Trovata, Amazon Bedrock과 AgentCore에서 자율형 재무 에이전트 구축
Trovata는 AWS에서 거버넌스가 적용된 AI 에이전트를 재무 업무 흐름에 배포하고 있으며, 이를 통해 재무팀이 기업 액세스 제어를 유지하면서 보고를 자동화할 수 있음을 보여준다.
Trovata는 Amazon Bedrock과 Amazon Bedrock AgentCore를 사용해 반복적인 기업 재무 업무를 지속적이고 자동화된 워크플로로 전환하고 있다고 AWS의 새로운 사례 연구가 전했다. 이 플랫폼은 은행 데이터에 대한 자연어 접근 기능과 함께 현금 활동을 모니터링하고 이상 징후를 조사하며 기존 역할 기반 권한 아래에서 업데이트를 제공하는 에이전트를 결합한다.
이번 발표가 중요한 이유는 재무 운영이 여전히 분산된 은행 포털, 스프레드시트, 레거시 재무관리시스템에 크게 의존하기 때문이다. Trovata의 접근 방식은 질문에 답하는 AI 어시스턴트를 넘어선다. 에이전트는 일정, 트리거 또는 규칙에 따라 실행되며 기업의 재무 운영체제 안에서 지속적으로 작동할 수 있다.
AWS는 이 배포를 기업용 소프트웨어 제공업체가 규제된 금융 업무 흐름에 에이전트형 AI를 배치할 수 있는 사례로 제시한다. 그러나 현재 이용 가능한 근거는 AWS와 Trovata의 자체 설명에서 나온 것이다. 사례 연구에 인용된 고객 절감액, 도입률, 성능 수치는 벤더가 보고한 것이며 독립적으로 검증되지 않았다.
재무 데이터 집계에서 자율형 워크플로로
Trovata는 1만 개가 넘는 은행에 직접 연결되는 AI 네이티브 현금·유동성 관리 플랫폼이라고 설명한다. 이 시스템은 현금 보고, 예측, 분석, 자금 이동을 하나의 클라우드 환경으로 통합해 재무팀이 수많은 은행 웹사이트의 정보를 대조할 필요를 줄인다.
AWS에 따르면 Trovata는 2023년에 재무 업무를 위해 설계된 생성형 AI를 도입했다. 이후 정적인 인사이트 제공에서 동일한 플랫폼에 내장된 자율형 에이전트 지원으로 확장했다. 이 차이는 제품 설계의 핵심이다. AI는 재무 객체와 검증된 데이터 인터페이스에 연결되어 있으며, 기존 애플리케이션 위에 배치된 범용 챗봇으로 작동하지 않는다.
플랫폼에는 여러 은행 데이터에 대해 자연어로 질문할 수 있는 Trovata AI Chat이 포함된다. 재무 사용자는 과거 특정 날짜의 모든 계정에 대한 순현금 포지션을 물을 수 있고, 시스템은 Trovata의 API 계층을 통해 관련 정보를 가져와 보안 환경 안에 결과를 표시한다.
AI Insights라는 두 번째 계층은 이상 징후를 식별하고 차이를 설명하며 추세를 드러내도록 설계됐다. AI Agents 구성요소는 이러한 기능을 반복적인 워크플로로 전환한다. 에이전트는 활동을 모니터링하고 변화를 조사하며 팀원이 매일 같은 분석을 반복하지 않아도 보고서를 보낼 수 있다.
Trovata는 에이전트의 행동과 범위를 정의하기 위한 Agent Builder-Configurator도 제공한다. 기업용 역할 기반 액세스 제어는 에이전트가 자신이 지원하는 사용자와 워크플로와 동일한 권한 경계를 상속하도록 설계됐다.
Amazon Bedrock과 AgentCore의 역할
AWS는 Trovata가 세 가지 주요 이유로 자사 클라우드 플랫폼을 선택했다고 설명한다. 실시간 실행을 위한 서버리스 인프라, 모델 추론을 위한 Amazon Bedrock, 오케스트레이션과 보안을 위한 Amazon Bedrock AgentCore다. 사례 연구는 사용된 모든 모델을 밝히지 않았고 인프라 비용의 완전한 내역도 제공하지 않는다. 따라서 이 아키텍처는 완전히 재현 가능한 배포 사양이라기보다 제품 패턴으로 이해해야 한다.
