AI 인재의 함정
애플리케이션 최신화에서 비즈니스 맥락이 코딩보다 중요한 이유
C-레벨 경영진은 지속적인 역설에 직면해 있습니다. 전 세계 수천만 명이 사용하는 고트래픽 인프라의 안정성을 보장하면서도, 경쟁에서 앞서기 위해 요구되는 폭발적인 혁신 속도를 어떻게 유지할 수 있을까요? 이것은 제가 10년이 넘는 기간 동안 헤쳐온 온 과제입니다. 그러한 긴장은 AI 기반 애플리케이션과 함께 더욱 커지며, 이는 제가 Caliente.mx에서 여러 제품과 플랫폼 전반에 걸쳐 직접 경험하며 대응해 온 부분입니다. 이는 대규모 환경에서 무 엇이 효과적인지, 그리고 무엇이 치명적인 실패를 초래하는지를 가감 없이 바라볼 수 있는 시각을 제공해 주었습니다.
2026 Cloudflare 애플리케이션 혁신 보고서에서 조직의 87%가 AI 개발을 지원하기에 내부 인력이 충분하다고 답했다는 내용을 보았을 때, 이는 즉각적으로 눈에 띄었습니다. 그와 같은 자신감은 오히려 오해를 불러일으킬 수 있습니다. 제 경험상, 성공적인 AI 도입은 팀이 어떻게 협업하는지, 어떤 조직적 노하우를 보유하고 있는지, 그리고 인프라가 빠르고 안전한 실험을 뒷받침하는지에 달려 있습니다. 이는 AI 역량이 단순히 인원 수만으로 결정되지 않는다는 점에 대해 Cloudflare 필드 CTO인 Trey Guinn과 애플리케이션 스택 너머 프로그램에서 함께 다룬 주제이기도 합니다.
지난 몇 년간 AI를 도입하려는 기업들에서 동일한 패턴을 보아 왔습니다. 기술은 흥미롭고 인재는 서류상으로는 탄탄해 보이지만, 결과는 기대에 미치지 못합니다. 이는 성공적인 AI 도입의 진짜 장벽이 기술적 문제가 아니라 전략적 문제이기 때문입니다. 너무 많은 조직이 AI를 이분법적인 상태로 취급합니다. 즉, “AI를 하고 있거나” 그렇지 않으면 뒤처진 것으로 보는 것입니다. 그러한 압박은 보통 두 가지 반응 중 하나를 촉발합니다. 비즈니스를 이해하지 못하는 AI 전문가를 채용하거나, 명확한 목적이나 도입 계획 없이 내부에 도구를 밀어붙 이는 것입니다. 두 접근 방식 모두 오래가지 못합니다.
대부분의 기업은 AI에 두 가지 방식 중 하나로 접근합니다. 제품이나 서비스에 내재된 핵심 기능으로서의 AI이거나, 인사나 재무와 같은 내부 업무 흐름을 최적화하기 위한 도구 세트로서의 AI입니다. 제품 중심 접근 방식이 더 복잡하다고 생각하기 쉽지만, 저한테는 AI를 내부에 도입할 때 오히려 더 큰 위험이 보입니다. 바로 그 지점에서 교육 없이 도구가 강제로 도입되고, 기대치는 엇갈리며, 팀들은 반발하기 시작합니다. 그때 도입은 정체됩니다.
핵심적인 이분법: 기존 지식 vs. 새로운 기술
AI가 조직에 제대로 정착하려면, 리더십은 도입 방식을 재고해야 하며, 더 중요하게는 그 변화를 실제로 이끌 역량을 갖춘 사람이 누구인지 다시 생각해야 합니다.
제가 Caliente에서 그랬던 것처럼 팀을 처음부터 구축해 본 경험이 있으면, 조직에 축적된 지식의 가치를 몸소 실감하게 됩니다. 그것은 문서로 남아 있는 것이 아니라 사람들이 내려온 선택의 축적, 그들이 만들어 온 시스템, 그리고 경험을 통해 형성된 감각 속에 살아 있습니다.
