· 개발 AX · 읽는 시간 약 11분
AX 현장 노트: 16주 동안 일의 순서를 다시 짠 기록
직원마다 AI 계정이 있고, 사내 메신저에는 챗봇도 붙었습니다. 그런데 결재와 확인, 보고의 순서는 예전 그대로입니다. 글로벌 자동차 부품사의 대형 시스템을 AI가 일하는 방식으로 만든 프로젝트 하나를 처음부터 따라가며, 어떻게 적용했는지, 무엇이 달라졌는지, 그리고 우리 회사는 어디서부터 시작하면 되는지까지 정리합니다.
AI를 얹었지만 일은 그대로
AI를 도입한 회사를 만나면 비슷한 장면이 반복됩니다.
- AI 서비스 계정은 모두에게 있지만, 쓰는 사람만 씁니다.
- PoC는 여러 번 했지만, 운영으로 넘어간 것은 없습니다.
- 보고서 초안은 빨라졌는데, 결재와 확인은 예전 그대로입니다.
일의 순서는 그대로 둔 채 AI를 도구로 얹었기 때문입니다. 도구는 한 단계를 조금 빠르게 해 줄 뿐, 누가 어떤 순서로 일하는지는 바꾸지 않습니다.
AX는 AI를 들여오는 일이 아니라, AI가 일한다는 전제로 일의 순서를 다시 짜는 일입니다.
DX와 무엇이 다른가
디지털 전환(DX)과 나란히 놓으면 차이가 분명해집니다.
| 구분 | DX | AX |
|---|---|---|
| 목표 | 아날로그 업무를 디지털로 옮깁니다 | 디지털 업무를 AI가 수행하도록 다시 설계합니다 |
| 일하는 주체 | 사람이 시스템을 조작합니다 | AI가 실행하고 사람이 판단·승인합니다 |
| 시스템 연동 | 사람이 화면으로 시스템을 다룹니다 | AI 에이전트가 API·CLI·MCP 같은 연동 인터페이스로 시스템을 직접 호출합니다 |
| 성과 | ‘시스템을 열었나’를 묻습니다 | ‘리드타임·처리량·품질이 바뀌었나’를 묻습니다 |
AX인지 확인하는 세 가지 질문
지금 하고 있는 AI 도입이 AX인지는 세 가지로 확인할 수 있습니다.
- AI가 실행하고, 사람은 판단하나요?
- 업무 시스템이 AI 에이전트와 연동돼 있나요?
- 도입 건수가 아니라 일의 속도와 품질로 재고 있나요?
변경이 비싼 진짜 이유
프로그램 관리·수익성 분석 시스템이었습니다. 수주·원가·수익성·품질·일정까지 12개 업무 영역을 하나로 묶어야 했고, 현업·PMO·개발팀이 함께 움직였습니다. 16주 안에 기능 225개를 만들어야 하는데, 요구사항은 매일 바뀌었습니다. 여러 부서가 함께 쓰는 시스템에서는 요구사항이 매일 들어오고, 어제 정한 것이 오늘 바뀝니다.
대형 프로젝트에서 변경이 두려운 이유는 코드를 고치는 시간이 아닙니다. 변경 한 건이 들어오면 이런 일이 줄줄이 따라옵니다.
- 변경 한 건
- 요구사항을 분석하고 영향 범위를 확인합니다
- 설계 문서를 고칩니다
- 테스트 시나리오를 다시 씁니다
- 배포하고 진척 보고를 고칩니다
이 일을 모두 사람이 손으로 하니 변경은 비싸고 느립니다. 그래서 보통은 요구사항을 미리 묶어 두거나 변경 요청서로 막습니다. 그러면 몇 달 뒤 오픈하는 날, 현업에게서 ‘이게 아닌데’라는 말을 듣게 됩니다.
변경을 막으면 오픈하는 날 비용을 치릅니다. 변경 한 건의 비용을 낮추면, 변경을 받아들일 수 있습니다.
