#Backend

비개발자의 AI 협업 도전기 — 생산성 측정하려다 서버까지 띄운 9일

Summary

비개발자 PM의 반란? AI와 단 9일 만에 서버 띄우고 생산성 대시보드 만든 비결

코딩 몰라도 데이터 파이프라인 구축 가능할까? 사내 가이드와 AI의 환상적인 콜라보레이션 성공기

막연한 '느낌' 대신 데이터로 일하는 조직을 꿈꾸던 한 PM이 AI를 도구 삼아 직접 생산성 측정 도구를 만든 여정을 담았습니다. 단순한 코드 생성을 넘어 인프라 배포와 데이터 정합성 검증까지, 비개발자가 AI와 협업할 때 직면하는 현실적인 문제와 이를 극복하는 전략을 공유합니다.

01Jira와 GitHub API를 결합한 커스텀 DORA 지표 측정 시스템 구축
02사내 인프라(N3R, nBase-ARC) 가이드와 AI를 교차 활용한 서버 배포 성공
03AI 코드의 함정: 에러 없이 데이터가 누락되는 '페이지네이션' 이슈 해결 과정
04토큰 비용 절감을 위한 AI-코드 간 효율적인 역할 분담 전략
05비개발자의 AI 협업 핵심: 명확한 기획과 정밀한 설계도의 중요성

RECOMMENDATION

AI를 업무에 도입하고 싶지만 기술적 장벽을 느끼는 기획자나, 사내 가이드 문서의 가치를 재발견하고 싶은 데브렐 담당자에게 실무적인 영감을 제공합니다.

The Problem

기술 PM으로서 조직의 생산성을 DORA 지표 등으로 수치화하여 분석하고 싶었으나, 기존 사내 도구로는 팀 고유의 업무 흐름을 반영한 세밀한 데이터 추출에 한계가 있었고 이를 직접 구현할 기술적 역량이 부족했습니다.

The Solution

AI(LLM)를 조력자로 활용하여 Jira changelog CSV 파싱부터 시작해, FastAPI 기반 서버 구축, 사내 컨테이너 플랫폼(N3R) 배포, Redis(nBase-ARC) 연동, 그리고 GitHub API 스케줄러를 통한 데이터 자동 수집 파이프라인을 구축했습니다.

The Result

9일 만에 Jira와 GitHub 데이터를 통합한 맞춤형 생산성 대시보드를 완성하여 리드타임과 병목 구간을 데이터 기반으로 파악하게 되었으며, 조직 회고 시 주관적 느낌이 아닌 객관적 지표로 소통하는 문화를 정착시켰습니다.

Trade-off

AI가 생성한 코드의 논리적 오류(API 페이지네이션 누락 등)로 인해 데이터가 조용히 누락되는 리스크가 발생했으므로 수동 검증이 필수적이었으며, 사내 전용 인프라 정책은 AI가 알 수 없어 사람이 직접 가이드 문서를 해석하여 보완해야 했습니다.

Key Concepts

Concept · 01

DORA Metrics

소프트웨어 개발팀의 성과를 측정하기 위한 네 가지 핵심 지표(배포 빈도, 변경 리드타임, 변경 실패율, 서비스 복구 시간)입니다.

본문에서는 Jira 리드타임과 GitHub 데이터를 결합하여 팀의 딜리버리 역량을 객관적으로 측정하는 기준으로 활용되었습니다.

Concept · 02

CI/CD Runner & Scheduler

정의된 작업(API 호출, 데이터 수집 등)을 특정 주기마다 자동으로 실행해 주는 인프라 환경입니다.

수동 CSV 업로드 방식에서 벗어나 실시간으로 데이터를 동기화하고 저장하기 위한 자동화 파이프라인의 핵심 요소로 사용되었습니다.

Concept · 03

LLM Prompt Engineering

AI에게 단순한 명령어가 아닌 실제 데이터 샘플, 사내 가이드 내용, 오류 메시지 등 구체적인 맥락을 제공하여 답변의 정확도를 높이는 기법입니다.

비개발자가 기술적 한계를 극복하고 사내 표준에 맞는 인프라 설정을 완료하는 데 결정적인 역할을 했습니다.

Continue reading · same source

More from NAVER D2

View all posts from NAVER D2

비개발자의 AI 협업 도전기 — 생산성 측정하려다 서버까지 띄운 9일

Summary