올해 초 미국 경제 매체 CNN 비즈니스에는 충격적인 헤드라인이 실렸다. 핀테크 기업 블록(Block)이 생성형 AI 도입의 영향으로 전체 직원의 절반 가까이를 해고했다는 소식이었다. 창업자이자 CEO인 잭 도시(Jack Dorsey)는 빅테크를 포함한 대부분의 기업이 향후 동일한 경로를 밟게 될 것이라는 냉정한 전망을 덧붙였다.
이러한 대규모 구조조정이 단행되기 불과 몇 달 전, 블록에서 3,500명 규모의 엔지니어링 조직을 대상으로 2년간 AI 전환을 직접 설계하고 실행했던 핵심 책임자 엔지 존스(Angie Jones)는 자신들이 축적한 전 과정의 데이터를 대중에 공개했다. 이 기록은 한 기업이 AI 기술을 어떻게 실질적인 업무 임팩트로 연결했는지 보여주는 구체적인 이정표인 동시에, 극단적 효율화가 불러온 노동 시장의 종말을 예고하는 보고서이기도 하다.
블록은 LLM이 스스로 도구를 호출하는 기능을 공식 지원하기 전부터 '구스(Goose)'라는 자체 코딩 에이전트를 개발하고 있었으며, 앤트로픽의 모델 컨텍스트 프로토콜(MCP) 설계 당시 공식 레퍼런스 구현체 파트너로 참여할 만큼 기술적 완성도가 높았다. 지금은 리눅스 재단에 기여되었다.
엔지 존스는 "엔지니어링 조직 전체를 에이전트 기반으로 전면 전환하라"는 미션을 받았다. 프로젝트 초기 지표는 완벽해 보였다. 도입 몇 달 만에 사내 개발자의 90%가 일상 업무에서 구스와 클로드를 활용해 코드를 생성하고 있었기 때문이다. 토큰 사용량과 이용자 통계 모두 정점을 찍고 있었다.
그러나 CEO인 잭 도시의 시각은 달랐다. 그는 "엔지니어들이 AI를 전혀 쓰지 않고 있는 게 분명하다"고 확신했다. 기술적 지표상으로는 90%가 쓰고 있었지만, 실제 고객에게 기능이 배포되는 속도에는 아무런 변화가 없었기 때문이다.
엔지 존스는 AI 도입의 단계를 실험 → 도입 → 임팩트의 세 단계로 정의했다. 90%의 개발자가 통합개발환경 안에서 AI에게 질문을 던지거나 보일러플레이트를 짜는 수준은 '도입' 단계에 불과하며, 비즈니스 성과로 이어지는 '임팩트'는 전혀 다른 차원의 문제라는 뜻이다. 이를 측정하기 위해 블록은 개발자의 AI 실력이 아닌 '인간 개발자와 에이전트의 관계'를 기준으로 삼는 6단계 AI 성숙도 모델을 수립했다.
- 0단계: AI를 전혀 사용하지 않는 상태
- 1단계: 단순 자동 완성 기능만 활용하는 상태
- 2단계: AI와 채팅을 하지만 실제 코드 반영(PR)까지는 가지 않는 상태
- 3단계: 특정 작업을 통째로 위임하고 결과물을 사람이 검수하는 상태
- 4단계: 여러 개의 에이전트를 동시에 병렬로 구동하는 상태
- 5단계: 사람의 개입 없이도 완전히 배포 가능한 결과물이 자동 생산되는 상태
당시 블록의 개발자 대다수는 1~2단계에 머물러 있었다. 조직의 최종 목표는 전원을 5단계로 끌어올리는 것이었으나, 기술의 변화 속도가 너무 빨라 기존 방식의 전사 교육이나 탑다운 방식은 큰 효과가 없었다.
엔지 존스는 온라인 커뮤니티의 '1990 법칙(1%의 생산자, 9%의 참여자, 90%의 소비자가 존재한다는 법칙)'이 기술 적응도에도 동일하게 적용된다는 점에 주목했다. 3,500명 전체를 교육하는 대신, 상위 1%에 해당하는 50명의 'AI 챔피언'을 발굴해 조직 전체를 간접 전환하는 전략을 택했다.
사내 테크 리드와 매니저들의 지명을 통해 선발된 50명의 챔피언에게는 명확한 조건이 부여되었다. 업무 시간의 30% 이상을 오직 AI 전환에만 투입할 것, AI가 오작동하더라도 포기하지 않을 것, 그리고 스퀘어, 캐시앱, 애프터페이 등 회사의 코드 저장소를 대표하는 인력일 것 등이었다.
이들 50명이 가장 먼저 착수한 작업이 '사내 강의'나 '프롬프트 가이드 배포'가 아니었다. 그들은 사람이 아닌 코드 저장소 자체를 AI 친화적 환경으로 뜯어고치는 작업을 시작했다.
