전체 사례No. 013
Linktree 200명 미만의 인력으로 7천만 사용자를 지탱하는 린(Lean) 스케일링 전략
- 사례 번호
- 013
- 1차 출처
- First Round Applied Intelligence
- 원문 게시
- 2025-08-28
1. 왜 이 사례인가
스타트업이 프로덕트 라인업을 확장하고 마켓플레이스로 진화할 때 흔히 마주하는 공식은 ‘인력의 선형적 확대’입니다. 제품 표면적이 넓어질수록 기획자, 개발자, 지원 인력을 대거 충원해야만 속도를 유지할 수 있다는 믿음 때문입니다.
하지만 7,000만 명의 사용자와 매주 80,000건의 신규 가입을 처리하는 링크인바이오(Link-in-bio) 대표 플랫폼 링크트리(Linktree)는 2025년 사업 계획 수립 과정에서 정반대의 길을 선택했습니다. 크리에이터 커머스와 글로벌 브랜드 스폰서십을 아우르는 2차 마켓플레이스로의 대대적 확장을 앞두고, 링크트리 경영진은 대규모 채용 대신 200명 미만의 슬림한 조직 규모를 유지한 채 AI 에이전트와 도구를 극대화하여 조직 전체의 산출량을 스케일링하는 실험에 베팅했습니다.
그 결과는 인상적이었습니다. 자율 코딩 에이전트 데빈(Devin)이 반복적인 백로그와 종속성 업그레이드를 흡수하며 한때 주간 사내 PR 랭킹 1위를 기록했고, 고객 지원 티켓의 50%를 AI(Lorikeet)가 자동 해결(연말 목표 75%)하며 지원 인력의 증원 없이 주당 8만 명의 신규 사용자를 방어했습니다. 또한 7,000만 개 프로필의 유해 콘텐츠 검열 파이프라인에 경량 고효율 모델(Gemini 2.0 Flash)을 전격 도입하여 연간 비용을 52만 달러에서 2만 달러로 25분의 1(96%) 절감했습니다. 링크트리의 사례는 도구 도입을 넘어 기술 부채 정리, 프롬프트 기반의 기획(PRD) 대체, 그리고 시니어 엔지니어의 에이전트 위임 역량을 조직화한 엔드투엔드 AX 플레이북입니다.
2. Problem
링크트리가 2025년 초 직면한 문제는 전형적인 성장통이었습니다. 단순한 링크 모음 서비스를 넘어 크리에이터 수익화(Amazon, Target 등 제휴 커머스 및 디지털 다운로드 판매)와 엔터프라이즈 브랜드 캠페인(Hulu 등의 링크 배치 및 메시징)을 포괄하는 양면 플랫폼을 구축해야 했습니다.
- 폭발적으로 넓어진 제품 표면적과 채용 딜레마: 자오나 장(Jiaona Zhang) 당시 CPO가 회고하듯, 플랫폼 비즈니스는 얇고 넓게 만들 수 없으며 깊이 있는 완성도를 요구했습니다. 초기 계획대로라면 대규모 엔지니어링 및 운영 인력 채용이 불가피했지만, 파르나즈 아즈무데(Farnaz Azmoodeh) CTO는 조직 규모가 커지면서 필연적으로 발생하는 소통 비용과 문화적 관성을 경계했습니다. 200명 미만의 기민함을 유지하면서 확장할 방법이 절실했습니다.
- 7년 된 레거시 코드베이스와 에이전트의 충돌: 여러 코딩 도구를 도입했으나, 7년 넘게 누적된 기술 부채와 파편화된 저장소, 비일관적인 이벤트 스키마로 인해 AI 에이전트가 런타임 오류를 뿜어내거나 잘못된 코드를 생성하는 일이 잦았습니다. 에이전트 도입 초기에 개발자들 사이에서 “에이전트가 무능한 인턴 같다”는 회의론이 팽배했습니다.
