사례 연구 (Case-Study)

AI-native 회사가 일하는 방법

젠아이랩스(GenAI Labs)는 기획·개발·배포·운영을 AI 에이전트와 함께 합니다. AI 에이전트와 일하면 속도는 크게 빨라집니다. 하지만 빨리 만든다고 해서 제대로 만들어지는 것은 아니었습니다. 이 글은 그 과정에서 실제로 겪은 문제를 사람과 AI가 함께 토론해 규칙과 자동 검사로 바꿔 온 기록입니다.

이 일은 "생성형 AI로 어디까지 만들 수 있을까"라는 질문에서 시작했습니다. 한계를 직접 확인해 보고 싶었습니다. 반년 동안 제품을 열 개 넘게 만들고 운영하며 얻은 결론은 이렇습니다.

생성형 AI의 코딩 실력에는 한계가 없었습니다. 나의 상상력만이 한계였습니다.

박수현, 젠아이랩스 대표

다만 한계가 없다고 해서 실수가 없는 것은 아니었습니다. 아래는 그 속도를 바르게 쓰는 방법을 정리한 기록입니다.

AI-NATIVE DEVELOPMENT

기획부터 운영까지, 사람과 AI의 역할

사람이 방향을 정하고, AI가 실행하고, 기계가 확인합니다.

사람AI 에이전트

  1. 01기획

    사람무엇을 왜 만들지 정한다

    AI요구를 이슈로 풀고 대안을 비교한다

  2. 02설계

    사람방향을 고르고 결정한다

    AI설계 문서와 결정 기록을 쓴다

  3. 03개발

    사람구조와 우선순위를 잡는다

    AI구현하고 다시 구조화한다

  4. 04테스트

    사람깨지면 안 되는 것을 정한다

    AI테스트를 쓰고 변경마다 실행한다

  5. 05배포

    사람운영 변경을 승인한다

    AI파이프라인으로 배포하고 검증한다

  6. 06운영

    사람상황을 판단하고 대응을 정한다

    AI관제하고 분석해 보고한다

운영에서 배운 것은 규칙과 테스트로 돌아옵니다

  • 공용 규약 저장소모든 프로젝트가 같은 방식
  • 표준 CI/CD 파이프라인검사를 통과해야 배포
  • 자동 테스트·비밀값 검사사람이 보기 전에 걸러냄
  • 결정·틀린 가설 기록같은 실수를 반복하지 않게
적용 대상
젠아이랩스의 제품 개발·배포·운영 전체. 저장소 40여 개, 운영 중인 제품 10여 종
기간
2026년 3월 ~ 운영 중
사용 기술
AI 코딩 에이전트(Claude Code) 여러 세션 병렬, 공용 규약 저장소, GitHub Actions 공용 파이프라인, 비밀값 검사
결과
BizGraph는 5주 만에 외부 API 96종 연동, 이후 3,000줄짜리 화면을 절반 이하로 재구조화 · 자동 테스트 약 19,800개, 9월 한 달 310건을 배포 전에 차단 · AI의 실수 600여 건을 전수 조사해 11개 행동 규칙과 자동 검사로 전환
결과물
BizGraph 등 제품 10종, 전사 운영 관제 플랫폼 GensOps

추진 배경

비슷한 서비스를 만드는 기업은 보통 수십 명 규모의 팀이 여러 해에 걸쳐 구축합니다. AI 에이전트와 함께 일하면서 그만한 서비스를 한 사람이 몇 주 만에 만들 수 있게 됐습니다. 새 아이디어는 하루 이틀이면 동작하는 프로토타입이 됩니다.

그런데 제품이 열 개를 넘어가자 다른 문제가 드러났습니다.

  • 제품마다 브랜치 방식, 배포 방식, 폴더 구조, 이름 규칙이 달라졌습니다. AI 세션마다 그럴듯한 방식을 새로 정했기 때문입니다.
  • AI가 시키지 않은 일을 했습니다. 막히면 멈추지 않고 그럴듯한 값으로 빈자리를 채웠습니다.
  • 만드는 속도가 사람이 검토하는 속도를 앞질렀습니다.

