LendingTree — 97%의 완결율을 달성한 Bedrock 기반 멀티 에이전트 주택 담보 대출 어드바이저

1. 왜 이 사례인가

주택 담보 대출(모기지)은 일반 소비자가 일생 동안 내리는 가장 큰 금융 결정 중 하나입니다. 구매냐 재융자냐, 일반 대출(Conventional)이냐 정부 보증(FHA, VA)이냐, 15년이냐 30년이냐, 고정금리냐 변동금리냐에 이르기까지 수많은 복합 선택지가 얽혀 있습니다. 여기에 LTV, DTI(총부채상환비율), 할인 포인트, 대출 실행 수수료 등 복잡한 전문 용어가 쏟아져 대다수 소비자는 탐색 단계에서 극심한 정보 피로를 겪습니다.

25년 이상 대출 중개 플랫폼을 운영해 온 렌딩트리(LendingTree)는 단순 FAQ 수준의 단일 챗봇으로는 이 문제를 결코 풀 수 없다고 판단했습니다. 엄격한 금융 규제 환경에서 개인식별정보(PII)를 완벽히 보호하고 감사 추적(Audit Trail)이 가능한 컴플라이언스 체계를 갖추는 동시에, 복잡한 사용자 맥락을 해석하여 맞춤형 대출 상품을 추천하기 위해 Amazon Bedrock과 LangGraph 기반의 3자 멀티 에이전트 아키텍처를 전격 구축했습니다.

이 시스템은 상위 슈퍼바이저(Supervisor) 에이전트와 전문 역할을 분담한 2개의 하위 워커 에이전트(교육 에이전트, 매칭 에이전트)가 MCP(Model Context Protocol)로 통신하는 구조입니다. 2025년 말 상용 출시 후 2026년 1분기까지 집계된 실측 데이터에 따르면, 이 어시스턴트는 약 1,960건의 상담과 12,100건의 메시지를 소화하면서 97% 이상의 대화를 상담원 개입 없이 무인 완결(Containment)했습니다. 또한 초기 75%에 달하던 단순 교육형 질문을 거쳐 현재는 대화의 50% 이상이 실제 대출 금리 비교 및 사전 자격 심사(Prequalification)라는 고가치 전환 액션으로 직결되고 있습니다. 복잡한 규제 도메인에서 멀티 에이전트의 상태 관리와 책임 분리가 어떻게 작동해야 하는지 보여주는 대표적인 프로덕션 레퍼런스입니다.

2. Problem

렌딩트리가 주택 담보 대출 영역에서 AI를 설계할 때 부딪힌 문제는 단일 프롬프트나 정적 폼(Form) 인터페이스의 근본적 한계였습니다.

상황 의존적 다변수 질문의 복잡성: “FHA와 일반 대출의 차이가 무엇이고 내게 맞는 것은 무엇인가?”와 같은 질문은 단순 지식 검색으로 풀리지 않습니다. 사용자의 신용점수, 소득 상태, 계약 희망 시점, 과거 대화에서 언급한 특이사항이 결합되어야만 답변이 성립합니다. 기존의 고정형 질문지 폼으로는 “30일 내 콜로라도 스프링스에서 집을 사려는 650점 군인”과 같은 다차원적 조건을 온전히 포착하기 어려웠습니다.
엄격한 금융 규제와 안전성 요구: 모기지 산업은 개인정보 보호와 규제 준수가 타협 불가능한 전제 조건입니다. 혐오 발언이나 유해 콘텐츠 차단은 물론, 민감한 재정 데이터의 PII 마스킹, 모델 응답의 감사 가능성(Auditable path)이 보장되어야 했습니다.
단일 에이전트의 인지 과부하와 디버깅 불가: 지식 설명과 백엔드 대출 API 조회를 한 에이전트에게 몰아주면 프롬프트가 비대해지고 도구 호출 오류가 빈번해집니다. 대화가 꼬였을 때 어디서 잘못된 판단을 내렸는지 사후 추적하기도 불가능했습니다.

