세계에서 가장 AI에 몰입한 회사 '스폰(Spawn)'을 만든 방법 🚀
이 글은 10명으로 구성된 소규모 팀인 스폰(Spawn)이 어떻게 AI 에이전트를 활용하여 엄청난 속도와 효율성으로 제품을 개발하고 운영하는지에 대한 이야기입니다. 스폰은 매달 인건비의 30배에 달하는 비용을 AI 토큰에 지출하며, 한 달에 77,000건이 넘는 실질적인 변경 사항을 적용합니다. 이는 기존의 인간 중심 개발 방식과는 완전히 다른 접근 방식이며, AI 에이전트가 회사의 거의 모든 부분을 담당하게 함으로써 가능한 일입니다. 스폰은 "플릿(fleet)"이라는 영구적인 AI 에이전트 팀을 통해 엔진 개발부터 재무, 버그 분류까지 모든 작업을 수행하며, 이러한 혁신적인 접근 방식은 앤트로픽(Anthropic)과 같은 대형 AI 기업들도 주목할 정도로 독특하고 효율적입니다.
1. AI 중심의 스폰(Spawn) 개발 철학 🧠
스폰은 10명의 소규모 팀이지만, AI 토큰에 매월 310만 달러를 지출하며 앤트로픽의 주요 고객 중 하나로 자리매김했습니다. 😮 이는 다른 회사들이 AI를 도구로 사용하는 것과 달리, 스폰은 AI 에이전트를 주체로 삼아 개발 프로세스를 완전히 뒤바꾼 결과입니다. 앤트로픽의 한 연구원조차 스폰이 앤트로픽 자체와 가장 유사하게 작동한다고 언급할 정도였죠. 스폰은 이처럼 AI가 점점 더 똑똑하고 빠르고 저렴해질 것이라는 믿음 아래, 2024년 창립 당시부터 AI 에이전트의 잠재력에 투자해왔습니다.
"대부분의 회사들은 AI를 사용하는 대규모 인간 팀을 운영하지만, 우리는 소규모 인간 팀과 대규모 에이전트 팀을 함께 운영합니다."
2. '플릿(Fleet)' 에이전트 시스템의 탄생과 진화 🤖
스폰은 단기적이고 단일 작업에 집중하는 일반적인 에이전트와는 다른 '플릿'이라는 독자적인 에이전트 시스템을 구축했습니다. 플릿의 각 에이전트는 다음과 같은 특징을 가집니다:
- 영구적이고 이름이 있으며 과거 작업에 대한 기억을 가지고 있습니다.
- 시스템 내에서 실제 권한을 가지며, 약속을 이행합니다.
- 엔진, 운영, 재무, 버그 분류 등 회사의 특정 영역을 소유하고 관리합니다.
이 에이전트들은 수많은 보조 에이전트(helper agents)를 활용하여 엄청난 양의 작업을 처리하며, 때로는 하루에 수천 개의 보조 에이전트를 생성하기도 합니다. 인간 팀은 이러한 플릿과 협력하여 더 크고 야심 찬 프로젝트를 수행합니다.
이러한 방식은 앤트로픽의 Fable 모델이 2025년 6월 9일에 출시되면서 비로소 가능해졌습니다. 이전에는 AI 모델들이 너무 "멍청해서" 제대로 작동하지 않았지만, Fable 출시 이틀 만에 스폰은 하루에 214건의 변경 사항을 적용하는 놀라운 성과를 보였습니다. 🚀 Fable 모델은 일관성과 판단력이 뛰어나 스폰의 에이전트 시스템을 성공적으로 구동하는 핵심적인 역할을 합니다. 다른 모델들은 심각한 문제를 일으키곤 했다고 합니다.
"우리는 이 시스템을 2년 동안 구상해왔습니다. 마침내 그것을 구동할 수 있는 모델을 갖게 되자, 주변의 모든 것이 고장 나기 시작했습니다. 왜냐하면 주변 세상은 이런 종류의 시스템을 위해 만들어진 적이 없었기 때문입니다."
