AWS, Microsoft & Meta의 AI Agent 전략

참고 학습 목표

• AWS, Microsoft, Meta 각각의 AI Agent 전략과 핵심 제품을 이해한다
• 각 벤더의 멀티에이전트 아키텍처 접근 방식의 차이를 설명할 수 있다
• 각 벤더 생태계와 Databricks가 어떻게 연동되는지 파악한다
• 프로젝트 요구사항에 따라 적합한 벤더 조합을 선택할 수 있다

주의 기준 시점: 2026년 3월 기준입니다. AI Agent 시장은 빠르게 변화하므로, 각 벤더의 공식 문서를 병행 확인하시기 바랍니다.

​

1. AWS — “풀스택 Agent 인프라”

​

1.1 전략 개요

성공 핵심 메시지: “Agent를 빌드하는 것은 쉽지만, 프로덕션에서 안전하고 확장 가능하게 운영하는 것이 진짜 도전이다. AWS는 그 운영 계층을 제공한다.”

​

1.2 핵심 제품 스택

​

Amazon Bedrock Agents (GA)

1. 사용자 요청 → Supervisor Agent (작업 분석)
2. Supervisor → Agent A, Agent B, Agent C (병렬 실행)
3. 모든 Agent 결과 → Supervisor (결과 종합) → 최종 응답

​

Amazon Nova 2 모델 패밀리

참고 Extended Thinking: Nova Pro는 Claude의 Extended Thinking과 유사한 기능을 제공합니다. Agent가 복잡한 문제를 단계별로 분해하여 추론하므로, 멀티스텝 도구 호출의 정확도가 크게 향상됩니다. 1M 컨텍스트 윈도우는 대용량 문서 분석 Agent에 적합합니다.

​

Amazon Nova Act (Research Preview)

• 상태: Research Preview (프로덕션 사용 불가)
• 용도: RPA 대체, 웹 기반 워크플로 자동화, 테스트 자동화
• 경쟁 제품: Anthropic Computer Use, Google Mariner

​

AgentCore (2025년 10월 GA)

주의 Cedar 정책 엔진: Cedar는 원래 Amazon Verified Permissions에서 사용하는 정책 언어입니다. AgentCore에서는 이를 Agent 행동 제어에 확장 적용했습니다. permit(principal == Agent::"sales-bot", action == Action::"query", resource == Table::"customers")와 같은 형태로 Agent 권한을 선언적으로 관리합니다.

​

Strands Agents SDK (오픈소스)

• 설계 철학: “Model-driven” — LLM이 루프의 중심에서 도구 선택과 실행을 주도
• 특징: 20+ 내장 도구, 비동기 멀티에이전트, AgentCore 네이티브 배포
• 라이선스: Apache 2.0

​

Amazon Q Developer

​

Kiro IDE (2025년 11월 GA)

​

Guardrails for Bedrock

성공 Automated Reasoning: 이 기능은 AWS가 2024년 re:Invent에서 발표한 차별화 기능입니다. 형식 검증(Formal Verification) 기술을 적용하여, Agent의 논리적 추론이 수학적으로 올바른지 검증합니다. 특히 금융, 보험, 법률 분야에서 Agent 응답의 신뢰성을 극적으로 높입니다.

​

Knowledge Bases for Bedrock

​

1.3 멀티에이전트 아키텍처

​

1.4 차별점 요약

• 프레임워크 비종속: AgentCore는 LangGraph, CrewAI 등 어떤 프레임워크든 수용
• Cedar 기반 선언적 정책: Agent 행동을 코드가 아닌 정책으로 제어
• Automated Reasoning: 수학적 검증 기반 안전장치
• 비용 최적화: S3 Vectors로 벡터 스토리지 비용 90% 절감
• 모델 선택의 자유: Bedrock에서 Claude, Llama, Nova, Mistral 등 교차 사용

​

1.5 Databricks 연동 시사점

참고 Databricks on AWS 고객이라면:

• Bedrock Agent + Databricks Vector Search: Bedrock Agent가 Databricks의 Vector Search Index를 Tool로 호출하는 하이브리드 구성 가능
• AgentCore + MLflow: Agent 배포는 AgentCore, 실험 추적/모니터링은 MLflow 3.0으로 이원화
• Nova/Claude + Mosaic AI Gateway: 여러 모델을 Gateway에서 통합 관리하면서, Bedrock Endpoint를 External Model로 등록
• Unity Catalog 거버넌스: Agent가 접근하는 데이터의 거버넌스는 Unity Catalog가 담당하고, Agent 자체의 행동 정책은 AgentCore가 담당하는 역할 분리

​

2. Microsoft — “오픈 에이전틱 웹”

​

2.1 전략 개요

성공 핵심 메시지: “AI Agent는 고립된 봇이 아니라, 서로 대화하고 협업하는 네트워크다. Microsoft는 그 네트워크의 프로토콜과 플랫폼을 모두 제공한다.”

​

2.2 핵심 제품 스택

​

Agent Framework (2025년 10월 통합)

• A2A (Agent-to-Agent) 프로토콜 네이티브 지원: Google이 주도하는 A2A 표준을 1등 시민으로 구현
• MCP (Model Context Protocol) 네이티브 지원: Anthropic의 MCP를 통해 외부 데이터/도구 연결
• OpenAI Agents SDK 호환: OpenAI 생태계와의 원활한 마이그레이션 경로

​

Azure AI Foundry Agent Service (GA)

​

Copilot Studio 2025

주의 Copilot Studio의 포지션: Copilot Studio는 “시민 개발자”를 타겟으로 합니다. 프로 개발자는 Agent Framework + Azure AI Foundry를 사용하고, 비즈니스 사용자는 Copilot Studio를 사용하는 이원 전략입니다. Databricks의 Agent Bricks (노코드) vs. AI Dev Kit (프로코드) 이원 전략과 유사합니다.

​

”Open Agentic Web” 전략

• A2A 얼리 어답터: Google이 주도하는 A2A 프로토콜의 초기 지지자이자 구현자
• MCP 네이티브 지원: Windows, VS Code, Copilot Studio 등 전 제품군에 MCP 통합
• NLWeb: 웹사이트가 자연어로 쿼리 가능한 Agent-ready 엔드포인트를 노출하는 프로토콜 제안

​

2.3 멀티에이전트 아키텍처

​

2.4 차별점 요약

• SaaS 생태계 통합: Microsoft 365, Dynamics 365, GitHub, LinkedIn — 엔터프라이즈 워크플로 전반을 커버
• A2A + MCP 이중 프로토콜: Agent 간 통신(A2A)과 도구 접근(MCP)을 모두 1등 시민으로 지원
• AutoGen + Semantic Kernel 통합: 연구 혁신과 엔터프라이즈 안정성을 하나의 프레임워크에
• 로우코드 경로: Copilot Studio를 통해 비개발자도 Agent 구축 가능
• OpenAI 파트너십: GPT-4o, o1 등 최신 모델에 가장 먼저 접근

​

2.5 Databricks 연동 시사점

참고 Databricks on Azure 고객이라면:

• Azure AI Foundry + Databricks Agent Bricks: Foundry의 모델 카탈로그에서 모델을 선택하고, Databricks Agent Bricks에서 Agent를 빌드하는 조합이 최적
• Copilot Studio → Databricks Genie Agent: Copilot Studio에서 Genie Agent를 외부 Agent로 호출하여, 자연어 데이터 분석을 Microsoft 365 워크플로에 내장
• Unity Catalog + Purview: 데이터 거버넌스를 Databricks Unity Catalog와 Microsoft Purview 양쪽에서 통합 관리
• Mosaic AI Gateway + Azure OpenAI: Azure OpenAI 엔드포인트를 Gateway의 External Model로 등록하여 비용/성능 모니터링 통합

​

3. Meta — “오픈소스 Agent 민주화”

​

3.1 전략 개요

성공 핵심 메시지: “가장 좋은 AI 모델은 누구나 사용할 수 있어야 한다. 오픈소스는 선의가 아니라 전략이다 — 개발자 생태계를 장악하면 플랫폼이 된다.”

