AI 에이전트 거버넌스
Dogwood와 AgentCore가 에이전트 행동 순서와 비용 경계를 통제합니다
AWS는 Dogwood의 temporal policies와 AgentCore Gateway rate limiting을 통해 도구 호출 순서·누적 패턴·요청·토큰·연결 사용량을 인프라 계층에서 통제하는 새 기능을 공개했습니다.
이 글에서 다룰 내용
Dogwood의 구조, temporal policies의 작동 방식, AgentCore Gateway 비용 통제, 도입 전 검증 항목
AWS Dogwood는 무엇이 다른가
AI 에이전트는 사용자의 질문에 답하는 데서 끝나지 않습니다. 외부 API를 호출하고, 데이터를 조회하며, 파일을 수정하거나 다른 시스템에 작업을 요청하기도 합니다.
문제는 에이전트가 어떤 행동을 할 수 있는지만 정해서는 충분하지 않다는 점입니다. 정상적인 권한을 가진 도구라도 호출 순서와 횟수에 따라 위험한 결과가 생길 수 있기 때문입니다.
AWS는 2026년 8월 6일 Dogwood를 Apache 2.0 오픈소스 거버넌스 언어로 공개했습니다. Cedar 정책과 호환되면서 temporal logic을 더해, 개별 행동뿐 아니라 여러 도구 호출이 이어지는 순서와 누적 패턴까지 정책으로 검사합니다.
이 글에서 다룰 내용
AWS Dogwood의 역할, temporal policies의 개념, Amazon Bedrock AgentCore 연동 방식, AI 에이전트 보안 강화, AI 비용 통제와 에이전트 거버넌스 활용법
행동 자체보다 행동의 순서를 본다
기존 접근 제어는 대체로 “이 사용자가 이 기능을 실행할 수 있는가”를 판단합니다. 하지만 자율적으로 움직이는 AI 에이전트에는 시간의 흐름과 이전 행동까지 반영한 정책이 필요합니다.
Dogwood로 작성하는 temporal policies는 현재 요청만 따로 보지 않습니다. 이전에 어떤 도구를 호출했는지, 필수 검증 단계를 거쳤는지, 짧은 시간에 같은 행동을 반복했는지를 함께 판단합니다.
예를 들어 결제 에이전트가 주문 정보를 조회한 뒤 사용자 확인을 받고 결제를 진행하도록 만들 수 있습니다. 사용자 확인 없이 바로 결제 도구를 호출하거나, 확인 후 허용 시간을 넘긴 상태에서 실행을 시도하면 정책으로 차단하는 식입니다.
이 구조는 단순한 권한 관리보다 한 단계 더 세밀합니다. “결제 도구 사용 가능”이라는 정적인 허용에서 벗어나 어떤 조건과 순서에서 사용할 수 있는지까지 규정할 수 있습니다.
Amazon Bedrock AgentCore와 어떻게 연결될까
AWS는 Dogwood 정책 지원을 Amazon Bedrock AgentCore Policy에 추가했습니다. AgentCore Gateway를 거치는 MCP 서버·모델·에이전트·지식베이스 요청에 정책을 적용해, 에이전트 코드 밖의 인프라 계층에서 행동 흐름을 검사하는 구조입니다.
에이전트가 외부 도구를 호출하려 할 때 정책은 이전 실행 기록과 현재 요청을 비교합니다. 허용된 순서를 따르면 요청을 통과시키고, 금지된 조합이나 비정상적인 반복이 발견되면 실행을 거부할 수 있습니다.
특히 Gateway를 통해 여러 API와 도구를 연결한 환경이라면 통제 지점을 한곳에 모을 수 있습니다. 개별 도구마다 별도의 방어 로직을 작성하는 대신 공통 정책을 적용해 운영 복잡도를 낮추는 접근입니다.
다만 Dogwood가 모든 보안 기능을 대신하는 것은 아닙니다. 인증, 최소 권한, 입력 검증, 로그 감사와 함께 사용해야 실질적인 AI 에이전트 보안 체계를 만들 수 있습니다.
