AI는 우리의 일을 어떻게 바꾸는가

당근에서 AI 에이전트에게 실제 일을 맡기기 시작하면서 조직의 일이 어떻게 바뀌었는지를 실제 사례로 전한다. AI는 그 자체가 목적이 아니라, 사용자의 문제를 발견하고 검증 가능한 해결책을 만들며 실제 사용자에게 안정적으로 전달하는 과정을 더 빠르고 좋게 만드는 수단이다. 에이전트는 문서/데이터/코드를 연결해 문제를 발견한 사람이 해결을 시작하도록 돕는다. 엔지니어는 구현을 넘어 분석과 제품 전략으로, 제품/운영 담당자는 문제 발견에서 변경 제안까지 맡으며, 사람이 직군과 직무의 경계를 넘어 더 넓게 일하기 시작했다.

다만 이를 위해서는 조직의 맥락/기준/권한/기록을 갖춘 일할 환경이 필요하다. 만드는 일이 쉬워진 만큼 기술 부채뿐 아니라 사람의 이해와 판단 근거에 쌓이는 부채도 함께 관리해야 한다. 각 조직은 기준을 먼저 확인하고, 영향이 큰 실행 직전에는 사람이 최종 판단하도록 방식을 다듬고 있다. 궁극적으로 사람의 시간은 반복 판별에서 빠져 더 중요한 문제를 고르고 사용자와 제품에 더 큰 가치를 만드는 일로 옮겨간다.

