AX 자동화시 AI 인프라 구축에 필요성

 

해당 내용은 실무에서 경험한 느낌을 기반으로 작성하였기에 참고 바람.

AX 도입 시작...

생산성 향상을 위한 미션을 받았다...
고민 끝에 AX 를 회사내에서 도입하기로 결정하였고 그에 따라 현 상황에 맞춰서 1차, 2차적으로 도입을 진행하는데,

1차는 팀 내 mcp, ai tools 를 먼저 도입하였다. 기존에 툴들이 각각 다르게 사용하고 있었고 그를 통합하고 mcp 활용 방법도 제시하여 통일하였다.

 

2차는 이제 익숙해진 상황에서 가벼운 AX 자동화 즉, cursor 를 활용한 github spec kit + sdd 기반 자동화 개발 프로세스를 구축, 문서는 컨플루언스에 저장하여 관리하였고 실제 프로젝트에 적용하면서 생산성을 90% 가까이 올렸다.

 

3차에서 이러한 과정을 통해 인프라 필요성을 느꼈고 이제 도입 배경, 필요한 부분들을 설계하고 서칭하다보니 글로 남기면 좋을 듯 하여... 작성한다.

 

기업의 업무 환경은 AI가 단순히 질문에 답하거나 문서를 정리하는 수준을 넘어, 실제 업무 프로세스를 이해하고 예측·판단·실행까지 수행하는 지능형 자동화(AX, AI Experience) 단계로 이동하고 있다.
AX는 단순 자동화가 아니라 기업 전체가 AI 중심으로 재구성되는 AI Transformation(인공지능 전환)의 핵심이다.

그러나 현실의 대부분의 조직은 AX를 원하는 만큼 구현하지 못한다. 이유는 간단하다.
AI가 제대로 활용할 수 있는 인프라가 없기 때문이다.

현재 문제: 규칙은 코드에 박혀 있고, 지식은 문서에 흩어져 있다

현재 기업에서 AX 자동화를 진행하면서 실제로 구조적으로 다음과 같은 문제를 안고 있었습니다.

규칙과 정책이 코드에 하드코딩되어 있다

현재 AI 툴 중에 커서를 기반으로 사용하고 있으며, rules, commands, spec, PRD 같은 핵심 정의가 프로젝트 코드 안에 정적 데이터로 박혀 있어,

• 새로운 프로젝트마다 복붙
• 변경 시 전체 프로젝트 동기화
• 규칙 충돌 및 버전 관리 난해

이 발생한다.
AI가 이 규칙을 활용해 지능적으로 판단하도록 만들려면, 규칙이 API 형태로 관리되어야 하지만 현재는 그렇지 않다.

지식은 컨플루언스 같은 문서 도구에 분산

문서형 지식은 사람이 관리하기 쉽지만 AI에게는 불안정한 정보원이다.
특히 컨플루언스는 MCP 가 존재하지만, 접근시 RAG 접근을 하는 듯 한데, 이는 SSOT(Single Source of Truth) 를 요구하는 AX에는 적합하지 않다.

SSOT 는 Single Source of Truth 데이터베이스, 애플리케이션, 프로세스 등의 모든 데이터에 대해 하나의 출처를 사용하는 개념으로, 기업에서 데이터 및 정보의 일관성이 유지되도록 하는 것입니다.

AX에 필요한 "정확한 규칙"을 AI가 찾을 수 없다

지능형 자동화는 다음을 필요로 한다.

• 어떤 조건에서 어떤 행동을 해야 하는지
• 회사의 정책이 무엇인지
• 워크플로우의 단계가 어떻게 되는지
• 예외 상황에서 어떤 판단을 해야 하는지

그러나 지금 구조에서는 AI가 참고할 규칙과 지식을 안정적으로 제공할 수 없다. (있긴 하지만, 그럴라면 엄청나게 정적인 데이터를 수발로 만들어야 한다.)

AX가 성공하려면 무엇이 필요한가

AI Experience는 단순히 LLM을 붙이는 것이 아니라, AI가 회사의 지식·규칙·정책·프로세스를 ‘이해하고 실행할 수 있게 만드는 인프라’를 구축하는 과정이다.

