개발자들은 AI를 알고 있었지만 업무에서는 사용할 수 없었습니다
외부 생성형 AI와 공개 코딩 도구에 소스 코드, 내부 문서, 프롬프트나 민감한 맥락을 전송하는 것은 금지되어 있었습니다. 상용 조직이 AI로 코드 탐색, 테스트, 오류 추적과 리팩터링을 가속하는 동안 내부 개발자는 같은 일을 수동으로 수행했습니다.
문제는 AI에 대한 의지가 아니라 허용 가능한 배포 모델의 부재였습니다
요구사항은 분명했습니다. 소스와 프롬프트가 외부로 나가지 않고, 추론이 외부 SaaS에 의존하지 않으며, 신원·정책·모델·실행·증거가 모두 기관 내부에 남아야 했습니다. 단순한 로컬 UI와 외부 모델 연결로는 충족할 수 없었습니다.
보안 요구를 낮추지 않고 AI의 배포 위치를 바꿨습니다
Patty는 코딩 에이전트만 설치한 것이 아니라 모델 서빙, 통제 평면과 실행 경로를 내부 인프라에 함께 배치했습니다. 여러 개발자가 동시에 사용할 수 있도록 추론 요청을 내부 GPU 자원에 분산했습니다.
“AI를 쓸 수 없다”에서 “통제 환경 안에서는 쓸 수 있다”로 바뀌었습니다
Patty Code는 개발자 인터페이스가 되었고 PCCP는 사용자 신원, 승인 모델, 저장소와 도구 권한, 민감 문맥, 추론 라우팅, 승인과 감사 증거를 통제했습니다. 소스와 프롬프트는 외부 네트워크로 전송되지 않았습니다.
구현 과정
1단계 · 온프레미스 AI 개발 환경
내부 GPU 인프라에 모델 서빙을 분산하고 Patty Code 요청이 PCCP 정책을 통과하도록 구성했습니다. 초기 자동화 범위는 보수적으로 제한하고 실제 기록을 바탕으로 확장했습니다.
2단계 · 장기 작업의 협업 맥락
개발자, 보안 검토자, 아키텍처 담당자와 에이전트가 Crew에서 같은 프로젝트 맥락을 공유했습니다. AI 활동은 개인 개발자 뒤의 보이지 않는 도구가 아니라 식별 가능한 참여자로 남았습니다.
3단계 · 전문 에이전트와 GPU 자원 운영
코드 분석, 테스트, 문서화, 취약점 분류, 의존성 검토, 릴리스 검증과 레거시 분석 에이전트가 15–20개로 늘자 Pilot에서 책임, 승인, 에스컬레이션과 자원 한도를 관리했습니다.
관찰된 변화
- 약 70명
- 새롭게 승인된 AI를 사용할 수 있게 된 기술 인력기존 승인 접근은 사실상 0
- 5–7× 근접
- 선별된 AI 적합 업무의 처리율전사 생산성이 아닌 코드 이해·테스트·반복 변경 등 수동 기준 비교
- 1시간 내외
- 낯선 코드베이스의 첫 유용한 이해이전에는 하루 대부분이 필요한 일부 사례
- 15–20개
- 운영 단계의 전문 에이전트책임과 GPU 자원 한도를 함께 관리
가장 어려운 일은 엔지니어를 설득하는 것이 아니었습니다
보안 팀은 정보가 이동할 수 있는 모든 경로를 이해해야 했고 인프라 팀은 동시 사용 시 모델 서빙의 신뢰성을 확보해야 했습니다. 자동 실행과 인간 승인의 경계도 실제 사용 기록을 보며 단계적으로 조정했습니다.
가장 큰 효과는 코드 생성만이 아니라 기존 시스템을 이해하는 데서 나왔습니다
낯선 코드 읽기, 의존성 추적, 오래된 논리 재구성, 테스트 준비와 반복 리팩터링이 큰 차이를 만든 업무였습니다. 에이전트 수가 늘어난 뒤에는 API 비용보다 공유 GPU 용량이 희소 자원이 되었고 부서별 자원 경계가 운영 문제로 등장했습니다.
근거와 공개 범위
고객 보고 및 운영 관찰. 5–7배 수치는 전사 생산성이 아니라 선별된 AI 적합 업무에서 기존 수동 절차와 비교한 근사 범위입니다.
기관, 시스템과 보안 구성을 식별할 수 있는 정보는 공개하지 않았습니다. 직접 고객 인용 없이 승인 가능한 범위의 운영 사실을 재구성했습니다.