AWS가 Amazon Bedrock Managed Knowledge Base를 일반 제공으로 전환하며, 이를 엔터프라이즈 AI 에이전트와 검색 증강 생성 워크로드를 위한 관리형 검색 계층으로 포지셔닝했습니다. 이번 출시는 엔터프라이즈 AI 시스템을 배포할 때 가장 난해한 부분 중 하나인, 흩어진 내부 데이터를 연결하고 혼합 문서 형식을 파싱하며 권한을 적용하고, 팀이 자체적으로 벡터·그래프·오케스트레이션 스택을 조립하지 않아도 신뢰할 수 있는 검색을 구현하는 문제를 겨냥한다는 점에서 중요합니다.

AWS Machine Learning Blog에 따르면, 이 서비스는 개발자가 최소한의 설정으로 지식 베이스를 만들고, 데이터 소스를 연결하며, 수집을 시작할 수 있도록 설계되었습니다. 동시에 나중에 임베딩, 리랭커, 청킹을 세밀하게 조정하고 싶은 팀을 위한 더 깊은 제어도 유지합니다. AWS는 기본값과 관리형 인프라를 통해 흔히 며칠 또는 몇 주 걸리는 과정을 몇 분으로 줄이는 것이 목표라고 말합니다. 이는 벤더의 주장에 해당하지만, 기업들이 AI 데모에서 출발해 근거 있는 답변과 정책 인식 접근을 갖춘 운영 시스템으로 이동하려는 과정에서 실제 시장 압력을 가리킵니다.

AWS가 무엇을 출시했나

이번 발표의 중심에는 Amazon Bedrock Managed Knowledge Base가 있습니다. AWS는 이를 완전 관리형 에이전틱 검색 서비스라고 설명합니다. 실무적으로는 수집, 파싱, 저장, 검색, 접근 제어를 Amazon Bedrock 내부의 AWS 관리 계층 하나로 통합합니다.

회사는 이제 팀이 별도로 벡터 데이터베이스를 준비하거나, 유사도 지표를 결정하거나, 확장 관리를 하거나, 커넥터와 검색 인프라를 조합할 필요가 없다고 말합니다. 대신 이 서비스는 지원되는 소스에서의 수집을 처리하고, 기본 저장소를 자동 관리하며, 단순 검색부터 더 복잡한 다단계 검색까지 위한 검색 API를 제공합니다.

AWS는 이를 엔터프라이즈 검색, 내부 코파일럿, 에이전틱 RAG 시스템을 위한 인프라로 제시합니다. 이 프레이밍이 중요합니다. 이번 발표는 단순히 새로운 검색 기능에 관한 것이 아니라, 특히 에이전트가 회사 문서를 안전하게 가져다 쓰길 원하는 팀을 위해 Amazon Bedrock을 엔터프라이즈 AI 애플리케이션의 엔드투엔드 런타임으로 더 매력적으로 만들려는 AWS의 시도이기 때문입니다.

기본 커넥터 목록은 이번 출시의 주목할 만한 부분입니다. AWS는 현재 Managed Knowledge Base가 Amazon S3, Microsoft SharePoint, Atlassian Confluence, Google Drive, Microsoft OneDrive, Web Crawler용 커넥터를 포함하고 있으며, 지원되지 않는 소스용 직접 수집 API도 제공한다고 밝혔습니다. 이러한 통합은 일반적인 엔터프라이즈 지식 사일로를 포괄하며, 초기 도입에서 마찰이 자주 발생하는 지점이기도 합니다.

왜 검색이 엔터프라이즈 AI의 어려운 부분으로 남아 있는가

AWS의 블로그 글은 많은 팀이 이미 직접 겪어본 운영 부담을 짚고 있어서 유용합니다. 근거가 있는 엔터프라이즈 AI 시스템을 구축하려면 보통 수집 도구, 문서 파서, 저장 엔진, 임베딩 모델, 청킹 전략, 검색 로직을 선택하고, 그 위에 관측성과 보안을 얹어야 합니다. 각각의 선택은 또 다른 통합 지점과 운영 의존성을 만들어냅니다.