즉, AI가 스스로 판단·예측·실행하는 체계가 되려면 다음 요건을 충족해야 한다.

AI 인프라의 핵심

AX에서는 규칙과 정책이 문서로 존재해서는 안 된다.
AI가 직접 사용해야 하는 정보는 반드시 API 기반으로 제공되어야 한다.

현재 우리가 사용하고자 하는 레이어는 최소한 아래 세 가지 레이어가 필요하다.

Rule / Config Service

회사 내 모든 규칙, 정책, 워크플로우 정의를 API로 제공하는 서비스

• rules.ts, commands.ts, spec.json 같은 파일 제거
• 프로젝트마다 복붙 필요 없음
• AX 런타임에서 항상 최신 규칙 사용
• SSOT 달성

Knowledge Layer (문서 지식 레이어)

• PRD, 기획 문서, 매뉴얼 등
• 비정형 지식은 RAG 기반으로 조회
• 규칙과 정책과는 반드시 분리한 구조

Orchestrator (AI 실행 엔진)

• Rule Service, Knowledge Layer, 외부 시스템을 조합
• 예측·판단·실행 단계를 자동으로 수행
• 사람이 해야 했던 업무까지 대체 가능

개발자 경험(DX)과 MCP의 역할

AX를 실무에서 사용하려면 개발자가 편하게 쓸 수 있어야 한다.
여기서 Cursor 같은 IDE와 MCP가 매우 중요한 역할을 한다.

예를 들어,

"새 AX 워크플로우 템플릿 만들어줘(프로젝트 타입: po_fe_project)"
→ MCP가 Rule Service에서 규칙/명세를 가져옴
→ Cursor가 자동으로 rules.ts / commands.ts / spec.json 생성

또는

"현재 워크플로우 정책 보여줘"
→ 중앙 Rule Service 호출
→ IDE에 즉시 반영

이처럼 MCP는 AI 인프라의 기능을 개발 환경에 자연스럽게 녹여주는 인터페이스가 된다.

왜 AI 인프라가 필요한가

AI Experience가 실현되기 위해 필요한 것은 단순 AI 모델이 아니다.
AI가 판단을 내릴 수 있도록 회사의 논리를 기계가 이해할 수 있는 형태로 제공하는 것이다.

즉, AX는 다음과 같은 이유로 AI 인프라 없이는 성립하지 않는다.

1. 지능형 판단을 위해서는 규칙/정책의 중앙 관리가 필수
2. 예측과 실행을 위해서는 워크플로우가 API 기반이어야 함
3. 문서 기반 지식은 보조 수단일 뿐, 실행 엔진의 근간이 될 수 없음
4. 개발자와 AI가 동일한 규칙을 바라보는 구조가 필요
5. AX는 전사적 표준화를 요구하므로 인프라 형태가 맞음

AX 인프라가 만들어내는 변화

AI Transformation이 단순 자동화와 다른 이유는 업무 자체가 AI 중심으로 재정의되기 때문이다.

기대 효과

• 회사의 규칙이 하나의 API로 통합
• 모든 프로젝트가 동일한 기준으로 자동화
• 반복 작업 자동화뿐 아니라 예측·판단 업무도 자동화
• DX 극대화 → 개발 속도 상승
• 조직 전체의 지식과 정책의 일관성 유지
• AX가 하나의 플랫폼 또는 제품으로 성장

기업이 AI를 붙여 "작은 편의성"을 얻는 것이 아니라, 조직 전체가 AI 중심 구조로 재편되는 전환점이 된다.

결론

AI가 사람처럼 업무를 이해하고 수행할 수 있도록 만드는 AI Experience의 핵심 전략이다.

AX가 제대로 동작하려면 규칙·정책·지식·워크플로우를 중앙에서 관리하고 API 기반으로 제공하는 AI 인프라가 반드시 필요하다.

이제 기업이 해야 할 일은 AI를 붙이는 것이 아니라 AI가 일할 수 있는 환경을 구축하는 것이다.