AI 도구를 팀에 도입했다고 해서 바로 ROI가 나오지 않는다. 실제로 팀이 부딪히는 문제는 세 층위에 나뉘어 있다. 첫째, 생각보다 빠르게 불어나는 운영 비용. 둘째, 도구를 쓰긴 하는데 얕게 쓰는 활용 깊이 문제. 셋째, 개발자 외 직군까지 아우르는 교육 범위 문제. 최근 세 가지 사례가 이 구조를 선명하게 드러냈다.
비용: '캐시 됐으니 싸다'는 착각
dev.to에 공개된 AI 에이전트 프로파일러 제작기는 Claude Code 비용을 77% 줄인 과정을 담고 있다. 결론만 보면 '프롬프트 캐싱을 잘 쓰면 된다'처럼 들리지만, 핵심은 그 반대다. 이 글이 실제로 증명한 것은 캐시 히트율이 100%여도 비용이 폭발할 수 있다는 사실이다.
이유는 AI 에이전트의 구조적 특성에 있다. 모델은 매 턴마다 대화 전체를 처음부터 다시 받는다. 턴 30은 턴 30만 전송하는 게 아니라 턴 1부터 30까지를 통째로 재전송한다. 70회 요청짜리 세션 하나가 약 390만 입력 토큰을 소비했다는 측정치가 이를 단적으로 보여준다. 캐시가 켜져 있어도, 캐시되는 덩어리 자체가 커지면 비용은 그대로 누적된다.
해법은 '캐시를 보호하기 위해 아무것도 손대지 않는 것'이 아니었다. 오히려 이미 처리한 파일 내용을 요약 스텁으로 교체하고, 한 번도 호출되지 않은 툴 스키마를 제거한 뒤, 캐시 브레이크포인트를 재앵커링하는 방식이 비용을 77% 줄이면서도 품질을 동일하게 유지했다. '최적화=캐시 파괴'라는 직관이 틀렸다는 것이 핵심 발견이다. 팀에서 AI 에이전트를 장시간 세션으로 운영하고 있다면, 지금 실제로 무엇이 얼마나 전송되고 있는지 먼저 계측해야 한다.
활용: '쓰고 있다'는 것과 '잘 쓰고 있다'는 것의 간극
velog에 올라온 백엔드 개발자의 AI 활용 사례는 소박하지만 중요한 신호를 담고 있다. 에러 로그 분석, 쿼리 성능 검토, PR 전 사전 점검, 문서 초안 작성—이 네 가지 영역에서 AI를 실무에 붙이고 있다는 내용이다. 글의 질이나 깊이보다 이 사례가 가리키는 지점에 주목할 필요가 있다.
이 개발자가 묘사하는 활용 방식은 대부분의 팀이 현재 멈춰 있는 지점과 일치한다. 코드 자동완성에서 시작해, 특정 작업의 초안 생성 정도로 정착된 상태. AI가 틀릴 수 있다는 인식은 있고, 최종 판단은 개발자가 한다는 원칙도 있다. 그러나 'AI를 어떤 기준으로, 어떤 형식으로, 어느 단계에 투입할 것인가'에 대한 팀 차원의 설계는 없다.
개인의 활용 노하우가 팀 표준으로 올라오지 못하는 이유가 여기에 있다. 누군가는 에러 로그를 AI에게 넘기는 방법을 터득했지만, 옆 팀원은 여전히 스택 오버플로우를 먼저 뒤진다. AI 도구의 활용 깊이는 개인 학습 속도에 위임하면 팀 전체가 평균 이하에서 수렴한다. 테크 리드가 개입해야 할 지점이 바로 여기다.
교육: 개발자만의 문제가 아니다
디케이테크인이 구글 클라우드 코리아와 진행한 'Gemini Enterprise 기반 AI 에이전트 실무 활용 워크숍'은 방향성을 잘 잡은 사례다. 개발자뿐 아니라 기획·디자인·사업 직군까지 참여시켜 노코드 방식으로 자신만의 AI 에이전트를 직접 만들게 했다. 이데일리 보도에 따르면 우수 사례를 전사로 확산하고 새로운 업무 방식을 제도화한다는 계획도 밝혔다.
이 접근이 유효한 이유는 명확하다. AI 도구의 효과는 조직에서 가장 느린 사람의 속도에 수렴한다. 개발자 3명이 AI로 속도를 2배 높여도, 기획에서 요구사항을 정리하고 QA에서 검증하는 속도가 동일하다면 병목은 이동한 것뿐이다. AI-First 워크플로우는 전 직군이 AI와 협업하는 방식을 설계해야 비로소 파이프라인 전체의 속도를 끌어올릴 수 있다.
다만 여기서도 냉정하게 짚어야 할 게 있다. 워크숍 한 번으로 AI 문화가 정착되지는 않는다. 노코드 에이전트를 직접 만들어보는 경험은 입문으로서는 좋지만, 그것이 실제 업무 흐름에 녹아들려면 반복 사용 루프와 피드백 구조가 뒤따라야 한다. '제도화'를 선언한 것과 실제로 제도가 작동하는 것 사이의 거리는 생각보다 멀다.
세 가지 실행 비용을 동시에 설계해야 한다
세 사례를 하나의 프레임으로 묶으면 이렇게 된다. AI 도구 도입 후 팀이 실제로 치르는 비용은 라이선스 비용만이 아니다. 계측하지 않으면 모르는 토큰 운영 비용, 개인 노하우로 분산된 활용 깊이 비용, 개발자 외 직군을 포함한 교육 범위 비용—이 세 가지가 동시에 청구된다.
팀 리드 입장에서 내일 당장 해야 할 일을 세 가지로 추리면 다음과 같다. 첫째, 지금 운영 중인 AI 에이전트 세션의 토큰 사용량을 계측하라. 보지 않으면 고칠 수 없다. 둘째, AI 활용 패턴을 팀 레벨로 표준화하라. 개인 학습에 맡기는 순간 팀 전체의 활용 수준은 평균 이하에서 멈춘다. 셋째, 교육 대상을 개발자로 한정하지 마라. AI-First 워크플로우의 병목은 반드시 비개발 직군에서 발생한다.
AI 도구가 팀에 가져다주는 속도 이득은 실재한다. 그러나 그 이득을 조직 전체의 자산으로 굳히는 것은 도구가 아니라 설계의 몫이다. 도입 결정보다 도입 이후의 구조 설계가 훨씬 더 중요한 이유가 여기에 있다.