부동산 권리 조사의 병목을 해결한 Supercharger

부동산 거래를 준비할 때 수많은 서류와 복잡한 규정 사이에서 길을 잃어본 경험이 있는가. 주택 구매 과정에서 필수적인 권리 조사 업무는 수많은 시스템과 지역별 규정을 일일이 대조해야 하는 고된 작업이다. 디트로이트에 본사를 둔 부동산 권리 보험 및 자산 평가 기업인 로켓 클로즈(Rocket Close)는 이러한 수동 검색 과정이 업무 효율을 떨어뜨리는 병목 현상의 주원인임을 확인했다. 이들은 AWS와 협업하여 AI 에이전트 솔루션인 슈퍼차저(Supercharger)를 구축함으로써 운영팀이 겪던 정보 탐색의 불편함을 해소했다.

기존의 권리 조사 업무는 검토자가 여러 시스템을 오가며 주(State)별 규정과 세금 관련 요구사항을 수동으로 찾아야 했다. 예를 들어 특정 카운티의 기록 요건을 확인하려면 검토자가 직접 여러 자료를 뒤져야 했으며, 이는 숙련된 인력의 시간을 과도하게 소모하는 결과로 이어졌다. 슈퍼차저는 이러한 문제를 해결하기 위해 내부 운영팀과 자연어로 소통하며 권리 조사 워크플로를 안내하는 역할을 수행한다. 내부 운영 데이터베이스와 연동된 이 솔루션은 파편화된 정보를 중앙화하여 연구 시간을 단축하고 처리 속도를 높였다.

슈퍼차저는 단순히 정보를 나열하는 것을 넘어, 운영팀이 복잡한 주문 데이터를 다루는 방식을 근본적으로 변화시켰다. 이 에이전트 솔루션은 권리 조사와 자산 평가에 필요한 지식을 결합하여, 실시간으로 실행 가능한 통찰을 제공한다. 결과적으로 운영팀은 수동 데이터 입력에서 벗어나 고부가가치 업무에 집중할 수 있게 되었으며, 고객센터로 유입되는 문의량 또한 30% 감소하는 실질적인 성과를 거두었다. 이는 복잡한 도메인 지식이 요구되는 업무일수록 에이전트 기반의 자동화가 처리 속도와 정확도 면에서 강력한 대안이 될 수 있음을 보여준다.

Strands Agents와 MCP로 구현한 기술 구조

많은 개발자가 에이전트 시스템을 구축할 때 모든 기능을 하나의 거대한 프롬프트에 담으려 하지만, 로켓 클로즈(Rocket Close)는 오히려 각 데이터 소스를 독립적인 도구로 분리하는 방식을 택했다. 이 솔루션은 오픈소스 SDK인 Strands Agents와 MCP(Model Context Protocol, 외부 데이터와 AI 모델을 표준화된 방식으로 연결하는 통신 규약)를 활용하여 데이터 접근성과 모델의 추론 능력을 결합했다. 복잡한 도메인 지식이 필요한 업무에서 에이전트 기반 자동화가 실질적인 비용 절감과 처리 속도 향상을 이끌어내는 핵심 기준은 바로 이처럼 데이터 소스를 도구화하여 모델의 추론 범위와 실행 범위를 명확히 분리하는 데 있다.

Strands Agents는 AWS에서 제공하는 오픈소스 에이전트 SDK(소프트웨어 개발 키트)로, Anthropic의 Claude 모델을 기반으로 에이전트의 계획 수립, 도구 호출, 추론 과정을 제어한다. 개발자는 이 SDK를 통해 프롬프트와 도구 목록을 코드 형태로 정의하며, 로컬 환경에서 테스트한 뒤 바로 클라우드 환경으로 배포할 수 있다. 특히 MCP를 도입함으로써 각 데이터 소스는 에이전트가 필요할 때마다 호출할 수 있는 개별 도구로 노출된다. 이는 에이전트가 방대한 데이터베이스 전체를 탐색하는 대신, 필요한 정보만을 정확히 추출해 모델에 전달하게 함으로써 처리 효율을 극대화하는 구조다.