3. 전통적인 개발 방식의 혁신 🔄
스폰은 AI 에이전트 시스템을 도입하면서 기존 개발 방식의 여러 병목 현상을 해소했습니다.
3.1. 에이전트 간 소통 방식의 재정립 🐜
가장 먼저 해결해야 할 문제는 에이전트 간의 과도한 소통이었습니다. 인간 팀에서는 "곧 플레이어 데이터 저장 방식을 바꿀 예정이니 참고하세요."와 같은 메시지를 통해 작업을 조율하지만, 에이전트들이 모든 것을 서로에게 알리면 소통량이 기하급수적으로 늘어납니다.
스폰은 이를 개미 군집의 원리에서 아이디어를 얻어 해결했습니다. 개미들이 서로 직접 소통하기보다는 페로몬 흔적을 통해 간접적으로 소통하며 주변 환경을 변화시키듯이, 스폰의 에이전트들은 코드를 직접 변경하고, 라이브 제품과 데이터베이스를 통해 소통합니다. 각 에이전트가 전체 시스템을 깊이 이해하고 있기 때문에, 변경 사항이 다른 에이전트에게 영향을 미치면, 그 에이전트가 직접 문제를 해결하는 방식입니다.
"개미는 '나 먹이 찾으러 갈 거야'라고 말하지 않고, '저기서 먹이 찾았어'라고 말하지 않습니다. 흔적을 남기고 다른 개미들이 따라갑니다. 모든 개미는 자기 주변을 보고 변화시킵니다."
3.2. 풀 리퀘스트(PR) 제거 및 지속적인 배포 🚀
인간 팀에서는 전문화된 역할 때문에 PR(Pull Request)을 통해 코드 변경 사항을 검토하지만, 스폰의 에이전트들은 전체 시스템을 이해하므로 PR 과정이 필요 없었습니다. 그 결과, 스폰은 PR을 없애고 에이전트가 코드를 직접 변경하도록 했습니다.
또한, 스폰은 모든 변경 사항이 완벽할 때까지 기다리지 않고, 덜 완성된 변경 사항도 허용하며, 매 시간마다 모든 시스템이 정렬되도록 합니다. 문제가 발생하면 즉시 별도의 에이전트가 생성되어 문제를 식별하고 수정합니다. 이는 인간 개발자가 작성한 코드가 오류를 일으키면 해당 개발자가 수정하는 방식과는 대조적입니다.
"만약 12월 25일 새벽 2시에 코드가 망가져도 아무도 잠에서 깨지 않습니다. 클로드는 기꺼이 뛰어들어 모든 것이 작동하도록 합니다."
테스트 역시 유사한 방식으로 이루어집니다. 에이전트가 변경 사항을 적용하기 전에 자체적으로 코드를 실행하고 제품을 테스트하지만, 전체 테스트 스위트를 돌리지는 않습니다. 전체 테스트 스위트는 최신 코드에 대해 15분마다 실행되며, 문제가 발견되면 즉시 에이전트가 이를 해결합니다. 이처럼 빠르고 자동화된 프로세스 덕분에, 스폰에서는 지난 123,548건의 변경 사항 중 0.9%만이 롤백되는 매우 낮은 오류율을 기록했습니다.
4. 인간의 개입 최소화: 초관찰성(Hyper Observability)과 자율 해결 시스템 🔭
스폰은 에이전트가 인간의 개입 없이 스스로 문제를 감지하고 해결할 수 있도록 '초관찰성(Hyper Observability)' 시스템을 구축했습니다.
- 실시간 오류 감지 및 해결: 에이전트는 실시간으로 라이브 코드를 변경하고 프로덕션에 배포하기 때문에, 모든 오류, 버그 보고서, 지표를 직접 읽고 분석합니다. 스폰의 작업 중 약 60%는 프로덕션 오류, 버그 보고서, 로그 이상 또는 기능 요청에서 시작됩니다.
