AWS, 2026년 9월 AI 빌더를 위한 베드록, 에이전트코어, 스트랜즈 업데이트 발표

주요 업데이트 개요

AWS는 2026년 9월 아마존 베드록, 에이전트코어, 스트랜즈 전반에 걸쳐 AI 빌더를 위한 업데이트를 발표했다. 이번 업데이트는 모델 선택의 폭을 넓히고, 에이전트 운영의 효율성과 측정 가능성을 높이며, AI 애플리케이션을 최신 비즈니스 정보와 직접 연결하는 데 중점을 둔다. 이는 기업 AI 구축을 위한 모델, 런타임, 툴링 등 모든 계층에서 개발자에게 실질적인 선택권을 제공하려는 AWS의 전략을 반영한다.

특히, 아마존 베드록은 선도적인 최신 모델에 대한 접근성을 확장하여 AI 애플리케이션을 안전하게 구축하고 확장할 수 있도록 지원한다. 에이전트코어는 모든 프레임워크나 모델을 사용하여 엔터프라이즈 에이전트를 구축, 연결 및 배포하기 위한 관리형 인프라를 제공하며, 스트랜즈는 에이전트를 구축하고 어디서든 실행할 수 있는 오픈 소스 툴킷을 제공한다.

변화의 배경과 맥락

AI 모델의 역량이 향상되고 모델 선택지가 다양해지면서, 업계의 논의는 모델 성능을 넘어 비용 대비 효용성으로 확장되고 있다. 특히 프로덕션 환경에서 에이전트에 작업을 위임할 때 이러한 결정은 중요하게 작용한다. AI 에이전트는 이미 기업 지식을 추론하고, 장기적인 작업을 수행하며, 보안, 정확성, 거버넌스가 중요한 시스템에서 작동하는 워크플로우에 통합되고 있다.

이에 따라 초점은 모델 자체를 넘어 에이전트가 접근할 수 있는 컨텍스트, 수행할 수 있는 작업, 기업 데이터의 거버넌스 및 보호 방식 등 주변 시스템 전반으로 이동하고 있다. 이번 9월 업데이트는 이러한 기반을 강화하기 위해 새로운 기능을 추가하여 모델 선택을 확대하고, 에이전트 운영을 더욱 효율적이고 측정 가능하게 만들었으며, AI 애플리케이션을 최신 비즈니스 정보와 직접 연결하는 방법을 제공한다.

에이전트 운영 효율성

아마존 베드록 관리형 에이전트(Amazon Bedrock Managed Agents)는 이제 OpenAI 모델을 지원하며 퍼블릭 프리뷰로 제공된다. 이를 통해 개발자는 AWS 내에서 데이터를 유지하고 기존 AWS IAM 권한을 재사용하며 AWS 클라우드트레일(CloudTrail)을 통한 완전한 감사 기능을 유지하면서 프로덕션 준비가 된 AI 에이전트를 구축할 수 있다. 영구 세션과 내장된 휴먼 승인 워크플로우는 개발 오버헤드를 줄이고 위험을 완화하는 데 기여한다.

에이전트코어 런타임의 최신 버전은 서버리스 에이전트의 메모리 관리 효율성을 높이고 콜드 스타트 지연 시간을 단축하여 인프라 오버헤드를 줄인다. 이는 피크 메모리가 아닌 실제 사용량에 따라 비용을 지불하는 종량제(pay-as-you-go) 방식으로 에이전트를 더 낮은 비용으로 더 빠르게 실행할 수 있게 한다. 유휴 시 세션은 0으로 스케일 다운되며, 하드웨어 격리 환경에서 실행되어 보안을 강화한다.

스트랜즈 하네스(Strands harness)는 새로운 오픈 소스 에이전트 하네스로, 토큰 사용량을 28% 줄이면서도 인기 있는 하네스와 동등한 정확도를 제공한다. 개발자는 단 한 줄의 파이썬 또는 타입스크립트 코드로 내장된 컨텍스트 관리, 프롬프트 캐싱, 메모리 기능을 갖춘 프로덕션 준비 에이전트를 구축하고 어디든 배포할 수 있다.

스트랜즈 디사이더 2B(Strands Decider 2B)는 20억 개 파라미터의 소형 오픈 소스 의사결정 모델이다. 이 모델은 텍스트를 생성하는 대신 미리 정의된 옵션 중에서 선택하며, 로컬에서 약 115밀리초 만에 응답을 제공한다. 도구 선택, 라우팅, 가드레일과 같은 에이전트 AI 작업에 최적화되어 있으며, 모든 코드, 데이터, 가중치는 깃허브(GitHub)와 허깅 페이스(Hugging Face)에서 이용 가능하다.

확장된 모델 선택권

아마존 베드록은 OpenAI의 아스트라(Astra), 솔(Sol), 루나(Luna) 모델을 정식 출시하여 일상적인 작업에 더 넓은 선택지를 제공한다. GPT-6 아스트라는 최대 100만 개의 입력 토큰을 지원하며 복잡한 의사결정, 문서 분석, 소프트웨어 개발에 깊이 있는 추론을 제공하는 플래그십 모델이다. GPT-6 아스트라 울트라패스트(Ultrafast)는 아스트라의 프리미엄 속도 계층으로, API에서 최대 6배 빠른 추론 속도와 초당 최대 300개의 토큰을 제공한다.

