어드민 5월 7일에 포스트됨 5월 7일에 포스트됨 (이 웨비나는 종료되었습니다. 아래에 "전체 다시 보기"와 "요약 정리"가 제공됩니다.) 참고로, 실제 웨비나와 달리 이 녹화 영상에는 발표자의 라이브 데모 부분이 녹화 오류로 인해 포함되어 있지 않습니다 웨비나 다시보기 세미나 요약 (루비소프트 사례를 통한 생산성 10배 혁신 전략) 아래 정리만 의존하기 보다는 위 녹화 영상을 직접 보실 것을 권장합니다. 참고로, 아래 내용은 AI를 통해 이 발표 영상을 정리한 것입니다. 일부 발표자의 의도와 다른 내용이 있을 수도 있습니다. 하지만, 좋은 영감을 제공하므로, 그냥 둡니다. 아래 정리만 의존하기 보다는 위 녹화 영상을 직접 보실 것을 권장합니다. 1. 서론: 소프트웨어 개발 패러다임의 변화와 AI 도입의 전략적 가치 소프트웨어 개발 산업은 '노동 집약적' 모델에서 '지능형 협업' 모델로 급격한 패러다임 전환을 맞이하고 있습니다. 과거 델파이(Delphi)와 코볼(COBOL)이 주도하던 시대의 실력은 개발자의 '손 속도'와 야근을 견디는 '체력'에 의해 결정되었습니다. 그러나 생성형 AI가 비정형 요구사항을 즉시 코드로 변환하는 현재, 개발의 핵심 가치는 단순 구현(Coding)에서 아키텍처 설계와 검증(Validation)으로 이동했습니다. 루비소프트의 20년 역사는 이러한 자동화 철학의 진화를 투영합니다. 과거의 자동화가 DB 정보를 바탕으로 정형화된 소스를 추출하는 '수동형 툴' 수준이었다면, 현재의 AI 기반 개발은 자연어 프롬프트를 통해 비즈니스 로직과 UI를 자율적으로 생성하는 '인지적 자동화' 단계에 진입했습니다. 이는 단순한 도구의 변화가 아니라, 하나의 전략으로서의 필연적 선택입니다. 2. AI 기반 핵심 개발 프로세스: 'DB 설계 중심' 아키텍처와 프롬프트 전략 루비소프트 생산성 혁신의 기저에는 "모든 개발의 핵심은 DB 설계"라는 확고한 철학이 있습니다. AI에게 코딩을 맡기더라도, 데이터 간의 관계와 비즈니스 도메인의 구조를 정의하는 '설계도'만큼은 인간 전문가가 직접 작성하고 있습니다. 게다가, 직접 DB를 설계하는데 드는 시간이 매우 짧기 때문에, AI를 이용하는 것보다 더 빠르게 결과를 얻고 있습니다. 2.1 전략적 컨텍스트 최적화 기법 AI의 성능을 극대화하고 토큰 소비를 최적화하기 위해 루비소프트는 다음과 같은 구체적인 '전략적 표준'을 적용합니다. 그런데, AI와 별개로 루비소프트는 개발 전 과정에서 '단순함'을 중요시합니다. 이는 자연스럽게 토큰 소비량 절감으로 이어집니다. 토큰 최적화 네이밍 전략: DB 필드명을 6~8자 이내로 짧고 명확하게 설계합니다. 이는 AI 사용 이전에도 지켜오던 원칙입니다. 그런데, AI가 스키마를 더 빠르고 정확하게 이해하도록 하는 효과도 있습니다. 따라서 AI의 컨텍스트 윈도우를 효율적으로 활용하는 기술입니다. 그림판(Paint) 등을 이용한 시각적 컨텍스트 전달: 스토리보드를 전달할 때, 핵심 UI 영역만 캡처하여 AI에게 전달합니다. 그러기 위해, 그림판으로 불필요한 요소를 제거하는 선작업을 수행합니다. 이는 AI의 혼란을 방지하고 화면당 작업 시간을 크게 단축하는 실전 노하우입니다. 