Amazon Bedrock과 Strands Agents SDK를 활용한 운영 에이전트 구축기
글로벌 프로모션 운영 중 장애가 발생하면, 운영자는 장애의 기술적 원인과 실제 고객 영향도를 동시에 파악해야 하는 복잡한 과제에 직면합니다. 시스템 로그에서 에러를 감지하는 것만으로는 부족합니다. 어떤 고객이 혜택을 받지 못했는지, 고객별 피해 수준과 보상 기준은 무엇인지 판별하려면 서비스 로그와 함께 주문, 쿠폰, 가격 데이터 등 다양한 비즈니스 도메인 데이터를 연계해 분석해야 하기 때문입니다.
CJ올리브영은 이러한 운영 분석 업무를 자동화하기 위해 두 가지 AI 에이전트를 구축했습니다. 인시던트 분석 에이전트는 장애 발생 시 원인과 고객 영향도를 분석하여 맞춤형 보상안 후보까지 정리해 줍니다. 데일리 헬스 체크 에이전트는 매일 축적되는 운영 데이터를 정기적으로 모니터링하여 이상 징후를 선제적으로 감지하고 점검 리포트를 전달합니다.
구현에는 Amazon Bedrock의 Claude와 Strands Agents SDK를 사용하고, 에이전트는 Amazon Bedrock AgentCore Runtime에서 실행합니다. 개발 과정에서는 AI-DLC(AI-Driven Development Lifecycle)를 활용해 업무 요구를 구현 단위와 검증 항목으로 정리했습니다.
이 글에서는 두 에이전트를 구축하며 계산·판정(코드)과 해석(AI 추론) 단계를 분리한 아키텍처와 그 이유, 실제 운영 점검에서 겪은 오탐을 해결한 과정, 그리고 이러한 변화가 운영 방식을 어떻게 바꿨는지 공유합니다.
CJ올리브영 소개와 글로벌 사업 확대
2026년 5월, CJ올리브영은 미국 전용 온라인몰과 패서디나에 첫 매장을 열었습니다. 개점 후 3일 동안 관련 SNS 콘텐츠가 1,000건 이상 생성되고 800만 회 이상 조회됐습니다(CJ Newsroom 공식 발표). 온라인과 오프라인에서 고객 접점이 확대되면서 글로벌 프로모션 시스템의 안정적인 운영도 중요해졌습니다.
그림 1. CJ올리브영 매장 개점 행사, 매장 내부, 피부 측정 체험, 온라인몰 화면
미국 진출로 운영 시간대도 넓어졌습니다. 현지 프로모션 시간과 한국 담당자의 근무 시간이 겹치지 않는 구간에서는 오류를 바로 확인하기 어려웠습니다. 기존에는 장애가 발견되면 운영 담당자가 상황을 확인하고, 개발 담당자를 찾아 분석을 요청한 뒤, 그 결과로 보상안을 산정하고 실행했습니다. 원인과 고객 영향 분석이 개발 담당자에게 달려 있어, 시차 구간에 장애가 나면 한국의 개발자를 깨워 확인을 요청할 수밖에 없었습니다.
그래서 담당자가 여러 도구를 열어 데이터를 모으는 작업을 줄이고, 점검 결과를 지속적으로 확인할 방법이 필요했습니다. 무엇보다 개발자의 분석을 기다리지 않고도 운영 담당자가 근거를 확인해 바로 보상안을 결정할 수 있어야 했습니다.
로그에서 고객 영향까지 연결하기
기존 인시던트 분석은 담당자가 Datadog에서 로그와 애플리케이션 성능 모니터링(APM) 정보를 확인한 뒤, 관련 업무 데이터를 조회하고 분석 근거를 문서나 스프레드시트에 정리하는 방식이었습니다.
MCP(Model Context Protocol)로 Datadog에 연결한 AWS DevOps 에이전트는 로그와 모니터링 데이터를 활용해 장애 분석을 지원할 수 있습니다. 다만 프로모션 업무에서는 고객이 실제로 혜택을 받지 못했는지, 그 금액은 얼마인지까지 확인해야 합니다. 이를 위해 쿠폰, 주문, 가격 데이터를 업무 규칙에 따라 대조해 고객 영향을 산정하고, 운영자의 보상안 검토를 지원할 수 있어야 했습니다.
그림 2. 쿠폰 사용 실패의 원인과 고객 영향을 분석해 보상 검토 근거를 정리하는 과정
예를 들어 쿠폰 사용 실패를 분석한다면 다음 질문에 답할 수 있어야 합니다.
실제로 오류가 발생한 시간은 언제인가?
해당 이슈는 네트