[AWS Summit Seoul 2026] AI-Ready Data: 에이전틱 AI 시대, 데이터가 답이다

AWS Summit Seoul 2026의 'AI-Ready Data: 에이전틱 AI 시대, 데이터가 답이다' 세션 핵심 인사이트. 에이전틱 AI의 성패는 모델이 아니라 데이터에 달려 있다는 전제 하에, 기존 데이터 플랫폼 위에 Semantic Layer 한 레이어만 추가해 AI가 비즈니스를 이해할 수 있게 만드는 구체적 방법론을 제시한다. "LLM이 똑똑해진 게 아닙니다. 데이터가 똑똑해진 것입니다"라는 한 문장이 이 세션의 전부다.

핵심 포인트

Agent vs Chatbot: 행동 여부가 유일한 차이. Chatbot은 답변 생성에 그치고, Agent는 추론·계획·행동을 실행 (고객 사과 메일 발송 + 보상 처리까지)
AI-Ready Data 정의: AI 에이전트가 스스로 찾고, 해석하고, 실행할 수 있는 데이터. 사람은 행간을 읽지만 AI는 명시적 정의만 처리 — 이 간극이 에이전트 실패의 근본 원인
Semantic Layer: LLM과 데이터 사이의 "의미의 다리". 기존 데이터 플랫폼·파이프라인을 버리지 않고 한 레이어만 추가
4가지 장벽 해결 체계: 맥락 장벽(RAG) → 연결 장벽(지식 그래프) → 추론 장벽(온톨로지) → 신뢰 장벽(시맨틱 레이어 전체)
저장소 아키텍처: 벡터 → Amazon OpenSearch, 지식 그래프 → Amazon Neptune, 에이전트 연결 → Amazon Bedrock AgentCore
Semantic Layer 구축은 기술팀 단독 과제가 아님: 데이터 생산자·소비자·기술팀 세 주체의 운영 모델이 기술 구축보다 먼저 세팅되어야

상세 정리

챗봇은 "설명해줘"에 답하지만 AI 에이전트는 "처리해줘"를 실행 — 행동이 가능하려면 비즈니스 이해가 선행
분석가는 SQL로 데이터를 활용하지만 AI 에이전트는 명시적 정의 없이 같은 데이터를 활용 불가
시맨틱 레이어 적용 전: "MZ세대 분석해줘" → 분석 수행 불가 / 적용 후: MZ = 1980년 이후 출생 + 테이블 기준 정의 포함 → 정확한 답변 가능
비정형 데이터(PDF, 정책 문서): 청킹 + 임베딩으로 벡터화, 유사도 검색 기반
지식 그래프: LLM이 문서에서 엔티티(고객, 상품, 캠페인)와 관계를 추출, Amazon Neptune에 저장
온톨로지: "VIP = 매출 상위 10%", "새벽배송 지연 시 보상 기준 3일" 같은 비즈니스 규칙을 AI가 읽을 수 있는 형태로 정의. LLM이 초안 생성 후 도메인 전문가 검토
AgentCore 권장 이유: 프레임워크, 대화 맥락 관리, 인증·권한, 외부 도구 연결, 모니터링을 단일 서비스에서 처리
사례 시나리오: "평일 밤 10시 앱 구매 전자제품 15만원 혜택 전부" — 시간·채널·카테고리·금액 다중 조건 동시 처리
CQ Coverage(핵심 질문 답변 가능 비율) 70%는 데모 기준 — 온톨로지는 한 번에 완성하는 게 아닌 지속 개선 프로세스
결론: "AI 도입"이 아니라 "데이터 정비"가 먼저. 모델을 고르는 일은 데이터가 AI에게 말을 걸 수 있는 상태가 된 다음이어도 늦지 않음