대표적인 UI 하나를 만족스러운 수준으로 AI가 완성한 후에, 나머지 모든 UI 작업을 AI에게 맡깁니다. 그러면, 나머지 작업의 시간과 완성도가 매우 높습니다. 제로 코딩 원칙 (Zero-Coding Principle): 개발자는 소스 코드의 단 한 글자도 수동으로 수정하지 않는 것을 지향합니다. 오류가 발생하면 코드를 직접 고치는 것이 아니라, 프롬프트를 수정하여 AI가 다시 완벽한 코드를 생성하게 함으로써 코드의 일관성과 품질을 유지합니다. 2.2 단계별 하이브리드 워크플로우 인간의 도메인 지식과 AI의 생성 능력을 결합한 루비소프트의 표준 프로세스는 다음과 같습니다. 단계 주요 활동 인간 전문가의 역할 AI의 역할 요구사항 정의 비즈니스 로직 및 PRD 작성 도메인 지식 기반 문제 정의 여러 AI를 활용한 PRD 초안 생성 DB 아키텍처 핵심 스키마 설계 및 SQL 생성 직접 수행 (6~8자 네이밍) 스키마 구조 보완 및 인덱싱 추천 프롬프트 주입 스키마 + 편집된 이미지 전달 그림판 편집 및 컨텍스트 구성 시각 정보 및 구조 정보 학습 코드 생성 백엔드/프론트엔드 소스 구현 결과물 선택 (Ant Design 등) 실행 가능한 전체 소스 코드 생성 검증 및 배포 로직 검증 및 인프라 구성 최종 승인 및 아키텍처 감독 코드 수정 및 Docker 구성안 제안 3. 생산성 혁신 실증 분석: 10배 이상의 효율을 달성한 프로젝트 사례 연구 다양한 기술 스택(Delphi, React Native, Spring Boot, PHP 등)에 AI를 적용한 결과, 루비소프트는 소규모 운영 체제에서도 대형 개발팀 이상의 속도를 확보했습니다. 3.1 신규 서비스 개발 및 고속 구현 종합소득세 신고 앱: 과거 하루 4페이지 수준이었던 개발 속도를 하루 40페이지로 10배 향상시켰습니다. 스토리보드를 분절하여 전달하고 Ant Design 프레임워크를 지정함으로써, 페이지당 10~30분 이내에 상용 수준의 UI/UX를 확보했습니다. 리액트 네이티브(RN) 하이브리드 앱: 생소한 기술 스택임에도 AI가 작성한 소스를 그대로 배포하여 푸시 메시지 및 결제 연동까지 오류 없이 구현했습니다. ... 3.2 레거시 현대화 및 글로벌 리서치 Node.js to PHP 마이그레이션: 기존 레거시 소스와 함께 최신 기술 가이드 URL을 AI에게 제공하는 기법을 통해, 단 이틀 만에 전체 로직을 현대적 PHP 코드로 전환하고 DB 마이그레이션까지 완료했습니다. 여러 오픈소스들을 활용한 현지화: 웹 오피스 오픈소스 등을 대체로 2~3일이면, 기능 추가를 마칠 수 있었습니다. 이는 AI가 언어 장벽을 허물고 코드 분석 시간을 획기적으로 단축했기에 가능했습니다. 3.3 기술적 한계와 전략적 시사점 Zig 언어 사례: Go나 Rust와 달리 최신 언어인 'Zig'는 AI의 학습 데이터 부족으로 컴파일에 실패했습니다. 이는 AI 기반 개발의 효율은 해당 기술의 공공 데이터 성숙도에 비례함을 시사하며, 아키텍트는 이를 고려하여 기술 스택을 선정해야 합니다. 4. 최적의 AI 툴체인 구축 및 자원 관리 전략 루비소프트는 특정 유료 모델에 종속되지 않고, 프로젝트의 성격과 비용 효율을 고려한 멀티 모델 전략을 구사합니다. 