[AWS SUMMIT 2025] 대한항공의 AI 대전환 : AmazonBedrock기반 AI 컨택센터 지식 검색 챗봇구축 사례

들어가며

대한항공의 AI 대전환 : AmazonBedrock기반 AI 컨택센터 지식 검색 챗봇구축 사례

🎙️김영민 딜리버리 아키텍트, AWS

🎙️김혁주 차장, 대한항공

🗂️ 세션 토픽: 생성형AI

해당 세션에서는 고객 서비스의 일관성과 효율성 문제를 해결하기 위해 대한항공이 도입한 AI 컨택센터(AICC) 구축 사례를 소개합니다. 특히 Amazon Bedrock과 OpenSearch Service 기반의 RAG 챗봇을 통해 방대한 내부 문서를 표준화·인덱싱하고, 900명의 상담원이 실제 사용하는 Human-in-the-loop 체계를 어떻게 구현했는지 공유드리려 합니다.

세션을 통해 이러한 기술적 접근이 AI활용에 어떻게 도움될 수 있는지, 실질적인 정보를 얻어봅시다.

대한항공의 AI 컨택센터(AICC) 도입 배경

글로벌 항공사인 대한항공이 AI 컨택센터를 도입하게 된 배경에는 명확한 비즈니스 과제가 있었습니다. 전 세계 62개 도시에 취항하는 항공사로서, 다양한 언어와 문화적 배경을 가진 고객들의 문의를 일관된 품질로 처리해야 하는 도전에 직면해 있었는데요,

기존 컨택센터 시스템에서는 상담원마다 지식 수준과 경험이 달라, 동일한 문의에도 상이한 답변이 제공되는 일이 빈번했습니다.

“상담원들이 방대한 지식 베이스에서 필요한 정보를 빠르게 찾아내기 어려웠고, 이는 고객 대기 시간 증가와 상담원 스트레스로 이어졌습니다.”

대한항공 IT 혁신팀은 이러한 문제 인식을 바탕으로 AI 기반 해결책을 모색하기 시작했습니다. 대한항공은 단순한 자동화 도구가 아닌, 진정한 지식 파트너로서의 AI 컨택센터를 구상했습니다.

그들이 설정한 주요 목표는 명확했는데요,

1. 상담원 경험 표준화: 신입 상담원도 베테랑 수준의 지식에 접근할 수 있는 환경 조성

2. 검색 효율성 증대: 복잡한 문의에도 정확한 정보를 빠르게 제공

3. 생성형 AI 환각(Hallucination) 방지

4. 상담 참고 지식을 하나의 채널에서 제공

이러한 명확한 목표 설정과 문제 인식을 바탕으로, 대한항공은 Amazon Bedrock과 OpenSearch Service를 활용한 RAG(Retrieval-Augmented Generation) 기반 지식 검색 챗봇 구축 프로젝트에 착수하게 되었습니다.

Amazon Bedrock 기반 RAG 아키텍처 구현 전략

대한항공은 정확성이 생명인 항공 지식을 다루기 위해 RAG(Retrieval-Augmented Generation) 프레임워크를 선택했습니다.

특히 고객 안전과 직결되는 항공 규정, 복잡한 마일리지 정책, 국가별 비자 요건 등 정확성이 필수인 정보를 다루는 컨택센터에서는 신뢰할 수 있는 답변 생성이 핵심 요구사항이었습니다.

# 문서 클렌징 & 인덱싱

가장 큰 도전은 비정형 문서 클렌징이었습니다.
표 안의 표, 이미지 포함 문서 등 다양한 형태의 데이터를 생성형 AI로 전처리하고, 업무 담당자가 결과를 검토하는 방식으로 품질을 높였습니다.