​

3.2 핵심 제품 스택

​

Llama 4 모델 패밀리

참고 MoE(Mixture of Experts) 아키텍처의 의미:

• 추론 비용: 17B 모델 수준의 GPU 요구량으로 109B 수준의 지식을 활용
• Agent 시나리오: 비용 효율이 극도로 중요한 대규모 Agent 배포에 적합
• 10M 컨텍스트: 전체 코드베이스나 수백 페이지 문서를 한 번에 처리 가능

​

Llama Stack

# Llama Stack Agent 예시
from llama_stack_client import LlamaStackClient

client = LlamaStackClient(base_url="http://localhost:5000")

# Agent 생성
agent = client.agents.create(
    agent_config={
        "model": "Llama4-Scout-109B-MoE",
        "instructions": "당신은 데이터 분석 전문가입니다.",
        "tools": [
            {"type": "code_interpreter"},
            {"type": "brave_search"},
            {"type": "function", "function": custom_tool}
        ],
        "tool_choice": "auto",
        "max_infer_iters": 10  # 최대 추론 반복 횟수
    }
)

​

오픈소스 전략의 의미

주의 Llama 라이선스 주의사항: Llama 4는 “오픈소스”로 불리지만, 엄밀히는 오픈 웨이트(Open Weight) 모델입니다. 월간 활성 사용자 7억 명 이상인 서비스에서 사용하려면 별도 라이선스가 필요합니다. 또한, Llama 출력으로 다른 LLM을 학습시키는 것은 라이선스 위반입니다.

​

3.3 멀티에이전트 아키텍처

• Llama 4 모델+ LangGraph/CrewAI/Strands(오케스트레이션) + 클라우드 서비스(인프라)
• 즉, Meta는 “두뇌(모델)“를 제공하고, “몸(인프라)“은 클라우드 벤더가 제공하는 구조

​

3.4 차별점 요약

• 오픈 웨이트 최강 모델: Llama 4 Maverick은 오픈소스 모델 중 최고 성능
• 극한 비용 효율: Scout의 MoE 아키텍처로 17B 활성 파라미터에 109B 지식 활용
• 10M 컨텍스트: 오픈소스 모델 중 최대 컨텍스트 윈도우
• 벤더 종속 없음: 어떤 클라우드, 어떤 프레임워크에서든 사용 가능
• 자체 호스팅 가능: 민감 데이터를 클라우드 밖에서 처리해야 하는 규제 환경에 적합

​

3.5 Databricks 연동 시사점

참고 Databricks에서 Llama 4를 활용하려면:

• Mosaic AI Gateway: Llama 4 모델을 Databricks Model Serving에 배포하고, Gateway에서 통합 관리. 자체 호스팅으로 데이터 주권 확보
• Foundation Model API: Databricks가 관리하는 Llama 4 엔드포인트를 바로 사용 (Pay-per-token)
• Fine-tuning: Databricks에서 Llama 4를 도메인 특화 데이터로 Fine-tuning 가능 (PEFT, QLoRA)
• Agent Bricks + Llama 4: Agent Bricks에서 Serving Endpoint로 배포된 Llama 4를 백엔드 모델로 사용
• 비용 최적화: Scout 모델을 고빈도/저복잡도 Agent에, Maverick을 저빈도/고복잡도 Agent에 배치하는 티어드 전략

​

4. 종합 비교

참고 Databricks의 Agent 전략은 별도 페이지에서 심층적으로 다룹니다: Databricks의 AI Agent 전략

​

4.1 벤더별 전략 비교 테이블

​

4.2 시나리오별 최적 조합

​

4.3 기능 계층별 비교

​

5. 고객 FAQ

​

Q1: “우리는 AWS를 쓰는데, Bedrock Agents만으로 충분한가요?”