4.1 '인터 AI(Inter-AI)' 워크플로우 및 멀티 모델 활용 상호 보완적 루프: 예를 들어, ChatGPT를 통해 기획서(PRD)를 작성하고, 이를 다시 Claude에 입력하여 실제 코드를 생성하는 'AI 간 협업 루프'를 활용합니다. 도구별 특성화: IDE 통합이 강점인 Cursor와 Trae, 로컬 보안이 중요한 경우 Ollama를 통한 Qwen 모델 활용 등 용도별로 도구를 교체하며 무료 제공 범위를 전략적으로 활용합니다. 4.2 데이터 보안 및 인프라 운영 보안 마스킹: 프롬프트 전달 전 민감한 개인정보나 기업 기밀은 반드시 마스킹 처리하여 학습 모델로의 유출을 방지합니다. 무료로 AI를 사용하는 경우에는 특히 중요합니다. AI 제안 기반 CI/CD: AI가 제안한 '컨테이너 분산 배치' 전략을 채택하여 Docker 기반의 무중단 배포 환경을 구축했습니다. 아키텍트는 AI의 가이드를 검증하고 적용하는 역할을 수행합니다. 5. 결론 및 제언: AI 시대 개발자의 새로운 정의와 조직의 대응 방안 AI가 코딩을 수행하는 시대, 개발자의 정의는 '코드를 쓰는 사람'에서 '비즈니스 문제를 정의하고 AI의 결과물을 검증하는 아키텍트'로 재정의되어야 합니다. 5.1 핵심 역량의 이동 이제 개발자에게 요구되는 핵심 역량은 문법 숙련도가 아닌 다음의 세 가지입니다. 도메인 지식: 비즈니스 요구사항을 명확한 데이터 구조(DB 설계)로 치환할 수 있는 도메인 지식 확보. 맥락 제어 능력 (Context Control): 8자 이내의 네이밍, 이미지 편집 등 AI가 최적의 답을 내도록 환경을 조성하는 기술. 검증 역량: AI가 생성한 결과물의 논리적 결함을 파악하고 시스템 전체의 안정성을 책임지는 능력. 5.2 조직의 전략적 로드맵 루비소프트의 사례는 고도로 숙련된 1인 아키텍트가 AI를 지휘함으로써 중소 규모 프로젝트를 초고속으로 완수할 수 있음을 입증합니다. 대규모 인력 투입 중심의 전통적 개발 방식을 버리고, "소규모 정예 설계자 + AI 툴체인" 중심의 린(Lean)한 조직을 지향할 수 있음을 직접 보여주는 사례입니다. "이제 중요한 것은 코딩의 양이 아니라, AI를 통해 비즈니스 가치를 얼마나 빠르게 완성된 결과물로 구현하느냐에 있습니다." 세미나 안내 이 온라인 (무료) 세미나 등록하기 (마감되었습니다) AI와 자동화를 개발 또는 유지보수 시 더 잘 활용하는 데 관심이 있는 개발자들을 위한 온라인 세미나가 진행됩니다 행사명: 온라인 세미나: AI와 현재의 개발/유지보수 작업 절차 방식: 온라인 세미나 (Zoom) 일시: 5월 14일 (목) 오후 3시 ~ 4시 발표자: 이갑연 대표 (루비소프트, https://www.rubysoft.co.kr ) 발표 자료(미리보기*): http://chellaw.dothome.co.kr/llm.html (* 실제 발표자료는 조금 다를 수 있습니다) 루비소프트는 애자일 개발 철학을 추구하고 AI 시대에 걸맞은 유연함과 민첩함을 실무에 적용하는 것을 매우 중요시합니다. 그 실제 내용을 이갑연 대표님이 여러분과 직접 공유합니다. 루비소프트에서 AI를 어떻게 활용하고 있는지 그 효과가 어떤지 AI 도입 이전과 이후가 어떻게 달라졌는지 그 많은 출시와 유지보수를 어떻게 효율적으로 감당하고 있는지 … 20여년에 걸쳐 루비소프트가 개발/공급한 솔루션은 그야말로 방대합니다. AI 시대 이전에도 그 생산력은 이미 탁월했습니다. 그런데, AI의 발전은 루비소프트의 개발와 유지보수는 훨씬 더 높여주었습니다. 특히, 발표 후 Q&A 시간을 통해 참여하신 개발자들이 경험과 지식을 충분히 공유하고, 궁금한 점들에 대해서도 서로 의견을 나눌 수 있기를 희망합니다. 인용하기