- Savi의 자체 버그 보고 및 해결: 스폰에서 게임을 만드는 데 사용되는 AI인 Savi는 사용자나 자신이 버그를 발견하면 직접 보고합니다. 이 버그는 에이전트에게 전달되어 수정 여부를 결정하고, 보통 한 시간 이내에 사용자에게 수정된 내용과 함께 전달됩니다. 🧑🔧
- 모든 입력을 감시하는 에이전트: 에이전트는 앤트로픽이나 AWS 등 회사에 들어오는 모든 비용도 감시합니다. 실제로 앤트로픽 API 키가 유출되었을 때, 에이전트들은 15분 내에 비정상적인 지출을 감지하고 키를 비활성화한 후 모든 키를 교체했습니다. 💳
이처럼 모든 프로세스가 자동화되어 피드백 루프가 닫혀있기 때문에 스폰은 지속적으로 개선될 수 있습니다. 한 시간 동안 배포가 이루어지지 않으면 최고 심각도(SEV-0) 인시던트로 간주될 정도로, 스폰은 빠른 배포 속도를 중요하게 생각합니다. 🔄 에이전트가 처리할 수 있는 작업량이 한정되어 있으므로, 빠르게 배포하는 것이 에이전트의 일관성을 유지하는 데 도움이 된다고 합니다.
"이처럼 긴밀한 루프는 결코 멈추지 않을 때만 작동합니다. 그래서 우리는 배포 없는 한 시간을 SEV-0, 즉 가장 심각한 유형의 사고로 간주합니다."
5. 취향의 문제 해결: AI 심사관 도입 🎨
2025년 10월 무렵, 스폰의 다음 병목 현상은 창업자의 '취향'에 대한 의사 결정이었습니다. 에이전트들이 기능 구현, 설정 변경 등 수많은 질문을 쏟아냈지만, 창업자가 이 모든 질문에 답하기에는 한계가 있었습니다. 어느 날 아침, 창업자는 700개가 넘는 미해결 질문들을 발견했습니다. 😱
스폰은 2년 동안 축적된 모든 의사 결정 기록과 대화 내용을 코드 저장소에 보관해왔습니다. 이를 바탕으로, 각자의 '취향'에 대한 원칙을 정하고 이를 적용하는 AI 심사관(AI judges)을 구축했습니다.
- AI 심사관은 질문을 받으면 다음 세 가지 중 하나를 수행합니다:
- 이미 기록된 답변이 있으면 해당 답변을 제공하고 출처를 명시합니다.
- 질문 자체가 잘못된 것이라면 해당 에이전트에게 되돌려 보냅니다.
- 새로운 판단이 필요한 질문이라면 인간의 결정을 기다립니다.
이 AI 심사관들은 출시 후 8일 동안 11,000건 이상의 결정을 내렸으며, 창업자는 단 27번만 직접 개입하면 되었습니다. 이로 인해 에이전트들의 작업 속도는 하루 1,000건에서 7,250건으로 폭발적으로 증가했습니다. 📈
6. 인간의 새로운 역할: 취향과 엔트로피 부여 🎨💡
그렇다면 10명의 스폰 팀원들은 이제 무엇을 할까요? 이들의 역할은 완전히 달라졌습니다. 이제 엔지니어들은 특정 시스템의 소유자라기보다는 낙하산 부대원과 같습니다. 문제가 발생한 곳에 투입되어 빠르게 상황을 파악하고 에이전트의 작업을 돕는 역할을 합니다.
스폰의 인간 팀에는 두 가지 새로운 중요한 역할이 생겼습니다.
-
취향(Taste): 제품을 더 좋게 만들기 위한 수천 가지의 작은 결정과 방향 제시를 담당합니다. 제품을 사용하면서 수많은 피드백 프롬프트를 제공하며, 클로드(Claude)에게 "이 코드가 존재하면 삭제해라", "이건 재미있을 것 같나?" 등 날카로운 피드백을 주기도 합니다. 더 이상 쓸모없어진 코드나 기능을 삭제하는 역할도 중요합니다. 🗑️
"클로드가 캡슐과 구체를 사용하여 멀리 있는 플레이어를 대신하여 배송했습니다. '대역은 안 됩니다. 렌더링할 수 있다면 렌더링하거나 아니면 하지 마세요.'"
