젠 디지털, 아마존 베드록 기반 실시간 뉴스 엔진과 노턴 리밴프 출시

실시간 뉴스 엔진 도입

젠 디지털은 아마존 베드록 에이전트코어 웹 검색을 활용해 전문가 평판 관리 플랫폼 '노턴 리밴프'의 인공지능 큐레이션 뉴스 엔진을 구축하고 2026년 3월 정식 출시했다. 소규모 엔지니어 팀이 개발한 이 플랫폼은 생성형 인공지능 기술을 바탕으로 사용자의 목표와 관심 분야에 맞춘 실시간 콘텐츠 추천, 트렌드 분석, 소셜 미디어 게시물 작성을 지원한다. 핵심 기능인 뉴스 엔진은 아마존 베드록의 관리형 웹 검색 기능을 결합하여 모든 콘텐츠 추천과 목표 설정이 최신 웹 정보에 근거하도록 설계되었다.

전문적인 온라인 평판을 관리하려면 지난주 뉴스가 아닌 당일의 최신 흐름에 신속히 대응해야 하지만, 기존 정보 수집 방식에는 여러 제약이 존재했다. 자체 웹 크롤러는 지속적인 유지보수 부담과 수집 지연 문제가 있었고, 외부 뉴스 응용 프로그램 인터페이스는 추가 계약 비용과 함께 아마존 웹 서비스 외부로 데이터가 유출되는 위험이 있었다. 또한 정적 지식 기반 데이터베이스는 최신 정보 반영이 불가능했기에, 인프라 부담이 없고 데이터 유출 위험 없이 실시간 출처와 발행일을 제공하는 관리형 검색 서비스의 도입이 요구되었다.

시스템 구조와 처리 파이프라인

노턴 리밴프에 적용된 에이전트코어 웹 검색은 모델 컨텍스트 프로토콜(MCP) 규격을 준수하는 관리형 커넥터 형태로 게이트웨이에 연동되어 동작한다. 시스템은 사용자 목표와 활동 이력을 바탕으로 아마존 노바 모델이 자연어 검색 질의를 생성하고, 웹 검색 커넥터가 관련 요약문과 출처 링크 및 발행일을 가져오도록 구성했다. 이를 바탕으로 사용자의 목표와 연계된 맞춤형 실시간 뉴스 피드를 제공하며, 분석·정제·게시의 3단계 코칭 흐름을 거쳐 링크드인과 엑스에 게시할 콘텐츠를 생성하고 최근 4주간의 활동 데이터를 바탕으로 주간 목표를 갱신한다.

전체 시스템은 이벤트 기반 아키텍처로 구현되었으며 네 가지 주요 처리 파이프라인을 운영한다. 과거 게시물을 최대 1000개까지 수집하여 저장소에 보관한 뒤 배치 분석하는 전체 스캔, 이벤트 기반 증분 분석인 일일 스캔, 지난 활동과 실시간 트렌드를 결합해 서버리스 환경에서 목표를 만드는 주간 목표 생성, 동기식 모델 호출로 이뤄지는 콘텐츠 코칭 단계가 맞물려 돌아간다. 백엔드는 컨테이너 서비스와 복합 키 패턴을 적용한 다중 테이블 데이터베이스 등을 사용하며, 무중단 배포 방식을 채택했다.

개발 성과와 보안 체계

개발팀은 제품 구현뿐 아니라 개발 과정 전반에 생성형 인공지능을 도입해 기능 구현 속도를 기존 대비 3배 단축했다. 상용구 코드 생성은 90퍼센트, 문서화는 80퍼센트, 단위 테스트 작성은 70퍼센트 가속되었으며, 사용자 화면 구성 코드의 70퍼센트를 인공지능으로 생성해 화면 디자인에서 시제품 제작까지 걸리는 시간을 몇 주에서 수 시간으로 줄였다. 또한 자동화된 테스트 생성으로 85퍼센트의 코드 커버리지를 확보했으며, 출시 이후 99.9퍼센트의 가동률을 유지하며 인공지능 생성 결과물의 품질을 실시간 감시하고 있다.

제품의 신뢰성을 확보하기 위해 인공지능과 인간 엔지니어의 역할 분담을 명확히 설정했다. 시스템 아키텍처 결정, 보안 검토, 비즈니스 로직, 개인화 알고리즘은 인간 엔지니어가 직접 설계하고 관리했으며, 인공지능은 코드 작성, 리팩터링, 컴포넌트 생성 등 실행 작업을 보조했다. 보안 측면에서는 정적 코드 분석, 의존성 취약점 점검, 사용자 데이터 암호화와 더불어 모델 출력 검증과 콘텐츠 필터링을 수행했고, 인공지능이 식별한 보안 추천 사항에 대해서도 인간 보안팀이 최종 결정을 내리도록 구성했다.

도입 조건과 운영 한계

실시간 웹 검색을 결합한 인공지능 서비스를 안정적으로 운영하기 위해서는 몇 가지 기술적 제약과 상충 관계를 고려해야 한다. 개발팀이 밝힌 바에 따르면 인공지능이 생성한 결과물을 검토하고 검증하는 데 전체 개발 시간의 20에서 30퍼센트가 소비되는 비용이 발생했다. 또한 검색 정확도를 높이기 위한 질의 프롬프트 엔지니어링이 필수적이며, 반복 호출을 방지하기 위한 생존 시간 기반 캐싱 전략과 출처 권위를 선별하는 자체 신뢰도 평가 계층을 별도로 구현해야 한다는 한계와 운영 요건이 존재한다.