어드민 5월 18일에 포스트됨 Author 5월 18일에 포스트됨 이 Q&A 정리본은 AI가 주요 Q&A를 발췌 정리된 것입니다. 따라서, 모든 Q&A를 빠짐없이 생생하게 보시려면 게시된 녹화 영상을 참고하시기 바랍니다. 웨비나에서 진행된 질의응답(Q&A) 세션의 모든 내용을 주제별로 분류하여 정리했습니다. 발표자인 이갑연 대표님의 답변은 실무적인 경험과 AI 활용에 대한 확고한 철학을 바탕으로 하고 있습니다. 이 Q&A 정리본은 발표자가 담백하게 답변한 내용 속에 포함된 '작은 단위의 반복', '컨텍스트의 중요성', '설계자로서의 태도' 등 핵심 통찰을 담고 있습니다. [AI 개발 실무 및 도구 활용] Q: 어떤 AI 도구를 주로 사용하시나요? A: 특정 도구에 국한되지 않고 ChatGPT, Claude(무료 모델), Gemini, GLM 등 시중에 나온 대부분의 AI를 사용합니다. 똑같은 질문을 여러 AI에게 던져보고 가장 결과물의 품질이 좋은 것을 선택합니다. 또한 커서(Cursor)나 트레이(Trae) 같은 툴의 무료 기간을 활용하여 개발하기도 합니다. Q: 유료 모델을 사용하지 않는 특별한 이유가 있나요? A: 현재 주로 유지보수 업무나 규모가 아주 크지 않은 프로젝트를 혼자 수행하고 있기 때문입니다. 무료 모델만으로도 프롬프트를 조정해가며 충분히 원하는 결과를 얻고 있으며, 아직 유료 모델이 반드시 필요한 상황은 아니라고 판단하고 있습니다. Q: 로컬(오프라인) 환경에서도 AI를 사용하시나요? A: 네, 노트북에서 올라마(Ollama)를 통해 로컬 모델을 구동하기도 합니다. 최근에는 올라마와 클로드 코드를 연동해 사용 중이며, Qwen 모델 등의 성능이 로컬에서도 충분히 활용할 만한 수준으로 나옵니다. Q: 프로젝트의 유지보수 업무에도 AI가 도움이 되나요? A: 유지보수는 AI를 쓰기에 가장 좋은 업무입니다. 이미 기존 소스라는 명확한 '맥락(Context)'이 있기 때문에, 이를 AI에게 제공하고 수정 사항을 말로 설명하면 직접 수정하는 것보다 훨씬 정확합니다. AI는 연관된 소스까지 함께 작업해 주므로 수작업 시 발생하는 실수를 줄이고 퀄리티를 높여줍니다. [프로젝트 관리 및 개발 프로세스] Q: 개발비 산정은 어떤 기준으로 하시나요? A: 일반적인 방식과 마찬가지로 맨먼스(M/M, 인건비) 기준으로 금액을 산정합니다. Q: 여러 명의 개발자와 협업할 때는 어떻게 AI를 활용하나요? A: 현재는 모든 개발을 혼자 수행하고 있습니다. 협업 시의 AI 활용 형태에 대해서는 추가적인 고민이 필요해 보입니다. Q: 개발, 테스트, 운영 환경은 어떻게 관리하시나요? A: 깃허브(GitHub)에서 브랜치를 분리(Local, Develop, Main)하여 관리하며, 도커(Docker) 기반의 CI/CD 환경을 구축해 사용합니다. 