Mackenzie is the Global Startup Evangelist at AWS. His days are spent traveling the globe to meet startups, share their stories, and connect engineering teams together. Every day there are a large number of startups launching on AWS across every imaginable industry. It’s Mackenzie’s mission to find stories of startups that are helping to improve the world and share these stories with a wide audience.
AI 도입은 이제 선택이 아닌 필수가 됐습니다.
그런데 같은 AI를 도입하고도, 누군가는 프로덕션에서 성과를 내고 누군가는 여전히 파일럿에 머뭅니다.
무엇이 이 차이를 만들었을까요?
앞서간 기업들은 순서가 달랐습니다. AI가 '매출'과 '순매출'을 구분하도록 데이터에 비즈니스 맥락을 입혀 AI가 이해할 수 있는 데이터를 갖추고, 그 위에서 에이전트를 데모가 아닌 실제 업무 시스템에 올렸습니다. 좌석(Seat)에서 토큰(Token)으로 바뀐 LLM 비용은 조직 차원에서 관리하고, 사람도 서비스도 아닌 새로운 주체가 된 에이전트의 권한과 보안은 처음부터 설계에 넣었습니다. 나아가 개발자뿐 아니라 비개발 조직까지 자신의 업무 아이디어를 AI 에이전트로 직접 구현하며, 일하는 방식 자체를 바꿨습니다. AWS AI WAVE 2026에서 그 방법과 결과를 직접 들으실 수 있습니다.
이번 행사는 Amazon Bedrock과 AgentCore로 생성형·에이전틱 AI를 실전에 적용하는 데 집중합니다. AI가 이해할 수 있는 데이터 기반을 세우는 법부터, 모든 빌더가 여러 AI 모델을 하나의 계정과 거버넌스 안에서 활용하는 전사 AI 기반, 대규모 학습·서빙 인프라, 수십만 시간 규모의 영상을 검색·분석해 수익으로 잇는 전략까지 다룹니다. 에이전트를 프로덕션에 올릴 때 마주하는 비용·거버넌스·보안 문제도 정면으로 짚습니다. 여기에 Anthropic·OpenAI와 함께 Bedrock에서 Claude와 Codex를 실전에 쓰는 법을 더하고, 아마존은 개발자 경험 개선을 비즈니스 가치로 전환한 프레임워크와 사례를 소개합니다.
이 자리에는 비즈니스 혁신 리더부터 개발 리더·아키텍트까지 400여 명이 3개 트랙 15개 세션에 모입니다. AI의 방향을 정하는 사람과 실제로 구현하는 사람이 한자리에서 같은 사례를 보고 논의한다는 것 — 그래서 우리 조직에 바로 적용할 실행의 힌트를 가져가실 수 있는 자리입니다. 좌석이 한정되어 선착순으로 마감되니, 지금 등록해 주세요.
Agenda (전체보기)
ChatGPT를 통해 많은 분들이 AI를 대화형 도구로 경험했습니다. 이번 세션에서는 그 경험을 출발점으로, 목표를 이해하고 도구를 사용해 실제 업무를 수행하는 에이전트라는 OpenAI의 연구 방향과 비전을 소개하고자 합니다. 특히 텍스트를 넘어 이미지·문서·화면을 이해하는 멀티모달 능력이 컴퓨터에서의 행동과 연결되면서, AI의 역할이 개발을 넘어 비개발 업무로 확장되는 가능성을 살펴봅니다. 기업에는 이미 다양한 소프트웨어가 있지만, 메일을 읽고 자료를 찾고 여러 시스템을 오가며 비교·입력·정리하는 일은 여전히 사람의 손으로 이어지고 있습니다. Codex를 활용한 업무 데모를 통해 이러한 일에 에이전트가 어떻게 도움을 줄 수 있는지 보여드리고자 합니다. 이어 기업이 맡길 업무와 결과의 기준, 권한과 사람의 확인 지점을 정하고, AWS 환경에서 실행·평가·개선을 지속적인 운영으로 연결하는 방향을 제안합니다.