보안과 비용을 동시에 통제한다
에이전트의 반복 호출은 보안 문제인 동시에 비용 문제입니다. 잘못된 계획을 세운 에이전트가 같은 검색 API나 고비용 모델을 계속 호출하면 짧은 시간에도 사용량이 크게 늘어날 수 있습니다.
별도 AgentCore Gateway 기능인 gateway rate limiting은 사용자별 요청 수·처리 토큰·연결 시간을 초·분 단위로 제한합니다. 여기에 temporal policies를 더하면 단일 요청 속도뿐 아니라 작업 순서, 누적 지출, 반복 횟수 같은 세션 단위 조건도 통제할 수 있습니다.
예를 들어 일반 조회는 여러 번 허용하되 유료 분석 API는 한 작업당 한 번만 호출하도록 만들 수 있습니다. 예상 비용을 넘기면 추가 승인을 요구하거나, 동일한 실패가 반복되면 실행을 중단하는 규칙도 고려할 수 있습니다.
이런 정책은 AI 비용 통제를 사용량 보고서가 나온 뒤 대응하는 사후 관리에서 실행 단계의 사전 관리로 바꿔 줍니다. 비용 사고를 발견하는 것보다 발생하기 전에 멈추는 편이 훨씬 효율적입니다.
에이전트 거버넌스의 핵심은 기록과 설명 가능성
기업에서 AI 에이전트를 운영하려면 결과뿐 아니라 과정도 설명할 수 있어야 합니다. 누가 어떤 작업을 요청했고, 에이전트가 어떤 도구를 어떤 순서로 호출했으며, 어떤 정책이 실행을 허용하거나 차단했는지 기록해야 합니다.
AWS Dogwood와 같은 정책 계층은 이러한 에이전트 거버넌스를 구체적인 실행 규칙으로 옮기는 데 도움이 됩니다. 보안 지침을 문서에만 적어 두는 것이 아니라 실제 에이전트의 행동 흐름에 적용할 수 있기 때문입니다.
정책을 설계할 때는 모든 행동을 무조건 막기보다 위험도에 따라 단계를 나누는 편이 좋습니다. 낮은 위험의 조회 작업은 자동 허용하고, 데이터 변경이나 결제처럼 영향이 큰 행동에는 사용자 승인과 횟수 제한을 추가하는 방식입니다.
도입 전 확인해야 할 사항
먼저 에이전트가 사용하는 도구와 API 목록을 정리해야 합니다. 각 도구의 권한, 예상 비용, 실패 시 영향도를 분류하면 어떤 행동에 강한 정책이 필요한지 판단하기 쉬워집니다.
다음으로 정상적인 작업 순서를 정의해야 합니다. 조회, 검증, 승인, 실행처럼 반드시 지켜야 할 단계를 정한 뒤 이를 temporal policies로 표현하는 것이 핵심입니다.
정책 적용 후에는 차단 건수만 볼 것이 아니라 정상 요청이 잘못 막히는지도 확인해야 합니다. 공식 문서는 temporal policy 평가가 상태 추적을 필요로 하고, 현재 Cedar의 자동 추론 분석 도구를 temporal condition에 그대로 적용할 수 없다고 밝힙니다. 따라서 비프로덕션 환경에서 정책과 이벤트 기록을 검증한 뒤 적용 범위를 넓히는 편이 안전합니다.
마무리
AWS Dogwood의 핵심은 AI 에이전트가 무엇을 할 수 있는지만 묻지 않는 데 있습니다. 언제, 어떤 순서로, 몇 번까지 행동할 수 있는지를 정책으로 관리한다는 점이 중요합니다.
Amazon Bedrock AgentCore, gateway rate limiting, 감사 로그와 함께 활용하면 보안과 비용, 운영 책임을 하나의 흐름에서 다룰 수 있습니다. 자율성이 커지는 에이전트일수록 더 구체적인 경계와 검증 절차가 필요합니다.
한 줄 요약: Dogwood는 행동 순서와 누적 패턴을, AgentCore Gateway rate limiting은 요청·토큰·연결 사용량을 통제하는 AWS의 에이전트 거버넌스 조합입니다.
