5,000억 달러 규모 프로젝트를 처리하는 250종 문서 자동화

부동산 대출이나 계약 시 발생하는 수백 페이지의 서류를 대조하는 작업은 매우 고단한 과정이다. 부동산 금융 소프트웨어사인 Built Technologies는 Amazon Bedrock과 AWS IDP Accelerator를 도입해 250종 이상의 부동산 금융 문서를 처리하는 AI 엔진을 구축했다. 이 엔진은 5,000억 달러 이상의 프로젝트 규모를 처리하며 수백만 건의 문서를 분석한다. 이는 단순 자동화를 넘어 부동산 금융 전 과정에서 AI 에이전트가 작동하는 기반이 된다.

기존에는 26개의 OCR(광학 문자 인식) 및 머신러닝(ML) 프로세서를 운영해 데이터를 추출하고 분류했다. 하지만 정해진 양식의 필드만 찾는 방식으로는 보험 증명서나 대출 계약서처럼 길고 일관성이 없는 도메인 특화 문서를 처리하는 데 한계가 있었다. Built Technologies는 인프라를 확장해 지원 문서 타입을 250종 이상으로 늘렸으며, 이를 통해 과거 며칠(Days)이 소요되던 업무 처리 시간을 단 몇 분(Minutes) 단위로 단축했다. 정형화된 정부 서식부터 가변성이 큰 제안 설명서까지 모두 처리 범위에 포함된다.

단순 텍스트 추출과 문맥 추론(Reasoning)은 처리 가능한 데이터의 범위에서 차이가 난다. 대출 금액이나 송장 번호처럼 명시된 필드를 찾는 것은 기존 OCR로 가능하지만, 문서 곳곳에 흩어진 약정 사항을 식별하고 해석하는 것은 불가능했다. 이번에 구축한 엔진은 비정형 문서를 구조화된 데이터로 변환하는 체계를 갖춰, 대출 인출 패키지 검토나 보험 커버리지 충족 여부 확인 같은 고차원적 판단을 가능하게 했다.

Step Functions와 Lambda 기반의 다단계 처리 파이프라인

수백 페이지의 PDF 파일에 송장, 증명서, 계약서가 뒤섞여 있으면 사람이 일일이 분류해야 한다. Built Technologies는 이를 해결하기 위해 AWS Step Functions로 전체 파이프라인을 오케스트레이션했다. 각 처리 단계에는 서버리스 함수인 AWS Lambda를 배치해 독립적인 연산이 가능하도록 설계했다. 예를 들어 송장, 권리 포기 각서, 보험 증명서가 섞인 150페이지 분량의 PDF를 입력받아 자동으로 분리하고 분석하는 구조다.

전체 공정은 다섯 단계의 순차적 흐름으로 작동한다. 먼저 OCR을 통해 스캔본의 텍스트를 디지털 데이터로 변환한다. 이어지는 분류 및 분할 단계에서 문서 종류를 식별해 개별 파일로 쪼개고, 추출 단계에서 핵심 정보를 뽑아낸다. 이후 평가 단계에서 정보의 정확성을 따지고, 마지막 규칙 검증을 통해 비즈니스 로직 부합 여부를 확인한다.

데이터는 저장소에서 메시지 큐까지 유기적으로 흐르며 처리 상태를 실시간으로 추적한다. 사용자가 Amazon S3에 문서를 업로드하면 Amazon EventBridge가 이를 감지해 시스템에 알린다. 이후 Queue Sender Lambda가 Amazon DynamoDB에 처리 상태를 기록하고 Amazon SQS에 메시지를 전달해 대기열을 관리한다. Queue Processor Lambda가 이 큐에서 메시지를 가져와 실제 파이프라인을 가동한다. 이러한 비동기 구조는 대량의 문서가 유입되어도 시스템 부하를 분산해 안정적으로 처리한다.

