OMS에서 Claude AI로 바뀐 일하는 방식

OMS팀은 4명이 12개 MSA를 운영하는 환경에서 Claude Code(v2.0.72, Opus 4.5)를 중심으로 업무 방식을 다시 설계했다. MSA가 늘어나면서 영향도 파악, 코드 레벨 정책 누락, 팀 내 이해도 편차, 배포 요청 증가 같은 문제가 커졌고, 이를 해결하기 위해 AI를 팀 단위의 공용 생산성 도구로 만들었다.

핵심 변화는 사람마다 제각각 쓰던 AI 활용법을 역할 기반 Context로 표준화한 점이다. PO, TPM, Backend, Frontend, Infra 역할을 나누고, 각 역할이 필요한 문서만 로딩하게 만들어 세션 시작 시점부터 AI의 책임 범위와 답변 수준을 명확히 했다. TPM AI는 전체 아키텍처와 영향도를 보고 하위 Jira 이슈를 쪼개고, MSA AI는 해당 이슈를 코드 레벨까지 집중 분석해 개발과 스펙 업데이트를 맡는다.

이 구조를 뒷받침하는 핵심은 **.claude/ai-context/**와 **skills/**의 분리다.

• ai-context/는 domain-overview, data-model, api-spec.json, kafka-spec.json, external-integration.md 같은 정적 지식을 담는다.
• skills/는 develop, deploy처럼 행동 워크플로우를 정의한다.
• 지식은 세션 시작 시 명시적으로 로드하고, 행동은 필요할 때만 불러 토큰 사용량과 로딩 시점을 예측 가능하게 만들었다.

API와 Kafka 스펙은 자연어 대신 JSON 형태의 DSL로 구조화했다. 이렇게 하면 엔드포인트, request/response, use case, 도메인, 외부 호출까지 한눈에 정리할 수 있어, TPM AI가 여러 MSA의 호출 맵과 연동 관계를 빠르게 추적할 수 있다. 답변이 틀리면 질의응답과 피드백을 반복해 ai-context를 계속 보강하는 방식으로 학습 품질을 높였다.

MCP 연동도 업무 자동화의 중심이었다.

• Atlassian MCP로 Jira/Confluence를 붙여 요구사항 분석, 하위 티켓 생성, 진행상황 공유를 자동화했다.
• Github MCP로 PR 리뷰와 운영 배포 준비, 태그 생성 등을 처리했다.
• Datadog MCP로 배포 전후 영향도와 실시간 Trace, 로그를 자연어로 확인했다.

아키텍처 측면에서는 클린 아키텍처가 AI Context에 가장 유리하다고 정리했다. 레이어드 구조는 불필요한 코드 노이즈가 많지만, UseCase/Port/Adapter가 분리된 구조는 AI가 필요한 책임만 좁혀 읽기 쉬워 토큰 효율과 정확도가 높아진다. 결과적으로 PM은 1차 분석을 AI에게 맡기고 더 본질적인 의사결정에 집중하고, 엔지니어는 단순 구현보다 설계와 리뷰에 더 많은 시간을 쓰는 방식으로 팀의 협업 구조가 바뀌었다.