- 콘텐츠 검열과 지원 운영의 비용 급증: 7,000만 개 프로필을 모니터링하기 위해 기존의 선형 회귀 머신러닝 모델(정확도 70%대 중반)을 최신 상용 LLM으로 교체하려 하자, 성인물 단일 분류기 운영비만 연간 52만 달러($520,000)에 달하는 견적이 나왔습니다. 주당 8만 명의 가입자를 맞이하는 CS 조직 역시 인력 충원 없이는 지탱하기 힘든 한계에 도달했습니다.
확인된 사실: 7천만 사용자 및 주당 8만 신규 가입, 200명 미만 조직 규모, 방대한 양면 마켓플레이스 확장 과제, 7년 된 레거시 코드베이스의 스키마 부채, 성인물 분류 비용 연간 52만 달러 돌파 위기.
3. Solution
링크트리는 툴 쇼핑에 머무르지 않고, 엔지니어링 인프라 정비, 체계적인 도구 가지치기, 조직적 습관 개조를 동시 추진했습니다.
3.1 실험 후 단호한 가지치기(Prune)와 보안 승인 단축
링크트리는 깃허브 코파일럿을 시작으로 Replit, Bolt, Lovable, v0, Cursor, Devin, Claude Code 등 다양한 AI 도구를 현장에 풀었습니다. 보안 및 IT 팀은 신규 도구 검토를 4~6시간 이내에 완료하는 패스트트랙 SLA를 약속하며 병목을 없앴습니다.
- Cursor 단일 표준화: 전체 코드베이스의 맥락 파악력과 자동완성 완성도에서 압도적인 우위를 보인 Cursor를 엔지니어링 IDE 단일 표준으로 낙점하고, 파편화된 여타 보조 도구들을 퇴출시켰습니다.
- Devin의 실무 투입: 단순 잡무에 특화된 Devin의 역할을 명확히 규정했습니다. ① 신규 기능 스파이크 및 버그 픽스 프로토타이핑, ② 다중 저장소 전반의 종속성(Node.js 등) 일괄 업그레이드, ③ Datadog MCP를 결합한 근본 원인 디버깅, ④ 공통 보안 취약점 패치 복제에 집중 배치했습니다.
3.2 AI를 위한 기술 부채(AI-Readiness) 선제 청산
아즈무데 CTO는 에이전트의 실패 원인이 모델이 아니라 사내 시스템의 모호성에 있음을 간파했습니다. 링크트리는 “AI가 제대로 일하기 위해 시스템에 무엇이 갖춰져야 하는가?”를 묻고 다음과 같은 기술 부채 청산을 우선순위에 올렸습니다:
- 여러 저장소에 걸친 네이밍 컨벤션 표준화.
- GraphQL API 사양의 완벽한 문서화 및 이벤트 스키마 정의 통일 (컴파일은 되지만 런타임에 터지는 코드 방지).
- 에이전트가 폐기된 레거시 API를 참조하지 않도록 전사 종속성 버전 일괄 최신화.
3.3 바이모달(Bimodal) 적응과 에이전트 ‘매니지먼트’ 관점 정립
사내 AI 도입 과정에서 흥미로운 바이모달 현상이 관찰되었습니다. 주니어 엔지니어들은 AI 도구를 자연스럽게 받아들였지만, 도구를 가장 효과적으로 다룬 것은 시니어 엔지니어들이었습니다.
- 에이전트를 요술봉이 아니라 ‘경험 없는 주니어 팀원’으로 대하고, 충분한 맥락과 작업 범위를 명확히 위임하는 능력은 매니저가 팀원을 코칭하고 위임하는 기술과 본질적으로 같았기 때문입니다.
- CTO는 엔지니어별 AI 도구 활용률 대시보드를 직접 구축한 뒤, 활용도가 낮은 엔지니어에게 슬랙 DM(“무엇이 불편한가?”)을 보내며 초기 진입 장벽을 집요하게 제거했습니다.
3.4 전사 확산: 고객 지원, 콘텐츠 검열, 기획 프로세스
- 고객 지원 (Lorikeet 도입): Fin, Decagon과의 경합 끝에 세밀한 룰 제어와 시스템 연동 유연성을 갖춘 Lorikeet을 선정했습니다. 이를 통해 수만 명의 인입 티켓을 흡수했습니다.