그러한 맥락은 AI를 통합하는 데 필수적입니다. 외부 인재는 전문성을 가져올 수 있지만, 제품에 대한 역사적 이해나 아키텍처에 대한 숙련도가 없으면 진전은 더뎌집니다.
이미 보유한 팀의 역량을 끌어올리는 것이 종종 더 빠른 길입니다. 이들은 애플리케이션이 어떻게 발전해 왔는지, 사용자가 무엇에 의존하고 있는지, 그리고 기술 스택이 어디까지 유연하게 대응할 수 있는지를 이해하고 있는 사람들입니다. 아키텍처가 모듈화되고 위험이 낮은 실험을 지원할 때, 그러한 맥락은 경쟁력이 되며 팀 역량 강화는 자연스러운 선택이 됩니다.
AI 도입에 대한 저항 관리
특히 AI처럼 과대평가된 신기술이 도입될 때마다, 사람들은 자연스럽게 이렇게 걱정합니다. “이게 나를 대체하는 건 아닐까?” 그러한 두려움은 AI가 단발성 이니셔티브로 제시되거나, 일상 업무와 거리가 있는 외부 인력에게 맡겨질 때 더욱 증폭됩니다. 그 두려움을 완화하는 가장 좋은 방법은 대화를 실제 문제에 기반하여 진행하는 것입니다. Caliente에서는 먼저 속도를 늦추거나 마찰을 일으키는 문제, 즉 페인 포인트를 확인한 후에야 AI가 이를 해결할 수 있는지 질문합니다.
답이 ‘예’라면, 그것은 보강에 관한 문제가 됩니다. 우리는 “자동화된 QA”라고 말하지 않습니다. 우리는 “AI 지원 테스트”라고 말합니다. 우리는 새로운 이니셔티브를 “AI 애플리케이션 개발”로 규정하지 않습니다. 우리는 이미 보유한 애플리케이션을 확장하는 것에 대해 이야기합니다. 기존에 잘 작동하는 것을 해치지 않으면서, 더 빠르고, 더 똑똑하며, 더 유용하게 만드는 것입니다. 우리는 코드 리뷰 프로세스를 개 선하여 엔지니어에게 추가적인 검토를 제공함으로써, 그들이 더 높은 가치의 업무에 집중할 수 있도록 합니다.
혁신의 필수 조건: 경직성의 대가
이미 보유한 팀과 함께 자유롭게 개발하려면, 인프라가 그 선택을 뒷받침해야 합니다. 모든 AI 대화에서 언젠가는 사람들이 기본을 잊습니다. AI는 야망으로 돌아가는 것이 아니라, 인프라 위에서 작동한다는 사실입니다.
여전히 경직된 온프레미스 시스템으로 작업하고 있다면, 최고의 아이디어조차 지연, 호환성 문제, 또는 조달 절차에 갇히게 됩니다. 제가 직접 경험한 바에 따르면 기존 레거시 스택을 GPU 집약적 워크로드에 맞게 개조하는 것은 고통스러울 뿐만 아니라 비용도 많이 듭니다. 실험을 시작하기도 전에, 하드웨어 수리, 드라이버 업데이트, 운영체제 패치 등을 쫓게 됩니다.
많이 간과되는 점은 애플리케이션 최신화가 AI를 위한 전제 조건이라는 것입니다. 인프라가 유연할수록, 새로운 시도를 해보는 비용은 낮아집니다. 환경을 빠르게 구축할수록, 무엇이 효과적이고 무엇이 효과적이지 않은지 더 빨리 알 수 있습니다. 서버리스 아키텍처는 특히 초기 비용 없이 여러 구성을 테스트할 수 있게 해줍니다. 실험을 실행하고, 데이터를 얻은 후, 다음 단계로 나아가면 됩니다.
그리고 이러한 민첩성은 나중에도 큰 효과를 발휘합니다. 이 분야의 하드웨어와 소프트웨어는 빠르게 진화합니다. 모든 것을 온프레미스에서 유지하고 있다면, 끊임없는 업그레이드 주기에 놓이게 됩니다. 서버리스나 클라우드 네이티브 플랫폼을 사용하면, 최신 상태를 유지하기 위해 시간과 예산을 낭비하지 않고도 그 진화 속도를 따라갈 수 있습니다.
