30명 18개월 분량을 76일 만에 완수한 아마존 Bedrock 팀

AI 코딩 도구를 쓰면 개발자 개개인의 타이핑 속도가 빨라져 제품 출시일이 당겨질 것이라 믿었으나, 실제 현장에서는 코드 생성량만 늘어날 뿐 복잡한 검토와 배포 과정이라는 병목에 막혀 리드 타임이 정체되는 경우가 많다. 아마존 Bedrock 팀은 AI를 개발 프로세스의 기반으로 설정해, 30명이 12~18개월 동안 수행해야 한다고 예상한 추론 엔진 재구축 프로젝트를 6명이 76일 만에 완수했다. 이들은 5개월 만에 지난 10년간 배포한 것보다 더 많은 양의 프로덕션 코드를 출시했다.

이 팀의 정규화된 커밋 속도(Normalized commit velocity, 저장소 복잡도와 팀 규모를 조정한 주당 커밋 수)는 주당 2회에서 40회로 약 20배 급증했다. 이는 단순히 코드를 많이 짠 것이 아니라 배포 가능한 단위의 작업 속도를 높인 결과다. 프라임 비디오(Prime Video) 재무 시스템 팀 역시 10일간의 집중 작업 기간 동안 기존 베이스라인(96개)보다 6배 많은 556개의 커밋을 달성했으며, 이에 따라 90주로 예상됐던 프로젝트 기간을 24주로 단축했다.

성과는 다른 조직에서도 나타났다. 아마존 스토어(Amazon Stores) 내 25개 팀을 대상으로 한 실험에서 배포 속도는 중앙값 기준 4.5배, 최대 10배 이상 향상했다. WW 그로서리(WW Grocery) 팀은 설계 문서 작성 소요 시간을 5일에서 몇 시간으로 줄였다. 이는 AI가 코드 자동 완성을 넘어 설계와 문서화라는 고부하 작업 시간을 직접적으로 삭제했음을 보여준다.

결국 AI 도입의 성패는 개별 개발자가 하루에 생성하는 코드 라인 수가 아니라, 정규화된 커밋 속도와 배포 빈도, 그리고 아이디어가 실제 제품으로 구현되기까지의 리드 타임을 얼마나 줄였는가로 결정된다.

기술이 실제로 작동하는 방식

패스파인더 이니셔티브(Pathfinder Initiative)는 개별 태스크를 쪼개어 할당하던 기존 방식에서 벗어나 목표 기반 결과(Goal-driven outcomes)를 중심으로 워크플로우를 재설계했다. 여러 에이전트를 병렬로 배치해 동시에 작업을 수행하게 하고, 개발자가 없는 업무 외 시간에도 시스템이 자율적으로 코드를 작성하고 검증하는 체계를 구축해 운영 효율을 높였다.

구조화된 스프린트(Structured Sprint)에서는 10일 동안 컨텍스트 스위칭이 없는 집중 환경을 조성했다. 온콜 업무와 불필요한 회의를 제거한 상태에서, 시니어 엔지니어가 3주간 정의한 상세 요구사항을 바탕으로 명세 기반 개발(Spec-driven development)을 실행했다. 명확한 명세서는 에이전트가 모호함 없이 즉각적으로 코드를 구현하게 만드는 핵심 입력값이 되며, 이를 통해 인간의 판단 영역과 에이전트의 실행 영역을 엄격히 분리해 병목을 제거했다.

인시투 실험(In-situ Experiment)은 실제 운영 중인 백로그에 키로(Kiro)와 전용 AI 도구를 적용하며 새로운 실무 관행(New practices)을 이식했다. 단순히 기존 워크플로우에 AI 도구를 추가한 팀보다, 협업 방식과 코드 리뷰 절차를 재정의한 팀에서 더 높은 성과를 냈다. 기술적 성능보다 그 기술이 작동하는 실무 관행의 변화가 실제 배포 속도를 결정하는 요인이 된 것이다.

이 모든 접근법은 개발자의 역할을 코드 작성자에서 에이전트의 방향을 설정하는 스티어러(Steerer)이자 검증자로 전환하여 소프트웨어가 고객에게 도달하는 전체 경로를 최적화하는 데 집중한다.

