Motivation
AI 작업이 끝날 때마다 사람이 다음 지시를 내리는 방식을 벗어나, 업무와 방향을 미리 쌓아두면 여러 AI가 회사의 직원처럼 순차적으로 작업할 수 있는지 검증하기 위해 시작했습니다.
Role
- 문제 정의와 AI 회사 콘셉트, 역할별 업무 흐름 설계
- Codex·Claude 기반 바이브 코딩으로 로컬 시스템 구현
- Jira·GitHub·Slack·LLM provider 통합과 운영 정책 설계
- 실제 프로젝트를 대상으로 운용·검수하고 병목과 실패 원인 분석
- 개인 설정을 제거한 빈 오피스 공개본과 한국어·영어 문서 작성
Features
- 픽셀 아트 AI Office Town에서 provider 고용·역할·책상 배정
- Jira 부모 작업을 계획하고 의존성을 가진 서브태스크로 분할
- 작업별 Git worktree 격리와 Claude·Codex·Gemini worker 실행
- Pull Request 생성·AI 리뷰·프리뷰·handoff·재작업 큐 추적
- 작업 범위 중첩을 safe·review needed·hard conflict로 분류해 자동 대기
- PROJECT_DIRECTION 문서로 장기 제품 방향을 모든 에이전트에 전달
- 민감 산출물과 유지보수 패치의 사람 승인 및 비서 권한 단계
- FastAPI GUI와 로컬 SQLite 상태, GUI가 열려 있을 때만 동작하는 스케줄러
Learnings
- AI 자동화의 진짜 난제는 작업 분배보다 맥락 보존, 의사결정의 일관성, 결과물 통합에 있음
- 계획·작업·리뷰·재작업을 거칠수록 결정 배경과 제품 방향이 쉽게 손실됨
- PR 충돌, 의존성, 재작업 큐, Rate Limit, 수동 승인이 오케스트레이션 비용을 키움
- 강한 LLM과 한 세션에서 지속적으로 대화하는 방식이 이 실험에서는 더 빠르고 안정적이었음
- 사람이 상태를 파악하고 필요한 시점에 개입할 수 있는 하네스와 운영 설계가 중요함
- 다시 시도한다면 하나의 일관된 맥락을 유지하는 LLM이 여러 역할을 처리하는 구조를 검증할 것
실험 종료 및 공개 아카이브 전환. 프로덕션 도구가 아닌 실패한 연구용 프로토타입으로 결론 내리고, 2026년 7월 실패 원인과 배운 점을 LinkedIn 회고로 공개했습니다.
AI 직원 고용과 역할 배정, Jira 작업 분해, worktree 격리 실행, PR·리뷰·사람 승인까지 동작하는 프로토타입을 완성했습니다. 실제 운용에서는 컨텍스트 손실, PR 충돌, 의존성·재작업·Rate Limit·수동 승인 비용이 병렬화 이득보다 컸고, 강한 LLM 하나와 긴 대화를 이어가는 방식이 더 빠르고 정확했습니다.
2026.05 - 2026.07 · 개인 실험 / 기획·검수 + AI 코딩 도구