Linktree, 연 52만 달러 검수를 2만 달러로

요약

• Linktree는 대규모 채용 대신 인공지능 도구와 에이전트를 도입해 생산성을 높였습니다.
• 기존 코드의 기술 부채를 정리하고 명확히 위임해야 에이전트가 제 성능을 냅니다.
• 진정한 업무 전환은 모델 성능보다 내부 규약 정비와 조직의 운영 제약에서 출발합니다.

늘어나는 사업 앞에서 채용 대신 내린 결정

벤처 투자사 First Round가 공개한 Linktree 경영진 인터뷰를 살펴보면, 빠르게 성장하는 스타트업이 마주하는 전형적인 고민이 잘 드러납니다. 소셜 미디어 프로필 링크를 모아 주는 서비스로 시작한 Linktree는 어느덧 사용자 7,000만 명을 확보했고, 매주 8만 건에 달하는 신규 가입자를 맞이하고 있었습니다. 하지만 이 거대한 서비스를 운영하는 팀의 인원은 200명 미만이었습니다.

2025년 사업 계획을 세우면서 회사는 더 큰 도전을 마주했습니다. 단순한 링크 연결을 넘어 크리에이터 커머스와 글로벌 브랜드 캠페인을 한데 잇는 양면 마켓플레이스로 사업을 넓히기로 한 것입니다. 크리에이터가 Amazon이나 Target의 제휴 상품을 소개하고 디지털 다운로드 콘텐츠를 직접 판매하도록 돕는 한편, Hulu 같은 대형 브랜드의 마케팅 캠페인을 유치하는 구조였습니다.

보통 이런 확장을 앞두면 수십 명의 개발자와 기획자, 고객 지원 인력을 서둘러 채용하기 마련입니다. 다루어야 할 제품의 영역이 넓어지면 인력도 비례해서 늘려야 속도를 유지할 수 있다고 믿기 때문입니다. 당시 최고제품책임자(CPO)였던 Jiaona Zhang은 플랫폼을 제대로 구축하려면 모든 영역을 얕고 넓게 다루기보다 높은 완성도와 깊이를 확보해야 한다고 보았고, 초기 계획에는 엔지니어링과 운영 부문의 대규모 인력 채용이 포함되어 있었습니다. 최고기술책임자(CTO) Farnaz Azmoodeh는 조직 규모가 커질 때 필연적으로 뒤따르는 소통 부담과 문화적 마찰을 경계했습니다. 결국 Linktree 경영진은 다른 길을 택했습니다. 이런 마찰을 피하기 위해, 200명 미만의 팀 규모를 지키면서 인공지능 도구와 에이전트를 전면 도입해 직원들의 역량을 극대화하기로 결정했습니다.

일하는 방식을 바꾸기 위한 빠른 시험과 정리

도입 과정은 속도감 있게 진행되었습니다. GitHub Copilot을 일찍이 써 오던 Linktree는 Replit, Bolt, Lovable, v0, Cursor, Devin, Claude Code, Figma Make 같은 최신 인공지능 도구들을 연이어 시험했습니다. 새로운 도구가 현장에 빠르게 전달될 수 있도록 보안과 정보기술 부서는 새 도구 검토를 4~6시간 안에 끝내겠다는 서비스 수준 협약을 맺고 병목을 없앴습니다.

다양한 도구를 써 본 뒤에는 겹치는 도구를 과감히 걷어냈습니다. 코드베이스 전체의 맥락을 가장 잘 파악하고 코드 자동 완성 품질이 뛰어난 Cursor를 엔지니어링 표준 개발 도구로 확정했습니다.

자율적으로 코딩을 수행하는 에이전트인 Devin에게는 복잡도가 낮고 반복적인 작업을 맡겼습니다. 구체적으로 네 가지 영역에 집중 배치했습니다. 첫째는 새로운 기능이나 버그 수정을 위한 초기 시제품 제작, 둘째는 여러 코드 저장소에 걸친 Node.js 같은 소프트웨어 의존성 업그레이드, 셋째는 전체 시스템에 동일하게 적용해야 하는 보안 취약점 패치 복제, 넷째는 Datadog의 MCP를 연동한 장애 원인 디버깅이었습니다. MCP는 모델 컨텍스트 프로토콜의 줄임말로, 인공지능이 외부 도구나 데이터에 접속할 수 있도록 돕는 표준 규약입니다. 명확한 역할을 부여받은 Devin은 반복 업무를 빠르게 처리하며 사내 주간 코드 변경 요청, 즉 PR 순위에서 사람 개발자들을 제치고 1위에 오르기도 했습니다.

실제 장애 디버깅 과정은 모니터링 알림에서 시작되었을 것입니다. 운영 환경에서 오류가 급증하면 Datadog이 알림을 보내고, Devin이 연동된 규약을 통해 에러 발생 빈도와 스택 추적 로그를 직접 조회했을 가능성이 높습니다. 에이전트가 로컬 작업 공간에서 문제가 된 함수를 찾아내고, 오류를 재현하는 단위 테스트를 작성한 뒤 패치까지 적용해 코드 변경 요청을 올리는 흐름으로 작동했을 것입니다.

