목차
- 키노트: AI로 꿈꾸는 ‘심리스 시티’
- 1. AI로 기술 블로그 글 검수하기
- Claude 스킬을 쓰는 이유
- 규칙 적용과 규칙 위반 탐지 나누기
- 명확한 성공 기준 주기
- 2. Temporal로 서버 간 흐름 한곳에서 관리하기
- Temporal을 쓰게 된 계기
- Temporal의 장점
- Temporal 도입 시 이슈
- 3. 시계열 파운데이션 모델로 CS 인입량 예측하기
- 4. 사내 바이브 코딩 툴, 만들기 전에 따져 볼 것
- 바이브 코딩에서 중요한 점
- 사내 바이브 코딩 플랫폼 ‘모킹버드’
- 5. AI로 전사 코드를 분석해 장애 원인 찾기
- 6. B마트와 배민스토어, 퀵커머스 하나로 합치기
- 마치며
오늘은 우아콘 2026에 다녀왔습니다. 우아한형제들이 목표로 하는 심리스 시티에 대한 키노트(Keynote: 기조연설)를 시작으로 AI, 백엔드, 프론트엔드, CS, 마케팅 등 다양한 분야에 걸친 트랙이 준비되어 있어서 최대한 다양하게 들어봤습니다.
들으면서 적어 둔 메모를 바탕으로 세션별 내용과 그때 든 생각을 정리해 보겠습니다. (아래 세션 제목은 공식 제목이 아니라 제가 내용을 보고 붙였습니다)
키노트: AI로 꿈꾸는 ‘심리스 시티’
키노트에서는 우아한형제들이 꿈꾸는 ’심리스 시티’를 소개했습니다. 사람이 직접 입력하거나 관리하던 값을 AI로 개선해서, 더 유연하고 막힘없이 흘러가는 서비스를 운영하겠다는 뜻으로 이해했습니다.
대표적인 예가 조리시간입니다. 지금까지 배달의민족은 가게 사장님이 조리시간을 직접 입력하게 했는데, 그래서 정확도가 많이 떨어졌다고 합니다. 이제는 그동안 모아 온 데이터로 조리시간을 더 정확하게 추정해서, 부정확한 조리시간 때문에 생기던 배달 지연 같은 문제를 바로잡을 수 있다고 합니다. 이 밖에도 비가 올 때 라이더의 배달 가능 범위를 조정하거나 최적의 배달 경로를 추천하는 일에 AI를 써서, 심리스한 서비스를 만들어 가려 한다고 합니다.
결국 목표는 고객이 주문하고 음식을 받기까지의 과정 곳곳에 있던 병목을 AI로 줄이는 일입니다.
아래는 제가 들은 세션을 짧게 정리한 내용입니다.
1. AI로 기술 블로그 글 검수하기
배민에는 기술 블로그 글의 검수와 발행을 맡는 ’테크니컬 라이팅 코치’라는 직무가 따로 있다고 합니다. 이 세션에서는 테크니컬 라이팅 코치가 개발자들이 쓴 기술 블로그 글을 검토하던 일을 AI로 어떻게 자동화했는지 공유했습니다.
Claude 스킬을 쓰는 이유
발표자는 새로운 Claude 모델이 계속 나오면서, 스킬 없이도 꽤 괜찮은 결과를 얻을 수 있게 됐다고 했습니다. 하지만 스킬 없이 글을 고치게 하면 글쓴이가 일부러 넣어 둔 비유법이나 생소한 단어 같은 부분을 지워 버리는 경우가 꽤 있었다고 합니다. 글이 가진 개성을 무시하게 되는 것입니다. 반대로 스킬을 쓰면 이런 개성을 그대로 지킬 수 있었다고 설명했습니다. 그래서 모델 성능에만 기대기보다 스킬로 정확한 지침을 주는 편이 낫다는 이야기였습니다.
규칙 적용과 규칙 위반 탐지 나누기
처음에는 모든 규칙을 한 스킬에 넣었더니 AI가 규칙을 잘 지키지 못했다고 합니다. 그래서 ’규칙 적용’과 ’규칙 위반 탐지’를 별도의 스킬로 만들어 따로 돌렸더니 결과가 더 좋아졌다고 합니다. 저도 프롬프트를 아무리 고쳐도 결과가 좋지 않던 작업을 여러 프롬프트로 쪼개서 순서대로 실행했더니 결과가 더 좋아진 경험이 있어서 공감이 됐습니다.
명확한 성공 기준 주기
AI에게 명확한 성공 기준을 주는 것도 중요하다고 합니다. Anthropic 공식 문서에도 나오는 내용으로, 스킬을 만들 때 단순히 “좋은 문장 써 줘”라고 맡기기보다 “이 기준으로 높은 점수가 나오게 문장 써 줘(기준 예시: 반복되는 단어 사용 횟수 5번 이상이면 -1점)“처럼 정확한 성공 기준을 줘야 좋다고 합니다.
