전사적 AI 도구 도입과 에이전트 워크플로우 구축

많은 개발자가 AI 도구 도입만으로 생산성이 오를 것이라 믿지만, 실제 성과는 도구가 팀 전체에 얼마나 빠르게 스며드느냐에 달렸다. 1월 1일 기준 약 25%였던 Claude Code(클로드 코드) 및 Cursor(커서)의 일일 사용률은 2월 말 100%를 기록하며 전사 도입이 완료됐다.

이 과정에서 경영진의 하향식 지시는 없었다. 도구의 품질을 개선하고 비채택자가 겪는 실질적인 마찰을 대화로 해결하며 사용자를 늘렸다. 실무자가 체감하는 효용이 조직의 강제성보다 빠르게 작동해 자연스러운 채택을 이끌어냈다.

에이전트 우선 워크플로우(Agent-first workflow) 인프라를 위해 협업 도구를 Jira(지라)에서 Linear(리니어)로 이전했다. MCP(Model Context Protocol, 모델 컨텍스트 프로토콜)를 활용하고 Slack(슬랙) 통합 기능을 개선해 AI 에이전트의 작업 효율을 높였다. 현재 Linear에서 이슈를 직접 가져와 자동으로 해결하는 내부 하네스(Harness, 개발 자동화 환경)의 알파 테스트가 거의 완료되어, AI가 이슈 인식부터 코드 수정까지 수행하는 전 과정을 자동화했다.

AI 하네스를 통한 아키텍처 통합과 자동화

프런트엔드 엔지니어 1명이 약 한 달 만에 멀티 레포를 모노레포 아키텍처로 95% 통합했다. 또한 몇 주에 걸쳐 프런트엔드 코드의 완전 정적 타입화를 수행했으며, npm에서 pnpm으로의 전환은 며칠간의 작업으로 완료했다. AI 도구와 견고한 하네스가 결합하며 대규모 아키텍처 변경을 개인 1명이 기존 시간의 10% 내에 처리하는 속도를 구현했다.

운영 프로세스는 에이전트 중심으로 최적화되었다. 테스트, CI/CD, 검증 환경을 포함해 AI의 안전한 코드 수정을 돕는 개발 하네스(Development Harness)가 핵심이다. 하네스는 고객 운영팀의 모든 인입 이슈 트리아지(우선순위 분류)를 전담하며, 데이터 웨어하우스에 제한적으로 접근해 이슈의 영향도를 산정한다. 코드 리뷰의 1차 패스는 변경 사항을 직접 구현한 동일 하네스가 수행하며, 구현 당시의 컨텍스트를 비운 상태에서 코드를 검토해 오류를 찾아낸다. 엔지니어는 단순 문법 검증 대신 고가치 피드백을 주는 판단 영역에만 집중한다.

배포 빈도 급증과 검증 시스템의 중요성

수동 배포 체계를 실시간 업데이트 방식으로 전환했다. 1년 전 주당 약 6회였던 수동 배포 횟수는 현재 주당 200~400회로 늘어났다. 인프라팀 2명이 두 달 동안 배포와 마이그레이션 운영 방식을 개편하며 이 과정의 90%를 수행했다. 엔지니어 인원은 2배 증가했지만 배포 횟수는 전년 대비 20~30배 급증했으며, 이는 운영 체계 효율화가 생산성 증가의 동력이 되었음을 보여준다.

AI가 생성한 코드가 실제 환경에서 안전하게 작동하게 만드는 비용은 개발 하네스의 수준이 결정한다. 하네스는 테스트, 검증 환경, 변경 미리보기를 통해 AI가 엣지케이스를 피해 안전하게 코드를 수정하도록 돕는 기술적 장치다. 이러한 검증 장치가 없다면 코딩 진입장벽은 낮아져도 실제 배포 가능성은 낮아진다. 결국 AI 도구의 생산성을 결정짓는 것은 코드 생성 능력이 아니라 이를 안전하게 배포하고 검증할 수 있는 하네스의 수준이다.

AI 코딩 도구 도입만으로 생산성이 오르지 않는다. 견고한 하네스가 결합되어야만 AI의 안전한 코드 수정이 보장되며, 이를 통해 개인 1명이 대규모 아키텍처 변경을 빠르게 완료할 수 있다.

천재 개발자 채용보다 도메인 컨텍스트를 가진 팀과 자동화 하네스 구축에 우선순위를 두어야 한다. AI 시대의 엔지니어링 경쟁력은 코드 생성 능력이 아니라 검증 시스템의 수준에서 결정된다.