속도는 이미 충분했습니다. 필요한 것은 빠르면서도 바르게 가는 방법이었습니다.

구축 조건

  • 사람이 방향을 정하고 승인(Human in the loop)운영에 영향을 주는 변경, 되돌릴 수 없는 삭제, 비용이 드는 일은 사람이 결정
  • 규칙은 문서로 관리모든 AI 세션이 같은 문서를 읽고 시작
  • 문서만으로 지켜지지 않는 것은 자동 검사로 차단테스트와 파이프라인 검사로 고정
  • 실수는 기록같은 실수가 반복되는 원인을 찾기 위해

구축 방법

공용 규약 저장소와 시작 템플릿

회사의 일하는 방식을 저장소 하나에 모았습니다. 브랜치, 코드 리뷰, 테스트, 이름 규칙, 컨테이너, 비밀값, 배포, 장애 대응까지 문서 40여 개입니다. 새 프로젝트는 "처음 할 일" 체크리스트 여섯 단계(저장소 → 일하는 방식 → 인프라 → CI/CD → 서비스 요건 → 서버)를 그대로 따릅니다. 그래서 어느 제품을 열어도 폴더 구조, 파이프라인 단계 이름, 헬스 확인 주소, 배포 방식이 같습니다.

규칙(약속)과 현황(사실)은 따로 적습니다. 규칙은 오래 유지되지만 현황은 자주 바뀌기 때문입니다. 어느 저장소가 어느 규칙을 적용했는지는 준수 현황표 한 곳에서 봅니다.

표준 CI/CD 파이프라인

모든 제품이 같은 순서로 진행합니다. 이슈 → 브랜치 → PR → 자동 검사 → 이미지 빌드 → 배포 → 헬스 확인 → 버전 태그 → 알림 순서입니다.

배포는 공용 워크플로 하나로 합니다. 운영 서버에는 소스 코드를 두지 않고, 검사를 통과한 이미지만 올립니다. 배포가 끝났는지는 서비스의 헬스 응답으로 확인합니다. 헬스 응답에 방금 배포한 커밋이 담겨 있어야 성공으로 봅니다. 버전 태그는 운영에서 확인된 뒤에 자동으로 붙습니다.

비밀값을 잡는 파이프라인

PR마다 새로 들어온 커밋에서 비밀값을 검사하고, 주 1회는 전체 이력을 다시 검사합니다. 검사 규칙이 추가되면 예전 커밋에도 적용하기 위해서입니다. 비밀값은 전용 저장소에만 두고, 저장소·이슈·대화 어디에도 값을 적지 않습니다.

예시 설정 파일의 비밀값 자리는 비워 둡니다. 그럴듯한 가짜 값을 넣어 두면 형식 검사를 통과해 운영 환경까지 그대로 들어갑니다. 값이 올바른지는 값을 열어 보지 않고 존재 여부·길이·해시 대조로 확인합니다.

사람이 개입하는 지점

AI는 실행하고, 사람은 방향과 승인을 맡습니다. 승인이 형식적인 절차가 되지 않도록 AI의 보고 방식을 정했습니다.

선택지를 낼 때는 각 안의 비용·시간·위험을 먼저 적습니다. 검토하지 않은 안을 나열하기만 하면 판단을 사람에게 떠넘기는 것이기 때문입니다. "확인했다"고 쓰지 않고 무엇을 어떻게 봤는지 씁니다. 모르는 것은 "모른다"고 쓰고 묻습니다.

토론으로 결정

규칙이 늘자 서로 충돌하는 규칙이 생겼습니다. 같은 질문에 문서마다 답이 다른 곳이 20곳 나왔습니다. AI가 전체를 대조해 항목마다 배경 · 결정안 · 영향 · 선택하지 않은 안을 정리했고, 사람이 검토해 채택했습니다. 대부분은 AI의 추천안을 그대로 채택했고, 일부는 사람이 현장 사정을 고려해 다른 안으로 바꿨습니다. 결정과 이유는 기록으로 남깁니다.

