LATAM 항공의 대규모 AI 에이전트 운영 사례: LangGraph와 지식 그래프 활용 전략 | AI Trends

LangChain조회 1회

LATAM 항공의 대규모 AI 에이전트 운영 사례: LangGraph와 지식 그래프 활용 전략

LATAM 항공이 LangGraph 기반 에이전트를 통해 비용을 15% 절감하고, 비정형 대화 데이터를 BigQuery 지식 그래프로 자산화한 실전 아키텍처를 공유한다.

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

LATAM 항공은 LangGraph를 활용해 매일 4,000명의 사용자를 처리하는 B2C 여행 에이전트 'LATAM Concierge'를 성공적으로 운영하고 있다. 이들은 도구별 에이전트 아키텍처를 재구조화하여 운영 비용을 15% 절감했으며, 13%에 달하는 범위 외 요청(Out-of-scope) 분석을 통해 모델의 결함이 아닌 제품의 기능 공백을 찾아냈다. 특히 수백만 건의 비정형 대화 데이터를 BigQuery 기반의 지식 그래프로 변환하는 'Compass' 파이프라인을 구축하여 에이전트 상호작용을 기업의 핵심 지능 자산으로 전환했다. 결과적으로 에이전트 서비스 자체보다 모든 대화에서 추출된 통합된 데이터 통찰력이 비즈니스 가치의 핵심임을 입증했다.

챕터별 상세

00:00

대규모 항공 운영 환경에서의 에이전트 도입 배경

LATAM 항공은 현재 공중에 떠 있는 6,000명의 승객을 포함해 연간 8,700만 명을 수송하는 거대 인프라를 운영한다. 3-5%라는 매우 낮은 영업 이익률 환경에서 모든 고객 상호작용은 가치 창출 혹은 손실로 직결된다. 이러한 배경에서 대규모 고객 응대를 효율화하고 가치를 극대화하기 위해 AI 에이전트 도입을 결정했다. 단순한 챗봇을 넘어 실제 비즈니스 가치를 창출하는 에이전트 시스템 구축이 핵심 목표였다.

04:12

LATAM Concierge: LangGraph 기반의 B2C 에이전트 아키텍처

일일 4,000명의 사용자가 이용하는 'LATAM Concierge'는 LangGraph를 기반으로 구축됐다. 시스템은 Supervisor 에이전트가 전체 흐름을 제어하고, 각 하위 에이전트가 특정 도구(Tool)를 전담하여 실행하는 구조를 취한다. 이를 통해 복잡한 여행 관련 질의를 논리적으로 분해하고 정확한 도구를 호출하여 응답을 생성한다. 초기 모델에서 발생하던 제어의 어려움을 그래프 구조를 통해 해결했다.

LangGraph는 순환적인 워크플로를 정의할 수 있어, 에이전트가 작업을 완료할 때까지 반복적으로 사고하고 도구를 사용하는 과정을 모델링하기에 적합하다.

06:49

아키텍처 최적화를 통한 15% 비용 절감 사례

에이전트 운영 중 발생하는 높은 비용 문제를 해결하기 위해 도구별 에이전트 아키텍처를 재구조화했다. LangSmith를 활용해 각 단계의 토큰 사용량과 호출 빈도를 정밀하게 모니터링하고 병목 지점을 파악했다. 불필요한 추론 단계를 줄이고 프롬프트를 최적화한 결과, 시스템 성능 저하 없이 운영 비용을 15% 절감하는 성과를 거두었다. 이는 대규모 서비스에서 아키텍처 설계가 수익성에 미치는 직접적인 영향을 보여준다.

LangSmith는 LLM 애플리케이션의 디버깅, 테스트 및 모니터링을 지원하는 플랫폼으로, 실제 운영 환경에서의 비용 분석에 유용하다.

07:33

13% 범위 외 요청 분석과 제품 갭(Product Gap) 발견

사용자 질의 중 13%가 시스템이 처리할 수 없는 '범위 외(Out-of-scope)' 요청으로 분류되는 문제가 발생했다. 초기에는 모델의 성능 문제로 의심했으나, 데이터를 상세 분석한 결과 승객들이 식당 추천 등 서비스가 제공하지 않는 기능을 요구하고 있음을 확인했다. 이는 기술적 오류가 아니라 사용자의 니즈와 제품 기능 사이의 간극인 '제품 갭'이었다. 이를 통해 에이전트 응답 실패 데이터를 제품 개선의 핵심 지표로 활용하기 시작했다.

09:36

Compass: 비정형 대화를 지식 그래프로 변환하는 파이프라인

수백만 건의 에이전트 대화 데이터를 비즈니스 자산으로 만들기 위해 'Compass' 파이프라인을 구축했다. 이 시스템은 Parser, Mapper, Modeler, Ontology Registry의 4단계 과정을 거쳐 비정형 텍스트를 구조화된 데이터로 변환한다. 최종적으로 BigQuery 내에 지식 그래프 형태로 저장되어, 개별 대화에서는 알 수 없었던 거시적인 패턴을 분석할 수 있게 한다. 예를 들어 특정 노선에서 반복되는 불만 사항이나 새로운 서비스 요구를 데이터로 증명할 수 있다.

비정형 데이터를 지식 그래프로 변환하면 단순 키워드 검색보다 훨씬 복잡한 관계 중심의 분석이 가능해진다.

13:09

기술적 의사결정: BigQuery Graph 도입과 Spanner 대체

지식 그래프 저장소를 선택하는 과정에서 초기에는 Spanner를 고려했으나, 최종적으로 BigQuery Graph를 선택했다. 분석 효율성과 기존 데이터 인프라와의 통합성을 고려한 결정이었다. 대규모 그래프 데이터를 처리할 때 발생하는 병목 현상을 해결하기 위해 데이터 모델링을 최적화했다. 이를 통해 수백만 개의 노드와 관계를 가진 그래프에서도 실시간에 가까운 분석 쿼리가 가능해졌다.

Spanner는 구글의 분산 관계형 데이터베이스이며, BigQuery는 대규모 분석에 특화된 데이터 웨어하우스이다.

16:30

결론: 에이전트를 넘어선 지능의 자산화

LATAM 항공은 이제 에이전트 자체를 최종 제품으로 보지 않는다. 에이전트와의 모든 상호작용에서 추출되어 지식 그래프로 축적된 '통합된 지능'이 진정한 가치라고 정의한다. 이러한 데이터 플라이휠을 통해 고객의 여정을 전체적으로 이해하고 서비스를 개선하는 선순환 구조를 만들었다. 제약이 많은 산업 환경에서 AI를 단순한 도구가 아닌 비즈니스 전략의 핵심으로 승화시킨 사례이다.

언급된 리소스

GitHubLangGraph

문서LangSmith

튜토리얼LangChain Academy

AI 분석 전체 내용 보기

AI 요약 · 북마크 · 개인 피드 설정 — 무료

출처 · 인용 안내

원문 발행 2026. 06. 30.수집 2026. 06. 30.출처 타입 YOUTUBE

인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.