Managed Knowledge Base는 이런 결정들을 기본 경로로 압축하려는 AWS의 시도입니다. 회사는 콘솔에서 시작할 때 모델을 따로 선택하지 않아도 되며, 많은 튜닝 결정을 나중으로 미룰 수 있다고 말합니다. 내부 검색이나 질의응답 도구를 빠르게 출시해야 하는 제품팀에게는 이것이 이번 출시에서 가장 가치 있는 부분일 수 있습니다.

AWS는 또한 혼합 형식 파싱을 강조합니다. 회사에 따르면 이 서비스는 PDF, PPT, PPTX, DOCX 파일과 같은 시각 문서를 최대 500MB까지 처리할 수 있으며, 오디오 파일은 최대 2GB, 비디오 파일은 최대 10GB까지 지원합니다. 시스템이 표, 차트, 다이어그램, 혼합 레이아웃, 미디어에 대해 자동으로 파싱 전략을 선택한다고도 밝힙니다. 이 기능이 실제 환경에서 잘 동작한다면, 다양한 엔터프라이즈 콘텐츠 유형마다 별도의 전처리 파이프라인을 유지해야 하는 부담을 줄일 수 있습니다.

회사의 저장소 추상화도 핵심 베팅입니다. AWS는 기반이 되는 벡터 또는 그래프 계층을 직접 관리하게 하기보다, 통합 저장 계층을 자동 프로비저닝하고 자동 확장하며, 키워드 검색과 의미 검색을 결합한 하이브리드 검색을 계속 활성화한다고 말합니다. 이는 데이터베이스 내부를 세밀하게 조정하는 것보다 답변 품질과 거버넌스를 더 중시하는 엔터프라이즈 팀에 매력적일 수 있습니다.

단순 검색과 에이전트 워크플로를 위한 두 가지 검색 경로

AWS는 제품을 두 가지 주요 검색 패턴으로 나누고 있습니다. 첫 번째는 표준 Retrieve API로, 메타데이터와 관련성 점수가 포함된 순위화된 소스 청크를 반환합니다. AWS는 이것이 직접 조회, FAQ 스타일 상호작용, 기타 저지연 시나리오를 위한 것이라고 말합니다.

두 번째는 전략적으로 더 중요합니다. 바로 Agentic Retrieval입니다. AWS는 이 모드가 파운데이션 모델을 사용해 복잡한 질문을 하위 쿼리로 분해하고, 하나 이상의 지식 베이스를 검색하며, 결과가 충분한지 평가하고, 필요하면 추가 검색 라운드를 수행한다고 설명합니다. 또한 관리형 오케스트레이션 모델 또는 Amazon Bedrock에서 이용 가능한 다른 모델을 사용해 최종 응답을 합성할 수도 있다고 합니다.

이 설계는 더 넓은 시장 변화와 맞닿아 있습니다. 기업은 이제 AI 에이전트가 단일 문단을 가져오는 것 이상을 하길 원합니다. 정책을 비교하고, 여러 문서의 내용을 종합하며, 저장소 전반에 걸친 다단계 추론 체인을 따라가는 시스템을 원합니다. AWS가 이 오케스트레이션을 충분히 신뢰할 수 있게 만든다면, Amazon Bedrock은 단순한 모델 접근 계층이 아니라 실용적인 에이전트 플랫폼으로서 더 강한 입지를 갖게 됩니다.

다만 “agentic retrieval”은 신중하게 읽어야 합니다. AWS는 계획, 검색, 평가의 루프를 설명하며, 기본적으로 최대 5회의 검색 라운드를 둔다고 말합니다. 이는 종이 위에서는 더 강력한 검색을 뜻하지만, 동시에 지연, 비용, 실패 가능성을 높이는 더 많은 구성 요소를 의미하기도 합니다. 회사는 인용된 자료에서 검색 품질, 지연 시간, 비용을 대체 스택과 비교한 독립 벤치마크를 제공하지 않았습니다.

보안과 엔터프라이즈 제어가 핵심이다

이번 출시에서 가장 강한 엔터프라이즈 측면은 보안과 권한 처리입니다. AWS는 Managed Knowledge Base가 검색 전 ACL 필터링 외에도 실시간 ACL 검사를 사용한다고 말합니다. 회사에 따르면 사전 필터링된 문서는 API 호출 동안만 임시적이며, 대규모 언어 모델이나 사용자에게 보이지 않습니다.