보안과 규정 준수는 금융 서비스 업무의 핵심이다. 로켓 클로즈는 Amazon Bedrock Guardrails(생성형 AI 모델의 출력물과 입력을 필터링하고 안전 정책을 설정하는 보안 도구)를 적용하여 민감한 고객 데이터에 대한 접근을 제어하고 모든 대화 과정을 감사 추적(Audit Trail, 시스템 사용 기록을 남겨 보안과 규정 준수를 확인하는 과정)으로 기록한다. 데이터 과학 부사장인 브라이언 베다드(Bryan Bedard)는 이러한 기술적 결합을 통해 수천 건의 문의를 절감했다고 밝혔다. 실제로 이 구조는 데이터 검색 효율을 높여 LLM 호출 횟수를 줄이고, 결과적으로 지연 시간을 3배 개선하는 성과를 거두었다.

독자가 내일 이 구조를 따라 하려면 우선 데이터 소스를 MCP 규격에 맞춰 도구화하는 것부터 시작해야 한다. 단순히 LLM에 데이터를 던져주는 방식이 아니라, 특정 데이터베이스나 API를 에이전트가 호출 가능한 함수 단위로 쪼개어 정의하는 것이 핵심이다. 이후 Strands Agents를 통해 이 도구들을 모델의 추론 루프 안에 배치하면, 복잡한 워크플로를 자연어로 처리하는 에이전트를 구성할 수 있다. 이 방식은 데이터 검색의 정확도를 높일 뿐만 아니라, 시스템의 유지보수와 확장성 측면에서도 개별 도구를 교체하거나 추가하기 용이한 환경을 제공한다.

기존 방식과 달라진 지점

인당 수천 달러의 비용을 들여 도입한 SaaS(서비스형 소프트웨어)가 실제로 업무 리소스를 절감하고 있는가, 아니면 절감된 시간만큼 더 많은 태스크를 가중시키는 악순환을 만들고 있는가. 부동산 권리 조사와 같이 복잡한 도메인 지식이 필요한 업무에서 기존의 파편화된 시스템은 운영팀에게 반복적인 데이터 검색과 수동 입력이라는 고질적인 병목 현상을 강요해 왔다. 로켓 클로즈(Rocket Close)가 도입한 슈퍼차저(Supercharger)는 이러한 문제를 해결하기 위해 대화 분석부터 권리 조사 지원까지 6가지 핵심 기능을 통합하여 운영팀의 의사결정을 직접적으로 보조한다.

슈퍼차저의 가장 큰 변화는 대화 분석(Conversation Analytics)을 통한 문맥 파악 능력이다. 기존 시스템이 단순히 키워드 매칭에 의존했다면, 이 솔루션은 자연어 처리 기술을 활용해 운영팀이 주고받는 다회차 대화의 의도와 맥락을 이해한다. 이를 통해 상담은 기계적인 질의응답을 넘어 사람과 소통하는 듯한 직관적인 경험으로 전환되었다. 또한 주(State)별 권리 조사 지원 기능은 각 지역의 복잡한 규정과 요구사항을 실시간으로 반영하여 맞춤형 체크리스트를 제공한다. 운영팀은 더 이상 여러 시스템을 오가며 규정을 검색할 필요 없이, 현재 처리 중인 주문에 최적화된 안내를 즉각적으로 받아볼 수 있게 되었다.

데이터 처리 방식에서도 실질적인 자동화가 이루어졌다. API 기반 통합을 통해 슈퍼차저는 기존 운영 데이터베이스와 직접 연결된다. 이는 수동 데이터 입력을 원천적으로 제거하여 입력 오류를 방지하고, 팀원들이 단순 반복 작업 대신 고부가가치 업무에 집중할 수 있는 환경을 조성한다. 특히 응답 정확도 검증 및 시스템 성능 모니터링을 위한 감사 추적(Audit Trail) 기능은 모든 상호작용을 기록하여 규제 준수 요건을 충족한다. 이는 기업 입장에서 AI 도입 시 가장 우려하는 보안과 품질 관리 문제를 시스템적으로 해결한 사례다.

