Stripe, 금융 컴플라이언스 AI 에이전트로 검토 시간 26% 단축

AWS 공식 블로그에 따르면 Stripe는 Amazon Bedrock을 활용한 금융 컴플라이언스 AI 에이전트 시스템을 구축해 검토 처리 시간을 26% 줄였다. AWS는 2026년 6월 26일 게시한 글에서 이 시스템이 인간 검토자의 최종 판단을 유지하면서도 96%를 넘는 도움 평가를 기록했다고 밝혔다.

Stripe는 전 세계 50개국에서 연간 1조4,000억 달러 규모의 결제 거래를 처리한다고 설명했다. 결제 인프라 기업의 업무 특성상 컴플라이언스 조직은 금융범죄 위험을 식별하고 완화하기 위해 매일 많은 건의 검토를 수행해야 한다. AWS와 Stripe가 공동 작성한 글은 숙련된 분석가가 여러 시스템을 오가며 자료를 모으는 데 많은 시간을 쓰는 문제가 있었다고 짚었다.

이번 사례의 핵심은 자동화가 최종 판단을 대체하지 않는다는 점이다. Stripe는 복잡한 검토 업무를 작은 하위 질문으로 나누고, 각 질문을 방향성 있는 비순환 그래프 형태로 연결했다. AI 에이전트는 내부 신호와 도구 호출을 활용해 사전 조사와 보조 분석을 수행하지만, 최종 답변과 판단은 인간 검토자가 내리는 구조다.

기술 구현에는 ReAct 방식의 에이전트 프레임워크가 쓰였다. 에이전트는 필요한 신호를 도구 호출로 가져오고, 관찰 결과를 다시 추론 과정에 반영한다. AWS 글은 이 방식이 도구 결과를 꾸며내는 위험을 줄이고, 각 행동과 근거를 감사 가능한 기록으로 남기는 데 도움이 된다고 설명했다.

Stripe는 일반적인 머신러닝 추론 시스템 대신 별도의 에이전트 서비스를 세웠다. 전통적인 ML 추론은 밀리초 단위 응답과 계산 자원 최적화에 맞춰져 있지만, 에이전트형 애플리케이션은 대형 모델 응답과 도구 호출을 기다리는 시간이 길고 실행 시간이 예측하기 어렵기 때문이다. Stripe는 이 전용 서비스가 출시 1년 안에 100개가 넘는 에이전트를 지원하는 기반으로 커졌다고 밝혔다.

Amazon Bedrock은 이 구조에서 여러 기반 모델 접근, 프롬프트 캐싱, 보안·개인정보 요건을 충족하는 통합 계층으로 소개됐다. Stripe는 LLM Proxy를 통해 모델 접근을 표준화하고, 모델 장애나 자원 제약에 대비한 대체 모델, 사용량 모니터링, 비용 예측 체계를 함께 운영한다고 설명했다. AWS 글은 프롬프트 캐싱을 통해 반복되는 프롬프트 접두부 재처리 비용을 줄일 수 있다고 덧붙였다.

금융권의 AI 도입은 단순한 업무 자동화보다 책임성과 감사 가능성이 중요하다. 이번 사례는 에이전트가 검토자의 보조 조사와 맥락 수집을 맡고, 인간이 최종 결정을 유지하는 방식이 규제 산업에서 현실적인 적용 경로가 될 수 있음을 보여준다. 동시에 AI 에이전트를 운영하려면 모델 선택만이 아니라 전용 실행 인프라, 도구 호출 통제, 로그 보존, 비용 계측까지 함께 설계해야 한다는 점도 드러낸다.

출처: AWS Machine Learning Blog https://aws.amazon.com/blogs/machine-learning/production-grade-ai-agents-for-financial-compliance-lessons-from-stripe/
AWS Documentation https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html
AWS Documentation https://docs.aws.amazon.com/bedrock/latest/userguide/prompt-caching.html