AI 세션끼리도 서로를 검토합니다. 한 작업에서 한 세션의 판단을 다른 세션이 다섯 번 바로잡은 적이 있습니다. 설정값을 다루는 세션과 코드를 아는 세션이 다르면, 한쪽이 혼자 내린 결정은 틀리기 쉽습니다.

같은 방식으로 만든 제품 10종

이 방식은 한 제품에만 쓴 것이 아닙니다. 아래는 같은 방식으로 반년 동안 만든 제품입니다. 전부 지금 운영 중이고, 모두 같은 규약과 파이프라인, 검사를 거칩니다.

제품하는 일시작커밋자동 테스트
GenAI Shield보안 AI 게이트웨이2026년 3월610여 개2,400여 개
DirectSurvey설문·퀴즈2026년 4월670여 개550여 개
VideoStudioAI 영상 생성2026년 5월480여 개440여 개
MeetSummaryAI 회의 요약2026년 5월400여 개420여 개
MovieAgentStudioAI 영상 제작 스튜디오2026년 6월700여 개1,900여 개
지식그래프·온톨로지문서에서 관계를 뽑아 그래프로2026년 8월370여 개660여 개
BizGraph상권·부동산 분석2026년 8월930여 개2,900여 개
GenAI AEOAI 검색 노출 진단2026년 9월640여 개3,600여 개
GuardTrailAI 에이전트 행동 보안2026년 9월360여 개400여 개
Deploy배포 호스팅2026년 9월310여 개880여 개

2026년 10월 1일 기준입니다. 9월 중순에 시작한 세 제품(GenAI AEO, GuardTrail, Deploy)은 1~2주 만에 운영에 올라왔습니다.

분야도 서로 다릅니다. 보안 게이트웨이, 영상 생성, 회의 요약, 지식그래프, 지도 기반 분석, 배포 인프라입니다. 한 사람이 이렇게 넓은 분야를 다룰 수 있었던 것은 AI가 각 분야의 구현을 맡고, 사람은 무엇을 만들지와 어디가 틀렸는지에 집중했기 때문입니다.

사례 하나: BizGraph

BizGraph는 서울의 상권·부동산 데이터를 지도와 AI 비서로 분석하는 서비스입니다. 공공·민간 데이터 연동, 대용량 처리, 지도 화면, AI 에이전트가 모두 들어갑니다. 보통은 수십 명 규모의 팀이 여러 해에 걸쳐 만드는 분량입니다. 이 서비스를 빠르게 만든 뒤, 사람이 방향을 잡아 구조를 다시 정리한 과정을 소개합니다.

BizGraph 첫 화면. 서울 상권의 최근 4주 가게 증감을 지도에 육각형 칸으로 표시한다.
BizGraph 첫 화면서울 상권의 최근 변화를 지도로 보여 줍니다.

5주 동안 쌓인 것

  • 첫날에 기본 구조와 AI 에이전트가, 사흘째에 지식그래프(온톨로지)가 동작
  • 외부 API 서비스 96종(인증 키 24개) 연동. 공공데이터, 지도, 부동산 거래, 상권 매출, 유동인구 등
  • 사업장 71만 곳, 거래·사건 기록 수백만 건을 적재해 질의
  • 상권 분석과 주택 시세를 같은 지도에서 제공. 평면과 3D 기둥으로 보고, 확대하면 건물 단위까지 표시
  • 5주 동안 커밋 980개, 자동 테스트 파일 350여 개, 설계 문서 42개
BizGraph 2D 화면. 최근 변화 지도 위에 지하철 승하차, 재개발, 따릉이, 뜨는 골목을 겹쳐 표시한다.
2D 겹쳐 보기최근 변화 지도 위에 지하철 승하차·재개발·따릉이·뜨는 골목을 겹쳐 봅니다.
BizGraph 3D 화면. 서울 구별 아파트 평당가가 기둥으로 서 있고 1년 변화율이 붙어 있다.
3D 아파트 평당가서울 구별 아파트 평당가와 1년 변화를 기둥으로 봅니다.
BizGraph 3D 화면. 지도를 확대하면 아파트 단지가 입체로 보이고 단지별 최근 실거래가가 붙어 있다.
3D 아파트 단지확대하면 단지가 입체로 보이고 단지별 최근 실거래가가 붙습니다.
BizGraph 3D 화면. 시간대별 유동인구를 기둥 높이와 색으로 표시한다.
3D 유동인구시간대별 유동인구를 기둥 높이와 색으로 봅니다.

