AX Case BlogAI 전환 사례 연구

전체 사례No. 030

Shopify 메모 한 장이 전사 AI 인프라 운동이 되기까지

사례 번호
030
1차 출처
First Round editorial
원문 게시
2025-07-15

1. 왜 이 사례인가

기업 경영진이 AI 전략 메모를 발표하는 일은 이제 드물지 않습니다. 토비 뤼트케(Tobi Lütke)가 쇼피파이(Shopify) 전 임직원에게 AI 활용을 기본적인 기대치로 명시한 메모를 공개했을 당시, 박스(Box)와 피버(Fiverr)는 물론 캐나다 총리실까지 유사한 형식의 선언을 연달아 내놓았습니다. 그러나 경영진의 선언 이후 조직 내부에서 실제로 어떤 변화가 일어났는지를 구체적으로 추적한 사례는 찾아보기 어렵습니다.

쇼피파이의 엔지니어링 총괄 부사장(VP)인 파르한 타와르(Farhan Thawar)는 퍼스트 라운드(First Round)와의 인터뷰를 통해 그 내부 이야기를 상세히 공개했습니다. 퍼스트 라운드 편집팀이 2025년 7월 15일에 게재한 기사에 따르면, 쇼피파이의 AI 도입은 CEO의 메모보다 훨씬 앞선 시점부터 시작되었으며, 메모 발표 이후에는 이를 구체적인 인프라와 일상적인 조직 관행으로 정착시키는 실행이 뒤따랐습니다. 타와르가 챗GPT(ChatGPT) 출시 약 1년 전인 2021년 말에 이미 깃허브 코파일럿(GitHub Copilot)을 사내에 선제 도입하여 빠르게 사용률 80%를 달성했다는 점이 이를 뒷받침합니다.

이 사례가 주목받는 이유는 세 가지입니다. 첫째, “AI 도구는 비용이 많이 드니 일부 팀에만 제한적으로 제공한다”는 통상적인 기업 관행을 뒤엎고 전사 개방이라는 과감한 결정을 내렸습니다. 둘째, 엔지니어링 조직을 넘어 영업·지원·마케팅 직군으로 AI가 자발적으로 확산된 구체적인 경로를 확인할 수 있습니다. 셋째, 오픈소스 코드 리뷰 프레임워크인 로스트(Roast), 사내 통합 LLM 프록시, MCP 기반 연결 체계 등 재사용 가능한 내부 플랫폼 인프라 구축을 병행했습니다.

2. Problem

쇼피파이가 마주한 핵심 과제는 단순한 신기술 도입이 아니라, 조직 전반에 걸친 AI 도입의 속도와 깊이를 동시에 끌어올리는 일이었습니다.

초기 도입 단계에서는 법무팀과 보안팀의 관성적인 거부감이 가장 큰 장애물이었습니다. 타와르는 다른 기업 CTO들과 소통하는 왓츠앱(WhatsApp) 단체 대화방에서도 수많은 동료가 법무팀의 장벽에 부딪혀 좌절하는 사례를 자주 접했다고 회고합니다. AI 도구를 전사로 확산하려 할 때 조직의 기본 반응이 ‘불가(No)‘에 머물러 있다면, 경영진의 어떤 정책 선언도 공허한 구호에 그치기 쉽습니다.

도구 접근성의 불균형도 심각한 문제였습니다. 고성능 모델과 첨단 도구에 대한 접근 권한을 기술 직군에만 한정하면, 영업·고객 지원·운영 직군이 현장에서 가장 가치 있는 혁신 사례를 발굴할 기회를 원천적으로 차단하게 됩니다. 타와르는 “어느 팀에서 진정으로 가치 있는 활용 사례가 터져 나올지는 아무도 예단할 수 없다”고 강조합니다. 실제로 커서(Cursor) 라이선스 3,000개를 도입한 직후 가장 빠른 속도로 이를 채택하고 활용한 집단이 엔지니어링이 아니라 고객 지원(support)과 영업(revenue) 팀이었다는 사실이 이를 증명합니다.