단순 추출을 넘어 비즈니스 맥락을 추론하는 에이전틱 워크플로우

이렇게 구축된 파이프라인은 단순한 데이터 추출을 넘어, 복잡한 금융 약정을 해석하는 추론 단계에서 진가를 발휘한다. Built Technologies는 명시적 필드 매칭을 통한 단순 추출과 문맥 추론을 엄격히 구분해 처리한다. 대출 금액이나 보험 만료일처럼 위치가 예측 가능하고 라벨이 명확한 정보는 단순 추출로 처리한다.

반면 대출 계약서의 약정 사항(Covenants)은 수백 페이지의 여러 섹션에 흩어져 있어 기존 템플릿 방식으로는 포착하기 어렵다. 에이전틱 워크플로우(Agentic Workflow)는 AI가 관련 섹션을 스스로 식별하고 정의와 의무 사항을 추론하며 요구 사항과 예외 조항을 구분한다. 키워드 검색 방식과 달리, AI 에이전트는 법적 언어 속에 숨겨진 차입자의 의무, 보고 요구 사항, 재무 임계값, 디폴트 트리거 등을 해석하고 문서 내 구체적인 근거를 함께 제시한다.

이러한 추론 능력은 건설 대출 인출 패키지(Draw Package) 검토 등 실무 전반에 적용된다. 보험 커버리지가 대출 계약 조건을 충족하는지 확인하거나, 감정 평가서가 인수 가정(Underwriting Assumptions)을 충분히 지원하는지 분석하는 작업이 이에 해당한다. 또한 제안 설명서에서 투자 결정에 영향을 주는 핵심 리스크 지표를 식별하거나 포트폴리오 내 예외 사항을 찾아내는 데 활용된다. 문서는 이제 정교한 의사결정을 위한 구체적 근거 데이터로 활용된다.

재사용 가능한 AI 역량으로서의 문서 지능 구축 전략

Built Technologies는 특정 업무만을 위한 단일 솔루션이 아니라, 다양한 제품군에 공통으로 적용하는 수평적 기능(Horizontal Capability)으로 문서 지능을 설계했다. 상업용 건설 대출 인출 패키지 처리 사례로 기술적 가능성을 검증한 뒤, 이를 전체 부동산 금융 생태계로 확장하는 전략을 취했다. 공통 기반 기술을 확보함으로써 새로운 AI 에이전트를 추가할 때 발생하는 중복 개발 공수를 제거했다.

구현 세부 사항을 보면 분류, 분할, 추출, 평가, 휴먼 리뷰 기능을 각각 독립적인 공통 모듈로 분리했다. 이 모듈들은 대출 계약서 분석, 보험 커버리지 검증, 제안 설명서 리스크 식별 등 서로 다른 목적의 AI 에이전트에서 필요에 따라 호출해 재사용한다. 신규 에이전트를 도입할 때 데이터 수집, 문서 분류, 스키마 관리, 추출 인프라를 처음부터 다시 설계할 필요 없이, 검증된 표준 모듈을 조합해 비즈니스 요구사항에 즉시 대응한다.

이 전략의 목적은 비정형 고용량 문서를 구조화된 지능형 데이터로 변환하는 표준 체계를 마련하는 것이다. 문맥을 이해하고 검증 가능한 형태로 데이터를 정제하여 제공함으로써, 수천 페이지의 파편화된 문서 환경에서도 데이터 일관성을 유지하고 분석 결과의 근거를 명확히 추적할 수 있다. 결과적으로 의사결정에 즉시 활용 가능한 정형 데이터 변환 인프라를 구축했다.

단순히 글자를 읽어내는 OCR과 문맥을 파악해 추론하는 LLM의 성능 차이는 실무에서 데이터의 활용 가치를 결정한다. Built Technologies의 사례는 다단계 파이프라인 설계를 통해 방대한 비정형 문서를 즉시 의사결정에 활용 가능한 비즈니스 컨텍스트로 전환하는 구체적인 경로를 증명했다.

결국 문서 AI의 성패는 단순한 텍스트 추출이 아니라 정교한 추론 기반의 지능을 인프라 수준에서 어떻게 구현하느냐에 달려 있다. 본문에서 다룬 OCR과 추론의 단계적 결합 구조를 기준으로 현재의 문서 처리 경로를 재검토하는 것이 실질적인 구현의 시작이다.