핵심 요약
우버는 엔지니어링 생산성을 높이기 위해 ‘에이전틱 AI(Agentic AI)’를 도입하여, 인간의 창의적 업무를 지원하고 반복적인 ‘토일(Toil)’ 업무를 자동화하고 있습니다. 내부 인프라와 결합된 자율형 에이전트 플랫폼 ‘미니언(Minion)’과 ‘셰퍼드(Shephard)’를 통해 코드 작성부터 마이그레이션까지 전 과정을 체계적으로 자동화했습니다. 이를 통해 개발자 만족도와 생산성은 크게 향상되었으나, 비용 최적화와 변화에 대한 조직적 저항을 해결하는 것이 주요 과제로 남았습니다.
주요 내용
1. AI 전략의 변화: 인간의 보조에서 ‘슈퍼휴먼’으로
우버는 전통적인 AI 활용(매칭, 운임 계산 등)을 넘어, 생성형 AI를 통해 엔지니어의 생산성을 극대화하는 전략을 택했습니다. 단순한 페어 프로그래밍(동기적 도움)에서 벗어나, 비동기적으로 작업을 수행하고 스스로 방향을 수정하는 ‘피어 프로그래밍(Peer Programming)’ 시대로 전환했습니다. 특히, 유지보수, 문서화, 라이브러리 업그레이드 등 비즈니스 가치가 낮은 토일 업무를 AI에 전담시켜 개발자가 더 창의적인 일에 집중하게 합니다.
2. 기술 인프라: 미니언(Minion)과 코드 생태계
우버는 외부 솔루션에 의존하기보다 내부 인프라와 결합된 자체 플랫폼을 구축했습니다.
- MCP(Model Context Protocol): 내부 코드, Jira, Slack 등 조직적 메모리에 접근하기 위한 표준화된 게이트웨이.
- 미니언(Minion): 우버 CI 플랫폼 위에서 동작하는 배경 에이전트 플랫폼. 개발자가 프롬프트를 입력하면 PR 생성 및 테스트까지 자율적으로 수행합니다.
- AIFX: 개발자가 에이전트 인프라에 접근하는 공용 CLI 도구.
- 셰퍼드(Shephard): 대규모 코드 마이그레이션 자동화 도구로, 작업 식별, 변환, 검증 및 캠페인 관리를 수행합니다.
3. 코드 리뷰 및 품질 보증(QA)
AI가 생성한 코드가 많아짐에 따라 ‘코드 리뷰’가 병목이 되는 문제를 해결하고자 했습니다.
- 코드 인박스(Code Inbox): 리뷰어의 시간대, 가용성, 전문성을 고려해 적절한 리뷰어를 배정하는 지능형 시스템.
- U-Review: 코드의 위험도를 분석하고 저가치 댓글을 걸러내어, 고품질의 피드백만 제공하는 리뷰 자동화 시스템.
- 오토커버(Autocover): 3배 이상의 고품질 유닛 테스트를 생성하는 에이전트 기반 테스트 생성기 및 비평 엔진.
4. 비기술적 도전과 과제
- 문화적 변화: 기존 방식에 익숙한 엔지니어들의 거부감을 해소하기 위해 상향식 접근(Top-down)보다는 ‘성공 사례 공유(Sharing Wins)’를 통한 자발적 확산을 유도했습니다.
- 비용 문제: AI 사용 비용이 2024년 이후 6배 이상 급증했습니다. 이를 위해 모델 선택 최적화(작업 성격에 맞는 모델 차등 배정)와 토큰 관리 전략을 도입했습니다.
- 측정 지표: 개발자 경험(NPS)은 개선되었으나, 이것이 실제 비즈니스 수익(Revenue)으로 직결되는지 증명하는 과정이 향후 과제입니다.
핵심 데이터 / 비교표
| 구분 | 내용 |
|---|---|
| 미니언 도입 전 | IDE 중심의 동기적 코딩, 수동 코드 작성 |
| 미니언 도입 후 | 비동기 배경 에이전트 활용, 다중 에이전트 동시 실행 |
| 오토커버 성능 | 월 5,000개 테스트 생성 및 병합, 일반 에이전트 대비 3배 높은 품질 |
| 비용 변화 | 2024년 이후 약 6배 증가 |
| 에이전트 작업 성격 | 70%가 ‘토일(Toil)’ 작업 (정형화되어 정확도가 높음) |
타임스탬프별 핵심 포인트
| 시간 | 핵심 내용 | |—|—| | 03:02 | AI 전략의 변화: 휴먼/초기 AI에서 생성형 AI 기반 기업으로 | | 06:45 | 페어 프로그래밍에서 피어 프로그래밍으로의 전환 | | 15:10 | 미니언(Minion) 배경 에이전트 플랫폼 소개 | | 23:45 | 코드 리뷰 효율화를 위한 ‘코드 인박스’ 및 ‘U-Review’ | | 31:40 | 마이그레이션 자동화 프로그램 ‘셰퍼드(Shephard)’ | | 37:20 | 비용 급증 및 성과 측정의 어려움과 대책 |
결론 및 시사점
우버의 사례는 에이전틱 AI가 단순한 코딩 보조 도구를 넘어, 기업의 엔지니어링 조직 전체를 운영하는 핵심 인프라로 자리 잡을 수 있음을 보여줍니다. 성공의 핵심은 ‘내부 인프라와의 긴밀한 결합’과 ‘토일 업무의 전격적인 위임’입니다. 다만, 기술적 도입 못지않게 조직의 문화적 적응을 돕는 전략과 급증하는 GPU 및 토큰 비용에 대한 철저한 관리 체계(FinOps)가 동반되어야 지속 가능한 AI 조직이 될 수 있습니다.
추가 학습 키워드
- Agentic AI (에이전틱 AI)
- Model Context Protocol (MCP)
- Large-Scale Code Migration (대규모 코드 마이그레이션)
- Toil Automation (토일 자동화)
- Developer Experience (DevEx) 측정 전략
기본 정보
| 항목 | 내용 | |—|—| | 채널 | The Pragmatic Engineer | | 카테고리 | 프로그래밍 | | 게시일 | 2026-03-10 | | 영상 길이 | 37:39 | | 처리 엔진 | gemini-3.1-flash-lite-preview+transcript | | 원본 영상 | YouTube에서 보기 |