확인된 사실: 25년 이상의 대출 중개 역사, 복합 금융 용어와 상황 의존적 사용자 니즈, 엄격한 PII 및 규제 컴플라이언스 요구, 단일 에이전트의 한계 극복을 위한 멀티 에이전트 접근 필요성.

3. Solution

렌딩트리는 계획(Planning)과 실행(Execution)을 엄격히 분리하고, LangGraph와 MCP, 그리고 Amazon Bedrock의 모델 및 가드레일을 결합한 모듈식 아키텍처를 완성했습니다.

3.1 3자 멀티 에이전트 아키텍처 (LangGraph + MCP)

시스템은 명확한 역할 책임을 가진 3개의 독립 에이전트로 구성됩니다:

슈퍼바이저(Supervisor) 에이전트: 오케스트레이터 역할을 수행하는 상태 머신입니다. LangGraph의 ‘Plan-and-Execute’ 패턴을 따라 노드(의도 분석, 실행 계획 수립, 응답 합성)와 엣지(하위 워커 라우팅 판정)로 모든 경로를 결정론적이고 추적 가능하게 정의했습니다.
- 태스크 기반 모델 라우팅: 고난도 추론과 복합 분류, 실행 계획 수립에는 Amazon Nova Pro를 배치하고, 경량 대화 응답과 단순 분류에는 Amazon Nova Lite를 자동 교차 투입하여 추론 신뢰도와 비용 효율을 동시에 잡았습니다.
교육 워커(Education Worker): 인내심 있는 금융 튜터 역할을 맡습니다. Amazon Bedrock Knowledge Bases(OpenSearch Service 벡터 스토어 기반 완전 관리형 RAG)를 활용해 대출 유형, 자격 요건, 수수료 구조를 친절하게 설명합니다. 검색 전 “yes”, “잘 모르겠어요” 같은 짧은 답변을 이전 대화 맥락을 반영해 의미 있는 검색 쿼리로 재작성(Query Rewriting)하며, 의미 단위 청킹(Semantic Chunking)으로 검색 정확도를 극대화했습니다.
매칭 워커(Matching Worker): 실질적인 액션을 연결하는 커넥터입니다. 사용자의 선호 조건을 수집한 뒤 렌딩트리 내부의 대출처 검색, 금리 조회, 적격성 사전 심사 API를 호출하여 개인 맞춤형 대출 옵션을 실시간 비교 제공합니다.
MCP 통신 및 연결 풀링: 슈퍼바이저는 워커들과 Model Context Protocol(MCP)을 통해 통신하며, 지연 시간을 최소화하기 위해 연결 풀링(Connection Pooling)을 적용했습니다. 이를 통해 각 워커는 서로 간섭 없이 독립적으로 업데이트, 배포, 롤백될 수 있습니다.

3.2 이중 병렬 안전 파이프라인 (Dual Concurrent Safety)

지연 시간(Latency) 증가 없이 안전성을 극대화하기 위해 두 가지 검증을 병렬로 가동했습니다:

Amazon Bedrock Guardrails: PII 마스킹, 유해 콘텐츠 및 욕설 필터링, 프롬프트 인젝션 공격 방어를 수행합니다.
LLM 기반 대화 정책 분류기: 렌딩트리 고유의 금융 비즈니스 정책 준수 여부를 검증합니다. 두 검증이 동시에 실행되므로 안전 장치로 인한 응답 지연을 실질적으로 제거했습니다. 또한 운영 규칙 레이어를 두어 한계를 넘는 문제는 즉시 인간 상담원 큐로 전환했습니다.

3.3 대화 세션 지속성 및 인프라

PostgreSQL 체크포인터: Amazon RDS 상의 PostgreSQL을 LangGraph의 영구 체크포인터로 활용하여 세션 상태와 대화 메모리를 불변 저장했습니다. 사용자가 며칠 뒤 돌아오거나 서비스 컨테이너가 재시작되어도 이전 맥락이 온전히 유지됩니다.
Amazon ECS + AWS Fargate: 모든 마이크로서비스는 컨테이너화되어 독립적으로 오토스케일링되며, Terraform과 GitLab CI/CD 파이프라인으로 무중단 배포됩니다.

