pile·
AI / ML·네이버 D2네이버 D2·

[AI 해커톤 후기] AI 시대의 해커톤과 인간의 역할: AI의 계획과 사람의 전략

네이버가 전사 차원에서 연 AI 해커톤에서 한 팀이 경비 정산 자동화 봇을 구현한 과정을 돌아본다. Chrome 익스텐션, FastAPI 콜백 서버, WORKS 챗봇을 연결하는 2단계 인증 구조로 영수증 10장 정산을 월 1시간에서 30초로 줄였다. AI는 계획과 구현에서 압도적인 속도를 냈고, 불확실성 속에서 가설을 세우고 조직 내 의존성을 풀어내는 전략은 사람의 몫으로 남았다는 것이 핵심 결론이다.

핵심 포인트
  • SSO 쿠키가 PC 웹에서만 전달되는 제약 때문에 Chrome 익스텐션이 1회 인증을 담당하고, 이후 WORKS 챗봇이 영수증 정산 흐름을 처리하는 2단계 구조를 채택했다.
  • 사내 코드 저장소, 이슈 트래커, 위키를 내부 MCP로 연결해 AI가 직접 검색하며 사내 배포 플랫폼, 로드밸런서, 분산 DB 환경에 맞게 설정하도록 했다.
  • 빠른 변경으로 발생하는 회귀를 막기 위해 실패 케이스를 테스트로 고정, 총 327개 테스트를 작성했다.
  • 비개발자는 Playwright와 로그인된 Chrome을 활용해 AI가 팀 채팅과 코드 저장소를 읽고 진행 상황을 정리하게 해 개발 흐름을 실시간으로 파악했다.
  • AI 에이전트 오케스트레이션: 큰 작업을 작은 블록으로 나눠 병렬 진행하는 전략이 개발 속도의 핵심이었다.
상세 정리
  • 과제 배경: WORKS 메신저에 영수증 사진을 보내면 OCR, 비용 분류, 카드 내역 매칭, 임시 저장까지 자동 처리하는 사내 경비 정산 봇을 목표로 했다.
  • 기술 제약 해결: SSO 쿠키가 PC 웹에서만 전달되어 WORKS 챗봇만으로 정산 API 호출 불가 → Chrome 익스텐션이 1회 인증 세션을 확보하고, 이후 FastAPI 콜백 서버가 비동기로 영수증 처리를 맡는 2단계 구조로 풀었다.
  • 시스템 구성: Chrome 익스텐션 → WORKS 봇 플랫폼 → FastAPI 기반 봇 콜백 서버 → 외부 연동 API군의 4단계 파이프라인. 봇 서버는 사내 PaaS에 배포했다.
  • 성과: 월 1시간 이상 걸리던 정산 작업을 영수증 10장 기준 약 30초, 사용자 액션 2번으로 단축했다.
  • 실제 병목: 코드 작성이 아니라 WORKS 봇 권한 신청, 타 부서 경비 API 명세 확보, 구식 사내 인증 문서 등 불확실성이 병목이었다. AI에게 컨텍스트를 더 줘도 해결되지 않았다.
  • Human in the Loop 역할 분담: 사람은 아웃라인, 부서 소통, 업무 분장을 맡고 AI는 세부 구현과 코드 생성을 담당. 모듈 통합에는 AI를 오케스트레이터로 활용했다.
  • AI 질문 프레임워크: WHAT(사내 사용 가능 플랫폼과 유사 사례 검색), HOW(설정 방법·예시 적용 — 예: 분산 DB 이관 시 DDL 분석 → 마이그레이션 → 쿼리 테스트 순), WHY(빌드·배포 오류 로그 제공 후 원인과 조치 확인) 3유형으로 체계화했다.
  • 내부 MCP 활용: 사내 코드 저장소, 이슈 트래커, 위키를 MCP로 연결해 AI가 직접 검색하며 사내 인프라(사내 PaaS, 로드밸런서, 분산 DB) 환경에 맞춰 설정을 스스로 파악하도록 했다.
  • 테스트 전략: 실패 케이스를 지나치지 않고 테스트로 고정, 정보 부족 시 문서 보강, 동작 깨짐 시 테스트 추가, 반복 실수는 가드레일 검증 로직으로 차단 → 327개 테스트 확보.
  • 비개발자 협업: Playwright + 로그인된 Chrome으로 팀 채팅·발표 자료·코드 저장소를 AI가 읽고 진행 상황 문서로 정리, 비개발자가 담당 개발자에게 정확하게 질문할 수 있었다.
  • UX 오류 설계: 챗봇 실패 케이스(분류 모호, 매칭 실패, 결제 익일 반영, 개인카드 오등록)를 AI와 브레인스토밍해 이상적 흐름과 오류 케이스를 HTML로 시각화, 개발 우선순위 논의에 활용했다.
  • 디자인 일관성: 민트색(#0d9373), Pretendard 글꼴 등 디자인 토큰을 정해 Chrome 익스텐션·도입 페이지·발표 자료에 일관 적용. HTML 발표 덱은 AI 초안으로 1시간 만에 11장 완성, 마감까지 20번 이상 수정해 완성도를 높였다.
  • 핵심 교훈: 같은 AI 도구를 줘도 결과를 가르는 것은 사람의 전략이다. AI는 계획·구현에 압도적이나, 불확실성 속 가설 수립, 조직 내 의존성 해결, 보안 사각지대 공유는 사람의 몫으로 남았다.
왜 읽나AI 도구를 팀 개발에 실제로 통합한 엔지니어링 회고로, 내부 MCP 연결 + AI 에이전트 오케스트레이션 + 비개발자 협업 패턴까지 구체적 사례로 담아 AI-assisted 개발을 도입하려는 팀에 실용적인 참조가 된다.
네이버 D2
네이버 D2 블로그
원문은 여기서 이어서 읽을 수 있어요
원문 읽기
읽음 (0)