여기에 데이터 사일로 문제도 얽혀 있었습니다. 세일즈포스(Salesforce), 구글 워크스페이스(GSuite), 슬랙(Slack), 깃허브(GitHub), 공(Gong) 등 여러 도구에 흩어진 업무 맥락을 AI가 유기적으로 참조하게 하려면, 단순한 모델 구독을 넘어선 통합 인프라가 반드시 필요했습니다.

확인된 사실: GitHub Copilot을 2021년 말(ChatGPT 출시 약 1년 전)에 도입하여 사용률 80% 달성, Cursor 라이선스 초기 1,500개 주문 후 추가 1,500개 신속 확보(총 3,000개), 가장 빠른 채택 집단은 지원·영업 직군.

3. Solution

타와르가 정리한 세 가지 역발상적 접근법이 쇼피파이의 전사 AI 안착 전략을 구성합니다.

3.1 고성능 모델을 모든 구성원에게 개방

쇼피파이는 직무와 직급을 불문하고 사내 모든 구성원이 최상위 성능의 AI 모델과 도구를 제한 없이 쓸 수 있도록 지원했습니다. 법무팀의 기본 접근 방식을 ‘어떻게 하면 안전하게 허용할 것인가(how to get to yes)‘로 전환한 것이 결정적 출발점이었습니다. 타와르는 2021년 코파일럿 도입을 협의할 때 법무팀에 “우리는 결국 이 방향으로 갈 것입니다. 안전하게 갈 수 있는 최선의 길을 함께 찾아봅시다”라며 설득했고, 법무팀 역시 규제보다는 실행 방안을 찾는 방향으로 적극 화답했습니다.

사용량에 따른 지출 한도도 과감하게 철폐했습니다. 커서 토큰을 가장 많이 소비한 구성원을 보여주는 사내 리더보드를 운영하며, 타와르는 이를 실질적인 가치를 창출하는 핵심 인재를 식별하는 주요 지표로 활용합니다. 최근 이 리더보드 최상위권에 이름을 올린 인물 중 한 명이 바로 쇼피파이의 최고기술책임자(CTO) 미하일 파라힌(Mikhail Parakhin)이었습니다.

모든 도구와 파운데이션 모델을 한곳에서 안전하게 호출할 수 있는 사내 통합 LLM 프록시도 자체 구축했습니다. 구성원들은 이 프록시를 통해 다양한 모델을 자유롭게 선택하거나 전환할 수 있으며, 전사 MCP(Model Context Protocol) 서버 목록도 여기에 연결되어 있습니다. 타와르는 이를 “모든 것을 MCP로 연결한다(MCP everything)“고 표현하며, 사내의 모든 업무 데이터를 MCP로 개방하여 구성원 누구나 자신만의 자동화 워크플로를 손쉽게 구축하도록 뒷받침합니다.

이러한 인프라를 바탕으로 현장 실무자들이 직접 구축한 대표적 워크플로는 다음과 같습니다.

  • 영업 담당자가 직접 제작한 사이트 진단 도구: 비개발 직군의 영업 담당자가 커서를 활용해 잠재 고객 웹사이트의 성능을 자동으로 벤치마킹하고 쇼피파이의 성능과 비교 분석하는 도구를 개발했습니다. 과거 수작업으로 수시간씩 걸리던 분석 보고서를 단숨에 생성하며, 실제 영업 미팅에서 활용할 핵심 대화 포인트까지 정교하게 제공합니다.

  • 영업 엔지니어의 ‘오늘의 업무 우선순위’ 대시보드: 구글 드라이브, 슬랙, 세일즈포스 등 자주 사용하는 업무 도구의 MCP를 커서 기반 대시보드 하나로 통합했습니다. 대시보드에 “오늘 가장 먼저 집중해야 할 일은 무엇인가?”라고 질문하면, 세일즈포스에서 계약 체결이 임박한 주요 기회를 찾아내고 해당 고객의 이메일에 아직 회신하지 않았음을 감지하여 즉시 답변 작성을 제안합니다. 이 영업 엔지니어는 개별 도구를 일일이 확인하지 않고 커서 창 하나만으로 하루 업무를 완결합니다.