우리에게 효과적이었던 방법은 AI 실험을 위한 구조화된 샌드박스를 만드는 것이었습니다. 즉, 실험 작업과 운영 환경 배포를 명확히 분리하고, 가설을 테스트할 짧은 일정과, 확장 전에 ‘충분히 좋음’이 무엇인지 사전에 정의하는 것을 의미합니다.
제가 고수하는 몇 가지 원칙은 다음과 같습니다.
핵심 제품 유출로부터 실험 격리
테스트 주기가 벗어나지 않도록 타임 박스를 설정
AI 리드와 제품 담당자를 연결하여 모든 아이디어가 실제 애플리케이션에 미치는 영향에 반영되도록 보장
AI는 고립된 존재가 아니며, 이미 유지하고 있는 시스템 안에서 작동해야 합니다. 올바르게 수행되면, AI 실험은 애플리케이션 혁신을 늦추는 것이 아니라 가속화 합니다. 안정성을 위태롭게 하지 않으면서, 더 똑똑한 기능, 향상된 자동화, 그리고 더 민첩한 제품을 얻을 수 있습니다.
AI 인프라 필수 조건 3가지
제가 경험한 바로는, AI가 애플리케이션 개발에서 파일럿 단계를 넘어가기 위해서는 세 가지 필수 조건이 있습니다.
명확한 데이터 거버넌스. 명확하게 정의된 액세스 규칙이 매우 중요합니다. AI가 접근할 수 있는 데이터는 무엇인가? 어떤 조건에서? 이것이 없으면 규제 준수 문제에 직면하게 됩니다.
확장 가능한 컴퓨팅. 파일럿은 저전력 시스템에서 실행할 수 있지만 운영 워크로드는 아닙니다. 확장 가능한 인프라는 특히 GPU 워크로드에 핵심입니다.
강력한 모니터링. AI가 운영되기 시작하면, 완전한 가시성과 감독이 필요합니다. 여기에는 편향 변화를 추적하고, 이상 현상을 감지하며, 의도치 않은 결과가 커지기 전에 포착하는 것이 포함됩니다.
이 요소들을 올바르게 갖추면, 실험이 지속 가능해집니다. AI는 제품이 아니라 역량입니다. 제 경험상, 그 여정의 많은 부분은 구조화된 실험, 명확한 교육, 그리고 과대광고보다 투명성을 중시하는 문화에 달려 있습니다.
하지만 인프라만으로는 진전을 이끌어낼 수 없습니다. 팀도 준비되어 있어야 합니다.
실제 AI 준비 태세를 나타내는 세 가지 신호
엔지니어링 팀이 애플리케이션 혁신에서 AI 역량을 확장할 준비가 되어 있는지 평가할 때, 저는 세 가지를 봅니다.
열린 대화: 팀이 성공과 실패를 모두 공유하고, 무엇이 잘 작동하는지, 무엇이 그렇지 않은지 솔직하게 이야기하는 데 익숙하다면, 이는 긍정적인 신호입니다.
기초 이해: 전문가일 필요는 없지만, 최소한 LLM이 어떻게 작동하는지, 파라미터 수나 토큰 같은 용어, 그리고 AI 환각이 발생하는 이유 정도는 이해하고 있어야 합니다. 이는 호기심과 더 깊이 이해하려는 의지를 보여줍니다.
경계 인식: 공유해도 안전한 데이터, 재사용 가능한 콘텐츠, 그리고 법적·윤리적 한계가 어디인지를 알고 있어야 합니다.
이는 단순히 갖추면 좋은 요소가 아니라, 팀이 실제 AI 기반 애플리케이션 혁신을 구축하고 지속할 준비가 되었음을 보여주는 지표입니다.