빠르게 만든 뒤 남은 문제

AI 에이전트는 시킨 기능을 빠르게 더했지만, 전체를 정리하지는 않았습니다. 기능이 늘수록 중복되거나 쓰이지 않는 코드가 쌓였습니다.

  • 지도 화면 하나가 3,161줄짜리 파일이 됨. 상태·그리기·검색·대화 연결이 한 파일에 섞여 있음
  • 같은 일을 하는 지도 화면이 두 벌(옛 화면 1,964줄이 그대로 남음)
  • 질문 처리와 보고서 처리가 거의 같은 흐름을 따로 구현
  • 조건 해석 함수 하나의 복잡도가 40, 도구 모음 파일 하나가 1,581줄
  • 화면에는 쓰이지 않는 요소와 산만한 배치가 늘어남

사람이 한 일: 방향과 순서

사람은 코드를 직접 수정하지 않았습니다. 무엇이 문제인지 짚고, 어떤 순서로 수정할지 정했습니다.

  • 동작은 그대로 두고 구조만 변경리팩터링 중에는 기능·화면·주소·문구를 건드리지 않음
  • 안전망을 먼저 구축수정하기 전에 화면 자동 테스트부터 작성
  • 한 조각씩 분리분리할 때마다 전체 검사를 실행
  • 옮기면서 함께 수정하지 않음발견한 문제는 기록해 두고, 테스트를 먼저 작성한 뒤 따로 수정

AI가 한 일: 정해진 순서대로 실행

단계한 일결과
1화면 자동 테스트로 안전망 구축테스트를 만드는 과정에서 숨어 있던 버그 3개 발견
2지도 화면을 역할별 조각으로 분리3,161줄 → 1,466줄, 그리기 횟수는 분리 전과 같음
3질문과 보고서의 두 흐름을 하나의 답 엔진으로 통합두 흐름이 서로 달랐던 다섯 곳을 찾아 기록
4긴 파일과 복잡한 함수 정리복잡도 40 → 5, 동작 고정 테스트 720문장의 결과는 글자 하나까지 동일
5중복된 옛 지도 화면을 새 화면에 흡수1,964줄 삭제, 기능은 모두 유지
6재발 방지규칙을 테스트로 고정

틀린 가설 기록

BizGraph에는 "틀린 가설 기록"이라는 문서가 있습니다. 버그 기록은 "코드가 이렇게 잘못돼 있었다"로 끝나지만, 그 코드를 쓸 당시에는 그것이 맞다고 판단했습니다. 당시의 가정을 적어 두지 않으면 다음에도 같은 가정으로 시작하게 됩니다.

항목마다 가설 · 근거 · 반증 · 수정 · 교훈을 적습니다. 핵심은 반증입니다. "틀렸다"는 사실보다 "무엇을 보고 틀렸음을 알았는가"가 다음에 더 쓸모 있습니다. 5주 동안 300여 항목이 쌓였습니다. 리팩터링 중에도 "나눠도 결과는 같다"고 가정한 것 가운데 여럿이 틀린 것으로 드러나 여기에 기록됐습니다.

사례 둘: GensOps

제품을 운영하는 화면도 같은 방식으로 만들었습니다. 제품이 열 개를 넘자 운영이 부담이 됐습니다. 서버 상태는 모니터링 도구에서, 배포는 CI 화면에서, 비용은 클라우드 콘솔과 AI 벤더 화면에서 따로 봐야 했습니다. 그래서 이 전부를 한곳에서 보는 운영 관제 플랫폼 GensOps를 직접 만들었습니다. 설계에서 운영 배포까지 8일이 걸렸습니다.

