AI를 일의 중심으로: AI-Native 워크플로우 구축 사례

권장순님은 AI를 업무에 적용하기 위해 기존 업무를 비개발과 개발 영역으로 구분했다. 비개발 영역에서는 입력 파이프라인 설계에 집중하여 AI의 성능을 극대화했다. 구체적으로, 정보 탐색, 정리, 질문의 기존 흐름을 탈피하고, OpenAI Atlas를 활용하여 AI가 맥락을 이해한 상태에서 대화를 시작하도록 했다. 개발 영역에서는 AI 코딩을 기획, 설계, 계획, 구현, 검증의 단계로 나누어, 각 단계별로 AI를 활용하고 테스트 주도 개발(TDD) 방식을 적용했다. 이러한 접근 방식은 AI의 활용 범위를 넓히고, 업무 효율성을 높이는 데 기여했다.

AI의 성능은 입력 데이터의 품질에 크게 의존한다. 권장순님은 AI의 입력 구조를 설계함으로써 AI의 성능을 향상시켰다. OpenAI Atlas를 활용하여 페이지 내용을 복사하는 과정을 생략하고, “이 문맥에서 무엇을 의미하는가”와 같은 질문을 통해 AI가 맥락을 정확하게 이해하도록 유도했다. 또한, Claude Chrome Extension과 Slack 연동을 통해 대화 내용을 자동 요약하고, 이슈 단위로 정리하여 Jira 티켓으로 연동하는 자동화 파이프라인을 구축했다. 이러한 자동화는 정보의 효율적인 관리와 활용을 가능하게 했다.

AI 코딩을 한 번의 프롬프트로 끝내는 대신, 기획, 설계, 계획, 구현, 검증의 단계로 나누어 개발 생산성을 향상시켰다. 기획 단계에서는 Gemini와 GPT를 활용하여 문제 정의를 확장하고, 1-pager 문서를 작성했다. 설계 단계에서는 기술 스택과 구조를 tech-spec 문서로 정리하고, Claude가 이 문서들을 참조하도록 Custom Instruction을 설정했다. 계획 단계에서는 Codex의 /init 명령을 활용하여 전체 작업 계획을 생성하고, agent.md로 고정했다. 구현 단계에서는 TDD 방식을 채택하여 테스트 코드를 먼저 정의하고, AI가 생성한 코드가 테스트를 통과하도록 했다. 검증 단계에서는 Codex를 활용한 코드 리뷰와 테스트 실패 시 Claude에 피드백을 주는 과정을 반복했다.

AI의 자율성을 높이기 위해 오히려 제약을 설정하는 역설적인 접근 방식을 취했다. 테스트 코드, 명확한 에러 메시지, 고정된 문서 구조를 통해 AI가 스스로 문제를 인식하고 수정하도록 유도했다. 필요한 경우 더 많은 토큰을 사용하는 모델을 선택하고, 추론이 중요한 작업에는 사고를 길게 하도록 유도했다. 이러한 제약 조건은 AI가 정해진 가이드라인 안에서 효율적으로 작동하도록 돕고, 시행착오를 줄이는 데 기여했다. 결과적으로, AI는 월 수십만 라인의 코드를 작성하는 데 기여하며, 생산성 향상에 크게 기여했다.

권장순님이 구축한 AI-Native 워크플로우는 개인의 생산성 향상에 그치지 않고, 팀 전체의 작업 방식을 개선하는 데 기여했다. 문서로 남은 기획과 설계, 자동화된 대화와 실행 흐름은 팀원들이 참고할 수 있는 작업 방식의 골격이 되었다. AI는 특정 직무를 돕는 도구를 넘어, 일의 순서와 역할을 다시 정의하는 환경으로 자리 잡았다. 이러한 변화는 팀 전체의 생산성을 향상시키고, AI를 활용한 혁신적인 업무 방식을 구축하는 데 기여했다. 결과적으로, 권장순님은 ‘올해의 코딩왕’으로 선정되는 성과를 거두었다.