의류 기업 Levi Strauss & Co.가 매장 스타일리스트용 앱 BackPocket을 다시 만들면서 소프트웨어 개발 주기(SDLC) 전체를 AI agent(스스로 판단해 작업을 수행하는 AI 프로그램) 중심으로 재설계했습니다. GitHub Copilot의 cloud agent 위에 요구사항 정리, 테스트, 접근성, 성능, 보안, 관측까지 맡는 specialist agent 17개를 연결했고, 이전 세대 앱에 9개월이 걸렸던 개발을 2.5개월에 마쳤습니다. 72% 단축입니다. 수치보다 눈여겨볼 것은 과정입니다. 어떤 일을 agent에 맡기고 어떤 결정을 사람이 남겼는지, Jira와 Confluence 같은 기존 도구를 어떻게 이어 붙였는지를 하나의 설계도처럼 따라가 봅니다.
낡은 공장에 새 모터만 바꿔 끼우면
Levi Strauss가 출발점으로 삼은 것은 경제학자 Paul David가 정리한 전기화 초기의 역사입니다. 공장에 전기가 처음 들어왔을 때 공장주들은 증기 기관을 전기 모터로 바꿨을 뿐 공장 배치와 공정은 그대로 두었고, 생산성은 수년간 변하지 않았습니다. 생산성이 실제로 뛴 것은 공장을 전기에 맞게 통째로 다시 설계한 뒤였고, 그때까지 수십 년이 걸렸습니다.
Levi Strauss는 지금의 소프트웨어 업계가 같은 국면에 있다고 봅니다. 기존 개발 파이프라인에 agent만 끼워 넣는 것은 낡은 공장에 새 모터를 넣는 것과 같아서 기대한 효과가 나오지 않는다는 판단입니다. 그래서 도구보다 먼저 프로세스를 다시 그렸습니다.
agent보다 먼저 정한 것: 성공의 정의
agent를 하나도 만들기 전에 조직이 무엇을 성공으로 볼지부터 정했습니다. 기준은 세 가지였습니다.
- 가치 도달 속도: 아이디어가 매장 스타일리스트의 손에 닿기까지 걸리는 시간
- 품질: 결함, 재작업, 배포 후 버그를 줄이는 것. 자동 테스트와 spec(명세) 주도 개발로 모호함을 앞단에서 해소하는 방식을 택했습니다
- 표준의 내재화: 관측성, 접근성, 보안 기준을 완성된 코드에 나중에 덧붙이지 않고 플랫폼 안에 넣는 것
세 번째 기준에는 분명한 전제가 깔려 있습니다. 표준이 개발자의 기억에 의존하면 실패하므로, 올바른 길이 가장 쉬운 길이 되도록 자동화해야 한다는 것입니다.
사흘 워크숍이 드러낸 병목
프로세스 재설계는 사흘짜리 대면 워크숍에서 시작했습니다. 제품 관리, 소프트웨어 엔지니어링, 개발 생산성, 품질 엔지니어링, AI 아키텍처의 리더와 실무자가 한방에 모였고, 노트북은 닫은 채 종이와 화이트보드만 썼습니다. 첫날은 현재 SDLC를 지도로 그리고, 둘째 날은 미래 모습과 목표 성과를 정하고, 셋째 날은 처음부터 끝까지 잇는 데 필요한 기술 요소를 찾았습니다.
현재 상태를 그려 보니 네 단계, 열두 개 절차가 나왔습니다.
| 단계 | 절차 |
|---|---|
| Plan | 계획과 우선순위, user story 작성, story 분해, 규모 산정과 의존성 평가 |
| Build | 코드와 단위 테스트 작성, branch와 PR 생성, 코드 리뷰, 빌드와 merge |
| Verify | QA와 회귀 테스트, 인수 확인 |
| Release | 매장 파일럿, 매장 전면 배포 |
이 과정에서 여섯 개 역할 사이에 열두 번의 인계가 일어났고, 인계마다 기다림이 쌓여 몇 달이 흘렀습니다. 가장 큰 지연 두 곳은 user story 작성(부서 간 조율 때문에 2~4주, 때로는 몇 달)과 주기 맨 끝의 QA 회귀 테스트(늘 3주)였습니다. 이 발견이 질문을 바꿨습니다. "사람이 어떻게 더 빨리 일하게 할까"가 아니라 "agent로 대기 시간을 어떻게 없앨까"가 된 것입니다.
AI가 하는 일, 사람이 하는 일, 사람이 결정하는 일
둘째 날 팀은 "agent는 실행하고 사람은 최종 결정을 내린다"는 운영 원칙을 세우고, 네 열짜리 표를 만들었습니다. 열은 Outcomes(성과), AI Does(AI가 한다), Human Does(사람이 한다), Human Decides(사람이 결정한다)입니다.