Transcript

1. AI는 우리의 일을 어떻게 바꾸는가 일을 맡길 수 있게 되었을 때 무엇이 달라지는가 당근 빌더 밋업 - AX Day
2. 어느날...
3. 에이전트들이 자기소개한 날
4. 에이전트 학부모회 우리 아이 · 이모 · 삼촌 육아일기
5. 저마다 다른 일을 하고 있었다 코드를 고치고, 변경 제안을 올린다 장애를 분류한다 데이터를 분석한다 고객 의견을 정리한다 앱 배포 상태를 확인한다
6. 에이전트에게 일을 맡기면 무엇이 달라질까? 맡긴 결과는 어떻게 확인하는가? 기억은 어떻게 시키는가? 대화가 끝나면 판단의 이유는 어디에 남는가?
7. ① 당근에서 AI는 목적이 아니라 수단이었다 ② 문제를 발견한 사람이 해결을 시작하게 됐다 ③ 만드는 일이 쉬워진 만큼 새로운 부담도 나타났다 ④ 넓어진 실행 범위만큼 사람의 판단이 더 중요해졌다 ⑤ 에이전트에게 필요한 것은 더 좋은 모델만이 아니라 일할 환경이었다 ⑥ 일을 맡길 수 있게 되었을 때 무엇이 달라지는가? 오늘 나눌 이야기들
8. 박용권.apply { organization = "당근마켓 커뮤니티실" role = "엔지니어링 리더" isTalkative = true } defaultPlaybackSpeed = 1.5
9. 당근에서 AI는 목적이 아니라 수단이었다
10. 로컬의 모든 것을 연결하여, 동네의 숨은 가치를 깨운다 조직은 각자의 문제를 풀고 있었다
11. 가치는 만들 때가 아니라, 전달될 때 생긴다 사용자의 문제를 발견한다 문제를 검증할 수 있는 해결책으로 바꾼다 사용자에게 안정적으로 전달한다 AI와 함께 문제를 더 깊이 이해하고, 더 나은 답으로 다듬어, 사용자에게 더 안정적으로 전달한다
12. 당근은 오랫동안 인공지능 기술을 사용했다 당근은 LLM 이전부터 머신러닝과 딥러닝을 제품과 시스템에 써왔다. LLM 이후에도 빠르게 움직이며, 전사적으로 AI를 적극 활용하는 시도가 이어졌다. 오늘 언급되는 여러 AI 에이전트는 이 기반 위에서 만들어졌다.
13. 현장의 불편과 필요가 세 플랫폼을 만들었다  Kamp  Prompt Studio  LLM Router  MCP  SERVICES
14. 각 플랫폼은 조직이 자기 문제를 직접 풀 수 있도록 일할 환경을 마련했다
15. 문제를 발견한 사람이 해결을 시작하게 됐다 AI 에이전트를 쓰면서 벌어진 일들
16. 답이 실제 작업으로 이어지자, 해결은 문제를 발견한 자리에서 시작됐다 언어 모델은 사람이 답을 얻는 범위를 넓힌다 에이전트는 그 답을 실제 작업으로 이어 붙인다 지식이 곧바로 일이 되는 문 앞에 서 있다
17. 구현을 맡기자, 엔지니어가 다루는 문제의 범위가 넓어졌다 코드 생산량이 빠르게 늘었다 : 작고 예측 가능한 구현부터 AI에게 맡겼고 잘되는 일이 확인될수록 맡기는 범위도 넓어졌다 직무 경계가 넓어졌다 : 프론트엔드와 백엔드를 넘나드는 작업 시도가 현실적인 선택지가 되기 시작했다 시간 배분이 바뀌었다 : 코드를 작성하는 일에만 쓰던 시간을 데이터를 읽고 제품의 다음 선택을 고민하는 데도 쓰기 시작했다
18. 엔지니어만의 변화는 아니었다 본업의 판단이 깊어졌다 : 제품 또는 운영 관리자 등 논테크 직군이 생성형 AI를 이용해 데이터를 더 깊이 분석하고, 제품 전략이나 운영 정책 초안을 더 날카롭게 다듬기 시작했다 직군 경계를 넘어 직접 실행하기 시작했다 : 클로드 코드나 코덱스 등 전문 코딩 에이전트로 직군의 경계를 넘어 시스템 변경에 직접 참여한다.
19. 경고를 받은 사람이 그 자리에서 판단을 시작했다
20. 제품 관리자는 발견한 자리에서 수정안까지 준비했다
21. EXAMPLE
22. 반복되는 불편을 겪은 사람이 직접 해결했다
23. EXAMPLE
24. 여러 에이전트를 병렬로 조율하기 시작했다
25. 만드는 일의 첫 질문이 바뀌었다 문제를 정의하고, 누구에게 무엇을 맡길 것인가?
26. 만드는 일이 쉬워진 만큼 새로운 부담도 나타났다
27. 생산은 빨라졌고, 검토는 밀렸다
28. 보인다고, 이해되는 것은 아니었다
29. 판단의 이유는 대화가 닫히면 사라졌다
30. 기술 부채 인지 부채 의도 부채 시스템에 쌓인다 사람에 쌓인다 조직에 쌓인다 마거릿앤 스토리(Margaret-Anne Storey)가 정리하고 마틴 파울러(Martin Fowler)가 소개한 AI 시대의 3가지 부채입니다.
31. 일은 맡겨도, 이해하고 판단하는 일은 남았다 에이전트가 무엇을 했는지 사람이 이해할 수 있어야 한다 그 결과가 맞는지 확인할 수 있어야 한다 왜 그렇게 했는지가 남아야 한다
32. 넓어진 실행 범위만큼, 사람의 판단이 더 중요해졌다
33. 확인은 한 번의 검토가 아니라, 흐름 곳곳에 세우는 장치가 됐다
34. 반복되는 알림은 에이전트가 먼저 가려냈다
35. 답변은 준비됐지만 보낼지는 사람이 결정했다
36. 사람은 실행 직전의 판단에 남았다
37. 에이전트에게 필요한 것은 더 좋은 모델만이 아니라 일할 환경이었다
38. 범용 에이전트는 우리를 몰랐다 우리 제품을 몰랐다 : 중고거래, 커뮤니티, 알바, 중고차, 부동산 같은 당근의 도메인 맥락과 지표를 모른다 우리 기준을 몰랐다 : 리뷰 기준, 배포 게이트, 테스트 규칙 같은 일하는 방식을 모른다 우리 흐름을 몰랐다 : 문제를 어떻게 정의하고, 이후 어떻게 해결하는지 그 과정과 흐름을 모른다
39. 에이전트가 일할 환경은 기술 기반만을 뜻하지 않았다
40. 기준은 적을 수 있어도 판단까지 적을 수는 없었다 ✓ 먼저 확인할 것 ▪ 하면 안 되는 것 ▤ 근거로 남길 것 ↗ 어떤 트레이드오프를 감수할 것인가? ⇢ 무엇을 먼저 풀 것인가? ✦ 고객에게 무엇이 중요한가?
41. 판단의 근거를 함께 남겨야 다음이 이어 일할 수 있다
42. 일을 맡길 수 있게 되었을 때 무엇이 달라지는가?
43. 조직의 전문 지식이 닿자, 문제를 발견한 사람이 해결을 시작했다
44. 한 사람이 할 수 있는 일이 넓어지자, 판단하고 책임져야 할 지점도 선명해졌다
45. 확장된 능력을 이어가려면, 조직의 기억과 기준, 그리고 사람의 판단이 필요했다
46. AI로 확장된 능력을 사용자와 제품을 위해 쓴다
47. 끝 에이전트에게 일을 맡기자, 사람이 할 수 있는 일의 범위가 넓어졌다!