2. Temporal로 서버 간 흐름 한곳에서 관리하기
이 세션에서는 백엔드팀이 여러 독립된 서비스의 흐름을 관리하려고 오케스트레이션 도구로 Temporal을 도입한 이야기를 들었습니다. 왜 이 도구를 골랐는지, 도입하면서 어떤 문제를 겪었는지를 공유했습니다.
Temporal을 쓰게 된 계기
발표자는 예전에는 장애가 나면 로그를 뒤져 가며 원인을 분석했는데, 이 과정이 너무 힘들었다고 합니다. 그 이유는 배민에서는 여러 서버가 각자 자신만의 큐나 리스너 구조로 동작해서 전체 흐름 자체가 굉장히 복잡하기 때문입니다. 그래서 서버마다 제각각이던 구조를 Temporal 워크플로우 엔진으로 통일했고, Temporal이 여러 서버가 통신할 때 거쳐 가는 중앙 관제소 역할을 하게 됐다고 합니다.
Temporal의 장점
가장 큰 장점은 Replay 기능입니다. 제가 이해하기로 Temporal은 일련의 작업을 하나의 흐름으로 묶어 처리하고, 그 흐름의 원자성을 보장해 주는 도구에 가까운 것 같습니다. 이 흐름을 처리하는 주체를 워커라고 부르겠습니다. 워커1이 흐름을 진행하다가 중간에 장애가 났다고 해 보겠습니다. Temporal은 장애가 나기 전까지의 작업을 모두 실행 기록으로 남겨 두기 때문에, 워커2가 이 기록을 넘겨받아 워커1이 멈춘 시점부터 일을 이어서 할 수 있습니다. 그래서 장애가 나도 작업이 유실되지 않습니다.
또 외부 API 장애에 대비한 재시도나 타임아웃 같은 옵션을 기본으로 제공해서 편리하다고 합니다.
Temporal 도입 시 이슈
다만 늘어난 DB I/O 부하가 문제였다고 합니다. 앞에서 설명한 것처럼 워커는 작업 흐름을 처리하면서 실행 기록을 남기는데, 이 기록을 모두 DB에 쌓다 보니 DB I/O가 꽤 많이 늘었다고 합니다. 해당 팀에서는 이를 클러스터링으로 해결했다고 합니다.
3. 시계열 파운데이션 모델로 CS 인입량 예측하기
이 세션에서는 날마다 들쭉날쭉한 CS 인입량 때문에 상담사 조직을 운영하기 어려웠던 문제와, 이를 어떻게 해결했는지 공유했습니다.
그래서 머신러닝으로 다음 주 CS 인입량을 예측해 보기로 했다고 합니다. 처음에는 LightGBM 알고리즘을 썼지만 결과가 만족스럽지 않아서 결국 파운데이션 모델로 바꿨다고 합니다. 파운데이션 모델은 ChatGPT처럼 대량의 데이터로 미리 학습을 마친 범용 모델을 말합니다. 발표자는 이런 파운데이션 모델에 회사 데이터를 추가로 학습시켰더니 더 높은 정확도로 예측할 수 있었다고 설명했습니다.
다만 과거 인입량 같은 시계열 데이터만으로는 예측이 되지 않아서, 강수량이나 휴일처럼 중요하다고 판단되는 정보를 함께 넣어 학습했다고 합니다. 결국 시계열 파운데이션 모델로 특정 시간대에 몰릴 문의와 문제를 미리 알아낼 수 있었다는 것이 이 세션의 핵심이었습니다.
4. 사내 바이브 코딩 툴, 만들기 전에 따져 볼 것
이 세션은 비개발자 출신 AX 매니저가 바이브 코딩으로 사내 툴을 만드는 일에 대해 발표했습니다.
바이브 코딩에서 중요한 점
- 나만 쓰기 쉬우면 끝이 아닙니다. 다른 사람에게도 쉬운지 고려해야 합니다.
- 웹앱이 꼭 필요하지 않은 경우가 많습니다. Claude 스킬 정도만 공유해도 끝날 문제라면 굳이 웹앱으로 배포할 이유가 없습니다.
- AI로 만든 툴은 한 번 문제가 생기면 신뢰성이 확 떨어집니다. 그래서 전사에 공유하기 전에 5명 정도로 베타 테스트를 해서 오류를 줄이길 권합니다.
- 주변에 해당 서비스를 계속 알려야 합니다. (발표자는 점심시간에 식사를 같이 하면서 자신이 배포한 서비스를 홍보하는 식으로 꾸준히 알렸다고 합니다)
- 이미 있는 도구가 있다면 만들지 말고 가져다 써야 합니다.