# 검색 정확도 향상

OpenSearch를 활용해 키워드 검색(Lexical)과 의도 기반 검색(Semantic)을 병행 적용함으로써, 다양한 표현의 질문에 대응 가능한 유연한 검색 시스템을 구현했습니다.
이를 통해 ‘마일리지 적립’과 같은 명확한 키워드 질문과, ‘다음 달 여행 계획인데 포인트 쌓을 수 있나요?’와 같은 의도 기반 질문 모두에 효과적으로 대응할 수 있게 되었습니다.

Amazon Bedrock은 시스템의 생성형 AI 컴포넌트를 담당했고, OpenSearch Service는 벡터 검색 엔진으로 활용되었습니다.

두 서비스의 결합은 대한항공이 추구하는 확장성과 성능을 모두 충족시켰습니다.

상담원이 함께 만드는 AI: Human-in-the-loop 구현

대한항공의 AI 컨택센터는 단순한 기술 도입을 넘어, 인간과 AI의 협업을 통한 서비스 혁신의 모범 사례로 평가받고 있습니다.

대한항공의 RAG 챗봇은 단순한 실험을 넘어, 900명의 상담원이 실무에 활용하는 신뢰 가능한 도구로 자리 잡았습니다. 이 성공의 배경에는 철저한 품질 관리와 인간 중심의 설계가 있었습니다.

핵심은 두 가지 평가 체계의 조화였습니다.

먼저 LLM as Judge 전략은 모델 선택, 청킹, 임베딩 등 기술 실험을 자동화 평가로 빠르게 최적화할 수 있도록 했습니다. Amazon Bedrock의 Claude 모델을 활용해 생성 답변의 일관성·정확성·완전성을 점수화한 방식입니다.

그러나 항공 특화 지식이나 정책 해석 등 미묘한 판단이 필요한 부분은 여전히 인간 전문가의 평가, 즉 Human-in-the-loop 체계가 필요했습니다. 상담원은 챗봇 응답에 대해 간단한 피드백을 제공하고, 이는 프롬프트 개선과 문서 클렌징 등 시스템 전반에 반영되었습니다.

무엇보다 이 챗봇은 상담원을 대체하는 것이 아니라, 업무 효율성과 정확성을 높이는 조력자로 설계되었습니다. 상담원이 AI 답변을 참고하고 필요한 경우 수정하며, 그 과정이 다시 학습에 반영되는 지속적 개선의 선순환 구조를 완성한 것입니다.

이처럼 대한항공은 기술과 사람의 협업을 통해 AI 컨택센터의 실질적인 효과와 신뢰성을 확보했습니다.

마무리하며: 솔루션 아키텍트로서의 시사점

대한항공 프로젝트가 성공할 수 있었던 핵심 요인은 단순한 기술 도입이 아닌, 명확한 비즈니스 문제 정의와 이를 해결하기 위한 전략적 접근에 있었습니다.

1. 데이터 품질의 중요성
대한항공이 직면한 가장 큰 도전 중 하나는 방대한 문서의 표준화와 클렌징이었으며, 이를 생성형 AI와 인간 평가의 조화 전략으로 적절히 풀어내었습니다.

2. Human-in-the-loop의 전략적 활용
대한항공 사례에서 가장 인상적이었던 점은 AI 시스템을 인간 전문가와 단절된 도구가 아닌, 상호 협력적 관계로 설계했다는 것입니다.

해당 대한항공 사례는 AI가 고객 서비스에 단순히 도입되는 수준을 넘어, 실제 운영 환경에서 가치를 창출하고 사람과 협업하는 방식으로 정착할 수 있음을 보여주는 대표적인 사례입니다. 발표를 통해 대한항공이 실질적인 효과를 얻기 위해 구조적인 문제에 어떻게 접근하고 해결했는지 그 치열한 고민의 흔적을 엿볼 수 있었고, 많은 통찰을 얻을 수 있었습니다.

이 글을 읽고 계신 여러분들 또한 이러한 구조적 접근 방식을 통해 실제 현업에 적용 가능한 다양한 깨달음을 얻으실 수 있기를 바랍니다.

글 │ 메가존클라우드, Cloud Technology Unit, AWS Delivery SA 4팀, 최세민 SA