facts

엔지니어가 실제 코드를 작성하는 시간은 전체 업무의 15%에 불과하다. GM 자율주행 부문의 라셰드 하크(Rashed Haq) 부사장이 밝힌 이 수치는, 나머지 85%의 시간이 차량 데이터 분석, 문제 분류(Triage), 실험 수행 및 수정 사항 테스트에 소요됨을 의미한다. GM은 이 85%의 영역을 AI 에이전트로 가속화하는 워크플로우 재설계를 진행했으며, 그 결과 자율주행 엔지니어링 조직 전체에서 머지된 풀 리퀘스트(PR) 수가 약 3배 증가했다.

이번 워크플로우 재설계의 핵심은 단순한 코딩 어시스턴트 추가가 아니라, 개발 전 과정을 에이전트 중심으로 다시 짠 것이다. 자율주행 개발 과정은 크게 세 가지 루프로 구분된다. 시뮬레이션 내 소프트웨어 개발 및 테스트, 공도(Public road) 차량 테스트, 고객 인도 후 차량 모니터링이 그것이다. GM은 각 루프에서 가장 병목이 심한 지점을 찾아 자동화하고 이를 반복하는 방식으로 효율을 높였다.

내부 에이전트 플랫폼을 하나의 제품으로 취급해 운영하는 체계도 도입했다. 4명의 전담 엔지니어를 배치해 실제 개발팀과 협업하며 유용한 워크플로우를 식별하고, 성공 사례를 전파하며 도구 채택을 지원했다. 이를 통해 릴리스 속도를 높이는 동시에 후반 단계로 유출되는 결함(Defects) 수를 줄였다.

how-it-works

데이터와 도구의 연결은 MCP(Model Context Protocol) 서버를 통해 이루어진다. GM은 맞춤형 MCP 서버를 구축해 에이전트가 페타바이트 단위의 사내 데이터와 내부 도구에 직접 접근할 수 있도록 설계했다. 작업 수행 방식은 버전 관리되는 '스킬(skills)'이라는 지침 문서에 정의된다. 에이전트는 이 문서에 따라 특정 작업을 수행하는 방법을 학습하고 실행한다.

실제 적용 사례 중 하나는 공도에서 수집되는 텔레메트리(Telemetry) 데이터 처리다. 에이전트가 데이터를 분석해 1차 분류를 수행하고 엔지니어가 조사해야 할 이슈를 생성한다. 이때 에이전트는 사람이 사용하는 그래픽 인터페이스 대신, 차량 텔레메트리 시각화 시스템인 WebViz의 하부 도구를 MCP 연결을 통해 직접 호출한다.

머신러닝 실험 단계에서는 백그라운드 에이전트가 병렬로 실험을 수행한다. 엔지니어가 실험의 목적과 파라미터를 정의하면, 에이전트가 테스트를 실행하고 결과를 수집하는 구조다. 에이전트의 접근 권한은 해당 도구를 사용하는 엔지니어의 권한과 동일하게 설정된다. 즉, 엔지니어가 접근할 수 없는 데이터나 도구는 에이전트 역시 사용할 수 없으며, 모든 출력물에 대한 최종 책임은 엔지니어가 진다.

implementation-impact

단순한 코딩 챗봇 도입과 워크플로우 재설계의 차이는 효율의 범위에 있다. 챗봇은 코드 작성 단계만 가속하지만, 에이전트 기반 워크플로우는 문제 발견부터 수정 검증까지의 전체 경로를 단축한다. 이를 위해 에이전트의 출력물은 반드시 사람이 읽을 수 있는(Human-readable) 형태여야 한다. 에이전트가 잠재적 문제를 식별하면 영향받는 컴포넌트를 찾고, 과거 유사 사례를 검색해 결론을 뒷받침하는 예시를 함께 제공하는 방식이다.

전체 프로세스의 속도를 높이기 전, GM은 구조화 및 비구조화 테스트와 성능 측정 지표를 먼저 수립했다. 엔지니어는 각 테스트가 의도한 목표를 여전히 정확히 포착하고 있는지 검토한 후, 작업이 프로덕션 단계로 넘어갈지 결정한다. 이러한 제어 지점을 통해 속도 향상이 품질 저하로 이어지는 것을 방지했다.

실무자가 AI 에이전트를 도입할 때 주목해야 할 점은 코드 생성 도구의 성능이 아니라 '문제 발견에서 검증된 수정까지의 전체 경로'를 매핑하는 것이다. 시뮬레이션, 도로 테스트, 배포 후 모니터링 등 각 루프의 병목 지점을 데이터 기반으로 식별하고, 해당 지점에 필요한 도구와 데이터에 대한 제어된 접근 권한을 MCP와 같은 표준 프로토콜로 연결하는 설계가 선행되어야 한다.