🤖 AI를 주니어 팀원으로 쓴다면? PO가 2개 스쿼드를 이끈 현실 후기

AI를 주니어 팀원으로 쓴다는 게 무슨 뜻일까요? 🤔

"AI를 도구로 쓴다"고 하면 대부분 이런 그림을 떠올리죠. 질문하면 답 나오고, 초안 써달라고 하면 써주고. 그런데 요즘 PO들 사이에서 조금 다른 이야기가 나오고 있어요. AI를 그냥 쓰는 게 아니라, 진짜 팀원처럼 세팅해서 역할을 맡기는 방식이요. 최근 알라미 앱으로 유명한 딜라이트룸에서 공유한 사례가 그 대표적인 예인데요. PO 한 명이 스쿼드 두 개를 AI와 함께 실질적으로 운영한 이야기입니다. 저도 비슷한 방식으로 AI를 쓰고 있어서, 이 사례를 읽으면서 공감되는 부분이 상당히 많았어요. AI를 주니어 팀원으로 세팅한다는 게 실제로 어떤 의미인지, 어디서 효과가 나고 어디서 조심해야 하는지 같이 살펴볼게요.

스쿼드 두 개를 혼자서, 가능한 이야기일까요

PO(Product Owner)는 제품의 방향을 잡고 우선순위를 결정하는 역할입니다. 어떤 기능을 만들지 정하고, 개발팀과 맞추고, 유저 리서치 결과를 기획에 녹여내죠. 스쿼드는 특정 목표를 향해 움직이는 소규모 독립 팀이에요. 개발자, 디자이너, QA가 함께 움직이는 단위입니다. PO 한 명이 스쿼드 하나를 맡는 것도 쉽지 않은데, 두 개를 동시에 맡으면 어떻게 될까요. 솔직히 감당이 안 되는 게 정상입니다. 피처 범위는 넓어지고, 코드베이스는 깊어지고, 인수한 제품의 숨겨진 동작까지 신경 써야 하면 물리적으로 한계가 옵니다. 딜라이트룸은 이 문제를 AI를 주니어 팀원으로 구체적으로 역할 분담해서 해결했어요.

코드 읽는 AI, Devin에게 맡긴 네 가지 역할

딜라이트룸이 Devin이라는 AI 개발 에이전트를 활용한 방식이 흥미롭습니다. Devin은 실제 코드베이스에 접근해서 코드를 읽고, 데이터를 뽑고, 디버깅을 함께 수행하는 AI예요. 역할은 크게 네 가지였습니다.

첫째, 코드 리더 역할입니다. "이 기능 지금 어떻게 동작해?"라고 물으면 코드를 직접 읽고 플로우를 정리해줍니다. 인수한 제품처럼 모르는 동작이 많은 상황에서 특히 유용했다고 해요. 둘째, 디버거 역할입니다. 문제 발생 시 과거 커밋 히스토리까지 파악하며 원인을 추적합니다. 셋째, 직접 간단한 코드 수정까지 처리하는 개발자 역할이에요. 다만 결과물은 반드시 크로스 체크가 필요하다고 강조했다고 합니다. 넷째, 데이터 분석 역할입니다. AMP, Stripe, Qonversion 같은 여러 데이터 소스를 넘나들며 코호트 분석을 수행하는데, 툴마다 다른 데이터 구조를 이미 파악하고 있어서 매번 설명하지 않아도 되는 게 큰 장점이었다고 하네요. 부지런하지만 스코프를 명확히 좁혀주지 않으면 엉뚱한 곳까지 탐색하다 돌아오는 타입이기도 합니다.

기획을 담당한 Claude, 세 가지 방식으로 활용되다

Claude는 제품 전략과 기획 영역에서 주니어 PO처럼 쓰였어요. 역할이 세 가지였는데, 이게 실무에서 꽤 현실적인 활용 방식이라 공감이 많이 갔습니다.

첫째, 토론 파트너 역할입니다. 이게 가장 많이 쓰인 역할이었다고 해요. 문제 정의가 틀어졌을 때, 논리에 구멍이 있을 때, 리스크를 놓쳤을 때, 대화를 통해 잡아낼 수 있습니다. 백로그 검토, 스쿼드 회고 정리, 온보딩 플로우 재구성 등 다양한 국면에서 활용했다고 해요.

둘째, 문서 편집자 역할입니다. 두서없이 적어 내려간 사고 흐름, 유저 인터뷰 원문, 서베이 응답 같은 날것의 데이터를 목적에 맞게 정리해줍니다. 대부분의 PRD(제품 요구사항 문서)와 분석 문서를 Claude가 초안으로 잡아줬다고 하네요.

셋째, 데이터 해석 역할입니다. Devin이 코드베이스에서 데이터를 뽑아오면, Claude가 그 데이터를 맥락에서 해석하고 후속 액션 아이템을 도출하는 두뇌 역할을 합니다. Devin과 Claude의 조합으로 의미 있는 분석 결과를 만들어낸 사례가 인상적이었어요.

실제로 얼마나 효과가 있을까요, 숫자로 보면

이게 단순히 한 회사의 이야기만은 아닙니다. 한국은행이 2025년 발표한 이슈노트에 따르면, 국내 근로자의 63.5%가 이미 생성형 AI를 활용하고 있고, 업무 용도로만 한정해도 활용률이 51.8%에 이른다고 합니다. 이미 절반 이상이 쓰고 있다는 거예요. 구글 클라우드가 2025년 말 발표한 AI 에이전트 트렌드 보고서에서도 주목할 수치가 나왔어요. 캐나다 통신기업 Telus는 직원 5만7천 명 이상이 AI를 정기적으로 활용해, AI 상호작용 한 번당 평균 40분의 업무 시간을 절감하고 있다고 했습니다. 세계 최대 펄프 제조사 Suzano는 AI 에이전트 도입으로 데이터 질의 시간을 95% 줄였고요. Gartner는 2026년까지 기업용 애플리케이션의 40%가 AI 에이전트를 내장할 것이라고 예측하고 있어요.