이 아키텍처가 중요한 이유는 오래된 권한 매핑이 엔터프라이즈 검색과 RAG 시스템에서 흔한 문제이기 때문입니다. 검색 계층이 현재 소스 권한을 반영하지 않은 채 콘텐츠를 인덱싱하면, 직원이 접근하면 안 되는 자료를 보게 될 수 있습니다. AWS는 쿼리 시점 검사가 오래된 복제 ACL 데이터가 아니라 권위 있는 원본 소스를 기반으로 한다고 말합니다.

암호화도 메시지의 일부입니다. AWS는 데이터가 전송 중과 저장 시 모두 AWS KMS 키로 암호화되며, AWS 관리 키 또는 고객 관리 키를 사용할 수 있다고 밝혔습니다. 이것이 데이터 거주성, 감사 가능성, 모델 동작에 대한 구매자 우려를 모두 없애주지는 않겠지만, 이미 AWS 중심으로 구성된 엔터프라이즈 AI 배포의 조달 요구사항과는 잘 맞습니다.

기업 구매자에게 이것이 진짜 구매 논리가 될 수 있습니다. 이미 신뢰하는 소스 시스템 가까이에서 접근 제어가 적용된 근거 있는 검색을 더 적은 노력으로 구현할 수 있다는 점입니다.

증거, 고객 주장, 그리고 아직 검증되지 않은 점

이 이야기의 근거는 거의 전적으로 AWS가 통제하는 출처, 특히 AWS 보도와 AWS Machine Learning Blog에서 나옵니다. 즉, 설정 시간, 검색 품질, 규모, 고객 사용에 대한 가장 유리한 주장들은 독립적으로 확인되지 않는 한 벤더 보고로 봐야 합니다.

AWS는 Syngenta Group과 MRH Trowe의 고객 발언을 포함했습니다. Syngenta Group의 한 임원은 회사가 Bedrock Managed Knowledge Bases를 사용해 직원들이 SharePoint와 Confluence 데이터를 활용하여 내부 검색과 에이전틱 RAG 애플리케이션을 위한 지식 베이스를 수요에 따라 만들 수 있다고 말했습니다. MRH Trowe는 이 제품을 영어와 독일어 콘텐츠 전반에 걸쳐 Confluence와 SharePoint의 수천 개 문서를 아우르는 내부 AI 코파일럿에 사용하고 있다고 밝혔습니다.

AWS는 또한 OpenAI에 귀속된 발언을 포함해, Bedrock Managed Knowledge Bases의 RAG 기능을 사용해 수백만 명의 사용자에게 적절한 고객 컨텍스트로 추론과 모델 응답을 대규모로 근거화하고 있다고 전했습니다. 이는 발표에서 가장 눈길을 끄는 채택 신호이지만, 소스 자료에는 배포 세부사항, 범위, 시점, 독립 검증이 없습니다. 제시된 형태로는 벤더가 게시한 고객 인용문일 뿐, 보도된 파트너십 프로필은 아닙니다.

출시 자료에서 빠진 내용도 중요합니다. AWS는 인용된 증거에서 제3자 벤치마크 데이터, 자체 관리형 검색 스택과의 직접 비교, 명확한 가격 예시를 제공하지 않았습니다. Amazon Bedrock을 경쟁 옵션과 비교하는 개발자에게는 이러한 누락이 총비용, 튜닝 유연성, 엔터프라이즈 워크로드에서의 실제 검색 품질에 대한 질문을 남깁니다.

이것이 개발자와 엔터프라이즈 팀에게 의미하는 것

AI 개발자에게 이번 출시는 초기 제품 개발에서 필요한 인프라 작업을 크게 줄여줄 수 있습니다. 내부 코파일럿, 워크플로 보조 도구, AI 에이전트를 만드는 팀은 프롬프트나 애플리케이션 로직보다 수집과 권한 설정에 더 많은 시간을 쓰는 경우가 많습니다. Amazon Bedrock 내부의 관리형 경로는 더 빠른 프로토타이핑을 가능하게 하고, 아키텍처의 더 많은 부분을 하나의 클라우드 계약 안에 유지하게 해줄 수 있습니다.

