---
title: "백지상태에서 시작한 전사적 AX 도입기 (현실편) — 올라핀테크 AX팀 회고"
description: "들어가며 올라핀테크 AX팀은 구성원 모두가 AI 에이전트로 일할 수 있도록 사내 AI 인프라와 업무 툴을 만드는 팀입니다. 이 글은 AX팀의 지난 한 분기를 돌아보는 회고입니다. AX팀이 생기기 전에도 전 구성원이 조직용 AI 계정을 쓰고 있었지만, 쓰임새는"
canonical_url: "https://allrafintech.co.kr/blog/159"
category: "개발"
publisher: "올라핀테크"
date_published: "2026-10-01 11:23:53"
date_modified: "2026-10-01 11:23:53"
language: "ko-KR"
image: "https://static.revn.co.kr/in-blog/prod/20261001_111112_1cfe4791.png"
---
# 백지상태에서 시작한 전사적 AX 도입기 (현실편) — 올라핀테크 AX팀 회고
올라핀테크 · 개발 · 2026-10-01 11:23:53
원문(HTML): https://allrafintech.co.kr/blog/159
---
## 들어가며
올라핀테크 AX팀은 구성원 모두가 AI 에이전트로 일할 수 있도록 사내 AI 인프라와 업무 툴을 만드는 팀입니다.
이 글은 AX팀의 지난 한 분기를 돌아보는 회고입니다.
AX팀이 생기기 전에도 전 구성원이 조직용 AI 계정을 쓰고 있었지만, 쓰임새는 챗봇에 머물렀습니다.
데이터가 필요하면 여전히 개발자에게 요청했고, PRD와 과거 업무 분석은 직접 한 땀 한 땀 해야 했습니다.
한 분기가 지난 지금은 이렇게 달라졌습니다.
* 비개발자가 직접 데이터를 조회하고 자동화를 만듭니다.
* 흩어져 있던 업무 문서를 AI가 읽고, 분석하고, 초안까지 씁니다.
* 자금·상담·개발 기록을 모은 보고서를 에이전트가 만들어 전 구성원에게 보냅니다.
* 모든 회의가 AI로 기록·요약·공유되고, 누구나 다른 부서의 논의를 볼 수 있습니다.
이 글은 기술 이야기보다는, 백지 상태에서 AX 과제를 어떻게 도출해냈고 해결해 나갔는지에 대해 풀어 쓴 글입니다.
## 1. 문제 정의 : 구성원들의 니즈 파악하기
AX팀은 TF로 출발했습니다.
처음 던진 질문은 "AX로 무엇을 풀어야 하는가"였고, 이 질문을 파고들어 아래 청사진을 그렸습니다.
1. AI로 조회와 분석을 효율적으로 하는 조직. 사람이 단순 업무에 시간을 쓰지 않는다.
2. AI가 지표 변화를 잡아내고, 경고하고, 할 일을 제안하는 조직.
3. AI가 회사에 필요한 데이터를 모두 알고 전략을 세우는 조직.
4. 이 과정에서 동료들이 느낄 피로도는 최소화한다.
가장 중요하게 여긴 건 마지막 항목이었습니다.
TF 전에 작은 파일럿을 해봤을 때 구성원들의 피로도가 생각보다 높았기 때문입니다.
구성원들이 AX에 무엇을 기대하는지도 확실하지 않았습니다.
그래서 전 직원 설문과 면담으로 원하는 것과 걱정하는 것을 물었습니다.
응답은 네 가지로 모였습니다.
* 필요한 데이터를 직접 조회하고 싶다.
* KPI 지표를 미리 경고해주는 시스템이 있으면 좋겠다.
* 문서가 흩어져 있어 필요한 업무 기록을 찾기 어렵다.
* 비개발자에게 친화적인 환경이면 좋겠다.
저희가 그린 청사진과 구성원들의 응답이 거의 같았습니다.
