이 글의 원문은 당근 테크 블로그 ‘지금의 방식이 최선일까? AI로 임팩트를 바꾸는 당근 운영실’에서 확인할 수 있습니다.

이번 글에서는 이런 내용을 확인할 수 있어요! ☑️

• 수개월간 준비하던 프로젝트를 AI 기반으로 과감히 피봇한 사례
• 누구나 손쉽게 사용하도록 설계된 AI 기반 플랫폼
• 반복 업무를 없애기 위해 비개발자가 직접 구현한 자동화 툴

이런 분들에게 도움이 돼요! 🙋

• AI를 통해 기존의 문제 해결 방식을 새롭게 점검하고 싶은 분
• 기존 프로덕트의 임팩트를 효과적으로 높일 방법이 궁금한 분
• 기술력이 부족한데 AI로 업무의 방식을 바꿀 수 있을까? 고민하는 분

당근은 매주 ‘AI Show & Tell’을 통해 각 팀의 AI 실험을 전사적으로 공유해요. AI를 업무에 어떻게 적용하고 있는지, 그 과정에서 어떤 시행착오와 인사이트가 있었는지를 가감 없이 나누죠. 당근은 완벽한 정답을 찾기보다 먼저 과감하게 실행하며, AI 전환에 빠르게 몰입하고 있어요. AI로 만드는 생생한 도전의 순간들, 지금 만나보세요.

✍️ 이 콘텐츠는 생성형 AI를 활용해 제작한 콘텐츠입니다.

당근 운영실은 최근 AI를 활용해 실행과 학습 속도를 높일 수 있도록 조직 구조와 일하는 방식을 재설계했어요. 그 구체적인 변화는 🔗‘모두가 AI 로켓에 올라타도록, 당근 운영실이 AI로 일하는 법’에서 소개해 드렸는데요. 이번에는 ‘당근 AI Show & Tell’ 세션에서 발표된 내용을 바탕으로, 그 전환이 어떤 구체적인 결과물로 이어졌는지 전해드리려 해요.

이번에 소개할 세 가지 프로젝트는 기존의 문제 해결 방식을 AI를 통해 새롭게 바라본 시도들이에요. 지금의 방식이 정말 최선인지 근본부터 다시 점검했고, 더 효과적인 해결 방법을 새롭게 기획했죠. 이후 “AI를 활용하면 빠르게 구현할 수 있다”는 확신 아래, 과감하게 실행에 나섰어요. 수개월간 준비하던 프로젝트를 AI 기반 프로덕트로 전면 피봇한 사례부터, 반복 업무를 줄이기 위해 비개발자가 직접 AI 툴을 만들어낸 실험까지 — 그 치열한 몰입의 과정을 지금부터 하나씩 살펴볼게요.

Project 1. 누구나 쉽게 조립하는 멀티 AI 에이전트 시스템, ‘KAMP’

AI 전환이 본격화되던 시기, 운영개발팀은 여러 차례 논의와 얼라인을 거쳐 팀원 모두가 멀티 AI 에이전트 시스템을 염두에 두고 있다는 점을 확인했어요. 이는 서로 다른 역할의 AI들이 협업해 복잡한 문제를 효율적으로 처리하는 구조인데요. 제재 사유 설명이나 운영 정책 안내처럼 다양한 데이터를 다뤄야 하는 CS 업무에서는 AI 에이전트의 역할을 분리하는 게 응답 정확도와 처리 속도 모두에 유리했어요. 운영개발팀은 서비스별로 필요한 CS 대응 시스템을 누구나 쉽게 구현할 수 있도록, 개발 없이도 에이전트를 조합할 수 있는 플랫폼을 기획했어요.

이렇게 탄생한 것이 운영개발팀 Backend Engineer Julius가 개발한 KAMP(Karrot Agent Management Platform)예요. KAMP는 ‘프로젝트–에이전트–도구’라는 세 가지 요소로 구성돼 있어요. 프로젝트는 해결하려는 문제, 에이전트는 LLM 기반으로 역할을 수행하는 AI, 도구는 외부 정보를 조회하거나 특정 행동을 할 수 있도록 해주는 API를 의미하죠.

이 세 가지를 상황에 맞게 조합하기만 하면, 복잡한 응대 시나리오도 코드 없이 손쉽게 구현할 수 있어요. 예를 들어 기본적인 사용자 질문에 응대하는 ‘고객지원 상담사’ 에이전트에게는 사용자 정보를 조회할 수 있는 도구를 연결하고, ‘운영정책 전문가’ 에이전트에는 내부 정책 검색 도구를 연결하는 식이에요. 여기에 ‘답변 검토 에이전트’를 추가해 다른 에이전트에 의해 작성된 답변이 사용자의 질문에 충분한 답변이 되는지 검토할 수도 있어요. 이렇게 에이전트는 각자 전문 분야 작업을 수행하고 서로 협업하여 복잡한 사용자의 문제를 해결해요.

사실 Julius는 한 달 전까지만 해도 룰 베이스 기반의 고객 지원 시스템을 설계 중이었고, 기획과 기본적인 시스템 구조 설계까지 마친 상태였어요. 하지만 AI 전환이 본격화되면서 그 방식이 사용자에게 가장 큰 임팩트를 줄 수 있을지 의문이 생겼고, 고민 끝에 멀티 AI 에이전트 시스템으로 방향을 전환했죠. 이미 많은 설계가 진행된 상황에서 결정을 뒤집는 건 쉽지 않았지만, 오로지 사용자 경험에 집중하며 4일 만에 코어 로직과 UI를 완성했어요. Julius는 “LLM의 한계를 의심하기보다 빠르게 시도하는 것이 중요하다”는 인사이트를 남겼어요.

운영실의 도전은 여기서 멈추지 않았어요. 반년 넘게 준비한 프로젝트를 단 일주일 만에 피봇해 만든 VoC 분석 플랫폼, 비개발자가 업무 효율성을 높이기 위해 직접 만든 자동화 툴 등 과감한 실행은 계속 확산됐는데요. 두 프로젝트의 구체적인 과정과 인사이트가 더 궁금하다면, 💡당근 테크 블로그에서 지금 바로 콘텐츠 전문을 확인해보세요!