Amazon Bedrock은 자연어 이해와 생성에 사용되는 대규모 언어 모델 추론을 제공한다. AgentCore는 자율형 워크플로를 위한 런타임 및 오케스트레이션 계층을 제공한다. AWS는 AgentCore를 역할 기반 제어와 대규모 배포를 지원할 수 있는 기업 에이전트용 격리 환경으로 설명한다.
실질적인 역할 분담은 구축자에게 중요하다. Trovata의 애플리케이션은 은행 시스템에 연결하고 검증된 재무 데이터를 노출하는 책임을 계속 맡는다. AgentCore는 작업과 워크플로 실행을 조정하고, 권한은 에이전트가 볼 수 있거나 수행할 수 있는 일을 제한한다. 이 방식은 언어 모델이 금융 시스템에 제한 없이 호출을 보내는 위험을 줄인다.
이 아키텍처는 운영 환경의 에이전트 시스템에 대한 AWS의 broader 권고도 반영한다. 모든 도구와 판단을 하나의 거대한 에이전트에 넣기보다 전문적인 책임을 분리하라는 것이다. 관련 참조 아키텍처에서 AWS는 데이터, 모델 추론, 오케스트레이션, 보안, 애플리케이션 제공, 관측 가능성, 지속적 평가를 별도 계층으로 둘 것을 권장한다. 이것이 Trovata가 각 계층을 정확히 동일하게 구현했다는 증거는 아니지만 AWS가 사례 연구에서 강조하는 설계 선택의 맥락을 제공한다.
Trovata의 성과를 뒷받침하는 근거
AWS는 Trovata 고객이 연간 환산 기준 100만 달러 이상의 비용을 절감하고, 회계팀별로 하루 5시간 이상을 절약했으며, 연간 TMS 비용을 77% 낮추고, 재무 보고 시간을 수시간 또는 수일에서 1분 미만으로 단축했다고 보고한다.
이 수치가 대표적이라면, 현금 의사결정을 내리기 전에 재무 인력이 데이터를 수집하고 조정하는 데 많은 시간을 쓰는 기업에 특히 의미가 있다. 그러나 사례 연구는 고객별 방법론, 기준선 정의, 표본 규모, 주장에 대한 독립적 검증을 제시하지 않는다. 따라서 이를 모든 재무 배포에 적용되는 일반적인 벤치마크가 아니라 보고된 결과로 봐야 한다.
가장 확실하게 확인되는 근거는 아키텍처다. AWS는 Amazon Bedrock, AgentCore, 서버리스 AWS 인프라, Trovata의 은행 연결, 자연어 질의, 자동화된 인사이트, RBAC로 보호되는 에이전트의 사용을 문서화한다. 또한 에이전트가 응답을 생성하기 전에 Trovata의 검증된 API 계층을 통해 데이터를 가져오는 과정도 설명한다.
이 API 경계는 대화형 인터페이스보다 더 중요할 수 있다. 금융 운영의 정확성은 모델의 언어 출력뿐 아니라 기초가 되는 잔액, 거래, 계정 데이터가 최신이고 올바르게 범위가 제한되며 추적 가능한지에 달려 있다. 통제된 데이터 경로가 있으면 제품팀은 개방형 응답에 의존하지 않고 알려진 재무 객체를 기준으로 에이전트를 테스트할 수 있다.
AI 구축자와 구매자에게 의미하는 것
구축자에게 Trovata의 사례는 어시스턴트 기능에서 운영 자동화로 나아가는 경로를 보여준다. 채팅 인터페이스는 데이터 접근을 쉽게 만들 수 있지만, 수작업을 없애는 것은 반복형 에이전트다. 유용한 단위는 단순한 프롬프트와 응답이 아니라 일정, 트리거, 데이터 소스, 권한 모델, 전달 방식을 가진 제한된 워크플로다.
