OMS에서 Claude AI를 활용하여 변화된 업무 방식

Context

OMS팀은 PM 1명과 엔지니어 3명으로 구성되어 12개의 MSA 서비스를 운영 중이었습니다. MSA 서비스가 증가하면서 정교한 계획 수립의 어려움, 코드 레벨 정책 누락, MSA 이해도 편차, 하루 7~8개의 운영배포 요청서 작성 등의 문제가 발생했습니다.

Technical Solution

• Claude AI에 역할 기반 Context 설계: PO, TPM(Technical PM), Backend, Frontend, Infra 5개 역할을 구분하고 각 역할별로 필요한 지식과 행동을 정의
• 지식 기반 Context(ai-context/)와 행동 기반 Skill(skills/)로 분리: domain-overview.md, data-model.md, api-spec.json, kafka-spec.json 등의 정적 지식과 develop/, deploy/ 워크플로우 분리
• TPM AI 중심의 2계층 설계 체계: EPIC 요구사항을 TPM AI가 전체 아키텍처 관점에서 분석한 후, 각 MSA AI가 코드 레벨 집중 설계 수행
• iTerm 터미널 배경색 설정으로 역할별 구분: 각 AI 역할이 실행되는 세션을 시각적으로 명확히 구분
• .claude/settings.local.json을 통한 세션 초기화 설정: Claude 세션 시작 시 자동으로 프로젝트 Context 로딩 및 초기 행동 지정
• Jira 티켓 기반 워크플로우 자동화: Skill을 활용하여 develop/ (티켓 읽기→분석→개발→테스트→PR 생성)와 deploy/ (태그 생성→배포 요청서 자동 작성→Slack 알림) 프로세스 체계화

Impact

• 하루 7~8개 작성하던 운영배포 요청서가 "main 브랜치 배포준비해줘~" 한 명령으로 자동화
• 각 엔지니어가 TPM AI와 함께 독립적으로 요구사항 파악 및 계획 수립 가능
• 1차 설계(TPM AI)가 검증되면 각 MSA AI의 집중 설계 단계에서 발생하는 아키텍처 변경이 최소화

Key Takeaway

AI 협업의 핵심은 도구 사용이 아니라 AI가 팀의 맥락을 이해할 수 있도록 역할별 Context를 체계적으로 설계하는 것입니다. 엔지니어의 역할은 AI의 Supervisor로서 TPM AI의 아키텍처 설계를 검증하고 최종 책임을 지는 것입니다.