확인된 사실: LangGraph Supervisor (Plan-and-Execute), Nova Pro / Nova Lite 멀티 모델 라우팅, Bedrock Knowledge Bases + OpenSearch Service, 내부 대출 API 연동 매칭 워커, MCP 통신 및 연결 풀링, RDS PostgreSQL 체크포인터, 병렬 Bedrock Guardrails + 정책 분류기, ECS Fargate 인프라.

4. Impact

AWS 머신러닝 공식 블로그에 발표된 렌딩트리의 프로덕션 운영 성과는 다음과 같습니다. (기준 기간: 2025년 말 상용 출시 ~ 2026년 1분기)

지표	프로덕션 실측 성과	비고
무인 자동 완결율 (Containment Rate)	97% 이상	인간 상담원 에스컬레이션 없이 종단 완결
인간 상담원 전환 요청 비율	약 3%에 불과	복잡한 규제 금융 상담임에도 극소수만 상담원 요청
누적 대화 및 메시지 규모	약 1,960건의 대화 / 12,100건의 메시지	세션당 평균 6.2개 메시지 교환
몰입 사용자(Engaged Users) 평균 인게이지먼트	평균 10개 이상의 메시지 / 9분간 지속	단발성 조회가 아닌 깊이 있는 금융 컨설팅 입증
고가치 전환(Transactional) 의도 비중	초기 25% → 최근 대화의 50% 이상	금리 비교, 대출처 매칭, 사전 심사로 행동 전환
초기 교육형(Educational) 질문 비중	도입 초기 대화의 75%	기본 개념 학습 후 자연스럽게 매칭 단계로 이동

원문은 특히 평균 9분 이상 지속되는 멀티턴 대화 패턴에 주목합니다. 소비자가 일방적인 FAQ 조회가 아니라, 대화 속에서 자신의 신용 상태와 선호 조건을 구체화하며 시스템을 신뢰할 수 있는 재정 파트너로 인식하고 있음을 증명하는 지표입니다.

5. Insight

렌딩트리의 구축 사례는 복합적인 비즈니스 도메인에서 프로덕션 멀티 에이전트를 성공시키기 위한 핵심 설계를 보여줍니다.

계획과 실행을 분리해야 합니다. 슈퍼바이저의 노드와 엣지를 결정론적으로 구성하고 계획 수립과 워커의 세부 실행을 격리했습니다. 대화 흐름의 모든 단계가 감사 가능(Auditable)해져 장애 발생 시 어느 노드에서 잘못된 판단이 발생했는지 즉시 규명할 수 있습니다.

성공적인 RAG는 검색 전 전처리에 있습니다. 고정 크기 청킹 대신 문맥 의미 단위로 문서를 쪼개는 시맨틱 청킹(Semantic Chunking)을 채택하고, 고객의 모호한 단답형 입력을 직전 맥락을 종합해 완전한 검색 쿼리로 재작성(Query Rewriting)하는 파이프라인을 구축함으로써 검색 실패를 획기적으로 낮췄습니다.

태스크별 모델 차등 투입의 경제학이 중요합니다. 모든 대화 생성에 최상위 추론 모델(Nova Pro)을 쓸 필요는 없습니다. 복합 계획과 분류에는 상위 모델을, 일상적 문장 생성에는 경량 모델(Nova Lite)을 라우팅함으로써 엔터프라이즈급 추론 비용 통제를 달성했습니다.

공통 런타임으로 진화하고 있습니다. 렌딩트리는 이번 경험을 통해 에이전트를 일회성으로 만드는 것을 지양하고, 공통 컨텍스트 레이어, MCP 규약, 컴포넌트 레지스트리를 표준화하고 있습니다. 특히 수작업으로 구축한 ECS 컨테이너 및 RDS 체크포인터 관리 부담을 덜기 위해 완전 관리형 AgentCore로의 아키텍처 전환을 검토하고 있다는 점은 향후 엔지니어링 효율화의 방향을 시사합니다.