박규태, AI Specialist Solutions Architect, AWS
김정원, Partner AI Deployment Engineer, OpenAI
Business Track | Enterprise AI Transformation
AI 시대, 일하는 방식의 재설계 : 아마존이 증명한 성과 창출의 공식
코드 줄 수를 넘어서: 아마존이 Cost to Serve Software 프레임워크로 AI 개발자 경험을 측정한 방법
Data foundation for AI
Token Economics - 좌석(Seat)에서 토큰(Token)으로, 엔터프라이즈 LLM 비용 관리의 새로운 규칙
Tech Track 1 | Foundation Model의 현재와 미래
AI를 위한 데이터 준비, Semantic Layer로 시작하기
업스테이지와 AWS가 함께 이야기하는 고성능 생성형 AI 모델의 가능성과 대규모 학습 및 서빙 인프라
트웰브랩스의 비디오 이해 모델을 활용한 대규모 비디오 검색/분석 인프라 설계와 에이전트 활용을 통한 영상 수익화 전략
하나의 기능, 하나의 모델을 넘어: AI 중심 회사로 변화하는 당근
Tech Track 2 | Agent를 제대로 만들고, 제대로 쓰는 법
싱글에서 멀티까지, 에이전틱 AI의 컨텍스트 관리
데모를 넘어서: 에이전트를 프로덕션에 올리기까지
Agentic AI 시대를 위한 AWS 그리고 보안
HarnessOps: 에이전트 하네스 평가하고 개선하고 운영하기
** 하단에서 각 세션에 대한 정보를 자세히 확인하실 수 있습니다.
AI도구를 도입한 것이 끝이 아니다, AI와 일하는 방식 워크플로우를 다시 짜라. 현재 기업들이 AI에 큰 투자를 하고도 성과를 창출하지 못한 경우가 많습니다. 반면 Amazon 은 LoB직원들은 스스로 Agent 를 개발하고, 개발자들은 최대 10배의 생산성을 실증했습니다. 차이는 'AI와 일하는 방식의 설계'에 있습니다. 본 세션에서는 AI영향력을 이해하고 기업이 AI로 가속화해야 할것과 보존해야 할것을 제시합니다. 또한 성과를 창출하기 위하여 Amazon 이 실증한 AI와 일하는 방식을 공유합니다. 이를 통해 국내 기업들에게 인사이트를 제공합니다.
맹지선, 수석사업개발담당, AWS
본 세션에서는 AWS가 제시하는 Data Foundation for AI의 세 가지 핵심 기둥 — Open Architecture, Foundational Excellence, Trusted Data for AI — 을 중심으로, AI 시대에 데이터 플랫폼이 왜 핵심 기반인지를 소개합니다. 특히 Agentic AI 환경에서 데이터 접근 수요가 기존 대비 1,000배 이상 증가하는 구조적 변화를 조명하고, 데이터 기반이 갖춰지지 않은 AI 파일럿이 프로덕션으로 전환되지 못하는 근본 원인을 분석합니다. 이를 바탕으로 데이터 파편화, 비용과 스케일, 데이터 신뢰성 및 거버넌스 등 고객이 반드시 고려해야 할 핵심 과제와 해결 방향을 제시하며, 실제 고객 사례와 실용적인 Use Case를 통해 데이터 기반 위에서 AI가 비즈니스 가치를 창출하는 구체적인 방법을 공유합니다.
김준, Korea Data Tech STL, AWS
생성형 AI 도입을 검토하는 기업이 가장 먼저 마주하는 질문은 "우리 데이터를 AI가 이해할 수 있는가?"입니다. 대부분의 기업 데이터는 테이블과 컬럼 이름만으로는 비즈니스 맥락을 파악하기 어렵고, 같은 용어도 부서마다 다른 의미로 사용되고 있습니다. 이런 상태에서 RAG나 Text-to-SQL을 적용하면 AI가 잘못된 해석을 내놓거나 환각(hallucination)을 일으키는 원인이 됩니다. 이 세션에서는 AI가 데이터를 정확하게 이해하고 활용할 수 있도록 Semantic Layer를 구성하는 방법을 소개합니다. 비즈니스 용어 사전(Business Glossary)과 온톨로지(Ontology) 기반의 의미 구조를 데이터 위에 얹어, AI 모델이 "매출"과 "순매출"의 차이를 알고, "고객"이 어떤 테이블의 어떤 컬럼을 가리키는지 스스로 판단할 수 있는 환경을 만드는 과정을 다룹니다.