질문을 바꾸다
질문을 ‘변경을 어떻게 막을까’에서 ‘변경 한 건을 처리하는 비용을 어떻게 낮출까’로 바꿨습니다.
답은 사람을 더 넣는 것이 아니었습니다. 변경을 따라다니는 분석·문서·테스트·코드·기록은 AI 에이전트가 맡고, 사람은 범위를 승인하고 결과를 확인하도록 일을 다시 나눴습니다.
요구사항 한 건을 처음부터 끝까지
요즘 많은 팀이 AI로 코드를 씁니다. 하지만 코드만 빨라지면 느린 구간이 코드 앞뒤로 옮겨 갈 뿐입니다. 그래서 AI 에이전트에게 코드 한 줄이 아니라 요구사항 한 건을 처음부터 끝까지 맡겼습니다. 요구사항 한 건은 다섯 단계로 흘렀습니다.
| 단계 | AI가 하는 일 | 사람이 하는 일 |
|---|---|---|
| 요구사항 | 요구사항을 분석해 PRD 초안을 씁니다 | 요구사항을 등록하고, 범위를 승인합니다 |
| 설계 | 개발 스펙과 테스트 시나리오를 쓰고 개발항목으로 나눕니다 | 스펙을 검토합니다 |
| 구현 | 코드와 테스트를 쓰고 로컬에서 검증한 뒤 머지 요청을 올립니다 | 리뷰하고 머지를 승인합니다 |
| 배포 | 회차별 릴리스 노트를 씁니다 | — |
| 기록 | 단계를 시작하고 마칠 때마다 요구사항 관리 시스템에 기록합니다 | 화면에서 확인하고 완료를 승인합니다 |
머지된 변경은 정해진 시각에 배포됩니다. 기준일(2026년 10월 8일)까지는 하루 3회 정기 배포했습니다. 진척률은 기록 단계의 기록에서 계산됩니다.
가장 크게 달라진 것은 속도보다 사람의 자리였습니다. 직접 쓰던 자리에서 요청하고, 승인하고, 확인하는 자리로 옮겼습니다. 앞 단계가 끝나야 다음 단계를 시작할 수 있고 범위는 승인으로만 늘어나기 때문에, 속도가 빨라져도 결정은 사람에게 남습니다. AI에게 코드 한 줄이 아니라 요구사항 한 건을 맡기면, 사람은 작성자에서 판단하는 사람으로 자리를 옮깁니다.
업무 시스템을 AI 에이전트와 연동하다
AI 에이전트가 요구사항 한 건을 처음부터 끝까지 끌고 갔다면, 질문이 생깁니다. AI는 요구사항을 어디서 읽고, 진척은 어디에 기록했을까요?
프로젝트의 요구사항과 개발항목은 별도의 요구사항 관리 시스템에서 관리했습니다. 사람이 웹 화면으로 쓰도록 만든 시스템이었습니다. 그대로 두면 AI가 만든 결과를 사람이 다시 옮겨 적어야 하고, 진척 보고는 또 하나의 수작업이 됩니다.
그래서 요구사항 관리 시스템의 API를 CLI(명령줄 도구)로 감싸 AI 에이전트와 연동했습니다. 개발을 맡은 AI 에이전트가 터미널에서 일했기 때문에, API를 얇게 감싼 CLI 하나를 공식 연동 수단으로 두고 MCP 서버는 따로 만들지 않았습니다. CLI는 API와 같은 저장소에서 관리해, API가 바뀌면 같은 변경에서 함께 고칩니다.
연동하고 나니 AI 에이전트가 하는 일이 달라졌습니다.
- 요구사항을 직접 읽고 개발 맥락으로 씁니다.
- PRD를 작성해 해당 요구사항에 등록합니다.
- 개발항목을 나눠 등록합니다.
- 단계를 시작하고 마칠 때마다 직접 기록합니다.
AI 에이전트는 결과물만 내놓는 도구가 아니라 업무 기록을 함께 남기는 참여자가 됐습니다.
API든 CLI든 MCP든 연동 방식은 상황에 맞게 고르면 됩니다. 중요한 것은 형태가 아니라, 업무 시스템이 AI 에이전트와 연동돼 있느냐입니다.