이런 숫자들을 보면 AI 활용이 선택이 아니라 기본값이 되고 있다는 게 느껴지죠.

사람들이 놓치는 함정, AI는 믿되 검수해야 합니다

"AI가 다 해주겠지"라고 생각하면 바로 벽에 부딪힙니다. 실무에서 AI를 써본 사람이라면 다 아는 이야기예요. Devin은 부지런하지만 참고할 코드베이스나 데이터 소스를 착각하는 경우가 있어서 결과물을 반드시 크로스 체크해야 합니다. 스코프를 좁혀주지 않으면 엉뚱한 곳까지 탐색하다 돌아오는 타입이기도 해요. Claude는 더 똑똑하지만 다른 종류의 주의가 필요합니다. 우선순위를 혼자 잘못 짚을 때가 있고, 불필요한 내용을 과하게 담아서 가독성을 떨어뜨리기도 합니다. 임팩트 추정에서 가정치를 마음대로 넣는 경우도 있는데, 그 가정치가 적절한지는 반드시 PO의 직관으로 검증해야 해요. 공통적으로 둘 다 맥락을 PO보다 잘 알 수 없습니다. 가장 상위의 판단은 결국 사람이 해야 합니다. AI는 주니어입니다. 믿되 검수하고, 위임하되 방향은 내가 잡아야 한다는 게 핵심이에요.

AI가 잘 못하는 영역도 분명히 있어요

흥미로운 포인트가 하나 더 있었어요. 딜라이트룸 사례에서 Claude를 리서처로는 거의 활용하지 않는다고 했거든요. 이유가 납득이 갑니다. 레퍼런스 리서치를 할 때는 실제 그 앱을 직접 만져보고, 화면과 플로우를 눈으로 확인해야 제대로 파악이 됩니다. AI가 텍스트로 설명해주는 것과 내가 직접 사용해보는 건 완전히 다른 경험이거든요. 이건 AI가 대체하기 어려운 영역입니다. PO는 결국 제품을 사용자처럼 경험해야 하고, 그 과정에서 AI는 보조 역할에 머물 수밖에 없어요. AI가 잘하는 것과 못하는 것을 구분하는 안목이, AI를 잘 쓰는 첫 번째 조건이기도 합니다.

앞으로 AI 팀원의 직급은 어떻게 올라갈까요

이 사례에서 한 가지 기대를 덧붙였어요. AI 기술이 빠르게 발전하니, 다음 분기에는 AI 팀원의 직급을 올려줄 수 있지 않을까 하는 이야기였습니다. 이미 그 방향으로 빠르게 가고 있어요. 2026년을 기준으로, AI 에이전트 시장은 약 85억 달러(한화 약 11조 원) 규모로 추산되고 있고, 2030년에는 350억 달러 이상으로 성장할 것이라는 전망이 나옵니다. 에이전틱 AI, 즉 스스로 판단하고 연속 작업을 처리하는 능력을 갖춘 AI가 빠르게 확산되고 있어요. 단순 보조를 넘어 실질적인 협업 파트너로 진화하는 중입니다. 더 나아가서 Devin이 데이터를 뽑아서 Claude에게 넘기고, Claude가 기획 문서로 정리하는 흐름이 자동으로 돌아가는 날도 멀지 않았어요. 지금도 부분적으로는 가능한 이야기입니다.

AI 팀원을 잘 쓰는 사람의 공통점

이 사례를 읽고 가장 인상 깊었던 문장이 있어요. "맥락을 잘 넘겨주고, 역할을 명확히 정의하고 피드백을 주면, 똑똑한 주니어답게 점점 더 일의 합이 잘 맞는다." AI를 잘 쓰는 것과 그렇지 않은 것의 차이는 기술 실력이 아닙니다. 어떻게 역할을 정의하고, 얼마나 구체적인 맥락을 전달하고, 결과물을 어떻게 검수하느냐에 달려 있어요. 주니어 팀원을 잘 키우는 시니어가 있고, 주니어를 제대로 못 쓰는 시니어가 있는 것처럼, AI도 마찬가지입니다. 딸깍 한 번에 모든 게 해결되는 마법은 없어요. 하지만 주니어 팀원처럼 AI를 다루면, 혼자서는 감당 못 할 일도 가능해지기 시작합니다. AI 시대의 PO는 혼자 다 잘하는 사람이 아니라, AI를 잘 위임하고 잘 검수하는 사람이 될 것입니다. 지금부터 같이 일하는 방법을 익혀두는 게 맞아요.

마무리

AI를 그냥 도구로 쓰는 것과, 역할을 명확히 정의한 팀원으로 세팅해서 쓰는 건 완전히 다른 이야기입니다. 딜라이트룸의 사례는 그 차이가 실제 현장에서 어떻게 나타나는지를 잘 보여줍니다. Devin에게는 코드와 데이터를, Claude에게는 기획과 문서를 맡기되, 방향 설정과 최종 검수는 사람이 하는 구조. 이게 지금 가장 현실적인 AI 협업 방식이에요. 지금 당장 완벽한 AI 팀원은 없지만, 역할을 잘 정의하고 피드백을 꾸준히 주다 보면, AI도 점점 내 팀에 맞는 방식으로 성장합니다. 오늘부터 AI에게 역할을 하나 맡겨보세요.