  • RFP 대응 전담 에이전트: 비즈니스 툴링(Revenue Tooling) 팀이 리브레챗(LibreChat) 기반으로 개발한 에이전트로, 수백 개 항목에 달하는 제안요청서(RFP) 질의를 병렬로 분석하여 답변합니다. 사내 지식 문서를 실시간으로 참조하며, 각 답변마다 신뢰도 점수를 함께 표기하여 실무자가 검증해야 할 영역을 명확히 짚어줍니다. 과거 수주로 연결된 우수 답변 데이터를 지속적으로 학습하여 후속 응답 품질을 높이는 선순환 구조를 갖추었습니다.

3.2 AI가 추론을 숨기지 않고 드러내게 하기

타와르는 시중의 많은 도구가 AI의 추론 과정을 블랙박스 속에 감추는 경향이 있지만, 쇼피파이는 정반대의 경로를 택했다고 설명합니다. AI가 어떤 논리적 단계를 거쳐 결과물을 도출했는지 투명하게 드러낼 때 구성원의 업무 역량도 함께 성장한다는 판단 때문입니다.

이러한 철학이 가장 돋보이는 영역이 바로 프로젝트 업데이트 자동화입니다. 에이전트가 깃허브 풀 리퀘스트(PR), 관련 문서, 리뷰 댓글, 슬랙 채널의 논의 내역을 종합 수집하여 프로젝트 주간 보고서 초안을 자동으로 작성합니다. 매주 금요일 프로젝트 책임자(project champion)는 AI가 생성한 초안과 함께 “이번 주에 실제로 완료한 핵심 성과는 무엇인가?”라는 질문을 받습니다. 담당자는 초안을 단순히 승인하는 데 그치지 않고, 맥락과 어긋난 부분이나 누락된 핵심 쟁점을 직접 찾아내 수정하도록 자연스럽게 유도됩니다. 타와르는 최종 확정본과 AI 초안 사이의 차이점(diff)을 정밀 추적하며, 이 수정 데이터를 모델 성능 개선을 위한 핵심 피드백으로 활용합니다.

확인된 사실: AI가 작성한 프로젝트 업데이트의 절반이 인간 수정 없이 그대로 통과됨 (2025-07-15 기사 기준).

또 다른 대표 사례는 로스트(Roast)입니다. 쇼피파이는 수백만 줄에 달하는 거대한 루비 온 레일즈(Ruby on Rails) 코드베이스를 관리하면서, 단일 프롬프트 방식의 AI 도구로는 충분한 신뢰성을 확보하기 어렵다는 점을 절감했습니다. 이를 극복하기 위해 결정론적 개발 도구(deterministic tools)와 대형 언어 모델의 유연성을 결합한 오픈소스 AI 오케스트레이션 프레임워크인 로스트를 개발했습니다.

로스트의 핵심 아키텍처는 다음과 같습니다.

  • 전체 워크플로를 세부 실행 단계로 분리하며, 각 단계마다 AI의 추론 과정을 투명하게 드러냅니다.
  • 단계별 대화 맥락이 정교하게 누적되므로 AI가 특정 결론에 도달한 근거를 명확히 추적할 수 있습니다.
  • 클로드 코드(Claude Code) 기반의 코드에이전트(CodeAgent)가 자신이 수행한 변경 조치와 그 배경을 일목요연하게 요약합니다.
  • 테스트 결과 평가 시 성공과 실패의 원인을 다각도로 분석하여 구체적인 피드백을 제공합니다.

쇼피파이는 사내 수천 개에 달하는 테스트 코드 분석과 자동 수정 작업에 로스트를 실전 검증한 뒤, 이를 오픈소스로 전면 공개했습니다.

3.3 초심자 마인드셋 장려

타와르는 AI 전환 시대일수록 역설적으로 엔트리 레벨 인재를 더욱 적극적으로 채용해야 한다고 주장합니다. 이는 AI 활용을 성숙한 인력 중심으로 추진하려던 뤼트케 CEO의 초기 메모 취지를 현장 관점에서 보완한 결정이었습니다.