결국 슈퍼차저가 제시하는 운영 효율의 기준은 단일화된 정보 접근성이다. 과거에는 여러 시스템을 개별적으로 확인해야 했던 정보들이 이제는 하나의 에이전트를 통해 통합적으로 제공된다. 이러한 변화는 단순히 처리 속도를 높이는 것을 넘어, 복잡한 워크플로 내에서 팀원들이 겪는 인지적 부하를 줄이고 의사결정의 정확도를 높이는 결과로 이어진다. 실무자 입장에서 이 솔루션은 도구의 나열이 아닌, 업무의 맥락을 이해하는 에이전트가 어떻게 운영팀의 실질적인 조력자가 될 수 있는지를 보여주는 판단 기준이 된다.

현장에서 달라지는 비용과 판단

비싼 기술이 항상 최선의 결과를 보장하는 것은 아니다. 오히려 적재적소에 배치된 최적화 기법이 운영 비용을 낮추고 시스템의 반응 속도를 비약적으로 높이는 경우가 많다. 로켓 클로즈(Rocket Close)는 AI 에이전트 솔루션인 슈퍼차저(Supercharger)를 도입하며 이러한 효율성 개선을 실질적인 수치로 증명했다. 반복적인 업무를 자동화하고 데이터 검색 구조를 단순화함으로써 고객센터로 유입되는 전화 및 이메일 문의량을 30%까지 줄이는 성과를 거두었다.

기술적 측면에서의 개선은 프롬프트 최적화와 아키텍처 재설계에서 시작되었다. 초기 모델 호출 과정에서 발생하던 불필요한 연산을 줄이고, 데이터 검색 효율을 극대화하는 방향으로 구조를 다듬었다. 특히 모델 컨텍스트 프로토콜(MCP, Model Context Protocol)을 활용해 필요한 정보를 단일 호출로 가져오도록 아키텍처를 개선한 결과, 지연 시간(Latency)을 기존 대비 3배 개선하는 효과를 보았다. 이는 복잡한 권리 조사 업무에서 실시간 정보 제공이 가능해짐을 의미하며, 결과적으로 연구 시간을 단축하고 의사결정의 정확도를 높이는 기반이 되었다.

브라이언 베다드(Bryan Bedard) 로켓 클로즈 데이터 과학 부사장은 이러한 변화가 단순한 업무 보조를 넘어 조직의 운영 방식 자체를 바꾸었다고 평가했다. 그는 슈퍼차저의 질의응답 기능을 외부 채팅 인터페이스와 통합함으로써 매달 수천 건의 문의를 절감했다고 밝혔다. 이는 에이전트 기반 자동화가 도메인 지식이 필수적인 복잡한 업무 영역에서도 비용 절감과 처리 속도 향상을 동시에 달성할 수 있음을 보여주는 사례다.

실무자 입장에서 주목해야 할 점은 이러한 성과가 거창한 기술 도입보다는 데이터 소스를 도구화하고 LLM의 추론 능력을 결합한 아키텍처의 단순화에서 비롯되었다는 사실이다. 에이전트가 수행해야 할 목표를 명확히 정의하고, 결정론적인 단계를 제거하여 모델이 유연하게 판단하도록 환경을 조성한 것이 핵심이다. 결과적으로 로켓 클로즈는 운영 일관성을 확보하고 직원들의 인지적 부하를 줄여, 더 가치 있는 업무에 집중할 수 있는 환경을 구축했다.