6. 원문에 없는 추정 (구현 가설)

6.1 LangGraph 슈퍼바이저의 복합 의도 분해 및 MCP 병렬 디스패치 파이프라인

근거: 원문은 “FHA와 일반 대출의 차이가 무엇이고 내게 맞는 것은 무엇인가?”라는 질문에 대해 슈퍼바이저가 의도를 분석하고 교육 워커와 매칭 워커로 라우팅한 뒤 응답을 합성한다고 설명합니다.

실제 실행 흐름에서 사용자의 질문이 인입되면 슈퍼바이저 노드는 Amazon Nova Pro를 호출하여 시스템 프롬프트에 정의된 Pydantic 스키마 기반 구조화된 JSON 출력을 생성했을 것입니다. 이 스키마는 대화 의도를 [{"worker": "education", "intent": "compare_loan_types", "params": {"types": ["FHA", "conventional"]}}, {"worker": "matching", "intent": "recommend_option", "params": {}}]과 같은 복수의 서브 태스크로 분해합니다. 슈퍼바이저는 비동기 이벤트 루프(asyncio)를 통해 교육 워커와 매칭 워커의 MCP 클라이언트로 병렬 요청을 전달했을 개연성이 높습니다. 매칭 워커가 사용자의 누락된 프로필(예: 신용점수 또는 다운페이먼트 가용액)을 감지하여 추가 질문을 반환하고 교육 워커가 두 대출의 핵심 개념 차이를 반환하면, 슈퍼바이저의 리스폰스 합성 노드가 이를 하나의 매끄러운 단일 답변으로 버무려 사용자에게 출력하는 방식으로 작동했을 것으로 추정됩니다.

6.2 PostgreSQL 체크포인터와 분산 트레이싱을 결합한 세션 복구 메커니즘

근거: 원문은 RDS PostgreSQL 기반 LangGraph 체크포인터를 통해 대화 상태를 지속 관리하고, CloudWatch 및 AWS X-Ray로 3개 에이전트 간 트레이스를 추적한다고 기술합니다.

이 상태 복구 메커니즘은 분산 환경의 장애 허용성(Fault Tolerance)을 완벽히 보장하도록 구현되었을 것입니다. 사용자의 매 턴 입력과 에이전트의 내부 사고 단계(Thought, Action, Observation)가 완료될 때마다 고유한 세션 UUID와 턴 인덱스를 키로 삼아 대화 상태 그래프 전체가 PostgreSQL 테이블에 트랜잭션 단위로 직렬화(Serialization)됩니다. 만약 워커 에이전트 컨테이너가 API 응답 대기 중 타임아웃을 겪거나 재시작되더라도, 오케스트레이터는 DB에서 직전 체크포인트를 즉시 복원하여 이전 상태부터 안전하게 재시도할 수 있습니다. 이때 AWS X-Ray의 TraceId가 사용자 브라우저 요청 헤더에서 시작하여 슈퍼바이저, MCP 호출, 백엔드 대출 API까지 일관되게 전파(Context Propagation)됨으로써, 운영팀은 단일 세션 대시보드에서 3개 컨테이너 간의 지연 시간 병목과 실패 지점을 1초 내로 파악할 수 있었을 것으로 분석됩니다.

7. 출처

AWS Machine Learning Blog — How LendingTree built a multi-agent mortgage assistant on Amazon Bedrock
https://aws.amazon.com/blogs/machine-learning/how-lendingtree-built-a-multi-agent-mortgage-assistant-on-amazon-bedrock/
발행일: 2026-08-05
(저자 Eric Hanson, Bhanusree Vadlamudi, Ramesh Eega; LendingTree SVP Technology Srinivas Madabushi 인용; Bedrock Nova Pro/Lite, LangGraph Supervisor, MCP, ECS Fargate, 97% 완결율, 1,960건 대화, 평균 9분 인게이지먼트)