먼저 모든 절차를 성과로 바꿔 적었습니다. 예컨대 "요구사항을 작성한다"는 절차는 "요구사항이 명확하고, 합의되어 있고, 관련 부서를 아우른다"는 성과가 됩니다. 그다음 성과마다 역할을 나눴습니다.
- AI Does: 종합, 초안 작성, 구현, 지속적인 모니터링처럼 깊은 주관적 판단이 필요 없는 실행
- Human Does: 맥락 제공, 분별, 뉘앙스 평가, 부서 간 이해관계자 소통
- Human Decides: agent의 제안을 승인, 거부, 상위 보고하는 권한. 책임은 전적으로 사람에게 남습니다
'사람이 한다'와 '사람이 결정한다'를 일부러 분리한 것이 이 틀의 핵심으로 보입니다. 사람이 손을 덜 대더라도 운전석에서 내려오지는 않게 하는 장치입니다.
agent 카드의 다섯 요소
표의 칸 하나는 agent 카드 하나로 이어집니다. 카드는 Trigger(발동 조건), Input(입력), Action(동작), Output(출력), Handoff(인계)의 다섯 항목으로 정의합니다. 요구사항 agent를 예로 들면 다음과 같습니다.
| 항목 | 요구사항 agent |
|---|---|
| Trigger | 새 기능 요청 도착 |
| Input | 원본 ticket, 고객 요청, 제품팀의 spec 템플릿 |
| Action | 테스트 가능한 요구사항 초안 작성, 모호하거나 빠진 부분이 있으면 이해관계자에게 질문 |
| Output | 엔지니어가 추측 없이 구현할 수 있는 요구사항 묶음 |
| Handoff | 사람이 spec을 검토하고 확정한 뒤 spec 승인 PR을 merge |

▲ AI와 사람의 역할을 나눈 4열 표
플랫폼: orchestrator 하나와 specialist agent 17개
플랫폼은 개발자가 이미 일하는 자리, 즉 GitHub.com, GitHub Copilot CLI, VS Code에 그대로 붙습니다. 개발자의 요청은 orchestration agent(조정 역할 agent)가 받아 적절한 specialist agent에 배정합니다. specialist는 17개로, work ticket에서 spec을 뽑는 요구사항 agent, 텔레메트리를 심고 문제를 조사하는 관측 agent, 테스트를 작성하고 실행하는 테스트 agent, 그리고 애플리케이션 보안과 디지털 접근성 같은 전문 영역을 맡는 14개가 있습니다. 모든 agent는 GitHub Copilot cloud agent 위에서 실행되며, 공유 skill(agent가 재사용하는 작업 방법 묶음)을 통해 사내 모범 사례를 한 번만 써 두고 어디서나 다시 씁니다.
agent는 Markdown 파일 하나
agent 하나는 YAML frontmatter(파일 머리의 설정 구역)와 평문 시스템 지시로 이루어진 Markdown 파일 하나로 정의됩니다. 지시가 평문이라 머신러닝 지식이 없는 팀원도 읽고 이해하고 개선안을 낼 수 있습니다. 정의에는 agent가 할 수 있는 일, 호출할 수 있는 도구, 해서는 안 되는 일이 명시됩니다.
이 파일들은 GitHub 조직 수준의 agents 디렉터리에 모여 있고, 조직 안 모든 저장소에 자동으로 적용되므로 저장소별 설정이 전혀 필요 없습니다. prompt나 권한을 고칠 때는 애플리케이션 코드와 똑같이 PR을 거치므로 동료 검토, 버전 관리, 감사 추적이 보장됩니다. 예시로 든 요구사항 agent 정의는 GPT-5.4 모델을 쓰고 Atlassian Jira·Confluence와 GitHub의 MCP 도구를 선언하고 있습니다.
기존 도구는 MCP로 연결
외부 도구 연결은 MCP(Model Context Protocol, AI 모델이 외부 도구와 데이터에 접속하는 표준 규약) 서버로 통일했습니다. 요구사항 agent는 작업 기록 체계인 Jira에, 관측 agent는 New Relic에, 테스트 agent는 브라우저 자동화 도구 Playwright에 연결됩니다. Figma, Confluence, 내부 디자인 저장소도 MCP 서버로 붙습니다. 이렇게 하면 뒤쪽 시스템을 바꾸더라도 agent 정의는 손대지 않아도 됩니다.
품질 게이트의 순서와 사람의 두 검문소
전체 흐름은 요구사항 작성, 코드 빌드, specialist 리뷰, 품질 게이트, 관측 점검, 자동 배포 계획, 사람 리뷰, 운영 피드백으로 한 바퀴를 돕니다. 요구사항은 EARS(Easy Approach to Requirements Syntax, 요구사항을 정해진 문형으로 쓰는 기법)로 구조화하고, ticket이 모호하면 agent가 엔지니어에게 먼저 질문하도록 지시되어 있습니다.