한국 실무자를 위한 에이전트 도입의 시사점

에이전트 도입의 성패는 단순히 LLM의 지능에 의존하는 것이 아니라, 실무 현장의 데이터를 얼마나 효율적으로 에이전트의 손에 쥐여주느냐에 달려 있다. Rocket Close가 Supercharger를 구축하며 얻은 핵심 교훈은 데이터 검색 효율화가 곧 전체 시스템의 성능을 결정짓는다는 점이다. 복잡한 부동산 권리 조사 업무에서 여러 시스템을 오가며 정보를 취합하던 기존 방식 대신, MCP(Model Context Protocol, 외부 데이터 소스를 에이전트가 호출 가능한 도구로 표준화하는 규격)를 활용해 필요한 데이터를 단일 호출로 가져오는 구조를 설계했다. 이는 여러 번의 데이터베이스 쿼리를 방지하여 응답 속도를 획기적으로 높이는 결과를 낳았다.

실무 환경에서 사용자 경험을 저해하는 가장 큰 요소는 응답을 기다리는 시간이다. Rocket Close는 WebSocket 기반의 스트리밍 방식을 도입하여 복잡한 쿼리 처리 중에도 사용자에게 즉각적인 피드백을 제공했다. 이는 사용자가 시스템이 작동하고 있다는 확신을 갖게 하며, 결과가 도출되기 전까지의 체감 지연 시간을 크게 줄여준다. 기술적으로는 Strands Agents(AWS에서 제공하는 오픈소스 에이전트 SDK)와 MCP 도구 간의 역할을 명확히 분리하여, 향후 모델이 변경되거나 데이터 소스가 확장되더라도 전체 시스템을 재설계할 필요가 없도록 유연성을 확보했다. 이러한 구조는 특정 기술 스택에 종속되지 않고 비즈니스 요구사항 변화에 빠르게 대응할 수 있는 기반이 된다.

프롬프트 설계 측면에서도 중요한 변화가 있었다. 실무자들은 흔히 에이전트에게 단계별로 무엇을 해야 하는지(How)를 상세히 지시하려는 경향이 있지만, 이는 오히려 모델의 유연한 추론을 방해한다. 대신 에이전트가 달성해야 할 목표(What)를 명확히 기술하는 것이 훨씬 효과적이다. 상세한 절차를 강제하는 대신 결과 중심의 지시를 내릴 때, 모델은 스스로 최적의 경로를 찾아내며 더 나은 판단을 수행한다. 실제로 이러한 프롬프트 최적화와 아키텍처 개선을 통해 LLM 호출 횟수를 줄임으로써, 지연 시간(Latency)을 3배 개선하고 운영 비용을 절감하는 성과를 거두었다.

결국 에이전트 기반 자동화는 도메인 지식이 깊게 요구되는 업무일수록 빛을 발한다. 데이터 소스를 도구화하여 에이전트가 직접 호출하게 만들고, 프롬프트는 목표 지향적으로 설계하는 방식은 한국의 복잡한 행정 및 사내 업무 환경에서도 그대로 적용 가능한 실용적인 전략이다. 기술 도입을 고민하는 실무자라면, 지금 당장 자동화할 수 있는 작은 데이터 소스 하나를 MCP 도구로 정의하는 것부터 시작해 보길 권한다. 시스템의 복잡도를 낮추고 데이터 접근성을 높이는 것만으로도, 고객센터 문의량을 30% 줄였던 사례와 같은 실질적인 운영 효율 개선을 체감할 수 있을 것이다.

결국 에이전트 도입의 본질은 거창한 인공지능 모델의 선택이 아니라, 복잡한 업무 문서를 에이전트가 직접 해석하고 실행할 수 있는 도구로 얼마나 정교하게 변환했느냐에 달려 있다. 오늘 당장 우리 팀의 반복 업무 중 데이터 소스를 분리해 에이전트에게 연결할 수 있는 영역이 어디인지 리스트를 작성하는 것부터 시작하라. 그 작은 구조화 작업이 운영 비용을 줄이고 시스템의 확장성을 결정하는 출발점이 된다.