방향이 맞았기 때문에 자신 있게 킥오프를 할 수 있었습니다.
## 2. 접근 : 어떤 문제부터 해결할까
### AX의 핵심 : AI Agent
AX에는 정해진 가이드라인이 없었습니다.
처음부터 길을 내야 하는 상황은 저도 처음이라, 동료들에게 조언을 구하고 링크드인과 블로그의 AX 사례를 찾아 읽으며 벤치마킹할 대상을 찾았습니다.
처음 시도한 방식은 hermes agent를 슬랙에 띄우는 것이었습니다.
hermes에 조회 전용 DB를 붙이고, 슬랙에서 챗봇처럼 회사 전용 에이전트를 쓰자는 안이었습니다.
이는 당시 많은 분들이 추천하던 방식이었습니다.
문제는 저희 회사가 슬랙을 쓰지 않고 있었다는 점입니다.
PoC 하나 검증하자고 회사 메신저를 옮길 수는 없는 노릇이었는데, 그때 저는 AX가 성공하려면 메신저를 슬랙으로 옮기고, 에이전트 인프라를 깔고, 부서별 에이전트를 만들고, 데이터 구조까지 다 뜯어고쳐야 한다고 주장했습니다.
그 때 팀의 조언이 저를 정신차리게 해주었습니다.
특히 당장 해결할 수 있는 문제에 초점을 맞추라는 조언과, 기술과 리스크를 파악한 후 다음 취할 선택을 결정하라는 조언이 크게 도움이 되었습니다.
돌이켜보면 모든 것을 한 번에 바꿔야 한다는 생각은, 다 바꾸지 못하면 아무것도 할 수 없다는 말과 같았습니다.
구성원들은 AX가 진행되는 동안에도 일을 계속해야 합니다.
그래서 대격변 대신, 회사가 이미 가진 조건을 최대한 쓰기로 했습니다.
올라핀테크는 50명 규모의 핀테크 스타트업이고, 전 구성원이 조직 Claude 계정을 씁니다.
개발자는 Claude Code를, 비개발자는 Claude Desktop/Cowork를 주로 씁니다.
그래서 주력 에이전트는 새로 만들지 않고 구성원 각자의 Claude Desktop/Cowork로 정했습니다.
중요한 순간에 작게 결정한 것이 결정적이었습니다.
에이전트는 정해졌으니, 이제 에이전트에 연결할 데이터를 확보할 차례였습니다.
### 에이전트의 핵심 : MCP
이제 데이터를 에이전트에 어떻게 제공할지가 남았습니다.
여기서는 고민 없이 MCP를 골랐습니다.
MCP는 정확히 이 목적을 위한 가장 기초적인 프로토콜이고 모듈성도 뛰어납니다.
그래서 에이전트에 전달할 모든 데이터는 MCP로 감싸기로 했습니다.
처음에는 올라 서비스 DB와 상담 데이터 DB를 로컬 MCP로 만들어, PoC 형태로 실무자분들께 설치해드렸습니다.
효과는 폭발적이었습니다.
실무자분들이 직접 데이터를 조회하면서 과거 상담 패턴 분석, 업무 지표 대시보드, 루틴을 활용한 업무 자동화까지 만들어 쓰셨고, 업무 효율이 크게 올라갔습니다.
PoC 이후에는 보안과 유지보수를 고려해 구조를 바꿨습니다.
원격 MCP만 쓰면 MCP 서버가 Anthropic 클라우드 망에 노출되고, 로컬 MCP만 쓰면 구성원들이 MCP를 직접 업데이트해야 했습니다.
그래서 로컬 MCP가 원격 MCP를 프록시하는 아래 구조로 정했습니다.
지금은 MCP 게이트웨이를 도입하고 있습니다.
MCP 모듈을 수평적으로 확장하고 인증/인가를 더 엄격하게 만들어, 부서별 MCP를 안전하게 제공하는 것이 목표입니다.