참고 Bedrock Agents는 Agent 오케스트레이션에 우수하지만, 데이터 거버넌스와 평가 자동화 에서 한계가 있습니다. 권장 조합:

• Agent 빌드/오케스트레이션: Bedrock Agents 또는 Databricks Agent Bricks
• 데이터 거버넌스: Databricks Unity Catalog
• 모니터링/평가: MLflow 3.0
• 모델 관리: Mosaic AI Gateway (Bedrock 모델 포함)

​

Q2: “Llama 4를 자체 호스팅하면 비용이 정말 절감되나요?”

참고 상황에 따라 다릅니다.

• 고빈도 호출(일 100만+ 요청): 자체 호스팅이 API 비용 대비 50-70% 절감 가능
• 저빈도 호출(일 1만 이하): API(Pay-per-token)가 더 경제적. GPU 유휴 비용 발생
• 권장: Databricks Model Serving에 Llama 4를 배포하면 서버리스 스케일링으로 유휴 비용을 최소화할 수 있습니다. Scout(17B 활성)은 단일 A100에서도 추론 가능합니다.

​

Q3: “Microsoft Copilot Studio와 Databricks Agent Bricks 중 무엇을 써야 하나요?”

참고 타겟 사용자가 다릅니다.

• Copilot Studio: 비개발자가 Microsoft 365 워크플로 내에서 간단한 Agent를 만들 때
• Agent Bricks: 데이터 팀이 데이터 레이크하우스의 데이터를 활용하는 Agent를 만들 때

​

Q4: “A2A vs MCP — 우리에게 어떤 프로토콜이 필요한가요?”

참고 둘은 경쟁이 아니라 보완 관계 입니다.

• MCP: Agent가 도구/데이터 에 접근하는 프로토콜 (Agent → Tool)
• A2A: Agent가 다른 Agent 와 통신하는 프로토콜 (Agent → Agent)

​

Q5: “AWS Guardrails의 Automated Reasoning이 정말 99% 정확한가요?”

참고 AWS가 발표한 99% 수치는 형식 검증(Formal Verification) 이 적용 가능한 도메인(수학, 논리, 정책 규칙)에서의 정확도입니다. 자연어 추론 전반에 대한 수치가 아닙니다.

• 적합: 보험 약관 해석, 대출 적격 여부 판단, 세금 계산 등 규칙 기반 추론
• 한계: 창의적 글쓰기, 감정 분석, 주관적 판단 등에는 적용 불가

​

Q6: “멀티클라우드 환경에서 Agent를 어떻게 통합 관리하나요?”

참고 Databricks의 멀티클라우드 아키텍처가 핵심입니다:

1. Mosaic AI Gateway: AWS Bedrock, Azure OpenAI, 자체 호스팅 모델을 하나의 엔드포인트로 통합
2. Unity Catalog: 클라우드 간 데이터 거버넌스 일관성 유지
3. MLflow 3.0: 클라우드 무관하게 Agent 추적/평가 통합
4. Agent Bricks: 동일한 Agent 정의를 AWS/Azure/GCP 어디서든 배포

​

6. 참고 자료

​

AWS

• Amazon Bedrock Agents 공식 문서
• Amazon AgentCore 소개
• Strands Agents SDK GitHub
• Amazon Nova 모델 카드
• Guardrails for Amazon Bedrock

​

Microsoft

• Azure AI Foundry Agent Service
• Microsoft Copilot Studio
• AutoGen GitHub
• Semantic Kernel GitHub

​

Meta

• Llama 4 모델 카드
• Llama Stack GitHub
• Llama Guard

​

Databricks

• Agent Bricks 문서
• Mosaic AI Gateway
• MLflow 3.0 GenAI
• Unity Catalog

​

프로토콜 & 표준

• A2A (Agent-to-Agent) 프로토콜
• MCP (Model Context Protocol)