낡은 코드를 치우지 않으면 인공지능도 멈춥니다

그러나 에이전트 도입 초기부터 모든 일이 순탄했던 것은 아닙니다. Linktree에는 7년 넘게 쌓여 온 레거시 코드가 많았습니다. 코드 저장소마다 이름 짓는 규칙이 제각각이었고, 데이터 형식인 스키마 정의도 엉켜 있었습니다. 이 때문에 에이전트가 엉뚱한 코드를 만들어 내거나, 겉보기에는 멀쩡하지만 실제로 실행하면 오류를 뿜어내는 일이 잦았습니다. 개발자들 사이에서는 에이전트를 두고 “형편없는 인턴” 같다며 불만을 터뜨리는 목소리도 나왔습니다.

Farnaz Azmoodeh 최고기술책임자는 이 문제를 에이전트 모델 자체의 지능 부족이 아니라 내부 시스템의 모호함 때문이라고 판단했습니다. 기계가 읽고 이해할 수 없는 코드는 사람에게도 혼란을 줍니다. Linktree 엔지니어링 팀은 인공지능이 제대로 일할 수 있는 환경을 만들기 위해 기술 부채 정리를 최우선 과제로 삼았습니다.

저장소 전반의 명명 규칙을 하나로 통일하고, 데이터를 주고받는 통로인 GraphQL API 명세를 빈틈없이 정리했습니다. 서비스 안에서 일어나는 상태 변화를 기록하는 이벤트 스키마도 일관되게 규격화했습니다. 오래된 라이브러리 때문에 에이전트가 더 이상 쓰이지 않는 폐기된 규격을 불러오지 않도록 전사의 기술 의존성도 함께 최신 상태로 올렸습니다.

에이전트를 부리는 기술은 팀원을 이끄는 기술과 같습니다

도구가 갖춰진 뒤 조직 안에서는 흥미로운 사용 양상이 나타났습니다. 갓 입사한 신입이나 주니어 개발자들은 별다른 거부감 없이 인공지능 도구를 일상적으로 받아들였습니다. 하지만 도구를 가장 능숙하게 활용해 높은 성과를 낸 쪽은 오히려 시니어 엔지니어들이었습니다.

인공지능 에이전트를 다루는 과정이 관리자가 주니어 팀원에게 업무를 위임하는 방식과 정확히 같았기 때문입니다. 에이전트는 알아서 모든 것을 척척 해내는 마법 지팡이가 아닙니다. 배경 맥락을 충분히 설명해 주고, 해야 할 일의 범위를 명확히 쪼개어 전달해야 제 몫을 합니다. 사람을 지도하고 업무를 배분해 본 경험이 풍부한 시니어일수록 에이전트에게 정교한 지시를 내릴 수 있었습니다.

최고기술책임자는 구성원들의 도구 활용도를 직접 챙겼습니다. 사용 현황을 확인하는 대시보드를 손수 만들고, 활용도가 낮은 엔지니어에게 Slack 메시지를 보내 “어떤 점이 마음에 안 드는지 말해 주세요”라며 불편한 점을 물었습니다. 현장의 장벽을 하나씩 없애기 위한 노력이었습니다.

Linktree는 지금은 도구를 얼마나 자주 쓰는지 같은 입력 지표를 점검하고 있지만, 3~6개월 안에 결과 중심 지표로 관점을 바꿀 계획입니다. 코드를 합친 뒤 발생하는 버그 발생률, 서비스 장애율, 그리고 프로젝트 관리 도구인 Linear를 기준으로 스프린트 주기마다 완료한 작업 범위 같은 실질적인 성과를 측정할 예정입니다.

고객 지원과 콘텐츠 검수에서 거둔 비용 절감

인공지능을 통한 효율화는 개발팀 밖에서도 일어났습니다. 대표적인 곳이 고객 지원과 콘텐츠 검수 업무입니다.

매주 8만 명의 신규 사용자가 들어오는 상황에서 기존 인력만으로는 쏟아지는 문의를 감당하기 어려웠습니다. Linktree는 Fin, Decagon 같은 여러 고객 지원 인공지능 솔루션을 비교 검토한 끝에 세밀한 규칙 설정이 가능한 Lorikeet을 도입했습니다. Lorikeet은 상담 규칙을 정밀하게 통제할 수 있을 뿐만 아니라, 기존 사내 시스템과 깊숙이 연결해 유연하게 맞춤 구성할 수 있다는 점에서 최종 채택되었습니다. 그 결과 현재 전체 고객 지원 문의의 50%를 인공지능이 사람의 개입 없이 스스로 해결하고 있습니다. 회사는 고객 지원 담당자를 추가로 채용하지 않고도 폭증하는 가입자를 소화하고 있으며, 2025년 말까지 자동 해결 비율을 75%까지 끌어올리는 것을 목표로 삼고 있습니다.