### 비정형 데이터 AI 가시성 확보 : Notion Database
다음 과제는 흩어진 업무 문서를 AI가 읽을 수 있게 만드는 일이었습니다.
문서 속 암묵지를 정리하는 것이 AX의 핵심이었습니다.
올라핀테크는 문서 관리에 노션을 씁니다.
노션은 자유롭게 쓸 수 있어 많은 사랑을 받는 툴이지만, 그 자유로움이 때로는 데이터의 일관성을 해칩니다.
저희 노션 문서도 빠른 성장과 바쁜 업무 사이클 속에서 정리가 잘 되지 않아, AI가 읽기 어려운 상태였습니다.
사람과 AI 모두 직관적으로 이해할 수 있는 워크플로우와 데이터 형식이 필요했습니다.
그래서 팀별 워크플로우와 실제 업무를 이해하기 위해 팀별로 5\~10회 정도 심층 인터뷰를 했습니다.
워크플로우 개선은 특히 조심스럽게 접근해야 했습니다.
기술적으로 맞는 안이라도 팀 고유의 방식을 크게 건드리면 오히려 업무 효율이 떨어질 수 있기 때문입니다.
그래서 인터뷰에서는 무언가를 제안하기보다 업무가 어떻게 흘러가는지 듣는 데 집중했습니다.
인터뷰를 마치고 알게 된 것은, 구성원마다 워크플로우가 조금씩 다르고 고유한 성격이 있었지만 대부분 PRD → Issue 흐름으로 정리할 수 있다는 점이었습니다.
올라핀테크는 KPI/OKR을 기반으로 일하고 있었기 때문에, 문서 형식은 제각각이어도 업무 흐름은 이미 비슷하게 맞춰져 있었습니다.
이후 AI를 활용해 부서별 업무 문서를 전수조사하고 분류 기준을 세웠습니다.
문서를 OKR, PRD, Issue로 나누고, 형태별로 Notion Database를 만들어 서로 관계를 연결했습니다.
컬럼은 실무자들과 여러 번 상의한 끝에 실무에 필요한 것만 남겼습니다.
마지막으로 조직 에이전트 지침에 각 Database의 역할을 적어, 에이전트가 어디서 무엇을 읽어야 하는지 알 수 있게 했습니다.
이 과정에서 부서별 동료들의 도움이 컸습니다.
특히 몇 개년치 레슨런 자료를 하나의 아카이브로 모아주신 덕분에 결과가 크게 달라졌습니다.
예전에는 AI가 무엇을 읽어야 할지 몰라 잡다한 데이터를 다 읽고 엉뚱한 답을 내곤 했습니다.
이제는 필요한 레슨런을 찾아 읽고, 과거 성공 사례를 근거로 업무를 제안하고 문서 초안을 씁니다.
작업 중간에는 노션 대신 Linear처럼 AI 가시성이 구조적으로 보장되고 워크플로우가 정해져 있는 툴로 한 번에 옮기자는 의견도 있었습니다.
하지만 기계적인 효율보다 구성원들이 천천히 적응하며 업무를 이어가는 쪽을 택해, 지금 쓰는 노션을 유지하기로 했습니다.
대신 워크플로우는 의도적으로 상용 이슈 트래커에 맞는 형태로 다듬었습니다.
나중에 다른 툴로 옮기더라도 AI 가시성은 이미 확보되어 있고 구조도 대체로 맞아서, 마이그레이션에 큰 무리가 없을 것입니다.
결정은 미뤄두되, 언제든 더 나은 방식으로 옮겨갈 수 있는 상태를 만든 셈입니다.
### 조직 내 모든 의사결정의 투명한 공유 : AI 회의록 Minutely
다음으로 만든 것은 AI 회의록 툴입니다.
회사의 의사 결정과 업무 분담은 대부분 회의에서 시작되는데, 회의록 작성은 늘 골칫거리였습니다.
예전에는 사람이 기억을 더듬어 회의록을 재구성했습니다.