- 초저비용 콘텐츠 검열: 고비용 대형 LLM 대신 Gemini 2.0 Flash로 분류 파이프라인을 전환하여 높은 정밀도와 재현율을 유지하면서 비용을 대폭 절감했습니다.
- “프롬프트가 새로운 PRD다”: 기획자(PM)와 디자이너가 Lovable이나 Figma Make로 프로토타입을 반복 테스트한 뒤, 최종 프롬프트 히스토리를 요약한 단일 블루프린트 프롬프트를 Cursor와 Devin에 전달하여 프로덕션 PR을 생성하는 방식으로 역할 경계를 허물었습니다.
확인된 사실: Cursor 단일화, IT/보안 4-6시간 승인 SLA, Node.js 업그레이드 및 Datadog MCP 디버깅에 Devin 투입, 스키마 및 GraphQL 부채 청산, Lorikeet 도입, Gemini 2.0 Flash 전환, 프롬프트 기반 프로덕션 PR 전환.
4. Impact
First Round 인터뷰를 통해 공개된 링크트리의 정량적 성과는 다음과 같습니다. (기준일: 2025-08-28)
| 지표 | 전환 전 / 대안 기준 | 전환 후 실측 성과 | 비고 |
|---|---|---|---|
| 주간 PR 랭킹 1위 | 최상위 인간 수석 엔지니어 | 자율 코딩 에이전트 (Devin) | 반복적이고 복잡도 낮은 태스크 집중 처리 |
| 고객 지원 무인 자동 해결률 | 수작업 상담원 처리 중심 | 티켓의 50% 자동 완결 (연말 75% 목표) | 주당 80,000 신규 가입자 지원 규모 무인 방어 |
| 성인 콘텐츠 검열 연간 비용 | $520,000 (기존 최신 LLM) | $20,000 (Gemini 2.0 Flash 전환) | 비용 25배(96%) 절감, 고정밀도 유지 |
| 콘텐츠 검열 분류 정확도 | 기존 회귀 머신러닝 70%대 중반 | 80%대 후반 ~ 90%대 초반 정밀도/재현율 | 7,000만 개 프로필 대상 유해 콘텐츠 필터링 |
| 조직 규모 유지 | 대규모 엔지니어링/운영 증원 계획 | 200명 미만 인력 유지 | 양면 마켓플레이스 확장 과제를 린 조직으로 완수 |
| 신규 도구 보안 심사 소요 시간 | 수일 ~ 수주 대기 | 4 ~ 6시간 이내 승인 | 전사 빠른 툴 실험 지원 SLA |
아즈무데 CTO는 “채용 속도를 늦추고 인력 제약을 설정했을 때 비로소 근본적인 시스템을 고치고 프로세스를 혁신하려는 압력이 발생한다”며 인위적인 린(Lean) 제약이 가져온 혁신 효과를 강조했습니다.
5. Insight
링크트리의 사례는 스타트업이 규모의 함정에 빠지지 않고 AI를 통해 레버리지를 극대화하는 방법을 명쾌하게 보여줍니다.
에이전트를 쓰기 전에 코드베이스의 스키마 부채부터 갚아야 합니다. 에이전트의 코드 생성이 실패하는 진짜 원인은 대개 모델의 지능 부족이 아니라 사내 시스템의 모호함입니다. GraphQL 사양 정의, 이벤트 스키마 통일, 네이밍 규칙 정비 등 ‘기계가 읽기 쉬운 코드베이스’를 만드는 리팩토링이 선행되어야 에이전트가 헛발질하지 않습니다.
에이전트 위임 역량은 매니지먼트 역량과 같습니다. 에이전트를 마법 지팡이로 여기는 주니어는 첫 실패에 실망하고 맙니다. 반면 업무 맥락(Context)을 명확히 쪼개고 한계를 인지하며 코칭하듯 프롬프트를 다루는 시니어 엔지니어가 에이전트로부터 가장 큰 생산성을 뽑아냅니다. 에이전트 활용은 코딩이 아니라 ‘위임’의 기술입니다.