당시 모델들은 개별 기능의 코드는 잘 작성했으나 회사의 개발 컨벤션, 고유 코드 스타일, 금지 규칙 등을 알지 못해 결과물의 신뢰성이 떨어졌다. 신뢰성이 낮으니 인간 개발자는 일을 위임하지 못하고 직접 검수하는 비효율이 반복되었다. 블록은 이를 해결하기 위해 저장소에 지식을 직접 이식하는 'AI 프렌드리 레포지토리(AI-Friendly Repository)' 표준을 정립했다.
그 표준의 요소는 아래와 같다.
- 컨텍스트 파일 (agent.md / claude.md): AI 에이전트가 참고해야 할 저장소 고유의 안내서
- 규칙 파일 (Rules): 에이전트가 넘지 말아야 할 가드레일과 규격 설정
- 슬래시 커맨드 및 스킬: 자주 반복되는 작업을 자동화하는 명령어 체계
- AI 코드 리뷰어 및 라벨링: AI가 코드를 리뷰하고, PR 발송 시 AI 작성 코드임을 명시하는 시스템
이 방식이 좋은 이유는 코드 저장소가 모든 개발자가 확인하는 길목이기 때문이다. 상위 1%의 챔피언들이 저장소 자체에 AI 작동 표준을 심어두자, 나머지 90%의 개발자들은 별도의 프롬프트 교육을 받지 않고도 저장소에 진입하는 순간 자동으로 정교화된 AI 성능의 혜택을 누리게 되었다. 개인의 역량을 높이는 것이 아니라 시스템의 하한선을 끌어올린 혁신이었다.
레포지토리가 준비된 이후 직면한 장애물은 개발자들이 AI에게 작업을 넘겨주는 행위 자체를 귀찮아한다는 점이었다. 이에 대응해 블록은 엔지니어에게 업무가 입력되는 세 가지 주요 통로인 지라(Jira), 깃허브 이슈(GitHub Issues), 슬랙(Slack)에 에이전트를 완전히 통합했다. 개발자가 새로운 툴을 배울 필요 없이 기존에 일하던 대화창이나 티켓 창에서 바로 에이전트를 호출할 수 있도록 만든 것이다.
실제 적용 사례에 따르면, 한 개발자가 사내 슬랙 채널에 버그 의심 정황을 공유하자 다른 개발자가 즉석에서 에이전트 'Goose'를 소환해 조사를 요청했다. 구스는 즉시 레포지토리 코드를 내려받아 분석한 뒤 버그 위치를 특정하고 세 가지 형태의 코드 스니펫 솔루션을 제안했다. 동료 개발자들이 안을 선택하자 구스는 슬랙 내에서 명령을 받아 실제 구현을 완료하고 깃허브 PR링크를 생성해 돌아왔다. 버그 발견, 진단, 토론, 합의, 수정 및 배포 요청까지 이르는 전체 사이클에 소요된 시간은 단 5분이었다.
이러한 고도화가 정착되면서 에이전트는 단순한 보조 도구를 넘어 개발 스쿼드의 정식 '스프린트 멤버'로 등록되었다. 첫 테스트 스프린트에서 에이전트들의 가공할 만한 작업 속도 덕분에 준비된 백로그가 순식간에 고갈되어, 팀은 스프린트 기간 중 추가 일감을 두 번이나 새로 당겨와야 했다.
그 결과 챔피언 프로그램 가동 단 3개월 만에 놀라운 지표가 도출되었다. AI 작성 코드량 69% 증가, 엔지니어 체감 시간 절약 37% 향상, 자동 생성된 PR 수 21배 증가라는 압도적인 수치였다.
작업 위임이 원활해지자 블록은 '4단계 병렬화' 단계로 진입했다. 한 명의 개발자가 동시에 수십 대의 에이전트를 구동하는 비용은 거의 들지 않았으나, 새로운 병목이 엉뚱한 곳에서 발생했다. 에이전트들이 쏟아내는 수많은 PR로 인해 인간 개발자의 코드 리뷰 프로세스가 마비된 것이다.
블록은 이를 해결하기 위해 전체 저장소에 AI 코드 리뷰어를 강제 활성화했다. AI 리뷰어가 1차적으로 문제를 지적하면, 또 다른 교정 에이전트가 이를 자동으로 수정하여 다시 커밋하는 '자동 수정 루프(Auto-fix loop)'를 구축했다. 최종적으로 인간 개발자가 검수를 위해 PR을 열어볼 때쯤엔 사소한 지적 사항들이 이미 에이전트 간의 소통으로 모두 정제된 상태였다.