그 과정에서 맥락이 빠지기도 했고, 회의록 자체가 누락되기도 했습니다.
이 문제를 풀기 위해 AX팀은 AI 회의록 툴 Minutely를 만들었습니다.
Minutely를 쓰면서 회의 방식이 이렇게 바뀌었습니다.
* 모든 회의를 AI가 듣고, 정리하고, 기록합니다. 사람의 실수로 사라지는 맥락이 없습니다.
* 공개 회의는 모두 공유됩니다. 관심 있는 다른 부서의 회의를 보고 전략을 함께 고민할 수 있습니다.
* 회의록을 바탕으로 문서를 쓰고, 관련 팀원에게 업무를 제안할 수 있습니다.
Minutely는 실시간으로 녹음 중인 회의나 미리 녹음된 파일을 화자 분리와 음성 분석을 거쳐 하나의 회의 데이터로 합칩니다.
그다음 에이전트가 그 내용을 정리합니다.
잘못 알아듣기 쉬운 사내 용어는 단어집에 따로 모아 다음 회의록에 반영하기 때문에, 회의록이 쌓일수록 정확도도 올라갑니다.
이렇게 쌓인 회의록은 지금도 회사의 자산이 되고 있고, 앞으로 AX팀이 만들 다른 도구에서도 다시 쓰일 것입니다.
### 전사 알림 시스템 : 올라 보고서 에이전트
이제 MCP로 회사 고유의 데이터를 에이전트에 제공할 수 있게 되었고, 회사 메신저도 슬랙으로 옮겼습니다.
AX TF 초기에 제안했다가 접었던 전사 에이전트가 더 이상 허황된 목표가 아니게 된 것입니다.
그래서 회사의 여러 지표를 종합해 일간·주간·월간 보고서를 자동으로 발행하는 보고서 에이전트를 만들었습니다.
보고서 에이전트는 자금(매출액, 쇼핑몰별 지급액, 회수율), 고객(상담 데이터, 퍼널), 개발(개발 기록, 오류 발생 시각, 업데이트 내역) 데이터를 서로 엮어 분석하고, 슬랙으로 구성원들에게 할 일을 제안합니다.
보고서는 멀티에이전트 방식으로 만들어지며, 자료 수집, 분석, 문장 정리를 각각 다른 에이전트가 맡습니다.
보고서 에이전트의 분석이 아직 완벽하지는 않습니다.
그래도 모든 데이터를 한꺼번에 보는 AI의 시선은, 구성원들이 미처 보지 못한 문제를 발견하는 계기가 되고 있습니다.
앞으로 꾸준히 업데이트하며 품질을 높여갈 예정입니다.
## 3. AX 도입 후 찾아온 변화
구성원 개인의 에이전트로 회사 데이터를 분석할 수 있게 되면서, 실제 업무 방식에도 변화가 생겼습니다.
그중 몇 가지를 소개합니다.
### (1) 매출 KPI 대시보드
기획팀이 에이전트로 직접 만든 매출 KPI 대시보드입니다.
월별 매출 실적과 목표 대비, 전년 대비(YoY) 수치를 한 화면에서 보여주고, 데이터는 자동으로 업데이트됩니다.
개발자에게 데이터를 요청하지 않아도 이런 대시보드를 만들어 회의에 쓰는 것이 이제 일상이 되었습니다.
### (2) 개발 중에 Minutely로 회의 내용을 확인한 사례
개발자가 작업하던 중 에이전트가 Minutely를 불러 전날 회의록을 확인한 장면입니다.
문서가 수정된 시각과 회의에서 그 발언이 나온 시각을 비교해서 어느 쪽이 최종 결정인지 가려냈고, 자신이 앞서 한 답변도 스스로 바로잡았습니다.
공유된 슬랙 스레드에는 "'아 뭐라했더라..?'가 많이 줄어들 것 같다"는 반응이 달렸습니다.