값비싼 프런티어 모델 만능주의를 경계해야 합니다. 대규모 트래픽이 발생하는 운영 태스크(콘텐츠 검열 등)에 무턱대고 최상위 상용 모델을 쓰면 감당할 수 없는 비용 청구서가 돌아옵니다. Gemini 2.0 Flash와 같은 최신 소형·고효율 모델로 적재적소에 전환함으로써 52만 달러를 2만 달러로 줄인 링크트리의 결단은 인프라 경제학의 본보기입니다.
6. 원문에 없는 추정 (구현 가설)
6.1 Datadog MCP와 결합한 Devin의 자율 디버깅 및 패치 파이프라인
근거: 원문은 엔지니어들이 Datadog의 MCP(Model Context Protocol)를 Devin에 연결하여 버그 영향도를 평가하고, 저장소 전반의 종속성 업그레이드와 보안 취약점 수정을 일괄 자동화했다고 명시합니다.
실제 디버깅 워크플로는 Slack 또는 Linear 이슈 인입에서 출발했을 것입니다. 운영 중 예외 로그가 폭증하면 Datadog 모니터가 경보를 울리고, Devin 에이전트는 Datadog MCP 서버를 통해 해당 오류의 발생 빈도, 영향을 받는 사용자 세션 ID, 스택 트레이스를 직접 질의하여 추출합니다. 수집된 트레이스를 기반으로 Devin은 로컬 Git 작업 공간에서 관련 서비스의 소스 코드를 검색하고 오류가 발생한 함수를 특정합니다. 이후 단위 테스트를 작성해 결함을 재현한 뒤, 패치 코드를 적용하여 테스트가 통과하는 것을 확인하고 GitHub에 PR을 생성하는 엔드투엔드 파이프라인으로 구성되었을 개연성이 높습니다. PR 본문에는 Datadog에서 조회한 ‘에러 발생 빈도 변화 그래프’와 ‘테스트 실행 로그’가 자동으로 첨부되어 인간 리뷰어의 승인 시간을 단축시켰을 것으로 추정됩니다.
6.2 Lovable/Figma Make에서 프로덕션 PR로 이어지는 프롬프트 블루프린트 변환 파이프라인
근거: 원문은 디자이너와 PM이 Lovable/Figma Make에서 시각적 프로토타입을 완성한 후 요약 프롬프트를 추출하여, 실제 사내 저장소에 연동된 Cursor/Devin으로 프로덕션 PR을 배포하는 워크플로를 구축했다고 밝힙니다.
이 구현은 비개발자의 시각적 결과물을 엔지니어링 규격으로 매핑하는 브릿지 단계가 핵심이었을 것입니다. PM이나 디자이너가 프로토타입 도구와 나눈 수십 차례의 대화 히스토리에서 “요약 프롬프트 생성기”가 최종 UI 상태, 컴포넌트 계층, 인터랙션 상태 변경 로직만을 구조화된 마크다운 명세서로 압축합니다. 이 명세서가 Cursor나 Devin에 전달되면, 에이전트는 링크트리의 공통 디자인 시스템(Design Tokens, React 컴포넌트 라이브러리) 및 GraphQL 엔드포인트를 매핑하여 사내 코딩 표준에 맞는 프론트엔드 코드를 작성합니다. 결과적으로 비개발자는 복잡한 Git 브랜치나 터미널 조작 없이도 프로덕션 규격에 부합하는 클린한 PR 초안을 자동 생성할 수 있었을 것으로 분석됩니다.
7. 출처
- First Round Applied Intelligence — Scale Smarter, Not Bigger: How Linktree is Using AI to Accelerate (Scale Without Size: How Linktree is Using AI to Accelerate and Do More With Less)
https://www.firstround.com/ai/linktree
발행일: 2025-08-28
(CTO Farnaz Azmoodeh, 전 CPO Jiaona Zhang, CEO Alex Zaccaria 인터뷰; 7천만 사용자, 200명 미만 린 스케일링, Devin 주간 PR 1위, Lorikeet CS 50% 해결, Gemini 2.0 Flash 검열 비용 $520k→$20k)