20년 된 보험 플랫폼의 개발자가 108개의 지원 티켓을 커스텀 AI 에이전트 파이프라인에 돌려본 결과, 시니어 개발자가 몇 시간씩 걸리던 작업을 단 몇 분 만에 끝낼 수 있는 워크플로우를 만들어냈습니다. 이는 기업이 레거시 코드를 유지 관리하는 방식을 재편할 수 있는 변화입니다.
왜 레거시 시스템이 신규 코드보다 더 중요한가
해당 보험 애플리케이션은 230만 줄의 코드와 약 1,000개의 PL/SQL 패키지로 구성된 모놀리스(monolith) 구조입니다. 규모만으로도 한 사람이 전체 코드베이스를 파악하는 것은 불가능합니다. 여기에 고객별 설정 매개변수의 미로, 흩어진 문서, 2017년까지 거슬러 올라가는 티켓 기록까지 더해지면, 진짜 병목 현상은 코드를 작성하는 것이 아니라 "컨텍스트(맥락)를 찾는 것"이 됩니다.
일반적인 현대적 AI 열풍은 그린필드(greenfield) 프로젝트를 위한 새로운 코드를 생성하는 데 집중합니다. 하지만 이 사례에서 어려운 점은 PL/SQL의 구문이 아니라, 정확한 로직 조각, 관련 설정, 그리고 문제를 처음 설명했던 과거 티켓을 찾아내는 것입니다. 숙련된 개발자는 GitLab, SVN, 위키, 오래된 지원 티켓에서 단서를 모으는 데 몇 시간을 소비할 수 있습니다. AI 에이전트는 이 작업을 단 몇 분 만에 수행합니다.
실제 워크플로우
새로운 티켓이 접수되면 개발자는 명령어 하나를 실행합니다. 그러면 에이전트는 다음과 같은 작업을 수행합니다:
- 티켓 시스템 API를 통해 티켓 텍스트와 첨부 파일을 가져옵니다.
- 전체 티켓 아카이브를 대상으로 키워드 및 벡터 검색을 실행하여 유사한 과거 사례를 찾아냅니다.
- 재사용 가능한 SQL 스크립트 개인 라이브러리를 조회합니다.
- 버전 관리 시스템(GitLab 또는 SVN)의 코드 이력을 조사합니다.
모든 결과는 하나의 파일로 컴파일되며, 여기에는 다음 단계(보통 코드 수정, 고객에게 보낼 답장 초안 또는 추가 진단 요청)에 대한 제안도 포함됩니다.
내장된 기능
개발자는 에이전트를 위해 4가지 카테고리로 분류된 24개의 "기술(skills)"을 정의했습니다:
- Context access (컨텍스트 액세스) – API, 매뉴얼, 데이터베이스를 읽어 관련 사실을 추출합니다.
- Domain knowledge (도메인 지식) – 보험 회계 규칙과 시스템 아키텍처를 해석합니다.
- Writing (작성) – PL/SQL 스니펫을 생성하고 배포할 수 있도록 패키징합니다.
- Meta (메타) – 패턴을 인식하고 필요할 때 자동으로 새로운 기술을 생성합니다.
이러한 기술 덕분에 에이전트는 잠들지 않는 주니어 엔지니어처럼 행동하며, 티켓이 참조하는 정확한 코드 라인이나 설정을 찾아냅니다.
루프에 내장된 안전장치
운영 환경에서의 자동화에는 안전장치가 필수적입니다. 개발자는 두 가지 간단한 규칙을 따릅니다:
- 정적 검증(Static validation) – 생성된 모든 스크립트는 실제 스키마에 대해
EXPLAIN PLAN을 실행합니다. 이를 통해 코드를 실제로 실행하지 않고도 구문 오류나 논리적 오류를 확인합니다. - 이중 모델 확인(Dual-model confirmation) – 위험하다고 판단되는 모든 변경 사항은 두 번째의 독립적인 AI 에이전트가 검토합니다. 두 모델이 동일한 결론에 도달하면 개발자가 진행하고, 그렇지 않으면 해당 티켓은 수동 검토를 위해 에스컬레이션됩니다.
이러한 점검을 통해 프로세스가 중요한 보험 트랜잭션을 예기치 않게 망가뜨릴 수 있는 블랙박스가 되는 것을 방지합니다.
복리 효과
각 티켓의 결과물은 다시 티켓 기록에 첨부되어 살아있는 지식 베이스를 구축합니다. 몇 달 또는 몇 년 후에 유사한 문제가 다시 발생하면, 에이전트는 이전의 해결책뿐만 아니라 그 해결책에 도달하게 된 논리적 근거까지 읽을 수 있습니다. 결과적으로 해결된 모든 티켓은 향후 티켓을 위한 학습 데이터가 되어 사이클을 더욱 가속화합니다.
솔직한 한계점
- 수동 테스트 여전히 필요 – 개발자는 여전히 배포 전에 테스트 환경에서 변경 사항을 검증합니다.
- 명확한 수치적 지표 부재 – 절약된 시간이 상당하게 느껴지기는 하지만, 개발자가 정확히 몇 시간의 단축이 있었는지를 수치화하지는 않았습니다.
- 개인적인 설정 – 현재 구현체는 단일 워크스테이션에서 작동합니다. 이를 팀 전체로 확장하려면 추가적인 엔지니어링이 필요합니다.
이러한 제약 사항들 때문에 이 방식이 즉시 사용 가능한 제품이 되지는 못하지만, 핵심 통찰력은 변하지 않습니다. 즉, AI가 컨텍스트 수집 시간을 몇 시간에서 몇 분으로 단축할 수 있다는 점입니다.
향후 주목할 점
개발자의 실험은 상용 제품이라기보다는 개념 증명(PoC)에 가깝습니다. 다음 논리적인 단계는 다음과 같습니다:
- 지표의 공식화 – 비즈니스 케이스를 구축하기 위해 AI 파이프라인 도입 전후의 티켓 해결 시간을 추적합니다.
- 팀 배포 – 여러 엔지니어가 동일한 지식 베이스를 활용할 수 있도록 에이전트를 공유 서비스로 패키징합니다.
- CI/CD 통합 – 검증된 스크립트를 지속적 통합(CI) 파이프라인에 직접 입력함으로써, 수동 전달 없이 티켓부터 프로덕션까지의 루프를 완성할 수 있습니다.
이러한 확장 기능들이 성공한다면, 이 모델은 거대하고 고착화된 코드베이스로 고군분투하는 다른 기업들을 위한 템플릿이 될 수 있습니다.
핵심 요약
레거시 환경에서 AI의 진정한 가치는 새로운 코드를 자동으로 작성하는 것이 아니라, 적절한 컨텍스트를 즉각적으로 찾아내는 데 있습니다. 시니어 개발자의 수 시간의 탐색 작업을 단 몇 분으로 단축함으로써, AI 에이전트 워크플로우는 노후화된 시스템을 계속 작동하게 유지하고, 지원 비용을 절감하며, 점진적으로 자기 강화형 지식 저장소를 구축할 수 있습니다. 이번 실험은 레거시 소프트웨어의 경우, 가장 큰 생산성 향상이 새로운 코드를 생성하는 것이 아니라 정답을 찾는 과정을 획기적으로 단축하는 데서 온다는 것을 보여줍니다.