쇼피파이는 25명의 파일럿 인턴 그룹을 운영한 뒤 정규 프로그램 규모 확대를 논의했습니다. 타와르는 기존 인프라 기준으로 75명이 상한선이라고 보고했다가, 즉시 생각을 바꾸어 목표치를 1,000명으로 대폭 상향했습니다. 인턴이야말로 기존 개발 방식의 타성에 젖지 않고 AI 도구를 가장 과감하고 창의적으로 다루는 ‘AI 켄타우로스(AI centaurs)‘이기 때문입니다. 새로운 도구를 탐색하는 데 거침이 없는 이들의 태도를 두고, 타와르는 스마트폰 보급 초기 모바일 네이티브 인턴들을 영입해 모바일 전환을 주도했던 성공 경험에 비유합니다.

신속한 프로토타이핑 비중도 획기적으로 늘렸습니다. 하나의 기술적 문제 앞에는 수천 가지 우수한 해법이 존재할 수 있으며, 처음 동작한 해법에 안주하는 것은 더 나은 최적의 경로를 포기하는 것과 같다는 것이 뤼트케 CEO의 지론입니다. 생성형 AI가 시제품 제작 비용을 사실상 ‘제로’에 가깝게 낮추었기에, 실패를 두려워하지 않고 수많은 대안을 빠르게 검증하는 문화가 정착될 수 있었습니다.

아울러 AI 활용 수준을 공식 성과 평가 체계에도 깊숙이 편입했습니다. 엔지니어들이 커서, 클로드 코드, 사내 LLM 프록시를 얼마나 능숙하게 활용하는지 활동 대시보드를 통해 상시 모니터링하며, AI 도구 활용도가 높은 구성원일수록 우수한 비즈니스 성과를 낸다는 사내 실증 분석을 기반으로 360도 다면평가 항목에도 AI 활용 역량을 핵심 문항으로 포함했습니다.

확인된 사실: Copilot 사용률 80%, Cursor 3,000 라이선스(최초 주문 1,500개 후 추가 1,500개), 가장 빠른 채택 집단은 지원·영업 직군, 인턴 프로그램 1,000명 목표, AI 작성 프로젝트 업데이트 50% 수정 없이 통과, Roast 오픈소스 공개, 360도 리뷰에 AI 활용 항목 포함.

4. Impact

퍼스트 라운드 기사(2025-07-15)에서 확인된 쇼피파이의 핵심 운영 지표는 다음과 같습니다.

지표수치비고
GitHub Copilot 사용률80%Copilot 도입 초기 단계 달성
Cursor 라이선스3,000개 (1,500+1,500)가장 빠른 채택: 지원·영업 직군
AI 작성 프로젝트 업데이트 중 수정 없이 통과약 50%프로젝트 챔피언 업데이트 자동화 기준
인턴 프로그램 목표 규모1,000명기존 인프라 기준 75명에서 상향 조정
기준일2025-07-15First Round 게시일 기준

원문 기사는 RFP 대응 에이전트 도입 후 수주율이 개선되었다고 언급하지만 구체적인 정량 수치는 공개하지 않았습니다. 영업 엔지니어 대시보드와 사이트 진단 도구 사례 역시 생산성 개선의 방향성만 제시하며 구체적인 정량 수치는 명시하지 않았습니다.

쇼피파이의 최고수익책임자(CRO) 바비 모리슨(Bobby Morrison)은 “최고의 성과를 내는 비즈니스 빌더들은 모두 뛰어난 AI 유창성을 체화하고 있으며, 이들에게 AI는 단순한 개별 도구가 아니라 업무를 수행하는 본질적인 방식 그 자체”라고 밝혔습니다.