### (3) 에이전트를 이용한 부서별 업무 연계 현황 체크
노션 데이터베이스들이 서로 연결되면서 이런 보고가 가능해졌습니다.
에이전트가 기획 PRD부터 상위 KR, 마케팅 Project, 이슈 상태별 건수까지 한 번에 따라가서 정리합니다.
예전에는 여러 문서를 직접 열어 맞춰봐야 했던 부서 간 진행 현황을 이제 질문 한 번으로 확인할 수 있습니다.
### (4) 유튜브 제휴 제안 확장 프로그램
유튜브 제휴 대상을 찾는 일을 줄이려고 팀원분이 직접 만든 브라우저 확장 프로그램입니다.
제휴 후보 영상에는 '올라 제휴' 배지가 붙습니다.
누르면 채널의 구독자 수와 최근 영상을 읽어 제휴 제안 메일 초안을 써줍니다.
사실형, 과정형, 숫자형 같은 톤을 골라 다시 쓸 수 있고, 제목과 본문, 이메일 주소를 바로 복사해서 보낼 수 있습니다.
이 밖에도 미회수 고객을 매일 자동으로 추적하는 시스템을 만든 CX팀 동료분, 아웃바운딩 대상 고객을 자동으로 분류해 보고받는 마케팅 팀원분도 계십니다.
VSCode를 열어 팀 전용 플러그인의 스킬과 하네스를 직접 고치시기도 합니다.
처음에는 동료분들이 겪을 피로도를 걱정하며 킥오프를 했지만, 지금은 조직 모두가 AI와 친숙한 상태로 점차 스며들고 있습니다.
## 마치며
돌아보면 AX는 기술이나 유행하는 툴이 아니라 회사의 현실에서 시작했습니다.
구성원들에게 정말 필요한 것이 무엇인지 묻고, 회사의 현실과 기술의 현실 사이에서 타협점을 찾아 조금씩 개선해 나가는 것.
그것이 현실적인 AX의 방법이라고 생각합니다.
이제 첫 단계를 지났습니다.
앞으로 시스템은 더 커지겠지만, 처음 세운 원칙은 그대로 가져가려 합니다.
구성원들이 AX를 부담이 아니라 도움으로 느끼게 하는 것.
올라핀테크 AX팀은 그 원칙 위에서 구성원들이 더 큰 임팩트를 낼 수 있도록 계속 나아가겠습니다.
감사합니다.
> write. AX팀 김태수, 이상민
### 올라핀테크 팀의 이전 이야기👇
* [거래 데이터로 연체 위험을 예측하기: 학습한 모델을 서비스에 연결하며 확인한 것들](https://allrafintech.co.kr/blog/158 "거래 데이터로 연체 위험을 예측하기: 학습한 모델을 서비스에 연결하며 확인한 것들")
* [ETL보다 중요한 것은 데이터 표준화: 올라핀테크 데이터 파이프라인 구축기 (1편)](https://allrafintech.co.kr/blog/143 "ETL보다 중요한 것은 데이터 표준화: 올라핀테크 데이터 파이프라인 구축기 (1편)")
* [분석에서 위키까지 — 우리가 만든 AI 업무 파이프라인 (AX 전환기 2편)](https://allrafintech.co.kr/blog/140 "분석에서 위키까지 — 우리가 만든 AI 업무 파이프라인 (AX 전환기 2편)")
* [여섯 명이 하던 일을 세 명이 하게 됐을 때 — 백엔드1팀 AI 전환기 (1편)](https://allrafintech.co.kr/blog/139 "여섯 명이 하던 일을 세 명이 하게 됐을 때 — 백엔드1팀 AI 전환기 (1편)")
* [감춰진 UI를 ‘보이게’ 만든 스토리 — 올라핀테크 프론트개발팀의 스토리북 도입기](https://allrafintech.co.kr/blog/126 "감춰진 UI를 ‘보이게’ 만든 스토리 — 올라핀테크 프론트개발팀의 스토리북 도입기")