콘텐츠로 이동

OMS에서 Claude AI를 활용하여 변화된 업무 방식

  • 출처: 컬리 기술 블로그
  • 저자: 이준환
  • 게시일: 2025-12-24
  • 읽은 날짜: 2025-12-30
  • 태그: #ClaudeAI #AgenticWorkflow #MSA #CleanArchitecture #팀생산성

핵심 내용

배경: 4명이 16명처럼 일하기

  • 팀 구성: PM 1명 + 엔지니어 3명 (총 4명)
  • 관리 시스템: 12개 마이크로서비스
  • 핵심: 체계적인 AI Context 설계로 소규모 팀이 대규모 조직처럼 운영

Role-Based AI 아키텍처

AI 페르소나 역할 활용
TPM AI 아키텍처 분석, 요구사항 검토 설계 단계, 영향도 분석
MSA AI 구현, 개발 코드 작성, 배포

각 AI에 맞춤화된 Knowledge Context를 로드하여 도메인 전문가처럼 동작

AI Context 구조

AI Context
├── Knowledge Layer (지식)
│   ├── domain-overview.md    # 도메인 개요
│   ├── data-model.md         # 데이터 모델
│   └── API specs (JSON DSL)  # API 스펙
│
└── Action Layer (행동)
    ├── Development skills    # 개발 스킬
    └── Deployment workflows  # 배포 워크플로우

JSON DSL 선택 이유: 산문(prose) 대비 3배 압축 효율 + 명확성 유지

아키텍처가 AI 활용에 미치는 영향

Clean Architecture > Layered Architecture

  • 이유: 비즈니스 로직이 단일 목적의 UseCase 클래스로 격리
  • 효과: AI가 처리해야 할 불필요한 코드(context noise) 최소화

MSA의 장점

  • 서비스 경계가 명확 → AI로 병렬 개발 시 충돌 없음
  • 도메인 중심 지식 관리 용이

워크플로우 변화

Before AI

PM이 전체 팀 소집 → 용량 계획 회의
→ 엔지니어들이 개별 서비스 사일로 작업
→ 코드 리뷰 (구현 세부사항 수정)

After AI

엔지니어가 TPM AI와 독립적으로 요구사항 분석
→ 팀이 아키텍처 결정만 함께 검증
→ 코드 리뷰가 "AI 멘토링" 방식으로 전환

실질적 성과

영역 개선 내용
설계 변경 AI가 처음부터 빠르게 재설계 → 아키텍처 재작업 불필요
배포 요청 일 7-8건 수동 양식 → 단일 명령으로 자동화
코드 일관성 분산 개발에도 일관성 향상
리뷰 초점 문법 교정 → 아키텍처 검증으로 전환

인상 깊은 부분

"AI가 아무리 똑똑해도, AI 답변을 꼼꼼히 검증하고 최종 책임을 지는 것은 인간 엔지니어의 몫입니다."

AI는 도구이고, 검증과 책임은 여전히 인간의 몫

향후 비전

다른 도메인 팀으로 확장 시: - 50+ 마이크로서비스를 분석할 수 있는 Cross-functional TPM AI 구축 가능 - 조직 전체 이니셔티브의 영향도 분석

실무 적용 포인트

1. AI Context 설계가 핵심

  • 무작정 AI를 쓰는 게 아니라, 체계적인 Knowledge/Action 구조 설계 필요
  • JSON DSL로 정보 압축 → 토큰 효율성 ↑

2. 아키텍처가 AI 활용 효율에 영향

  • Clean Architecture + MSA 조합이 AI 활용에 유리
  • UseCase 격리 → AI가 집중해야 할 맥락 최소화

3. Role-Based AI 페르소나

  • 하나의 범용 AI보다 역할별 전문 AI가 효과적
  • TPM AI (설계) + MSA AI (구현) 분리

4. 팀 워크플로우 재설계

  • AI 도입 = 단순 도구 추가가 아닌 프로세스 자체의 변화
  • 코드 리뷰 목적이 "수정"에서 "검증/멘토링"으로 전환

연관 글