솔 모델(GPT-6.1 Sol, GPT-6 Sol)은 코딩, 컴퓨터 사용, 자주 실행되는 전문 워크로드에 아스트라에 준하는 지능을 제공한다. GPT 6.1 루나(Luna)는 추출, 요약, 분류, 라우팅과 같은 대량 작업에 최적화되어 있다. 이들 모델은 워크로드 전반에서 지능, 지연 시간, 비용의 균형을 맞추는 데 도움을 준다.

클로드(Claude) 모델 선택지에는 코딩 및 과학 연구 작업을 발전시킬 최신 버전이 포함된다. 클로드 페이블 5.1(Claude Fable 5.1)은 코딩, 과학 연구, 엔터프라이즈 워크플로우를 위한 옵션을 확장한다. 클로드 오푸스 5.5(Claude Opus 5.5)는 에이전트 코딩, 지식 작업, 장기 실행 작업에 적합하며, 작업에 필요한 추론량을 측정하는 적응형 사고와 추론 깊이의 상한을 설정하는 노력(effort) 매개변수를 사용한다. 클로드 소네트 5.5(Claude Sonnet 5.5)는 클로드 소네트 5보다 30% 낮은 작업당 비용과 30% 빠른 속도를 제공하는 더 스마트하고 효율적인 소네트 모델이다.

문샷 AI(Moonshot AI)의 키미 K3(Kimi K3) 모델도 아마존 베드록에서 이용 가능하다. 문샷 AI에 따르면 키미 K3는 2조 8천억 개의 파라미터에 도달한 최초의 오픈 모델이며, 100만 토큰 컨텍스트 창, 네이티브 비전, 내장 프롬프트 캐싱을 통해 이전 버전보다 2.5배 빠르게 스마트 앱을 구축하고 비용을 절감한다. xAI의 최신 모델인 그록 4.6(Grok 4.6)과 그록 4.7(Grok 4.7)은 50만 토큰 컨텍스트 창을 제공하며, 구성 가능한 추론 노력과 자체 검증을 지원하여 장기 실행 작업의 신뢰성을 높인다. 이러한 추가 모델들은 컨텍스트 길이, 지연 시간, 처리량, 비용 등 요구 사항에 맞춰 모델을 선택할 때 더 큰 유연성을 제공한다.

엔터프라이즈 에이전트 제어

아마존 베드록 관리형 지식 기반(Amazon Bedrock Managed Knowledge Base)은 새로운 자동 동기화 스케줄링 기능을 통해 모든 네이티브 데이터 소스 커넥터에 대해 일별, 주별, 월별 새로 고침 옵션을 구성할 수 있도록 한다. 이를 통해 엔터프라이즈 AI 에이전트는 항상 최신 정보를 검색할 수 있다. 또한, 셰어포인트(SharePoint), 원드라이브(OneDrive), 컨플루언스(Confluence)에 대한 사용자 관리형 설정은 필요한 접근 권한이 이미 있는 경우 관리자 관리 서비스 계정에 대한 의존도를 줄인다.

아마존 베드록 관리형 지식 기반은 이제 서비스나우(ServiceNow), 컨플루언스 데이터 센터(Confluence Data Center), 세일즈포스(Salesforce), 젠데스크(Zendesk)를 네이티브 커넥터로 지원한다. 이들 커넥터는 데이터 크롤링, 메타데이터 추출, 증분 동기화를 자동으로 처리하여 지원 콘텐츠, 내부 문서, 운영 지식을 위한 사용자 정의 수집 코드 구축 및 유지 관리 필요성을 줄인다.

개발자 활용 조건 및 제약

이번 업데이트는 개발자가 다양한 모델과 툴킷을 활용하여 AI 에이전트를 구축하고 배포하는 데 필요한 유연성과 효율성을 제공한다. 아마존 베드록 관리형 에이전트의 OpenAI 모델 지원은 기존 AWS 보안 및 감사 기능을 활용하면서 OpenAI 모델을 사용할 수 있게 한다. 에이전트코어 런타임의 개선은 서버리스 에이전트의 운영 비용을 절감하고 성능을 향상시킨다.

스트랜즈 하네스와 디사이더 2B는 오픈 소스 기반으로 개발자가 에이전트의 토큰 효율성과 로컬 의사결정 기능을 최적화할 수 있도록 돕는다. 관리형 지식 기반의 새로운 동기화 및 커넥터 기능은 에이전트가 최신 기업 데이터에 접근하는 과정을 간소화하여, 개발자가 복잡한 데이터 파이프라인 구축 대신 핵심 AI 로직 개발에 집중할 수 있도록 한다. 각 모델의 특성(컨텍스트 길이, 속도, 비용 등)을 고려하여 워크로드에 가장 적합한 모델을 선택하는 것이 중요하며, 스트랜즈 디사이더 2B와 같은 로컬 모델은 특정 의사결정 작업에 대한 지연 시간 및 비용 제약을 해결하는 데 유용하다.