이러한 환경 구축 과정 역시 AI에게 무중단 배포 가이드를 묻거나 도커 컴포즈 파일을 생성하게 하는 등 AI의 도움을 많이 받습니다. Q: 데이터베이스(DB) 설계 시 토큰을 절약하는 노하우가 있나요? A: DB 테이블명이나 컬럼명을 최대한 짧게(8자 이내, 가급적 5자 이내) 짓습니다. 명칭이 짧아지면 AI가 처리해야 할 토큰 양이 줄어들어 효율적인 작업이 가능해집니다. [복잡한 프로젝트 및 기술적 한계 대응] Q: 대규모 프로젝트(테이블 100개 이상 등)에도 AI 적용이 가능할까요? A: AI 입장에서는 테이블이 1개든 100개든 동일하게 바라봅니다. 중요한 것은 전체적인 방향성을 잘 잡아주는 것이며, 규모가 크다고 해서 AI 활용이 불가능하다고 생각하지 않습니다. Q: 복잡한 비즈니스 로직이나 전문 지식이 필요한 경우는 어떻게 해결하나요? A: AI가 단번에 결과를 내지 못할 정도로 복잡한 프로젝트(예: 인테리어 디자인 솔루션)는 관련 논문이나 기술 문서를 찾아 AI에게 컨텍스트로 학습시킨 후 코딩을 시킵니다. 또한, ChatGPT에게 먼저 기획서(PRD)를 작성하게 하고 그 결과물을 클로드(Claude)에게 넘겨 코딩을 시키는 등 AI 간의 협업 단계를 거치면 완성도가 크게 올라갑니다. 다만, 제가 제작하는 프로젝트는 규모가 너무 크지 않고, 명확한 애플리케이션 개발이 대부분이므로 AI 활용 효과가 더 크다고 생각합니다. 이와 달리, 매우 복잡하고, 오랜 기간의 맥락이 담겨있는 애플리케이션을 다루는 프로젝트라면 AI가 그 모든 것을 정확히 학습 및 이해하게 하는 것부터 어려울 수 있습니다. Q: AI가 해결하지 못한 사례도 있었나요? A: 델파이 소스를 다른 언어로 바꾸는 테스트를 했을 때, Go나 Rust는 성공했으나 지그(Zig) 언어는 실패했습니다. 인터넷상에 학습 데이터가 부족한 최신 혹은 비주류 언어의 경우 AI가 제대로 대응하지 못하는 한계가 있습니다. [보안 및 미래의 개발자] Q: AI 활용 시 보안 문제는 어떻게 관리하시나요? A: 무료 AI 모델은 학습 데이터로 쓰일 수 있으므로 개인 정보나 민감 정보는 절대 포함하지 않도록 주의해야 합니다. 프롬프트를 날리기 전 DB 스키마 등에서 민감한 부분을 직접 마스킹하거나, AI에게 특정 정보를 필터링하도록 지시하는 프롬프트를 사전에 작성합니다. Q: 개발 지식이 전혀 없는 사람도 AI로 개발할 수 있을까요? A: 현재 개발을 모르는 분들을 대상으로 컨설팅을 진행하고 있는데, 이분들은 도메인 지식(업무 지식)이 풍부하기 때문에 자신의 생각을 잘 정리해서 전달하는 법만 익히면 AI를 통해 업무용 솔루션을 충분히 만들어낼 수 있습니다. Q: AI 시대에 개발자의 역할은 무엇이라고 생각하시나요? A: 이제 개발자는 직접 코드를 타이핑하는 사람이 아니라, AI가 만든 결과물을 검증하고 리뷰하는 역할로 변모하고 있습니다. 기획부터 개발, 검수까지 혼자 해내는 능력이 중요해지며, AI라는 도구를 얼마나 잘 다루느냐가 실력이 됩니다. 발표자 본인도 현재는 오타 수정조차 직접 하지 않고 AI에게 맡기는 '수작업 제로'를 실천하고 있습니다. 인용하기
Recommended Posts
이 토의에 참여하세요
지금 바로 의견을 남길 수 있습니다. 그리고 나서 가입해도 됩니다. 이미 회원이라면, 지금 로그인하고 본인 계정으로 의견을 남기세요.