5. Insight

쇼피파이 사례의 본질적인 교훈은 AI 도입을 개별 소프트웨어 구매가 아닌 전사적 조직 체질 전환의 문제로 접근했다는 점입니다. 단편적인 도구 배포에 그치지 않고, 기반 인프라 구축, 법무팀과의 협력 구조 정렬, 미래 지향적 채용 전략, 다면 성과 평가 체계 개편을 하나의 통합된 생태계로 결합했습니다.

도구 비용 한도의 철폐는 그 자체로 강력한 조직적 신호가 됩니다. 타와르는 엔지니어 한 명이 언어 모델 API 비용으로 월 1,000달러를 추가 지출하더라도 이를 통해 10%의 생산성 향상을 거둔다면 회사 입장에서는 압도적으로 이득이라고 설명합니다. 도구 사용 비용을 통제하려는 시도는 결국 조직의 AI 채택을 억제하는 족쇄로 작용합니다. 사내 토큰 사용량 리더보드는 도구가 현장에서 실질적인 가치를 창출하고 있음을 전사에 시각화하는 강력한 동기부여 기제로 작동합니다.

AI의 추론 과정을 투명하게 드러낼 때 조직의 실질적인 역량이 성장합니다. 프로젝트 주간 업데이트 자동화가 대표적인 모범 사례입니다. AI가 작성한 초안을 실무자가 비판적인 시각으로 검증하고 교정하는 과정은, 구성원을 수동적 수용자가 아닌 시스템을 훈련시키는 적극적인 감독관으로 만듭니다. 로스트 프레임워크가 AI 추론 과정을 단계별로 투명하게 열어두도록 설계된 것 역시 같은 맥락입니다.

공통 기반 인프라 투자가 현장 확산의 진정한 촉매제가 됩니다. 중앙 엔지니어링 조직이 고성능 LLM 프록시와 전사 MCP 서버를 선제적으로 구축해 제공했기 때문에, 현업 실무자들은 복잡한 인프라 설정 고민 없이 즉각 자신만의 워크플로를 제작할 수 있었습니다. 비개발 직군 영업 담당자가 직접 사이트 진단 도구를 만들어낼 수 있었던 것은 바로 이 보이지 않는 플랫폼 인프라가 뒷받침되었기 때문입니다.

초심자의 개방성이 AI 조직 문화의 강력한 가속기로 기능합니다. AI 시대에 신입 인력 채용이 위축될 것이라는 통념과 달리, 쇼피파이는 선입견 없이 새로운 기술을 백지상태에서 흡수하는 젊은 세대의 학습 탄력성을 조직 전체의 AI 추진력으로 승화시켰습니다.

‘프로세스 파워’의 근본적인 재설계에서 가장 큰 가치가 창출됩니다. 타와르는 도요타 생산 방식(TPS)을 비유로 들며, AI가 특정 작업 속도를 극적으로 단축하는 것은 단순한 시간 절약을 넘어 프로세스 자체의 순서와 작동 가정을 근본적으로 혁신하는 계기가 된다고 강조합니다. 잠재 고객 웹사이트 진단 비용이 사실상 0에 가까워지면, 고객에게 접근하는 시점과 영업 파이프라인의 운영 순서 전체가 완전히 새롭게 재편될 수 있습니다.

복제 조건: 법무 및 보안 부서와의 사전 합의, 최고경영진의 전폭적인 지지, 그리고 도구 지출 제한을 과감히 없애는 문화적 결단이 선행되지 않는다면 개별 전술을 도입하더라도 전사적 확산으로 이어지기 어렵습니다. 아울러 통합 LLM 프록시나 전사 MCP 허브를 구축하기 위해서는 전담 엔지니어링 리소스 투자가 필수적이며, 이러한 플랫폼 투자 없이 상용 SaaS 도구만 무분별하게 배포해서는 쇼피파이 수준의 지속 가능한 복합 시너지를 기대하기 어렵습니다.

6. 원문에 없는 추정 (구현 가설)

6.1 LLM 프록시의 역할 분리

근거: 기사는 사내 LLM 프록시가 다양한 파운데이션 모델 선택, 전사 MCP 연결, 사내 에이전트 공유 환경을 제공하며 프로덕션 환경의 트래픽 스케일링, 감사 추적, 장애 조치(failover)까지 전담한다고 설명했습니다.