김세웅, AI Specialist Solutions Architect, AWS
이형석, AI Specialist Solutions Architect, AWS
텍스트를 위한 AI는 이미 자리 잡았지만, 기업이 가진 가장 방대한 데이터인 '영상'은 여전히 잠들어 있습니다. 제조 점검 영상부터 매장 CCTV, 교육 콘텐츠, 미디어 자산까지 — 산업을 막론하고 영상은 쌓여 가지만, 파일명과 태그만으로 그 안의 모든 맥락을 이해하기에는 한계가 있습니다. 영상 이해 모델의 활용은 내부 생산성 향상을 넘어 기업의 새로운 수익화 전략이 될 수 있습니다. 이 세션에서는 트웰브랩스(Twelve Labs)의 비디오 이해 모델(Marengo, Pegasus)을 Amazon Bedrock을 포함한 AWS서비스와 결합해, 수십만 시간 규모의 영상을 자연어로 검색·분석하는 대규모 인프라를 설계하는 법을 소개합니다. 나아가 영상 이해 모델을 신규 비즈니스 수익 모델로 활용하는 산업 전반의 사례와 아키텍처를 함께 설명합니다.
경태훈, M&E Solutions Architect, AWS
송동운, Twelvelabs GTM Lead, APAC, 트웰브랩스
많은 기업이 AI 코딩, 문서화, 업무 자동화 등을 도입하며 AI 혁신을 이야기합니다. 하지만 AI가 실제 제품과 비즈니스 성과로 이어지고, 조직 전반에 확장되며, 이를 지속적으로 뒷받침할 기반까지 갖춰져 있을까요?
당근에서는 AI가 일부 기능이나 특정 팀의 도구, 하나의 모델에 머물지 않습니다. 모든 빌더가 AWS를 기반으로 여러 AI 모델을 하나의 계정과 거버넌스 안에서 용도에 맞게 활용하고, 이를 업무와 개발, 서비스 곳곳으로 확장해 비즈니스의 속도와 결과를 만들어가고 있습니다.
이 세션에서는 AI를 '사용하는 것'을 넘어 조직과 제품의 기반으로 만들어가는 당근의 진짜 AI 혁신 이야기를 소개합니다.
박진현, Solutions Architect, AWS
박민우, Software Engineer, 당근
오래 같이 일한 동료를 믿는 이유는 그 사람이 똑똑해서라기보다, 지난 일을 기억하고 그 경험을 토대로 더 나은 결과를 내기 때문입니다. 요즘 에이전트도 비슷한 방향으로 가고 있습니다. 한 번 쓰고 마는 도구가 아니라, 어제 나눈 대화를 오늘 이어가고 경험을 쌓아서 같이 성장하는 파트너에 가까워지는 거죠. 그런데 이걸 가능하게 하는 건 모델을 더 키우는 게 아닙니다. 기억하고, 긴 맥락에서 요점을 잃지 않고, 필요할 때 다른 도구나 에이전트와 손을 잡는 능력이죠. 이번 세션에서는 2026년 연구가 가리키는 이 방향을 짚어보고, 어제를 기억하고 알아서 연결되는 에이전트가 실제로 어떻게 움직이는지 라이브로 보여드립니다.
김현수, Senior GenAI Specialist Solutions Architect, AWS
소찬호, AI Specialist Solutions Architect, AWS
에이전트가 실험 단계를 지나 실제 업무 시스템으로 들어가기 시작했습니다. 사용자와 호출량이 늘어나면 안정적인 실행 격리, 사용자를 대신한 인증과 권한 위임, 사내 API와 도구를 안전하게 연결하는 계층, 작업 맥락의 유지, 실패를 추적하는 관측성이 곧바로 과제가 됩니다. AWS는 고객과 한 팀이 되어 유스케이스를 좁히고, 함께 만들고, 운영 기준을 세워 이관하는 방식으로 이 과제들을 풀어 왔습니다. 이 세션에서는 그 과정에서 반복해서 마주친 선택들을 비용과 거버넌스 관점까지 포함해 실제 고객 사례와 함께 다룹니다.