16주 동안 숫자로 본 변화
이렇게 일한 결과를 숫자로 정리합니다. 기준일은 2026년 10월 8일입니다.
| 항목 | 값 |
|---|---|
| 업무 영역 | 12개 |
| 기능 | 225개 |
| 화면 | 700여 개 |
| API | 약 3,000개 |
| 코드 | 135만 줄 |
| 테스트 파일 | 1,100여 개 |
| 항목 | 값 |
|---|---|
| 기간 | 약 16주 |
| 요구사항 반영 | 500여 건 |
| 머지 요청 | 2,800건 이상 |
| 머지 | 하루 평균 37건 |
| 정기 배포 | 하루 3회 |
| 커밋 | 1만 건 이상 |
| 개발 절차를 담은 AI 스킬 | 16종 |
개발은 전 과정 바이브코딩(Vibe Coding)으로 했습니다.
이 숫자에서 저희가 중요하게 생각하는 것은 크기보다 출처입니다. 모든 수치는 누군가 보고서에 적은 값이 아니라 저장소의 기록에서 센 값이고, 같은 방법으로 언제든 다시 잴 수 있습니다. 일이 끝날 때마다 기록이 남도록 일하는 방식을 만들었기 때문에 가능한 일입니다.
아직 재지 못한 것
솔직하게 말씀드리면, 이 숫자는 시스템을 ‘만드는 일’이 얼마나 달라졌는지를 보여 줍니다. 이 시스템으로 현업의 일이 얼마나 빨라지고 정확해졌는지는 아직 재지 못했습니다. 그 숫자를 만드는 것이 다음 숙제입니다. 그 계획은 아래 「다음 단계」에서 다룹니다.
속도를 만든 것은 도구가 아니라 규칙
요구사항 관리 시스템을 AI 에이전트와 연동하면 걱정이 따라옵니다. ‘AI가 잘못 지우거나, 마음대로 범위를 늘리면 어떻게 하나요?’
저희의 답은 AI를 믿는 것이 아니라, AI가 넘을 수 없는 경계를 시스템에 만들어 두는 것이었습니다. 16주를 돌아보면, 속도를 만든 것도 특정 AI 도구가 아니라 일하면서 부딪히고 다듬은 규칙이었습니다.
| 규칙 | 지킨 방식 |
|---|---|
| 되돌리기 어려운 일은 열지 않았습니다 | 요구사항·개발항목 삭제와 완료 되돌리기는 AI가 쓰는 CLI에 아예 없습니다. 웹 화면에서 사람이 직접 합니다 |
| AI도 담당자 권한 안에서만 움직입니다 | AI는 사람이 발급한 토큰으로 일하고, 서버가 그 사람의 권한을 그대로 검사합니다. 개발자라면 본인이 등록했거나 배정받은 항목만 고칠 수 있습니다 |
| 순서는 서버가 지킵니다 | 앞 단계가 끝나지 않으면 다음 단계를 시작할 수 없습니다 |
| 범위는 승인으로만 늘어납니다 | 요구사항 승인이 곧 범위 승인이고, 이 승인은 검토 권한이 있는 사람만 합니다. 요구사항 없이 바로 추가한 항목도 결재자의 범위 승인을 따로 받습니다 |
| 머지는 사람이 승인합니다 | 코드는 AI가 쓰지만, AI는 자기가 만든 코드의 검토자가 될 수 없습니다. 자동 검사 통과는 승인이 아니라 최소 요건입니다 |
| 진척은 손으로 적지 않습니다 | 단계가 실제로 끝날 때 기록이 남고, 진척률은 그 기록에서 계산됩니다. 진척 보고를 따로 쓰지 않아도 됩니다 |
| 절차는 AI 스킬로 고정합니다 | 작업 시작부터 사전 점검, 머지 요청, 머지, 배포 기록까지 개발 절차를 AI 스킬 16종으로 만들었습니다. 누가 작업해도 같은 순서로 진행됩니다 |
인증 정보도 맡기지 않았습니다. 토큰 발급과 설정은 사람이 직접 하고, AI는 비밀번호나 토큰 값을 받지 않습니다. 인증 정보는 명령줄이나 명령 기록에도 남지 않게 했습니다.