고객 지원 티켓 AI 해결 비율

7,000만 개에 달하는 사용자 프로필을 유해 콘텐츠로부터 보호하는 검수 파이프라인도 전면 개편했습니다. 과거에 쓰던 선형 회귀 통계 모델은 정확도가 70%대 중반이었습니다. 그렇다고 성능이 뛰어난 최신 대형 언어 모델을 그대로 쓰자니 성인물 분류기 하나로 모든 링크를 자동 분류하는 데만 지난해 52만 달러가 들었습니다.

Linktree는 크고 비싼 모델 대신 가볍고 빠른 Gemini 2.0 Flash로 분류 파이프라인을 교체했습니다. 이 결정으로 연간 검수 비용은 52만 달러에서 2만 달러로 줄어들었습니다. 기존 비용의 25분의 1로 줄어든, 96% 절감에 해당하는 성과였습니다. 비용을 대폭 아끼면서도 검수의 정밀도와 재현율은 80%대 후반에서 90%대 초반을 안정적으로 유지했습니다. 무조건 거대한 최신 모델을 고집하기보다 작업 목적에 맞는 경량 고효율 모델을 선택해 비용 효율을 극대화한 셈입니다.

성인물 분류기 연간 비용 비교

기획서 대신 프롬프트를 건네는 제품 개발

제품을 기획하고 디자인하는 과정도 이전과 달라졌습니다. Linktree에서는 “프롬프트가 새로운 제품 요구사항 문서(PRD)다”라는 말이 자연스럽게 쓰입니다. 문서를 작성해 개발팀에 넘기는 대신, 기획자와 디자이너가 Lovable이나 Figma Make 같은 도구로 직접 작동하는 시제품을 만듭니다. 최고경영자인 Alex Zaccaria 역시 새로운 가격 체계나 패키지 모델을 구상할 때 Figma Make를 열어 직접 화면을 구성하고 시제품을 만듭니다.

이 과정은 화면 설계를 실제 서비스 코드로 빠르게 이어 주는 다리가 되었습니다. 기획자가 시제품 제작 도구와 주고받은 대화 기록을 하나의 정돈된 설계 프롬프트로 추려 낸 뒤, 이를 내부 코드 저장소와 연결된 Cursor나 Devin에 전달하는 방식입니다. 기획자나 디자이너가 도구와 나눈 수십 차례의 대화에서 최종 화면 상태와 구성 요소의 계층 구조, 동작에 따른 상태 변화 규칙만 골라내 구조화된 마크다운 명세서로 압축했을 것입니다. 실제 구현에서는 이 프롬프트가 Linktree의 디자인 시스템 규격과 GraphQL 엔드포인트를 참조하도록 안내되었을 것입니다. 이 공용 디자인 시스템은 색상과 여백 같은 기본 시각 규칙을 정의한 디자인 토큰과 React 컴포넌트 라이브러리로 이루어져 있었을 것입니다. 복잡한 개발 도구를 만지지 않고도 서비스 표준에 맞는 초기 코드 변경 요청이 손쉽게 완성되었을 것입니다.

Farnaz Azmoodeh 최고기술책임자는 이와 같은 제약 기반의 확장이 가져온 변화를 이렇게 요약했습니다. “그런 제약을 스스로 만들면 비효율을 메우려 사람을 더 뽑는 대신, 밑바탕에 있는 시스템을 고치고 산출물을 끌어올리게 됩니다.”

채용의 관성을 멈출 때 열리는 길

Linktree의 사례는 회사가 성장할 때마다 인력을 선형적으로 늘려야 한다는 고정관념을 되돌아보게 합니다. 200명 미만의 조직으로 7,000만 사용자를 지원하고 마켓플레이스로 사업을 확장할 수 있었던 비결은 값비싼 도구를 많이 사들였기 때문이 아닙니다.

오히려 인공지능이 일할 수 있도록 낡은 시스템의 기술 부채를 먼저 치우고, 사람 관리자처럼 에이전트에게 명확한 맥락과 작업 범위를 쥐어 주었기 때문에 가능했습니다. 유해 콘텐츠 검수에서 보듯 무거운 최신 모델 대신 목적에 맞는 고효율 모델을 골라 비용을 25분의 1로 줄인 선택 역시 철저한 실용주의에서 비롯되었습니다.

인공지능 도입을 고민하는 기업에게 필요한 것은 단순히 새로운 도구를 설치하는 일이 아닙니다. 우리 조직의 데이터 규약과 업무 흐름이 인공지능이 읽을 수 있을 만큼 명확한지, 그리고 비효율을 메우기 위해 습관적으로 사람을 더 뽑으려 하지는 않는지 돌아보는 일이 먼저입니다. 확장의 기준을 인력의 크기가 아니라 시스템의 단단함에 둘 때, 적은 인원으로도 더 큰 시장을 감당할 수 있는 힘이 생깁니다.

---

출처

First Round Applied Intelligence — Scale Smarter, Not Bigger: How Linktree is Using AI to Accelerate — https://www.firstround.com/ai/linktree — 2025-08-28