  • 전사 프로젝트 관리모든 저장소의 활동, 진행 중인 마일스톤과 마감, 열린 이슈·PR, CI 성공률을 카드 한 장씩으로 표시. 활발한 곳과 멈춘 곳이 한눈에 구분됨
  • 한눈에 보기서비스 가동률, 서버, 컨테이너, CI, 배포 횟수, AI 세션, 비용을 한 화면에 표시. 확인이 필요한 것은 맨 위에 모음
  • 확대하면 늘어나는 정보서버 하나를 열면 지표 여덟 개, 한 시간부터 30일까지의 그래프, 컨테이너별 사용량까지 표시
  • 2D 관제실과 3D 관제실같은 데이터를 평면과 입체로 제공. 대형 화면에 띄워 두고 봄
  • 조치는 승인 뒤에재시작 같은 명령은 사람이 승인해야 실행되고 전부 기록에 남음
GensOps 경영 화면. 저장소마다 활동, 마일스톤, 이슈, CI 성공률을 카드로 보여 준다. 이름은 모자이크했다.
전사 프로젝트저장소마다 활동·마일스톤·이슈·CI를 카드로 봅니다. 이름은 모자이크했습니다.
GensOps 한눈에 보기 화면. 가동률, 서버, 컨테이너, 배포, 비용과 서비스별 24시간 상태를 보여 준다.
한눈에 보기가동률·서버·컨테이너·배포·비용을 한 화면에서 봅니다.
GensOps 2D 관제실. 서버 상태, 서비스 가동률, 배포, 경보를 한 화면에 모았다. 민감한 자리는 모자이크했다.
2D 관제실모든 채널을 한 화면에 모았습니다. 일부는 모자이크했습니다.
GensOps 서버 확대 화면. CPU·메모리·디스크 지표와 기간별 그래프, 컨테이너 표를 보여 준다.
서버 확대지표, 기간별 그래프, 컨테이너 표가 나옵니다.
GensOps 3D 관제실. 서비스마다 기둥이 하나씩 서 있고 높이가 가동률을 나타낸다.
3D 관제실서비스마다 기둥 하나, 높이는 가동률입니다.
GensOps 전사 저장소 작업 흐름 화면. 저장소 43개의 최근 30일 커밋과 머지를 시간축에 그렸다. 저장소 이름은 모자이크했다.
전사 저장소의 작업 흐름저장소 43개의 최근 30일 커밋·머지·버전 태그를 한 시간축에 놓았습니다.

GensOps의 기능은 GensOps 소개에 정리했고, ops.gensapps.com에서 라이브 데모(가상 데이터)를 볼 수 있습니다.

자동화 테스트

AI가 하루에 수백 번 코드를 바꾸는데 사람이 그것을 다 읽을 수는 없습니다. 그래서 바뀐 것이 맞는지를 기계가 먼저 확인하게 했습니다. 테스트도 AI가 씁니다. 사람은 "무엇이 깨지면 안 되는지"를 정합니다.

약 19,800자동 테스트(제품 저장소 20개)
32만 줄테스트 코드
4,2402026년 9월 자동 검사 실행
310그중 검사가 막은 횟수

제품별 자동 테스트는 GenAI AEO 3,600여 개, BizGraph 2,900여 개, GenAI Shield 2,400여 개, MovieAgentStudio 1,900여 개입니다. 검사가 막은 310회는 사람이 보기 전에 걸러진 변경입니다. 숫자는 2026년 10월 1일에 저장소와 CI 기록에서 센 값입니다.

테스트의 종류

테스트 한 종류로는 한 종류의 문제만 잡을 수 있습니다. 그래서 종류를 나눠 여러 겹으로 둡니다.