쇼피파이와 같은 초대형 조직이 단일 프록시 레이어를 안정적으로 운영하려면, 단순한 모델 라우팅 이상의 고도화된 기능이 모듈화되어 동작할 것으로 보입니다. 각 부서 및 직군별로 토큰 사용량과 API 비용을 실시간으로 추적·정산하는 로깅 레이어가 필수적이며, 외부 파운데이션 모델의 새로운 버전이 공개될 때 기존 사내 워크플로와의 호환성을 사전 검증하는 자동 회귀 테스트 파이프라인이 결합되어 있을 가능성이 높습니다. 아울러 취급하는 데이터의 보안 민감도 등급에 따라 허용된 모델로만 트래픽을 선별 라우팅하는 가드레일이 프록시 전면에 배치되어 있을 것으로 추정됩니다. 타와르가 최신 모델이 발표되는 즉시 전사에 업데이트된다고 밝힌 점을 고려할 때, 모델 버전 관리 및 상태 점검이 CI/CD 파이프라인과 긴밀하게 연동되어 있을 것으로 분석됩니다.

6.2 프로젝트 업데이트 자동화의 피드백 루프

근거: 기사는 에이전트가 깃허브 PR, 기획 문서, 슬랙 논의를 수집해 초안을 작성하고, 프로젝트 챔피언이 수정한 최종본과의 텍스트 차이(diff)를 분석하여 모델 성능을 개선한다고 설명했습니다.

이 시스템이 실제 모델 성능 향상으로 이어지는 유의미한 피드백 루프를 형성하려면 단순한 텍스트 재학습을 넘어 구조화된 데이터 분류 파이프라인이 뒷받침되어야 합니다. 담당자의 수정 행위가 ‘사실관계의 오류 수정’인지, ‘조직 전략과의 정합성 불일치 교정’인지, 단순한 ‘개인적 문체 선호 반영’인지를 판별하는 레이블링 로직이 작동할 가능성이 큽니다. 초안의 약 절반이 인간의 수정 없이 원안 그대로 통과된다는 데이터는 기본 모델의 정보 수집 및 요약 능력이 상당한 수준에 도달했음을 보여주는 동시에, 반복적으로 수정되는 나머지 절반의 케이스가 모델 파인튜닝과 프롬프트 최적화를 위한 핵심 학습 데이터셋으로 정제되어 활용되고 있을 것으로 풀이됩니다.

6.3 MCP 서버 거버넌스

근거: 기사는 “누군가가 사내 슬랙 MCP를 제작하면 전사 임직원 누구나 이를 즉시 활용할 수 있다”고 언급하며, 다양한 MCP 서버 컬렉션이 통합 LLM 프록시에 직접 탑재되어 운영된다고 설명했습니다.

수백 개에 달하는 사내 MCP 서버가 전사적으로 공유되는 환경에서는 정교한 품질 관리와 보안 정책이 없으면 민감한 기업 데이터가 무단 유출되거나 오남용될 위험이 있습니다. 쇼피파이가 법무 부서와의 신뢰를 바탕으로 능동적 혁신을 추진했다는 점을 감안하면, 새로운 MCP 서버가 카탈로그에 정식 등록되기 전 API 권한 범위와 보안 취약점을 검증하는 심사 절차 또는 역할 기반 접근 제어(RBAC) 체계가 LLM 프록시와 결합되어 있을 가능성이 높습니다. 오픈소스로 공개된 로스트처럼 외부 감사를 거치는 도구와 달리, 사내 핵심 저장소에 접근하는 내부 전용 MCP 서버들은 프록시 수준에서 토큰 단위 권한 격리와 세밀한 호출 감사 로그를 유지하고 있을 것으로 분석됩니다.

7. 출처

  1. First Round — From Memo to Movement: Shopify’s Cultural Adoption of AI
    https://www.firstround.com/ai/shopify
    게시일: 2025-07-15 (기사 본문 날짜)