이 글과 비슷한

  1. AI / ML·github-engGitHub Engineering·

    도구를 잘 만들었더니 Copilot 코드 리뷰가 오히려 나빠졌다 — 실제로 개선한 방법

    GitHub 엔지니어링팀이 Copilot 코드 리뷰를 CLI 공유 도구(grep, glob, view)로 마이그레이션하면서 리뷰 품질이 오히려 떨어졌다. 원인은 도구 자체가 아니라 에이전트에게 전달된 "지시문(tool instructions)"이 코드 리뷰 워크플로우와 맞지 않았기 때문이다. 팀은 리뷰 전용 지시문을 재작성해 평균 리뷰 비용을 약 20% 줄이면서 품질을 회복했다.

    #code-review#llm#prompt-engineering+2
  2. AI / ML·github-engGitHub Engineering·

    GitHub Agentic Workflows로 크로스 레포 문서 자동화하기

    Microsoft Aspire 팀이 GitHub Agentic Workflows를 도입해 기능 릴리즈와 문서화 간의 시차 문제를 해결한 사례다. 제품 저장소(microsoft/aspire)와 문서 저장소(microsoft/aspire.dev)가 분리된 환경에서, PR 병합 시 AI 에이전트가 문서화 필요 여부를 판단하고 초안 PR을 자동 생성한다. 보안을 유지하면서 크로스 레포 자동화를 실현한 아키텍처와 30일 실제 운영 성과를 담는다.

    #github-actions#ai-agent#ci-cd+2
  3. AI / ML·무신사 테크무신사 테크·

    LLM 비용 64% 절감, 캐시 히트율 98% 달성기

    29CM(무신사 그룹)이 AWS Bedrock 기반 LLM 비용이 지속 증가하는 원인을 메트릭 가시성 확보부터 차근차근 파악하고, Prompt Caching 도입으로 전체 LLM 청구액의 64%를 절감한 과정을 다룬다. 문제는 AWS Bedrock 콘솔이 일별 합계만 보여주고 API별 토큰 분리를 지원하지 않는다는 점이었고, 직접 메트릭 파이프라인을 구축한 뒤에야 단일 속성 추출 API가 전체 토큰의 92%를 차지한다는 사실을 발견했다.

    #aws-bedrock#llm#cost-optimization+2