- 유지보수할 각오가 있을 때 만들어야 합니다. 만들면 끝이 아닙니다. 유지보수가 안 되면 버려집니다.
사내 바이브 코딩 플랫폼 ‘모킹버드’
배민은 사내 툴을 바이브 코딩으로 만들 수 있도록 모킹버드라는 플랫폼을 따로 운영하고 있다고 합니다. 이 플랫폼은 비개발자가 놓치기 쉬운 보안이나 데이터베이스 같은 기능을 미리 만들어 두고, 이를 가져다 쓰게 하는 방식입니다. 덕분에 누구나 공통 디자인과 공통 보안 기준을 지키며 개발할 수 있고, 자칫 제각각으로 만들어질 수 있는 서비스도 최소한의 보안과 안정성을 갖출 수 있었다고 합니다.
5. AI로 전사 코드를 분석해 장애 원인 찾기
이 발표는 서비스에 장애가 나면 원인을 분석하는 SRE 팀에서 진행했습니다. AI가 전사 코드를 직접 분석할 수 있게 되면서, 이제는 다른 팀의 도움 없이도 장애 원인을 찾아 해결할 수 있게 됐다고 합니다. 발표자가 소개한 지금의 흐름은 이렇습니다.
- 슬랙 메시지 하나로 장애 조사를 시작합니다.
- 레이어마다 미리 만들어 둔 분석 코드로 조사를 실행합니다.
- AI가 각 조사 결과를 읽고 판단합니다.
- 결과를 하나로 합쳐 최종 원인을 분석합니다.
이 흐름의 원칙은 ’실행은 코드가, 판단은 AI가’입니다. AI에게 “트레이스 분석해”라고 그냥 맡기면 AI가 트레이스 정보를 언제 어떻게 분석할지 예측할 수 없어 불안정합니다. 그래서 이 팀은 트레이스 분석에 쓸 코드를 미리 만들어 두고 AI에게 그 코드만 쓰게 하는 식으로 구조를 잡았다고 설명했습니다. AI에게 실행 권한은 주되, 실행할 수 있는 목록은 사람이 직접 관리하는 셈입니다.
운영하면서 겪은 기타 문제도 소개했습니다. A 버그로 장애가 났는데 AI가 B 버그를 고쳐 준 일이 있었다고 합니다. 이때 B도 논리적으로 문제가 있는 코드였지만 이번 장애와는 관련이 없었던 것입니다. 그래서 이번 장애와 관련된 코드인지 검증하는 단계를 추가하고, 경보에 우선순위를 미리 부여해서 더 중요한 부분부터 확인하게 했다고 설명했습니다.
6. B마트와 배민스토어, 퀵커머스 하나로 합치기
배민에는 장보기라는 서비스가 있습니다. 고객에게는 하나의 서비스로 보이지만, 실제로는 그 아래에 공급자가 다른 B마트와 배민스토어라는 두 서비스가 있다고 합니다. B마트는 배민 자체적으로 운영하는 서비스이고, 배민스토어는 CU, GS와 같이 외부 협력사들과 연계된 서비스라고 합니다. 이로 인해 두 서비스는 구조가 많이 달랐고, 두 서비스에 존재하는 동일한 제품을 ’전시’하는 작업에 어려움을 느꼈다고 설명했습니다. 이때 ’전시’는 배민앱에서 제품을 보여주는 행위를 의미합니다.
해당 팀은 이 문제를 해결하기 위해 2가지 단계를 거쳤다고 합니다. 첫 번째 단계는 카테고리 일치시키기입니다. 동일한 제품임에도 불구하고 B마트에서는 용량이 1L, 배민스토어에서는 1000ml라고 적힌 경우가 있었다고 합니다. 그래서 이런 제품이 가지고 있는 특성인 용량 정보, 크기 정보 등을 통일해서 일치시켰다고 합니다. 두 번째 단계는 전시용(조회용) DB 구축하기입니다. A라는 제품이 B마트에는 5개, 배민스토어에는 2개 있다면 고객은 단순하게 7개의 재고가 남아있다고 알고 싶어합니다. 이를 위해 B마트 재고와 배민스토어 재고를 함께 관리할 수 있는 DB를 구축했다고 합니다.
마치며
IT 회사에서 주최하는 기술 컨퍼런스는 처음 가 봤는데, 나름 동기부여도 얻고 리프레시되는 느낌도 받아서 전체적으로 좋은 경험이었던 것 같습니다. 또한 컨퍼런스 전반적으로 AI 관련된 내용이 굉장히 많았는데, 확실히 AI 활용 방법이 요즘 기업들의 핫한 관심사라는 것이 몸으로 느껴졌습니다. 앞으로 계속 AI 관련 현황을 놓치지 않고 따라가는 것이 중요할 것 같습니다.