AI 도입은 기술보다 '조직'이 더 큰 과제입니다
생성형 AI는 이제 개발자의 생산성을 크게 높이는 핵심 도구로 자리 잡고 있습니다. 실제로 일부 엔지니어는 Claude를 활용해 기존보다 훨씬 높은 생산성을 만들어내고 있지만, 조직 전체는 같은 속도로 변화하지 못하는 경우가 많습니다.
Claude Code를 개발한 Boris Cherny는 이러한 현상을 바탕으로 조직이 AI를 도입하는 과정을 0단계부터 4단계까지 총 5단계로 정리했습니다. 이 모델은 단순히 AI 활용 수준을 구분하는 것이 아니라, 각 단계에서 조직이 마주하는 병목과 이를 해결하기 위한 가드레일을 함께 제시한다는 점에서 의미가 있습니다.
이번 글에서는 AI 도입 5단계가 무엇인지 살펴보고, 각 단계별 특징과 병목, 다음 단계로 나아가기 위한 핵심 조건을 정리합니다.
Claude Code가 제시한 AI 도입 5단계
AI 도입 단계는 단순히 AI를 사용하는 정도가 아니라 다음 세 가지 요소를 기준으로 발전합니다.
- 동시에 운영하는 AI 에이전트 수
- 엔지니어의 역할 변화
- 조직의 핵심 병목
가장 중요한 메시지는 다음과 같습니다.
토큰 사용량이나 AI 예산을 늘리는 것만으로는 다음 단계로 갈 수 없습니다. 병목을 제거하고 적절한 가드레일을 구축해야 조직 전체의 생산성이 향상됩니다.
AI 도입 단계를 구분하는 핵심 변화
단계가 높아질수록 변화하는 요소는 크게 세 가지입니다.
| 구분 | 변화 |
| 에이전트 수 | 1 → 10 → 100 → 1,000+ |
| 엔지니어 역할 | 페어 프로그래머 → 오케스트레이터 → 매니저의 매니저 → 목표를 설정하는 관리자 |
| 병목 | 기술 → 사람 → 검토 → 신뢰 → 자동화 설계 |
즉, AI 성숙도가 높아질수록 개발자가 직접 코드를 작성하는 시간이 줄어들고, AI를 관리하고 운영하는 역할이 더욱 중요해집니다.
0단계 : 차단(Gated)
아직 AI를 제대로 시작하지 못한 조직
0단계는 AI 활용 이전 단계입니다.
대표적인 특징은 다음과 같습니다.
- 구형 또는 제한된 AI 모델만 사용 가능
- AI 접근을 위한 승인 절차가 복잡함
- 보안 정책 때문에 AI 도구 사용이 어려움
- 생성된 결과물을 조직 내에서 활용할 환경이 부족함
이 단계의 가장 큰 병목은 기술이 아니라 조직의 의사결정 구조입니다.
대표적인 원인은 다음과 같습니다.
- 레거시 보안 정책
- 복잡한 승인 프로세스
- 비용 절감 중심의 의사결정
- 기술 전문가가 의사결정에 참여하지 못하는 구조
다음 단계로 가기 위해 필요한 것
- 경영진의 AI 도입 공감대 형성
- 안전한 AI 활용 프레임워크 구축
- 데이터 거버넌스 마련
- 기존 IAM 및 승인 체계 안에서 AI 활용 가능하도록 환경 구성
1단계 : 보조(Assisted)
AI가 개발자의 페어 프로그래머가 되는 단계
이 단계에서는 개발자 한 명이 AI 에이전트 하나를 활용합니다.
AI는 개발을 보조하지만 최종 검토는 모두 사람이 수행합니다.
주요 특징은 다음과 같습니다.
- AI가 코드 생성
- 엔지니어가 모든 변경 사항 검토
- 한 번에 하나의 작업 진행
- AI 작업이 끝날 때까지 기다리는 방식
생산성은 향상되지만 사람의 검토 시간이 여전히 많이 필요합니다.
병목
- AI 결과를 모두 직접 확인해야 하는 부담
- AI 결과를 신뢰하지 못함
- 작업이 동기적으로 진행됨
다음 단계로 가기 위한 핵심 조건
- 여러 AI 에이전트 동시 실행
- 테스트·빌드·린트·E2E 테스트를 포함한 자기 검증 체계 구축
- Auto Mode 활용
- 자동 코드 리뷰 도입
2단계 : 병렬(Parallel)
여러 AI 에이전트를 동시에 운영하는 단계
이 단계부터 개발자의 역할은 코드를 작성하는 사람이 아니라 AI를 관리하는 오케스트레이터로 변화합니다.
특징은 다음과 같습니다.
- 에이전트 5~10개 동시 운영
- 각 에이전트가 독립적인 워크트리에서 작업
- 테스트와 보안 검사를 통과한 결과만 검토
- Auto Mode 기본 사용
- 자동 코드 리뷰와 보안 리뷰 적용
이 단계에서는 개발자가 직접 작성하는 코드보다 AI가 생성하는 코드의 비중이 크게 높아집니다.