사람은 두 지점에서 반드시 개입합니다. 첫째는 초기 spec PR을 검토하고 merge할 때, 둘째는 production으로 가는 최종 PR을 검토하고 merge할 때입니다. spec PR이 merge되면 Copilot cloud agent가 초기 빌드를 만들고 draft PR을 엽니다. 그 뒤 specialist agent는 사소한 변경마다 17개가 전부 도는 것이 아니라 필요한 것만 모듈처럼 실행됩니다.
자동 품질 게이트는 순서가 고정되어 있습니다.
- 단위 테스트와 통합 테스트
- 접근성
- 성능
- 코드 리뷰
- 보안
보안을 일부러 맨 마지막에 둔 이유는 앞선 agent들이 고치고 바꾼 코드까지 모두 감사하기 위해서입니다. 관측 agent는 배포 권고가 나오기 전에 새 코드를 계측해, 변경이 production에 들어가는 순간부터 텔레메트리가 살아 있게 합니다.
리뷰어가 여는 PR에는 agent별 작업이 라벨 붙은 개별 commit과 요약으로 정리됩니다. 개발자 포털을 Next.js App Router로 이전한 사례에서는 테스트 생성, Playwright 기반 접근성 수정, 성능 최적화, HTTP 보안 헤더 적용이 각각 별도 commit으로 남아 사람이 세부 수정을 하나씩 확인할 수 있었습니다.
표준을 agent에 담다
사내 엔지니어링 표준은 한곳에만 두고, 개발 현장 가장자리에서 agent가 계속 집행합니다.
- 보안 agent: OWASP 취약점과 CVE를 점검하고 정적 코드 감사와 secret 스캔을 수행한 뒤, 심각도 순으로 수정 commit을 냅니다
- 접근성 agent: headless 브라우저에서 Playwright로 실제 페이지를 렌더링해 WCAG 2.2 AA 준수를 검증하고 수정안을 PR에 직접 생성합니다
- 성능 agent: 실제 브라우저 세션에서 Core Web Vitals를 측정합니다. 합성 추정치가 아니라 실측값만 쓴다는 원칙을 지킨 뒤 최적화를 적용합니다
- 관측 agent: 새로 배포되는 모든 구성 요소에 New Relic tracing과 alert가 기본으로 들어가게 하고, 빠진 계측은 PR로 주입합니다
저장소 전략과 사내 마켓플레이스
새 저장소는 처음부터 'agent-ready' 상태로 시작합니다. TypeScript부터 Swift까지 주요 언어를 아우르는 10개의 starter kit에는 CI/CD workflow, 문서, 운영 runbook, AGENTS.md 설정 파일과 Copilot 지시 파일이 미리 들어 있습니다. CI 파이프라인은 모든 PR에서 의존성 보안 검토, 자동 테스트, 코드 커버리지 기준, New Relic 사전 점검을 강제합니다. 여기에 Copilot Agentic Autofix가 CI 실패를 감지하면 로그를 조사해 패치를 만들고 PR branch에 다시 올립니다. 기존 저장소는 감사 agent가 starter kit 기준과 비교해 빈틈을 찾고 업그레이드 PR을 냅니다.
재사용을 위해 사내 마켓플레이스인 Developer AI Portal도 운영합니다. custom agent 24개, 공유 skill 19개, MCP 서버 15개, 재사용 prompt 모음이 올라와 있고, 엔지니어가 평점과 리뷰를 남기며 VS Code와 GitHub에서 클릭 한 번으로 설치합니다.

▲ 사내 agent 마켓플레이스
도구보다 어려웠던 것: 사람과 습관
Levi Strauss 스스로 도구 도입은 쉬운 쪽이었고 가장 무거웠던 일은 변화 관리였다고 밝힙니다. 역할 기대가 크게 바뀌면 엔지니어가 불안해하는 것이 자연스럽기 때문에, 신뢰를 쌓는 장치를 의도적으로 넣었습니다.
- 워크숍 전 pre-read: Gartner와 McKinsey의 업계 연구를 미리 읽혀 agent 중심 SDLC를 크게 상상하도록 유도
- 내장형 player-coach: AI에 밝은 principal engineer를 squad 안에 배치해 daily standup 참석, 채팅 질문 응답, 코칭 세션 진행
- 실전 코드로 교육: 연습용 sandbox가 아니라 해당 squad의 실제 production 코드베이스로 실습
- 주간 Developer Velocity office hours: 눈치 보지 않고 질문하는 자리이자 새 기능 시연과 다른 팀 성공 사례 공유의 장
- 사내 해커톤: 모든 팀이 AI를 쓰도록 하고 사전 skilling 워크숍을 거쳤으며, 여러 결과물이 production으로 이어졌습니다. 내년에는 사내 AI 컨퍼런스도 예정되어 있습니다
Korn Ferry의 백서를 근거로, 성과가 높은 엔지니어일수록 과거에 성공을 가져다준 습관을 버리기 어려워 AI 도입에서 가장 큰 마찰을 겪는다는 점도 짚습니다. 엔지니어들은 spec 주도, 테스트 우선 개발을 새로 익히고 agent의 결과물을 비판적으로 검토하는 습관을 들여야 했습니다. daily standup도 상태 보고에서 벗어나 전략적 결정과 예외 처리를 논의하는 자리로 바뀌었습니다.