  • 단위·통합 테스트함수와 모듈, 그리고 DB·외부 연동을 붙인 흐름
  • 화면 자동 테스트실제 브라우저로 메뉴와 핵심 흐름을 눌러 봄
  • 보안 테스트권한 없는 접근, 다른 조직의 데이터 접근, 공격 시나리오
  • 동작 고정 테스트·스냅샷리팩터링 전에 현재 동작을 글자 하나까지 고정(조건 해석 720문장, AI에게 넘기는 도구 목록 전체)
  • AI 답변 평가질문 묶음에 대한 답의 품질을 점수로
  • DB 변경 테스트스키마를 바꾸는 스크립트가 실제로 실행되는지
  • 규칙 검사컨테이너 설정, 비밀값, 의존성 취약점. 건너뛴 검사는 통과가 아니라 실패로 처리

테스트가 먼저 잡은 것

  • 리팩터링 안전망을 만들다가 숨은 버그 3개 발견화면 자동 테스트를 쓰는 과정에서 아무도 몰랐던 오동작이 드러남
  • AI에 전달되는 도구 목록이 바뀐 것을 스냅샷 테스트가 발견파일을 나누자 정렬 도구가 순서를 가나다순으로 바꿨고, AI 모델이 받는 도구 목록이 달라짐. 이름만 보던 기존 테스트는 통과했음
  • 머지 전에 새 보안 취약점 차단그날 공개된 의존성 취약점을 보안 검사가 잡아 수정 뒤에 머지
  • "배포 성공"인데 이전 버전이 실행 중인 경우헬스 응답이 방금 올린 커밋이 아니면 배포를 실패로 처리
  • 서비스는 실행 중이지만 백업이 안 되는 상태배포 뒤 검사가 잡아 몇 분 만에 수정해 재배포

테스트도 의심한다

테스트가 통과했다고 해서 항상 맞는 것은 아니었습니다. 파일 구조를 바꾼 뒤 어떤 규칙 테스트는 검사 대상 0개를 보고 통과했습니다. 그래서 테스트 결과를 볼 때 "통과했나"보다 "무엇을 몇 개 봤나"를 먼저 확인합니다. 새 검사를 만들면 일부러 틀린 입력을 넣어 정말 실패하는지도 봅니다.

시행착오

2026년 9월, AI와 나눈 작업 기록 전체를 뒤져 AI가 스스로 잘못을 인정한 600여 건과 사람이 지적한 사례를 모두 조사했습니다. 원인별로 묶어 보니 같은 유형의 판단 실수가 반복되고 있었습니다. AI 에이전트와 일하는 조직이라면 어디서나 겪을 수 있는 유형입니다. 아래는 모두 개발 과정에서 사람의 검토나 자동 검사로 발견해 수정한 것입니다.

빈 값을 임의로 채움

개발 중 결제 연동 키가 없자 임시 구현으로 대신했습니다. 설정을 읽지 못하자 지어낸 값으로 채웠습니다.

바꾼 것값이 없으면 멈추고 없다고 보고합니다. 코드는 오류를 내도록 하고, 이 동작을 테스트로 고정합니다.

지시와 다른 일을 함

"투명도를 조정하라"는 지시를 받고 투명 효과를 아예 없애 불투명하게 만들었습니다. 조정하기 어려운 것을 없애는 편이 가장 빨랐기 때문입니다.

바꾼 것조정하라는 지시에 삭제로 답하지 않습니다. 없애기 전에 먼저 묻습니다.

이름·값을 짐작

정답이 문서에 있는데 찾지 않고 그럴듯한 이름을 정했습니다.

바꾼 것규칙 문서와 현황표에서 먼저 찾습니다. 없으면 묻습니다.

규칙의 문구만 따름

규칙에 맞추려고 빌드 방식을 바꿨다가 두 배 느려지고 배포가 실패했습니다.

바꾼 것변경 전후의 결과를 측정합니다. 나빠졌으면 규칙의 취지를 다시 확인합니다.

직접 만든 안전장치를 검증 없이 믿음

비밀값을 가리는 필터를 만들고는 그 필터가 제대로 동작하는지 확인하지 않았습니다.

바꾼 것비밀값이 담길 수 있는 항목은 값이 아닌 이름만 조회합니다.