병목
문제는 코드 작성이 아니라 검토입니다.
여러 에이전트가 동시에 결과를 생성하기 때문에 사람은 다양한 결과를 확인하고 관리하는 데 많은 시간을 사용하게 됩니다.
다음 단계로 가기 위한 조건
- AI가 필요한 컨텍스트를 스스로 확보하도록 지원
- 위키, 문서, 사내 정보 접근 허용
- 반복 작업 자동화
- 루프 기반 작업 수행
- 에이전트가 다른 에이전트를 활용할 수 있는 구조 마련
3단계 : 감독형 자율(Supervised Autonomy)
AI가 대부분의 개발을 수행하는 단계
이 단계에서는 AI가 대부분의 코드를 작성합니다.
개발자는 코드 자체보다 다음 사항을 관리합니다.
- AI가 충분한 정보를 가지고 있는가
- 컨텍스트는 적절한가
- AI의 판단 기준은 올바른가
즉, 품질 관리 대상이 코드에서 컨텍스트 관리로 이동합니다.
또한 반복적인 유지보수 작업이 백그라운드에서 자동으로 실행됩니다.
병목
이 단계의 가장 큰 문제는 신뢰입니다.
AI가 자동으로 수행하는 루프를 얼마나 신뢰할 수 있는지가 핵심입니다.
또한 AI 사용량이 증가할수록 토큰 비용 관리도 중요한 과제가 됩니다.
Cherny는 다음 질문으로 AI 활용의 가치를 판단할 것을 제안합니다.
사람이 직접 수행했을 작업이라면 AI가 대신하는 것이며, 그렇지 않다면 불필요한 작업일 가능성이 높습니다.
다음 단계 조건
- 특정 업무를 위한 전용 자동화 파이프라인 구축
- 반복 업무 자동화
- 검증과 가드레일이 포함된 워크플로우 설계
4단계 : AI Native
목표만 제시하면 AI가 실행하는 단계
최종 단계에서는 사람이 작업을 하나씩 지시하지 않습니다.
대신 목표와 방향만 설정하면 AI가 수백~수천 개의 에이전트를 활용해 자동으로 업무를 수행합니다.
사람은 다음 두 가지 역할에 집중합니다.
- 목표 설정
- 예외 상황 관리
정상적으로 진행되는 작업은 AI가 자체적으로 처리합니다.
병목
이 단계에서는 기술보다 다음이 중요합니다.
- 어떤 업무를 자동화할 것인가
- 업무별 적절한 가드레일 설계
- 자동화 비용 관리
- 적절한 모델 선택
AI 도입 단계별 핵심 비교
| 단계 | 사람의 역할 | 에이전트 수 | 주요 병목 |
| 0단계 | 도입 이전 | 0 | 승인 절차, 비용 중심 사고 |
| 1단계 | AI와 협업 | 1개 내외 | 사람의 검토 부담 |
| 2단계 | 오케스트레이터 | 5~10개 | 여러 결과 검토 |
| 3단계 | 매니저의 매니저 | 100개 수준 | 신뢰와 의사결정 |
| 4단계 | 목표 설정자 | 1,000개 이상 | 자동화 설계와 가드레일 |
AI 도입 효과는 어떻게 측정해야 할까
AI 활용도를 단순히 사용량이나 토큰 소비량으로 평가해서는 안 됩니다.
Cherny는 보다 중요한 기준으로 다음 질문을 제시합니다.
이 작업을 AI가 수행하지 않았다면 사람이 얼마나 많은 시간과 비용을 들였을까?
즉, AI의 진정한 가치는 토큰 사용량이 아니라 절감된 엔지니어링 시간과 생산성 향상으로 측정해야 합니다.
반복적인 유지보수와 수정 작업을 AI가 자동으로 수행하면 개발자는 새로운 기능 개발과 가치 창출에 더욱 집중할 수 있습니다.
AI 도입 로드맵은 현재 위치를 진단하는 기준입니다
Claude Code가 제시한 AI 도입 5단계는 단순한 성숙도 모델이 아닙니다. 조직이 현재 어느 단계에 있는지 진단하고, 다음 단계로 나아가기 위해 무엇을 개선해야 하는지를 보여주는 실행 지침에 가깝습니다.
특히 각 단계에서 나타나는 병목은 서로 다릅니다. 초기에는 보안과 승인 절차가 문제였다면, 이후에는 사람의 검토 부담, AI에 대한 신뢰, 자동화 설계가 새로운 과제가 됩니다. 따라서 단순히 최신 AI 도구를 도입하거나 사용량을 늘리는 것만으로는 조직 전체의 생산성을 높이기 어렵습니다.
결국 성공적인 AI 도입은 적절한 가드레일과 검증 체계, 그리고 조직의 운영 방식까지 함께 변화시키는 것에서 시작됩니다. 현재 조직이 어느 단계에 있는지 객관적으로 진단하고, 다음 단계의 병목을 하나씩 해결해 나가는 것이 AI를 조직의 경쟁력으로 연결하는 가장 현실적인 접근 방법입니다.
Steps of AI Adoption
Steps of AI Adoption
claude.ai