두 번째 병목은 개발자 개인이 사용하는 로컬 하드웨어 사양이었다. 한 컴퓨터에서 에이전트를 4~5개씩 동시에 구동하자 노트북의 CPU와 메모리가 감당하지 못했다. 블록은 에이전트마다 독립적으로 격리된 클라우드 작업 공간(Cloud Workspace)을 할당하는 인프라 투자를 통해 이 물리적 한계를 돌파했다.
최종 5단계에 이르러 블록은 이 수많은 에이전트를 오케스트레이션할 통합 시스템 '빌더봇(BuilderBot)'을 개발했다. 빌더봇이 제대로 기능하기 위해선 전사 25,000개에 달하는 코드 저장소를 완전히 전수조사하여, 어떤 서비스가 어디에 위치하고 서로 어떻게 의존하고 있는지 에이전트가 읽을 수 있는 형태의 '시스템 지도'를 구축해야 했다.
이 지도가 완성되자 에이전트들은 시스템 전체를 스스로 탐색하며 여러 코드 베이스에 걸친 거대한 실행 계획을 자율적으로 수립할 수 있게 되었다. 이 시점부터는 깃허브 계정이 없거나 코딩을 모르는 비엔지니어 직군이라 할지라도 슬랙에서 빌더봇을 호출하는 것만으로 회사의 복잡한 시스템 버그를 수정하고 신규 기능을 배포할 수 있는 상태, 즉 '완전 자율화된 엔지니어링 조직'이 실현되었다.
엔지 존스는 조직 전체를 자율화 수준으로 끌어올린 전날까지만 해도 개발자로서 커리어 정점의 자부심을 느꼈다고 회고했다. 그러나 바로 다음 날 마주한 것은 대규모 해고 통보였다. "내가 구성원들로 하여금 커리어 역사상 가장 경이로운 성과를 내도록 도운 결과가 결국 그들의 해고였는가?"라는 처절한 질문이 남았다고 한다.
개발 프로세스에서 백로그가 비워지는 속도가 빨라진다는 것은, 역설적으로 동일한 양의 업무를 처리하는 데 필요한 인간의 수가 급감함을 의미한다. 산업혁명 이후 기술은 줄곧 생산성을 대폭 향상해 왔고, 기업의 본질적 목적은 고용 유지가 아닌 이윤 극대화에 있기에 이 논리적 결론은 피할 수 없는 수순이었다.
블록의 사례는 단일 기업의 일탈이 아닌 전 세계적인 거시적 흐름의 전초전이다. 앤트로픽의 CEO 다리오 아모데이(Dario Amodei)는 "5년 내 초급 사무직의 절반이 자동화될 것"이라 경고한 바 있다. 초기에는 과장된 주장이란 비판이 있었으나 프론티어 모델의 추론 성능은 세대를 거듭하며 급격히 우상향하는 반면, 입력/출력 토큰 단가는 구세대 모델 대비 조금씩 낮아지고 있다. 중국의 오픈 웨이트 모델도 한몫을 하고 있기에 고성능 에이전트 운영의 비용 장벽마저 무너지고 있는 것이다.
더욱이 글로벌 AI 빅테크 기업들의 움직임도 프로덕션 환경에서의 실질적 대체에 초점을 맞추고 있다. 오픈AI 등이 최근 국내외에서 대대적으로 채용 중인 'Forward Deployed Engineer'의 핵심 직무 기술서에는 단순 데모 시연이 아닌 '최전선 고객사의 실제 운영 시스템에 모델을 배포하고 측정 가능한 비즈니스 임팩트를 증명하는 것'이 명시되어 있다. 이들이 공략하는 기업 내부의 병목 제거와 극단적 효율화의 종착지가 바로 우리가 블록의 사례에서 목격한 대규모 인력 대체이다.
블록의 AX 여정이 우리에게 시사하는 바는 명확하다. 인공지능 에이전트 기반의 조직 전환은 더 이상 막연한 미래의 관념이 아니라 구체적이고 체계적으로 작동하는 실행 절차라는 점이다. 성숙도 모델을 기반으로 시스템을 AI 친화적으로 개편하고 위임의 입구를 단일화하면, 조직의 생산성은 상상을 초월하는 속도로 폭발한다.
끝으로,
이 글을 읽는 엔지니어분들의 선택지는 자명하다, 내부에서 AX화를 할 것인가? 외부에서 다른 기업의 AX화를 할 것인가? 이다. 어떤 선택을 하든 기술이 인간의 자리를 위협하는 시대는 벗어날 수 없을 것이고 마음이 덜 불편할까이다. 블록의 성공담이 무거운 질문을 던지고 있기에...
Source
✍ Written with Marklog
0 Comments:
댓글 쓰기