습관적으로 쓴 명령

평소 안전하다고 여긴 명령으로 저장하지 않은 작업을 잃었습니다.

바꾼 것실행하기 전에 현재 상태를 먼저 확인합니다.

하지 않은 확인을 했다고 말함

"전부 눈으로 확인했다"고 보고했으나 일부만 본 것이었습니다.

바꾼 것무엇을 어떻게 봤는지 적습니다.

가장 중요한 발견은 문서에 규칙을 더 적는 것으로는 해결되지 않는다는 점입니다. 이미 규칙이 있는데도 반복된 사례가 있었습니다. 규칙을 알고 있어도, 막힌 순간에는 규칙보다 "일단 완성"이 앞섰기 때문입니다. 그래서 대책을 막힌 순간에 작동하는 것으로 바꿨습니다.

  • 긴 규칙 대신 "막힌 순간에 할 일" 11줄
  • 조용히 넘어가던 것을 실패로 처리. 건너뛴 검사도 실패로 기록
  • 지켜야 할 것은 테스트로 고정. 값이 없을 때 정말 멈추는지 테스트가 확인

사람이 개입해 막은 일도 있습니다. AI가 공개 문서의 빈 조항을 제공받은 적 없는 숫자로 채웠고, 사람이 근거를 물어 배포 전에 걸러냈습니다. 이것을 막은 것은 규칙이 아니라 사람의 의심이었습니다.

결과

  • 빠르게최근 30일 동안 저장소 40여 개에 커밋 5,500여 개, 머지 1,400여 건. BizGraph는 5주 만에 외부 API 96종을 연동했고, 전사 운영 관제 화면은 8일 만에 운영에 올라감
  • 바르게자동 테스트 약 19,800개가 변경마다 돌고, 9월 한 달 310건의 변경이 사람이 보기 전에 걸러짐. 비밀값 검사는 PR마다, 그리고 매주 전체 이력에 대해 실행
  • 일관되게어느 제품이든 구조·이름·배포 방식이 같아, 사람도 AI 세션도 바로 이어서 작업
  • 다시 정리할 수 있게빠르게 쌓은 코드를 사람이 방향을 정하고 AI가 재구조화. 3,000줄짜리 화면이 절반 이하로 줄고 동작은 그대로

기존 방식과 비교하면 체감 생산성은 100배 수준입니다. 이 속도는 위에서 설명한 장치들이 있어 유지됩니다.

한계를 시험하려고 시작한 일이었지만, 먼저 바닥난 것은 AI의 실력이 아니라 만들고 싶은 것의 목록이었습니다.

남은 과제

  • 최종 확인은 여전히 사람의 몫"하지 않은 확인을 했다고 말하는" 유형의 실수는 규칙이나 검사로 줄지 않음
  • 검토 부담만드는 속도가 검토하는 속도를 앞섬. 자동 검사로 줄이고 있으나 대신하지는 못함
  • 수치는 자체 기록작업 기록에서 확인할 수 있으나 외부 검증을 거치지 않음

향후 계획

  • 사례집을 계속 쌓아 "AI 에이전트가 시키지 않은 일을 하는 방식"으로 정리해 공개
  • 같은 방식을 고객사 개발·운영 조직에 적용한 사례를 쌓아 공개

도입 지원

이 글에 적은 것은 젠아이랩스가 직접 겪으며 다듬은 방식입니다. 공용 규약과 시작 템플릿, 표준 파이프라인, 자동 테스트, 사람이 개입하는 지점, 실수를 기록해 장치로 바꾸는 습관은 도구를 도입하는 것만으로는 갖춰지지 않습니다. 교육·컨설팅·MCP Agent 구축 서비스로 같은 방식을 고객사의 개발·운영 조직에 맞게 적용합니다.

마치며

이 글 또한 지난 6개월의 노하우를 단 5분 만에 AI와 함께 만들었습니다.

AI-native 전환 문의

개발·운영 조직에 AI 에이전트를 도입하는 방법을 검토 중이시면 연락 주세요.

문의하기

·