변경은 받아들이되, 범위가 모르는 사이에 늘어나지는 않습니다. 경계가 분명하니 그 안의 일은 오히려 안심하고 맡길 수 있었습니다. 16주 동안 하루 3회 정해진 시각에 배포한 속도도 이 경계 위에서 나왔습니다(기준일 2026년 10월 8일).
처음부터 잘 된 것은 아닙니다
처음에는 진척률을 사람이 직접 입력했습니다. 8월 초에 확인해 보니 개발항목 185건의 진척률이 모두 0으로 남아 있었습니다. 그래서 입력하는 대신 단계 기록에서 계산하도록 바꿨습니다. ‘진척은 손으로 적지 않습니다’라는 규칙은 이렇게 생겼습니다.
AI가 쓴 코드를 다른 AI가 한 번 더 검토하는 단계도 두었습니다. 그런데 시간과 비용은 크게 늘고 결과는 실행할 때마다 달라서 기준으로 쓸 수 없었습니다. 9월에 이 단계를 없애고, 마지막 확인을 사람의 머지 승인과 배포 후 확인으로 정리했습니다.
AI 도구는 몇 달마다 바뀝니다. 하지만 규칙은 도구가 바뀌어도 남습니다. AX에서 오래 남는 결과물은 시스템보다 일하는 방식이라고 생각하는 이유입니다.
도구는 몇 달마다 바뀌어도, 규칙은 남아서 속도를 만듭니다.
AX는 결국 일하는 사람의 이야기
AX에서 가장 많이 바뀌는 것은 시스템이 아니라 사람의 하루입니다. 이 프로젝트는 현업·PMO·개발이 함께 움직였고, 세 역할의 일이 모두 달라졌습니다.
| 역할 | 하지 않게 된 일 | 대신 한 일 |
|---|---|---|
| 현업 | 오픈 직전에 한꺼번에 테스트 | 개발 환경에서 매일 확인하고 바로 피드백했습니다 |
| PMO | 엑셀로 진척을 모아 보고 | 진척은 기록에서 계산되니, 범위를 승인하고 우선순위를 정하는 일에 집중했습니다 |
| 개발 | 코드 작성(코드는 AI 에이전트가 씁니다) | 그 결과를 리뷰하고 머지를 판단했습니다 |
정해진 시각에 하루 3회 배포했기 때문에, 현업은 빠르면 어제 요청한 것을 오늘 화면에서 확인할 수 있었습니다. 개발자에게는 무엇을 만들지 정확히 요청하는 능력이 더 중요해졌습니다.
변화는 배포와 교육으로 만들었습니다
이 변화는 저절로 오지 않았습니다. 개발 절차를 담은 AI 스킬을 하나의 플러그인으로 묶고, 설치 가이드·스킬 설명서·교육 자료·운영 매뉴얼과 함께 배포해 개발자 누구나 같은 절차로 일하게 했습니다. 시스템 사용자 교육도 따로 진행했습니다.
좋은 방식을 몇 사람만 쓰면 그 사람만 빨라집니다. 모두가 같은 방식으로 일해야 조직이 빨라집니다.
AX를 도입할 때 시간이 드는 것은 기술보다 사람이 새 방식에 익숙해지는 일입니다. 그래서 리부트는 시스템과 함께 일하는 방식과 교육까지 결과물로 남깁니다.
다음 단계: 시스템을 넘어 현업 업무로
지금까지는 시스템을 ‘만드는 일’의 AX였습니다. 다음은 시스템을 ‘쓰는 일’입니다. 시스템이 완성돼도, 현업이 여러 화면을 오가며 같은 정보를 옮겨 적는 일은 남습니다. AX는 이 일까지 바뀌어야 끝납니다.
원리는 개발에서 쓴 것과 같습니다.