류하선, AI Specialist Solutions Architect, AWS
Charlie Chang, Senior GenAI Strategist, AWS
AI 모델의 성능이 고도화되고 Agent 의 능력이 강화되면서, 조직은 새로운 비지니스 기회를 창출하고 생산성을 높이고 있지만 그 이면에는 여전히 보안에 대한 우려 역시 커지고 있는 것이 현실입니다. 이 세션에서는 AWS 에서 AI 의 추론 환경을 어떻게 보호하고 있는지 설명합니다. 또한, 조직에서 Agentic AI 기반 서비스를 도입할 때 보안적으로 참고해야하는 Identity 모범 사례와 함께 AWS Continuum 서비스를 통해 보안의 속도를 Machine Speed 로 끌어올리는 방법에 대해 설명합니다.
신은수, Principal Security Specialist Solutions Architect, AWS
에이전트의 첫 버전을 만드는 일은 쉬워졌습니다. 하지만 프로덕션에서 계속 믿고 맡기려면, 업무에 맞는 하네스를 고르고 또 품질과 비용을 근거로 운영해야 합니다. 이 세션에서는 Claude Code와 Codex의 Headless 실행, Strands Agents 같은 SDK, AgentCore의 관리형 하네스와 Runtime을 살펴보며 기존 기능을 어디까지 활용하고 무엇을 직접 구현할지에 대해 판단하는 기준을 세워볼 수 있습니다. 도구 호출 전과 결과 전달 직전에 검사 지점을 두고, 정책과 코드로 업무 규칙을 지키도록 하는 방법도 다뤄봅니다. 또한 하네스를 처음 구성한 이후에도, 모델과 에이전트의 업무가 바뀌면 지침/지식/도구 구성을 다시 점검해야 합니다. AgentCore Evaluations의 내장/커스텀 평가자와 동일한 골든셋으로 변경 전후를 비교하고, Observability와 Optimization을 연결해 운영 중 이상 감지부터 개선 추천, 재평가, 승인 후 적용까지 이어지는 파이프라인을 살펴 봅니다.
문곤수, Senior AI Specialist Solutions Architect, AWS
김예진, AI Specialist Solutions Architect, AWS
이활석 CTO는 업스테이지 공동창업자이자 CTO (Chief Technology Officer) 로 사내 기술 파트를 전담하고 있습니다. 네이버 Clova Visual AI 리더 출신으로 15년 이상 Computer Vision & AI 경험이 있고 네이버 클로바 OCR 팀 빌딩 및 기술 전면도입에 앞장섰습니다. 글로벌 주요 국제 AI 학회에서 OCR 관련 논문 10편 이상 게재하였으며, 여러 산업체의 수십여 개 기업에서 이활석 CTO 가 연구,개발한 OCR 기반 기술을 사용하고 있습니다. 기술력은 물론 한국/일본 등에서 AI B2B 매출을 달성하고 클로바 램프 개발, 2019 한글날 손글씨 폰트 생성과 같은 B2C 비즈니스를 리딩하는 등 비즈니스 리딩 능력도 탁월한 것으로 알려져있습니다. 현재는 '업스테이지' 에서 'AI Pack' 솔루션을 개발하여 기업이 손쉽게 AI 기술을 도입해 그들의 핵심 비즈니스에 집중할 수 있게 도와주고 있습니다.
김준 수석 Data Tech STL은 AWS 코리아에서 데이터 분야를 담당하고 있다. AWS의 다양한 데이터베이스/분석 서비스를 기반으로 고객의 복잡한 데이터 활용과 비즈니스 가치 창출을 지원하며, 데이터베이스부터 분석, AI까지 아우르는 통합 데이터 플랫폼 전략을 제공하고 있다.
AWS 합류 이전에는 Oracle Korea에서 데이터베이스 엔지니어로 커리어를 시작해 다양한 산업군을 대상으로 기술 지원과 프리세일즈를 담당했으며, 이후 MongoDB Korea의 한국 지사 설립과 성장을 주도했다. RDBMS부터 NoSQL까지 27년 이상의 데이터베이스 경험을 보유하고 있습니다.