망치부터 해결하려 하지 마세요
제가 여러 팀에서 목격한 함정 중 하나는 ‘해결책 우선’ 사고방식입니다. 리더십이 AI 도구에 흥분하며, 팀에게 이를 정당화할 사용 사례를 거꾸로 만들어 보라고 지시하는 경우입니다. 하지만 도구부터 시작하면, 존재하지 않는 문제나 비즈니스에 중요하지 않은 문제를 해결하게 되는 경우가 많습니다. 진정한 진전은 실제로 영향력이 큰 문제를 해결하는 데서 시작되며, AI가 그 해결책에 필요한지 여부를 그 문제에 따라 판단할 때 이루어집니다. 그렇게 하면 목표가 명확하기 때문에, 집중하며 실험하고 배우고, 필요할 때 방향을 조정할 수 있습니다.
그 다음에는 빠르게 반복하는 것이 중요합니다. 특히 AI를 실제 애플리케이션에 적용할 때 그렇습니다. 좁은 사용 사례를 정의하고, 운영 환경 밖에서 테스트하며, 영향을 측정하고, 피드백을 수집한 후 조정합니다. 효과가 있다면, 확장합니다. 효과가 없더라도, 귀중한 교훈을 얻을 수 있습니다. 과도하게 자원을 투입하거나 아무도 필요로 하지 않는 기술을 만들지 않고서 도 말입니다.
기술적 제약이 아닌 행동 가이드라인
외부에 공개되는 AI 도구를 엄격히 제한하면 단기적 위험은 줄일 수 있지만, 학습 기회를 억제하게 됩니다. 더 나은 접근법은 팀이 이미 따르고 있는 행동 기준을 강화하는 것입니다. 예를 들어, 개발자들이 코드에서 비밀 정보를 이미 가리고 있는 것처럼, AI 리뷰에도 동일하게 적용됩니다. 하지만 정책만으로는 진전을 만들 수 없습니다. 진정한 추진력은 전달 속도를 늦추지 않으면서 안전한 실험을 가능하게 하는 기술적·문화적 시스템에서 나옵니다.
그 출발점은 애플리케이션 혁신입니다. 적절한 아키텍처는 팀이 테스트하고, 실제 문제를 해결하며, 빠르게 움직일 수 있는 여유를 제공합니다. 2026 Cloudflare 애플리케이션 혁신 보고서는 제가 실제로 경험한 내용을 정확히 지적했습니다. 시스템이 준비되어 있다면, 가장 현명한 AI 투자는 이미 보유한 팀입니다.
Cloudflare로 최신화 속도 높이기
애플리케이션 최신화가 일회성 이니셔티브가 아니라 지속적인 전략이 됨에 따라, 기술 리더는 팀이 속도를 높이면서도 통제와 보안을 훼손하지 않도록 돕는 플랫폼이 필요합니다. Cloudflare의 클라우드 연결성은 레거시 시스템 리호스팅부터 민첩성을 위한 리플랫폼, 완전히 새로운 애플리케이션 및 AI 서비스 구축까지, 애플리케이션 여정의 모든 단계를 지원합니다. 통합된 애플리케이션 전달, 보안, 관찰 가능성, 개발 도구를 하나의 프로그래밍 가능한 플랫폼에서 제공함으로써, Cloudflare는 팀이 복잡성을 줄이고, 더 빠르게 배포하며, 비용을 증가시키지 않고 혁신을 실현하도록 돕습니다.
이 글은 오늘날의 기술 의사 결정자에 영향을 주는 최신 동향 및 주제에 대한 시리즈 중 일부입니다.
이 주제에 관해 자세히 알아보세요.
2026 Cloudflare 애플리케이션 혁신 보고서에서 최신 인프라가 어떻게 AI 성공을 이끄는지 자세히 알아보세요.
작성자
Lior Gross
CTO, Caliente Interactive
핵심 사항
이 글을 읽고 나면 다음을 이해할 수 있습니다.
기존 팀과 신규 채용 중에서 AI 애플리케이션을 위한 선택
AI 실험을 활용한 애플리케이션 혁신 촉진
AI 애플리케이션 성공을 위한 비즈니스 지식의 역할