엔터프라이즈 아키텍트에게는 익숙한 트레이드오프입니다. 관리형 서비스는 운영 부담을 줄이지만, 고급 팀이 직접 통제하고 싶어 하는 구현 세부사항도 추상화합니다. 일부 기업은 벡터 스토어를 선택하거나 튜닝하지 않아도 되는 점을 반길 것입니다. 다른 기업은 특히 이미 맞춤형 RAG 인프라를 사용 중이라면, 검색 데이터베이스, 인덱싱, 청킹 파이프라인, 리랭킹 스택을 명시적으로 제어하길 원할 수 있습니다.

Microsoft SharePoint, Atlassian Confluence, Google Drive, Microsoft OneDrive, Amazon S3 지원은 이 제품을 내부 지식 검색 프로젝트에 즉시 유용하게 만듭니다. Web Crawler 옵션은 이를 비공개 저장소 밖으로 확장해, 내부 정보와 공개 정보를 함께 필요로 하는 에이전트에 유용할 수 있습니다. 하지만 구매자는 여전히 노이즈가 많은 문서, 다국어 코퍼스, 도메인 특화 용어를 서비스가 얼마나 잘 처리하는지 테스트해야 합니다.

시장 측면에서 AWS는 엔터프라이즈 AI 인프라가 개별 포인트 도구의 집합보다 관리형 애플리케이션 플랫폼처럼 보여야 한다는 주장을 강화하고 있습니다. Amazon Bedrock이 더 많은 기능을 흡수할수록, 독립 검색 벤더가 단순한 편의성만으로 경쟁하기는 더 어려워집니다. 이것이 AWS가 품질이나 가격에서 반드시 이긴다는 뜻은 아니지만, 더 넓은 RAG 생태계에 대한 압박은 커집니다.

앞으로 주목할 점

다음에 주목할 신호는 수사보다 실용적인 것들입니다. 첫째는 가격 명확성입니다. 수집, 검색, 에이전트 오케스트레이션을 포함했을 때 Managed Knowledge Base가 전체 배포 비용을 낮출 수 있을까요? 둘째는 검색 품질입니다. AWS는 Agentic Retrieval이 실제 엔터프라이즈 업무에서 어떻게 작동하는지 보여주는 참조 아키텍처, 벤치마크 데이터, 또는 독립 사례 연구가 필요할 것입니다.

셋째는 커넥터 확장이 중요합니다. 현재 목록은 유용하지만, 엔터프라이즈 데이터는 보통 여섯 곳에만 존재하지 않습니다. 넷째는 거버넌스 기능이 핵심 전장이 될 가능성이 큽니다. 감사 추적, 정책 제어, 실패한 검색 체인용 디버깅 도구 등이 포함됩니다. 마지막으로 AWS가 이 서비스를 Amazon Bedrock 전반의 AI 에이전트를 위한 더 넓은 표준 계층으로 만들지, 아니면 독립적인 검색 기능으로 남겨둘지 지켜볼 필요가 있습니다.

Creati.ai의 시각

이번 출시는 엔터프라이즈 AI의 실제 병목을 다룹니다. 검색 인프라는 여전히 지나치게 파편화되어 있어 대부분의 제품팀이 빠르게 운영 가능하게 만들기 어렵습니다. AWS는 수집, 권한, 파싱, 저장, 다단계 검색을 Amazon Bedrock 안에 패키징함으로써, 근거 기반 엔터프라이즈 AI를 맞춤 통합이 아니라 기본적으로 배포 가능한 형태로 만들려 하고 있습니다.

남는 질문은 편의성이 안정적인 성능으로 이어질 수 있느냐는 것입니다. 엔터프라이즈 구매자는 단지 설정이 쉽다는 이유만으로 관리형 검색 계층을 채택하지 않습니다. Amazon Bedrock이 지저분한 현실 조건에서도 일관된 관련성, 올바른 접근 제어, 허용 가능한 지연 시간을 제공할 수 있다는 증거를 원할 것입니다. AWS가 이를 보여준다면, Managed Knowledge Base는 대기업 내 AI 에이전트를 위한 가장 중요한 인프라 구성 요소 중 하나가 될 수 있습니다.