이 모델은 엔지니어링 부담도 바꾼다. 팀은 어떤 작업이 읽기 전용인지, 어떤 작업이 기록을 변경하거나 자금 이동을 시작할 수 있는지, 어떤 작업에 승인이 필요한지 정의해야 한다. 에이전트 결정에 대한 감사 추적, 실패하거나 모호한 작업을 위한 제어, 금융 데이터에 대한 근거성과 정확성을 측정하는 평가 방법도 필요하다. AWS의 별도 기업 참조 아키텍처는 관측 가능성, 비용 추적, 안전성 점검, 지속적 평가를 나중에 추가할 기능이 아니라 운영 환경의 요구사항으로 권장한다.
기업 구매자는 에이전트가 오래된 은행 데이터, 누락된 계정, 상충하는 잔액, 비정상 거래를 어떻게 처리하는지 물어야 한다. 또한 권한이 계정, 법인, 워크플로 수준에서 적용되는지, 플랫폼이 설명의 근거를 보여줄 수 있는지 확인해야 한다. Trovata가 제시한 RBAC 접근법은 문제의 중요한 부분을 다루지만, 제공된 사례 연구는 상세한 감사, 승인, 오류 복구 동작을 공개하지 않는다.
경쟁 측면에서 재무 소프트웨어 제공업체는 대시보드만이 아니라 내장 자동화로 경쟁하게 될 가능성이 커진다. 유동성을 지속적으로 모니터링하고 변화를 설명할 수 있는 플랫폼은 수동 보고 도구의 가치를 낮출 수 있다. 동시에 에이전트가 지급 또는 자금 이동 업무에 가까워질수록 구매자는 신뢰성과 통제력을 입증할 수 있는 벤더를 선호할 가능성이 높다.
AWS의 다른 AgentCore 사례 연구도 이러한 패턴을 뒷받침한다. Tata Consultancy Services는 자동화된 테스트 플랫폼에 전문 에이전트와 테넌트 격리를 사용했고, Greenlight Financial은 Luna 시스템이 인간의 개입 없이 매월 최대 4,000건에 이르는 보안·위험 사례의 90% 이상을 해결했다고 보고했다. 이 결과 역시 벤더 보고이지만, 사례들을 종합하면 AWS가 AgentCore를 단순한 챗봇 백엔드가 아니라 규제 환경의 멀티 에이전트 시스템을 위한 인프라로 포지셔닝하고 있음을 보여준다.
다음에 지켜볼 것
다음 신호는 Trovata가 실제 운영 사용에 대해 더 많은 정보를 공개하는지 여부다. 여기에는 활성 고객 수, 에이전트 실행량, 실패율, 인간 승인이 필요한 워크플로의 비율이 포함된다. 독립적인 고객 사례가 있다면 반복 가능한 결과와 선별된 성공 사례를 구분하는 데 도움이 될 것이다.
제품팀은 자율형 재무 에이전트가 모니터링과 보고를 넘어 지급 준비, 현금 이체, 예측 기반 의사결정 같은 통제된 작업으로 안전하게 확장할 수 있는지도 지켜봐야 한다. 이러한 역량은 승인, 직무 분리, 감사 가능성, 사고 대응에 대한 요구 수준을 높인다.
AWS 측에서는 AgentCore의 런타임, 아이덴티티, 정책, 메모리, 평가 기능이 발전하는 모습이 기업이 운영 스택의 어느 정도를 표준화할 수 있는지 보여줄 것이다. 재무 벤더가 지연시간, 신뢰성, 비용을 절충하는 가운데 모델 선택, 추론 비용, 워크플로를 다시 설계하지 않고 모델을 바꿀 수 있는 능력은 계속 중요하다.
Creati.ai의 관점
Trovata의 사례가 주목받는 이유는 재무 소프트웨어에 대화형 계층을 추가했기 때문이라기보다 AI를 항상 작동하는 운영 구성요소로 취급하기 때문이다. 검증된 API, 예약 실행 에이전트, RBAC의 조합은 무제한 자동화보다 신뢰할 수 있는 기업 패턴을 제시한다. 에이전트는 범위, 데이터, 권한이 명확할 때 유용하다.
보고된 절감 효과가 다양한 은행 환경과 위험 정책에서도 유지될지는 아직 열린 질문이다. AI 구축자와 기업 구매자가 얻을 교훈은 에이전트 시스템을 단순한 모델 기반 사용자 인터페이스가 아니라 권한, 근거, 복구, 측정 가능한 결과를 갖춘 금융 인프라로 평가해야 한다는 것이다.
