“코드를 작성하는 것은 문제가 아니었습니다. 기존 시스템과 한 줄 단위로 일치한다는 것을 증명하는 것이 문제였습니다.” 이번 사례에서 가장 와닿았던 문장입니다.
미국의 농작물 보험 회사인 ProAg(도쿄해상HCC 그룹)는 견적, 보험금 청구, 계약 관리의 대부분을 Windows 전용의 .NET Framework군으로 운영해 왔습니다. 10년 이상 쌓여온 업무 로직을 클라우드로 이전할 계획이었으나, 사내 팀이 하나의 업무 프로세스를 이전하는 데 6개월 이상이 걸리고 있었습니다. 프로세스가 수백 개에 달하기 때문에 그대로 진행한다면 수년이 걸리는 상황이었습니다.
이에 외부 파트너와 협력하여 AI 에이전트를 이용해 ‘가장 복잡한 프로세스 중 하나’를 이전하는 작업을 수행했고, 약 5주 만에 기존 시스템과 출력이 100% 일치하는 버전으로 전환했다는 공개 사례입니다.
- 이전 대상: 온프레미스의 .NET Framework 4.8 (Windows 전용 라이브러리 의존성 포함)
- 이전 목표: .NET 8 (고객 코멘트 기준), 컨테이너화하여 AWS EKS에서 구동
- 대상 범위: 수백 개의 업무 프로세스 중 복잡도가 높고 업무 가치가 높은 단일 프로세스(복잡한 양식 PDF 생성의 이관 포함)
- 기간: 약 5주 (기존 대비 1프로세스당 6개월 이상 소요)
- 효과: 사내 기준선 대비 약 3~5배 빠르고 저렴함. ProAg 측은 “사내 팀 시간의 5분의 1”이라고 코멘트했습니다.
- 품질: 모든 테스트에서 기존 시스템과 출력이 일치 (100% data match)
주의할 점으로, 공개된 기사 자체에서도 “상용 배포가 가능하다는 것을 의미하지 않으며, 추가적인 하드닝(hardening)이 필요하다”고 명시하고 있습니다. 이 부분은 과장 없이 읽어야 합니다.
PoC(Proof of Concept)에서 흔히 발생하는 패턴 중 하나는 성공하기 쉬운 작은 처리를 골라 “AI 덕분에 빨라졌다”고 보고하는 경우입니다. 하지만 이 사례는 그 반대였습니다. 즉, “우리가 정말로 처리해야 하는 업무에 이 방법이 통할지”를 확인하기 위해 의도적으로 난이도가 높은 프로세스를 선택했습니다.
경영진에게 설명할 때도 간단한 처리에 성공하면 “그럼 본체(핵심)는요?”라는 질문을 받고 끝나는 경우가 많습니다. 첫 번째 작업은 어려운 것을 고르는 것이 첫 번째 교훈입니다.
농작물 보험업은 미국에서 규제가 매우 엄격하기 때문에, 규제 대상 코드나 데이터를 외부 AI 서비스로 전송할 수 없습니다. 이에 따라 Claude를 Amazon Bedrock을 경유하여 ProAg 자체의 AWS 계정 내부에서 호출하는 구성을 채택했습니다. 모든 모델 호출이 기존 통제 하에 있는 환경 내에서 완결됩니다.
한국의 금융 및 공공기관에서도 “소스 코드를 외부로 나갈 수 없다”는 것이 고질적인 벽입니다. 모델 선정보다 먼저 “추론을 어떤 계정/어떤 폐쇄 영역(closed domain)에서 구동할지”를 결정해 두면 보안 심사가 한결 빠르게 진행됩니다.
코드에 손대기 전에, 에이전트를 이용해 2단계의 문서화 작업을 수행했습니다.
- 주변 시스템 전체를 간략하게 스캔하여 문맥(context)을 수집합니다.
- 대상 코드를 깊이 파고들어 클래스, 저장 프로시저(stored procedure), 데이터 스토어, 피처 플래그 간의 관계를 도출합니다.
나아가 관련 리포지토리와 사내 엔지니어가 과거에 이관했던 프로세스의 패턴도 함께 반영했습니다. 1주차 말에는 의존성 ‘온톨로지 그래프(ontology graph)’가 완성되었고, 이를 업무 전문가(SME: Subject Matter Expert)가 검토하여 정확성을 확인하는 과정이 있었습니다. 여기가 첫 번째 인간 게이트입니다.
다음으로 다른 에이전트가 아키텍처 판단, 라이브러리 대체, 테스트 하네스(test harness)를 포함한 이관 계획을 작성했습니다. 입력값은 3단계의 그래프와 ProAg가 원래 결정했던 이전 목표 아키텍처였습니다.
계획 단계에서 “그대로 옮길 수 없는 부품”을 파악하여, 사내에 이미 사용 중인 대체품으로 교체할 것인지, 아니면 재작성해야 할 것인지를 분류했습니다. Windows 전용 라이브러리 의존성은 .NET 이관의 전형적인 걸림돌이므로, 이를 초기에 시각화하는 것은 모방할 가치가 있습니다.
대상 프로세스를 “데이터 획득 → 필터링 → 계산 처리 → 양식 작성”의 4단계로 분해하고, 각 단계를 순차적으로 이전했습니다. 각 경계 지점마다 구 버전과 신 버전을 동일한 입력으로 실행하여 전용 검증 프레임워크를 통해 출력 일치를 확인할 때까지 다음 단계로 넘어가지 않았습니다.
핵심은 검증 하네스를 ‘이전 이후’가 아니라 ‘이전과 병행하여’, 게다가 독립적인 산출물로 만들었다는 점입니다. 처음과 끝만 비교하면, 오차의 원인이 어느 단계에 있는지 알 수 없습니다. 경계(boundary)별로 비교하기 때문에 AI의 잘못된 변환을 빠르게 국소화할 수 있습니다.
모든 단계가 완료된 후에는, 실제 운영 환경을 모방한 동일 입력으로 신구 버전을 병렬 실행하고 출력을 필드 단위로 비교했습니다. 모든 필드가 일치했고, 그 필드별 차이점 보고서(diff report)를 ProAg가 공식 기록으로 보관했습니다. 규제 산업에서는 이 ‘증적(audit trail)’이 다음 승인을 얻는 중요한 자료가 됩니다.
- 첫 번째는 난이도가 높은 프로세스를 선택하여 성공의 신뢰성을 확보하는 것
- 추론 환경(자사 클라우드 계정 내부 등)을 먼저 확립하여 코드 추출에 대한 논쟁을 종결시키는 것
- 1주차에는 '의존 관계 지도(Dependency Map)'를 만들고 전문가 리뷰에 활용하는 것
- 프로세스를 단계별로 나누고, 경계마다 신규/기존 출력을 자동 비교하는 게이트(checkpoint)를 설정하는 것
- 검증 하네스(Verification Harness), 문서화 절차, 에이전트 템플릿을 남겨서 두 번째 사례부터는 속도를 높이는 것
본문에서는 이러한 구성 요소들이 일회용이 아니라 나머지 프로세스에 그대로 사용될 수 있으며, 사용할수록 빨라진다고 설명합니다. AI로 변환하는 자체보다도 '일치(Consistency)를 증명하는 메커니즘'을 얼마나 빨리 구축할 수 있느냐가 중요합니다. .NET이든 Java든, 레거시 마이그레이션의 핵심 승부처는 같다는 느낌을 받습니다.
출처