네 가지 운영 원칙
이 체계를 떠받치는 원칙은 네 가지입니다.
- 사람은 판단, agent는 실행: 모호한 문제는 사람이 판단하고 반복적인 실행은 agent가 맡습니다
- 맥락은 agent가 볼 수 있는 곳에: 오래 남아야 할 맥락은 Git 저장소와 ticket에 둡니다. 채팅 기록은 휘발성이라 믿을 수 없다는 판단이며, 언젠가 채팅 도구가 충분히 견고해질 수 있지만 지금은 아니라고 봅니다
- agent와 사람에게 같은 기준: agent의 PR도 사람과 똑같은 CI/CD와 리뷰 게이트를 통과해야 합니다
- 언제나 감사 가능: agent의 모든 행동과 사람의 모든 override를 기록합니다
결과와 배운 점
큰 프로세스 변화로 생산성이 일시적으로 떨어질 것이라는 우려와 달리 엔지니어링 처리량은 51% 늘었습니다. 동시에 PR 통과율이 54% 올라, 속도와 품질이 서로 맞바꾸는 관계라는 통념과 다른 결과가 나왔습니다. AI가 관여한 PR 비율은 26%에서 69%로 높아졌고, 회사 목표는 100%입니다. 처리량이 늘면 의미 없는 코드만 많아질 수 있다는 비판도 인정하지만, 빠른 MVP 전달과 높은 PR 통과율이 실제 가치를 뒷받침한다고 설명합니다. 다만 이 수치들은 한 기업, 한 프로젝트의 결과이며 다른 조직에 그대로 옮겨진다고 보기는 어렵습니다.
시행착오도 있었습니다. 초기에 여러 agent가 Git branch를 병렬로 만들게 했더니 merge 충돌이 잦았고, 결국 PR 안에서 순차 실행하는 방식으로 바꿨습니다. 지금은 전문 리뷰 agent들이 리뷰 댓글을 남기면 전담 helper agent가 PR 아래에서 차례로 해결합니다. spec이 불완전하면 agent가 근거 없는 확신으로 먼저 달려 나가는 경향이 있어, 모호함을 초기에 드러내는 단계를 workflow에 일부러 넣었습니다. 첫 squad에 사흘 걸렸던 온보딩 워크숍은 이후 세 시간짜리로 줄여 다른 squad에 확산하고 있습니다.
정리: 개발 조직에 agent를 들이려면
Levi Strauss 사례의 핵심은 agent 17개라는 숫자가 아니라 순서입니다. 성공의 정의를 먼저 세우고, 현재 프로세스의 인계와 대기 시간을 종이에 그려 병목을 찾고, 절차를 성과로 바꿔 AI와 사람의 몫을 나눈 뒤에야 agent를 만들었습니다. 1873년 작업복을 다시 상상했던 회사가 소프트웨어에서도 같은 접근을 택했다는 비유처럼, 낡은 공장에 새 모터를 넣기 전에 공장을 다시 그리라는 것이 이 사례가 전하는 메시지입니다.
개발 조직에서 agent 도입을 검토한다면 다음 순서를 참고할 만합니다.
- agent 설계 전에 속도, 품질, 표준 내재화 가운데 무엇을 성공으로 볼지 정합니다
- 현재 SDLC의 인계 지점과 대기 시간을 부서를 넘어 함께 그려 봅니다
- 절차마다 AI가 할 일, 사람이 할 일, 사람이 결정할 일을 나누고 Trigger, Input, Action, Output, Handoff로 agent 카드를 씁니다
- agent 정의는 평문 Markdown으로 쓰고 PR로 관리해 누구나 읽고 감사할 수 있게 합니다
- 사람의 승인 지점을 spec과 최종 merge 두 곳에 두고, 품질 게이트는 순서를 정해 보안을 맨 뒤에 놓습니다
- 맥락은 채팅이 아니라 저장소와 ticket에 남기고, agent에게도 사람과 같은 기준을 적용합니다
- 도구보다 변화 관리에 더 큰 힘을 들입니다. pre-read, 내장형 코치, 실제 코드 기반 교육, office hours가 그 수단입니다


