AI 도구를 도입한 팀이 곧 마주치는 질문은 "얼마나 빨라졌나"가 아닙니다. 더 중요한 질문은 이것입니다. 그 과정에서 나온 판단, 프롬프트, 실패, 수정 방법은 어디에 남는가?
Shopify의 내부 AI 코딩 에이전트 River가 흥미로운 이유도 여기에 있습니다. River는 단순히 코드를 쓰는 봇이 아니라, Slack의 공개 채널에서만 작동하도록 설계된 업무 방식입니다. Tobias Lütke가 설명한 바에 따르면 River는 DM에 답하지 않고 공개 채널을 만들라고 안내하며, Simon Willison은 이를 "작업장이 곧 교실"이 되는 구조로 해석했습니다.1
문제는 코딩 속도가 아니라 '학습의 위치'다
확인된 수치만 봐도 River는 실험 수준을 넘어섰습니다. 한 달 동안 5,938명의 직원이 4,450개 Slack 채널에서 사용했고, Shopify의 병합된 PR 중 약 8분의 1을 River가 작성한 것으로 보고됐습니다.2
하지만 핵심은 PR 개수가 아닙니다. 보통 개발자가 ChatGPT, Claude, Cursor 같은 도구와 나눈 대화는 개인 창 안에 갇힙니다. 회사는 결과물인 코드만 얻고, 왜 그렇게 접근했는지, 어떤 질문이 효과적이었는지, 어디서 틀렸는지는 잃습니다.
River의 공개 채널 방식은 이 손실을 줄이려는 설계입니다. 한 사람이 에이전트에게 로그 쿼리를 부탁하고, 다른 사람이 그 과정을 보고 다음 날 같은 패턴을 재사용할 수 있습니다. 신입은 문서보다 실제 대화를 먼저 훑으며 "이 회사에서 AI에게 일을 맡기는 방식"을 배웁니다.
즉 River의 경쟁력은 모델 성능보다 업무 흔적의 배치에 있습니다.
공개 기본값은 강력하지만, 모든 조직에 맞지는 않다
공개 채널은 좋은 제약입니다. 하지만 동시에 문화적 지뢰가 될 수 있습니다.
장점은 분명합니다. 프롬프트 패턴이 퍼지고, 같은 질문이 반복되지 않으며, 시니어의 문제 분해 방식이 자연스럽게 노출됩니다. ZenML의 정리에 따르면 River의 merge rate는 두 달 사이 36%에서 77%로 개선됐는데, 이는 모델 교체보다 팀들이 River의 사용법과 지식을 계속 다듬은 결과로 설명됩니다.2
다만 공개성이 곧 학습을 보장하지는 않습니다. 심리적 안전감이 낮은 팀에서는 주니어가 "기초적인 질문"을 공개 채널에 남기기 어려울 수 있습니다. 보안 경계가 약한 조직에서는 민감한 고객 정보나 내부 데이터가 과도하게 노출될 위험도 있습니다. 채널이 너무 많아지면 지식 저장소가 아니라 소음 저장소가 됩니다.
따라서 River식 접근은 다음 조건에서 특히 잘 맞습니다.
질문하는 행동이 평가 리스크로 느껴지지 않는 팀
코드 리뷰와 운영 로그 접근 권한이 이미 명확한 조직
Slack, GitHub, 테스트, 배포 흐름이 비교적 표준화된 환경
"AI가 한 일"보다 "사람들이 무엇을 배웠나"를 관리 지표로 볼 수 있는 리더십
반대로 정치적 긴장, 낮은 신뢰, 불명확한 권한 체계가 있는 조직이라면 공개 AI는 학습 도구가 아니라 감시 장치처럼 받아들여질 수 있습니다.
Shopify를 복제하지 말고 '작은 River'를 만들어라
대부분의 회사는 Shopify처럼 내부 GitHub App과 Slack 에이전트를 한 번에 만들 필요가 없습니다. 실제로 GitHub에는 Shopify River가 비공개 앱으로만 표시됩니다.3 중요한 것은 제품 복제가 아니라 운영 원칙의 차용입니다.
작게 시작하려면 팀 단위 공개 AI 채널을 하나 만들면 됩니다. 예를 들어 #ai-code-help-backend 같은 채널에서 AI에게 요청할 때 아래 항목을 남기게 합니다.
요청 배경, 관련 파일, 기대 결과, 제약 조건, 검증 방법.
그리고 좋은 답변이나 실패 사례는 스레드 끝에 짧게 요약합니다.
다음 단계는 검색 가능한 결정 로그입니다. "왜 이 마이그레이션 전략을 택했는가", "이 테스트가 실패한 이유는 무엇인가" 같은 AI 협업 결과를 PR 설명이나 위키로 끌어올립니다. 여기에 코드 리뷰 봇, 권한 규칙, 민감 정보 필터를 붙이면 작은 River가 됩니다.
Shopify가 외부 개발자용 AI Toolkit에서 문서, API 스키마, 코드 검증을 에이전트에 연결하는 방향을 제시하는 것도 같은 흐름입니다.4 AI에게 "많이 물어보는 것"보다, AI가 정확한 맥락 안에서 일하도록 환경을 정리하는 쪽이 더 중요해지고 있습니다.
봐야 할 지표는 PR 수가 아니라 사람의 향상이다
AI 도입 성과를 PR 개수나 자동 생성 코드량으로만 보면 쉽게 왜곡됩니다. River가 보여준 더 나은 질문은 이것입니다.
같은 질문이 줄었는가.
신입 온보딩 시간이 짧아졌는가.
한 팀의 해결 패턴이 다른 팀으로 재사용됐는가.
리뷰 품질이 좋아졌는가.
장애 후 학습이 채널에 남아 다음 대응을 바꿨는가.
개발자가 AI에게 일을 맡기는 자신감을 얻었는가.
AI 코딩 에이전트의 다음 경쟁은 "누가 더 많은 코드를 쓰는가"가 아닐 가능성이 큽니다. 누가 AI와 일한 흔적을 조직의 학습 자산으로 바꾸는가입니다.
River를 그대로 따라 할 필요는 없습니다. 하지만 AI 사용이 개인 생산성 안에 갇혀 있다면, 지금부터는 질문해야 합니다. 우리 회사의 AI 대화는 휘발되고 있는가, 아니면 다음 사람을 더 똑똑하게 만들고 있는가?
참고
2Building a Public AI Agent Workspace for Organizational Learning
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.