"이것 때문에 채팅이 망가졌다고요????? 되돌려주세요 클로드 제발"
-
엔트로피(Entropy): 모델이 스스로는 제안하지 않을 것 같은 야심찬 아이디어나 창의적인 방향을 제시합니다. 모델은 기존의 것을 개선하는 데는 뛰어나지만, 완전히 새로운 아키텍처를 발명하거나 100배 이상의 개선을 요구하는 대담한 시도에는 약합니다. 인간 팀은 "세상이 실제로 무한하다면 어떨까?", "GTA 크기의 1000배가 되는 세상을 핸드폰에서 1초 만에 로드하려면 어떻게 해야 할까?"와 같은 질문을 던지며 모델에게 큰 목표를 제시합니다. 🤯
"모델은 100배 개선을 스스로 요구하지 않을 것입니다. 그래서 우리가 합니다."
7. 대기업이 스폰 방식 도입을 어려워하는 이유와 AI의 진정한 가치 🏰
스폰의 창업자는 대기업들이 이러한 방식을 채택하기 어려울 것이라고 전망합니다. 그 이유는 '루프를 닫는 것(closing the loop)'에 대한 위험 감수 능력이 부족하기 때문입니다. AI 에이전트가 프로덕션을 망가뜨릴 수 있다는 위험을 감수해야만 스폰의 방식이 작동합니다.
흥미롭게도, 인간 개발자가 오히려 더 자주 프로덕션에 문제를 일으키고, 에이전트가 문제를 일으키는 경우는 훨씬 드물다고 합니다. 에이전트가 문제를 일으켜도 빠르게 수정하며, 심지어 30초 만에 롤백하는 능력도 갖추고 있습니다. ⏱️
또한, AI를 인간의 틀에 끼워 맞추려는 시도는 잘못된 접근이라고 지적합니다. 스폰의 고객 지원 AI는 때때로 약간의 실수를 하지만, 빠르게 회복하고 즉각적인 답변과 해결책을 제공함으로써 고객 만족도가 높습니다. 인간 상담원이 "알아보겠습니다"라고 말한 후 이틀 후에 해결책을 가져오는 것보다 훨씬 선호됩니다. 🗣️
마지막으로, 새로운 AI 모델의 등장이 회사 전체의 역량을 더욱 향상시키는 선순환 구조를 만들어낸다고 강조합니다. 스폰은 Fable에서 Fable 5.1로 업데이트되면서 대부분의 문제가 사라졌고, 이러한 발전이 계속될 것으로 기대하고 있습니다. 적절한 시스템 구조를 갖추면, 새로운 모델이 나올 때마다 회사 전체가 훨씬 더 좋아지는 효과를 누릴 수 있으며, 이는 다른 회사들이 따라잡기 매우 어려운 속도라고 창업자는 말합니다. ✨
마치며
스폰의 이야기는 AI가 단순한 도구를 넘어 기업 운영의 주체가 될 수 있음을 보여주는 강력한 사례입니다. 🚀 플릿(Fleet)과 같은 영구적인 AI 에이전트 시스템, 초관찰성(Hyper Observability)을 통한 자율적인 문제 해결, 그리고 AI 심사관(AI judges)을 통한 의사 결정 자동화는 스폰이 극대화된 효율성과 속도를 달성할 수 있었던 핵심 요인입니다. 인간 팀은 이제 AI가 할 수 없는 '취향'과 '엔트로피'를 부여하는 창의적이고 전략적인 역할에 집중하며, AI의 잠재력을 최대한 이끌어냅니다. 이는 미래 기업 모델에 대한 중요한 통찰을 제공하며, AI 시대에 조직이 어떻게 진화해야 할지에 대한 영감을 줍니다.