설정 순으로 진행된다. AWS CDK 스크립트는 이 과정에서 Amazon Connect 인스턴스의 Contact Lens(통화 분석 도구)와 봇 관리 설정을 자동으로 활성화한다. 구성 요소 간의 의존 관계를 정의한 순차 배포를 통해 설정 누락으로 인한 시스템 장애 가능성을 차단한다.

실제 운영 환경에서는 백엔드 서비스가 준비되어야 AgentCore Gateway가 OpenAPI 스키마를 읽어 MCP 도구로 등록할 수 있고, 이후 AI 에이전트가 이를 호출하는 워크플로를 따른다. 텔레포니 설정은 마지막 단계에서 수행하여 실제 전화망을 통한 음성 입출력을 최종 검증한다. AI 음성 시스템을 통합 스택으로 배포함으로써 구축 비용과 운영 리소스를 줄인다.

한국 F&B 시장의 '보이스 퍼스트' AI 전환 기준

MCP를 적용하면 기존 레스토랑 POS(Point of Sale, 판매 시점 관리)나 ERP(Enterprise Resource Planning, 전사적 자원 관리) 시스템과의 연동이 쉬워진다. 에이전트의 핵심 로직을 수정하지 않고 MCP 도구 설정만으로 백엔드 시스템을 교체하거나 확장할 수 있어, 다양한 매장 환경에 빠르게 배포할 수 있는 기반이 된다.

실시간 ASR(Automatic Speech Recognition, 자동 음성 인식)의 한국어 처리 성능과 지연 시간 검증은 필수적이다. 대화의 흐름이 끊기지 않으려면 음성 인식부터 추론, 합성까지의 전체 지연 시간이 자연스러운 수준이어야 한다. 특히 소음이 많은 매장 환경이나 다양한 한국어 방언 처리 능력이 실제 주문 성공률에 직접적인 영향을 미치므로, 현장 도입 전 실제 통화 환경에서의 응답 속도를 정밀하게 측정해야 한다.

전화망 기반 AI 에이전트를 구축할 때는 채널(Connect), 추론(AI Agent), 데이터(Backend)를 엄격히 분리하여 설계해야 유지보수 비용을 최소화할 수 있다.