Andrew / CTO
AI를 데모가 아니라 운영까지 가져간 여정, 무신사가 왜 이 길을 택했는지에서 시작합니다. 코딩이 빨라질수록 커진 ‘신뢰’와 ‘맥락’의 질문들, 그 질문에 답하며 겪은 시행착오와 나아갈 방향을 전합니다.
자세히Shipping With AI, 만드는 방법을 바꿔온 지난 1년.
행사 태그라인과 같은 이름의 세션입니다. 무신사가 만드는 방식을 어떻게 다시 만들어 왔는지 정리하고, 오늘 이어질 세션들이 어떤 고민에서 나왔는지 미리 소개합니다.
파편화된 시스템 그래프를 하나의 구조 모델로 통합한 1급 자산 '스타맵(Star Map)'을 중심으로, AI 시대에 맥락을 어떻게 자산화하고 관측하는지 무신사의 실전 경험을 공유합니다.
팀마다 한 벌씩 만들던 대용량 조회 서빙을 전사 플랫폼 하나로 모으며 내린 과감한 결정들과, 그 결정을 Performance Test/Resilience Test/Diff Test 3중 검증으로 증명한 과정을 공유합니다.
AI로 만든 코드는 빨리 나옵니다. 그런데 “이전과 같이 동작하는지”는 여전히 사람이 확인합니다. 실제 환경에서 오간 요청과 의존성 호출을 기록해 두었다가 새 빌드에 그대로 다시 보내고, 달라진 곳만 사람이 확인하게 만든 이야기입니다.
4시간 전면 장애를 극복하기 위해 단일 DB를 세포 분열(Mitosis)시키며 진짜 MSA로 나아간 29CM의 AI 활용 DB 마이그레이션 여정
흩어진 문제에서 출발한 제품들을 Context → Build → Verify → Ship의 패턴으로 다시 읽고, 각 단계의 병목을 차례로 풀어 온 1년을 공유합니다. 그 끝에서 기능의 오너가 미션의 오너로 확장되는 다음 1년을 제안합니다.
과거 릴리즈 빌드와 PRD 문서를 각각 정답지로 삼아 새 빌드를 자동 채점합니다. 예전과 달라진 곳과 스펙과 어긋난 곳을, QA가 손으로 훑기 전에 찾아냅니다.
CIAP의 설계, 구현, 검증 워크플로를 AI와 하네스로 재설계해, 재고와 배송 약속 두 도메인을 프로덕션에 적용한 경험을 공유합니다.
무신사의 기존 출고지시 시스템이 지닌 아키텍처적 한계를 데이터 기반으로 분석하고, 도메인의 본질적 목적에 집중하여 대용량 처리가 가능한 확장성 높은 Workflow 모델로 재설계한 경험을 공유합니다.
같은 Figma 화면을 변환할 때 마다 다른 품질이 나오는 문제를, AI를 걷어내는 대신 AI가 개입하는 구간을 좁히고 그 앞뒤를 결정론으로 감싸서 푼 이야기입니다.
AI가 작성한 코드는 테스트로 잡아냅니다. 그렇다면 AI가 읽는 데이터는 무엇으로 검증해야 할까요? 저희는 검증을 늘리는 대신 데이터 기반 자체를 바꿨습니다. 16,000개의 테이블을 생성하는 파편화된 파이프라인을 함수 계층으로 전환해서, 고질적인 비용, 지연, 생산성 문제를 해결하고 AI에게 '어떤 데이터를 어느 구간까지' 처리할지에 대한 결정만 남긴 과정을 공유합니다.
개인은 분명히 빨라졌습니다. 팀은 아니었습니다.
Go 경험자가 한 명도 없는 팀이 Go로 대기열을 만든 이야기 입니다
낡은 문서 대신 130여 개 MSA 저장소의 '현재 동작하는 코드'를 통해 비즈니스 질문에 정확히 답변하는 AI 지식베이스 구축 이야기
정적 시안으로는 확인할 수 없던 어드민 화면의 동작을, 실제로 돌아가는 데모로 만들어 기획, 디자인, 개발을 하나의 파이프라인으로 이었습니다.
6개월 258세션을 기록해 보니, 절감의 절반은 AI가 일을 대신한 시간이 아니라 반복 업무를 스킬과 규칙이라는 자산으로 바꾼 데서 나왔습니다. 그 자산을 팀에 이식해 팀원들이 스스로 만들기 시작한 과정을 공유합니다.