도구 도입과 워크플로우 전환의 결정적 격차

AI를 단순한 코딩 단축키로 쓰는 팀은 개별 코드 생성 속도만 높이지만, 워크플로우를 재설계한 팀은 제품 배포 주기 자체를 앞당긴다. 생산성 병목은 에이전트의 출력 능력이 아니라, 올바른 결정을 내리는 데 필요한 도메인 지식(Knowledge)에 대한 접근 권한 부족에서 발생한다. 에이전트가 맥락을 충분히 파악하지 못하면 생성된 코드를 사람이 다시 수정해야 하며, 이 과정에서 리드 타임은 정체된다.

생산성 가속은 세 가지 요소의 곱셈으로 계산된다. 저판단 업무의 가속(1.5배), 고판단 업무에 대한 집중도 향상(1.5배), 그리고 에이전트가 캡처한 도메인 전문성에 대한 즉시 접근(1.5배)이 동시에 맞물려야 한다. 단순 반복적인 코드 작성은 AI가 처리하고, 개발자는 아키텍처 설계와 같은 고판단 업무에만 몰입할 때 시너지가 발생하며, 이 중 하나라도 결여되면 생산성 향상 폭은 급격히 감소한다.

성과를 내지 못하는 팀은 AI를 기존 프로세스에 그대로 끼워 넣는 드롭인 리플레이스먼트(Drop-in replacement, 단순 교체 도구) 방식으로 접근한다. 이들은 에이전트 작동에 필수적인 컨텍스트 구축 단계를 생략하고 즉각적인 코드 출력만을 기대해 낮은 품질의 결과물과 잦은 수정 작업을 반복한다. 반면 프런티어 팀은 최적화 지표를 개별 코드 생성 속도가 아닌, 배포 가능한 소프트웨어가 고객에게 도달하는 속도로 전환했다.

한국 엔지니어링 조직을 위한 'AI 네이티브' 전환 로드맵

전사적 일괄 도입보다 워크플로우 재설계 권한을 부여받은 소규모 팀의 의도적 파일럿(Deliberate pilot) 운영이 실질적인 전환을 이끈다. 도구의 보급률보다 중요한 것은 AI가 실제 업무 흐름에 어떻게 녹아드는지 실험할 수 있는 작은 단위의 조직을 구성하는 일이다. 이들은 AI 도입을 엔지니어링 투자로 취급하며, AI 에이전트 특성에 최적화된 새로운 협업 방식을 설계한다.

파일럿 팀은 코드를 작성하기 전, 에이전트가 이해할 수 있는 환경을 구축하는 데 집중한다. 수 주의 시간을 들여 AI의 행동 지침이 되는 스티어링 파일(Steering files)을 정의하고, 세밀한 명세 템플릿을 만들며 모노레포(Monorepo) 구성을 최적화한다. 이는 AI 에이전트가 올바른 판단을 내리는 데 필요한 도메인 지식과 컨텍스트 접근 장벽을 낮추는 작업이다.

성과 측정 대시보드에서는 코드 생성량 대신 배포 빈도, 이슈 해결 시간(Time-to-resolution), 개발자 만족도 점수를 종합적으로 측정하여 AI 도입의 실질적 가치를 데이터로 증명한다. 이렇게 확보한 정량적 지표와 시행착오 기록을 바탕으로 조직 전체가 즉시 적용할 수 있는 구체적인 플레이북(Playbook)을 제작한다. 파일럿 팀의 학습 결과를 표준화하여 전파하는 전략은 리스크를 최소화하고 전사적인 엔지니어링 생산성을 상향 평준화하는 경로가 된다.

AI 코딩 도구로 개별 타이핑 속도는 상승했으나 제품 배포까지의 리드 타임이 그대로인 조직이 많다. 아마존 Bedrock 팀이 달성한 압도적인 리드 타임 단축 결과는 워크플로우 재설계의 파괴력을 보여준다.

이제 AI 도입의 성과 측정 기준을 코드 생성량이 아닌 배포 빈도와 리드 타임으로 전환해야 한다. AI 시대의 실질적 생산성은 도구의 성능이 아니라, 작성된 코드가 실제 제품으로 구현되어 고객에게 도달하는 경로의 길이를 얼마나 줄였는가로 결정된다.