- 업무 지식은 스킬(Skill)에 — 업무 절차와 규칙을 AI가 따를 수 있게 정리합니다.
- 실행은 기존 시스템에 — 시스템을 새로 만들지 않고, API·CLI로 AI 에이전트와 연동합니다.
- 결정은 사람에게 — AI가 계획을 보여 주고, 사람이 승인해야 실행합니다.
이 원리를 누구나 확인할 수 있게 데모로 만들었습니다. 가상 회사의 계약 한 건으로 개통 요청과 첫 달 청구 초안을 만드는 업무입니다. 지금 방식이라면 같은 계약 정보를 양식에 12번 입력하고 시스템 3개를 오가야 합니다. 데모에서는 자연어 요청 1번과 계획 승인 1번이면 됩니다.
지금 방식
- 같은 계약 정보를 양식에 12번 입력
- 시스템 3개
데모
- 자연어 요청 1번
- 계획 승인 1번
지금은 같은 원리를 실제 프로젝트의 현업 업무에 적용하려고 준비하고 있습니다. 이번에는 시작하기 전에 입력 횟수와 처리 시간 같은 지금의 숫자부터 재 두려고 합니다. 앞에서 말씀드린 ‘아직 재지 못한 숫자’를 전후 비교로 보여 드리기 위해서입니다.
우리 회사는 어디서부터 시작할까
‘좋은 이야기인데, 우리 회사는 어디서부터 시작해야 하나요?’ 리부트는 AX를 다섯 단계로 진행합니다. 지금까지 이야기한 것들을 이 순서에 다시 놓아 보겠습니다.
- 진단
- 설계
- 시범
- 확산
- 정착
- 진단 — 업무 하나를 고르고, 지금의 숫자를 잽니다. 반복되고, 여러 화면을 오가고, 같은 정보를 여러 번 옮겨 적는 업무가 좋습니다. 전사 과제보다 한 팀의 업무 하나가 낫습니다. 그리고 처리 시간과 입력 횟수 같은 지금의 숫자를 먼저 재 둡니다.
- 설계 — 업무 규칙을 꺼내고, AI의 일과 사람의 일을 나눕니다. 업무 규칙은 문서에도, 시스템 코드에도, 담당자의 머릿속에도 흩어져 있습니다. 이것을 AI가 따를 수 있는 절차(스킬)로 꺼내고, 사람이 승인할 지점을 정합니다. 되돌리기 어려운 일은 처음부터 사람에게 남깁니다.
- 시범 — 작은 범위에서 실제로 돌립니다. 업무 시스템을 API·CLI로 AI 에이전트와 연동하고, 실제 업무로 돌려 진단 때 잰 숫자와 비교합니다.
- 확산 — 효과가 확인된 것만 넓힙니다. 숫자로 확인된 방식만 스킬과 규칙으로 만들어 다른 팀으로 넓힙니다.
- 정착 — 계속 재고 다듬습니다. 도구가 바뀌어도 일하는 방식은 남도록, 측정과 개선을 일상으로 만듭니다.
가장 중요한 것은 업무 규칙
이 가운데 가장 중요한 것은 설계 단계의 업무 규칙입니다. 그래서 리부트는 프로젝트에서 다룬 업무 지식을 산업별·업무별로 정리해 쌓고 있습니다. 비슷한 업무를 먼저 다뤄 본 경험이 있으면, 무엇부터 확인해야 할지 알고 시작할 수 있습니다.
첫 단계는 함께할 수도 있습니다
진단은 리부트와 함께하실 수도 있습니다. 업무 하나를 골라 2주 동안 무료로 현장 진단을 하고, 진단 보고서와 시범 제안을 드립니다. 시범으로 넘어갈 의무는 없습니다.
한 줄 정리
AX는 전사 과제가 아니라 한 팀의 업무 하나에서 시작합니다. 지금의 숫자를 먼저 재고, 업무 규칙을 꺼내고, 효과가 확인된 것만 넓히세요.
관련 글: 글로벌 자동차 부품사 사례