포워드 디플로이드 엔지니어란? 팩토리 CTO가 설명한 AI 에이전트 도입 실무와 코드베이스 준비도

핵심 메시지

• 포워드 디플로이드 엔지니어(FDE)는 팔란티어가 개척한 직군으로, 지금은 오픈AI·앤스로픽·구글 딥마인드 같은 회사들이 대규모로 채용하고 있다.
• 팩토리는 고객사를 대신해 컨설팅성 작업을 해주는 대신, 디플로이드 엔지니어를 '제품의 창끝'으로 두고 현장에서 얻은 정보를 곧바로 제품 개선에 반영한다.
• '소프트웨어 공장'은 외부 신호가 들어와 계획·코드 변경·검증을 거쳐 배포되고 다시 신호를 만들어내는 순환 구조를 AI로 자동화한 것이다.
• 에이전트가 오래, 어려운 일을 해낼 수 있는지는 모델 성능이 아니라 코드베이스에 결정론적 검증 루프가 얼마나 촘촘히 깔려 있는지에 달려 있다.
• 사람의 역할은 사라지지 않고 한 단계 올라간다. 소프트웨어를 직접 고치는 대신 소프트웨어를 만들어내는 시스템을 설계하고 관리하게 된다.

쉽게 이해하기

AI 엔지니어 컨퍼런스의 '포워드 디플로이드 엔지니어링' 트랙에 팩토리(Factory)의 공동창업자이자 CTO인 에노 레예스가 연사로 나섰다. 팩토리는 기업용 자율 소프트웨어 엔지니어링 에이전트를 만드는 회사이고, 그는 이전에 허깅페이스와 마이크로소프트에서 머신러닝과 소프트웨어 엔지니어링 일을 했다. 진행자는 이 직군이 원래 팔란티어가 개척한 방식이며, 지금은 오픈AI·앤스로픽·구글 딥마인드 같은 회사들이 큰 규모의 팀을 꾸리고 있다고 소개했다.

레예스는 이 역할의 정의가 회사마다 제각각이라고 지적했다. 고객을 대신해 전문 용역을 수행하는 곳도 있고, 고객사마다 제품을 뜯어고치는 곳도 있다. 팩토리는 그중 용역 모델을 명시적으로 거부한다. 고객이 대규모 코드베이스 현대화 작업을 대신 해달라고 요청해도, 자사 제품을 쓰면서 그 일을 해주는 것이 제품을 더 좋게 만들지 않고 사업을 크게 확장시키지도 않는다고 보기 때문이다. 대신 디플로이드 엔지니어를 가장 크고 중요한 고객사의 현장 정보가 제품으로 흘러드는 통로로 정의한다.

발표의 중심 개념은 '소프트웨어 공장'이다. 모든 조직에는 외부 신호가 들어오는 흐름이 있다. 고객과의 대화, 버그 리포트, 사내 메신저 대화, 경영진의 결정 같은 것들이다. 사람들은 이 신호를 분류하고 우선순위를 매겨 계획으로 바꾸고, 개발자가 그 계획을 코드베이스의 변경으로 옮긴다. 변경은 코드 리뷰, QA, 보안 검토, 정적 분석 도구와 린터·타입 체커 같은 자동 검증을 통과한 뒤 배포되고, 배포되어 모니터링되는 소프트웨어는 다시 새로운 신호를 만들어낸다. 레예스는 이 순환이 대부분의 조직에서 제대로 계측되지 않고 있다고 말한다.

각 단계를 AI로 바꾸면 신호에서 배포까지 사람이 중간에 끼어들지 않는 흐름이 만들어진다. 다만 그는 이것이 사람이 빠진다는 뜻은 아니라고 못 박았다. 이런 공장은 손가락을 튕긴다고 생기지 않고 조직의 투자가 필요하며, 그래서 '사는 것이 아니라 짓는 것'이라고 표현한다. 팩토리가 제공하는 것은 그 재료에 해당하는 모델 독립적인 에이전트 하네스(드로이드)와 기업용 통제 기능이다. 특정 모델 제공사에 묶이면 비용도 문제지만 무엇을 만들 수 있는지를 남이 정하게 되고, 공장을 흐르는 데이터와 실행 기록을 소유하지 못하면 나중에 확장할 때 곤란해진다는 것이 그의 논지다. 금융·의료·정부처럼 보안이 엄격한 환경에서는 외부와 완전히 차단한 상태로 운영하는 고객도 있다고 소개했다.

가장 실용적인 대목은 '에이전트 준비도(agent readiness)'였다. 그는 이것을 코드베이스 안에 결정론적 검증 루프가 얼마나 많이 존재하는지를 재는 척도라고 정의한다. 린터, 타입 체커, 보안 스캔, 통과 여부가 분명한 종단 테스트처럼 결과가 참·거짓으로 떨어지는 장치들이다. 이런 피드백 루프가 많을수록 에이전트는 사람의 개입 없이 더 오래, 더 복잡한 작업을 수행할 수 있다. 팩토리의 도구로 점검하면 30~40% 정도는 클릭 한 번으로 고칠 수 있는 쉬운 항목이지만, 나머지 60%가량은 개발자들이 일하는 방식 자체를 바꿔야 해서 사람의 습관과 자동화의 까다로움 사이를 조율하는 작업이 필요하다고 했다.

주요 인사이트

• 에이전트의 성능 상한은 검증 가능성이 정한다. 레예스는 장시간 실행되는 하네스의 결과 품질이 그 일을 검증할 수 있는 정도에 정비례한다고 말했다. 문제를 '무엇을 통과하면 끝인가'로 다시 쓸 수 있다면 오늘의 AI로도 풀 수 있다는 것이다.
• 이 주장은 모델 학습 방식과도 맞물린다. 모델은 후속 학습 단계에서 촘촘한 보상을 받아야 장기 목표를 향해 궤도를 유지하는데, 코드베이스의 검증 신호가 바로 그 보상 역할을 한다는 설명이다.
• 팩토리는 '미션'이라는 기능으로 계획 단계 외에는 사람이 개입하지 않는 장시간 작업을 돌린다. 3천만~5천만 줄 이상의 코드베이스 이관, 바이오·헬스케어 분야의 딥러닝 작업, 금융권의 주식 리서치 최적화 같은 사례를 들었다.
• 자율화가 먼저 도달하는 곳은 규모가 큰 시스템이 아니라 범위가 좁고 통제된 내부 도구다. 팩토리의 법무 워크플로는 사실상 100% 자동으로 유지되는 반면, 터미널 기반 하네스의 화면 깜빡임처럼 시각적으로만 판별되는 문제는 검증기를 만들기 어려워 아직 루프를 닫지 못했다고 한다.
• 이 일에 맞는 사람으로는 창업 경험자, 기술과 비즈니스 양쪽 언어를 구사하는 커뮤니케이터, 그리고 조직 전체의 흐름을 설계하는 시스템 사고형을 꼽았다. 개발자 경험(DevEx)을 다뤄본 사람이나 빠르게 기술을 익히는 프로덕트 매니저도 적응이 빠른 편이라고 덧붙였다.

자주 묻는 질문

관련 AI 소식