우버는 어떻게 2만 1천 시간을 절약하는 AI 에이전트를 만들었을까?

우버는 매일 3천 3백만 건의 운행을 처리하는 거대 기업입니다. 이 거대한 운영은 수억 줄에 달하는 방대한 코드베이스를 기반으로 합니다. 우버 개발 플랫폼 팀의 주요 임무는 5천 명이 넘는 개발자들이 이 코드를 효율적으로 다루도록 지원하는 것입니다.

우버는 개발자의 반복적이고 고된 작업을 줄여 생산성을 획기적으로 높이고자 AI 개발 도구를 도입했습니다. 이 도구들은 LangGraph라는 AI 에이전트 프레임워크를 기반으로 구축되었으며, 개발 워크플로우를 혁신적으로 개선했습니다.

 

핵심을 관통하는 세 가지 AI 도구 도입 전략

우버의 AI 개발 도구 도입 전략은 매우 명확한 세 가지 축을 중심으로 움직입니다.

첫째, 개발자의 일상 업무를 직접 개선하는 제품에 집중합니다.
새로운 기능 개발 후 테스트 코드 작성, 코드 리뷰같이 수동으로 처리하기 지루하거나 힘든 작업을 AI로 자동화하는 것을 목표로 합니다. AI를 이용해 개발자들의 불필요한 노력을 없앱니다.

둘째, 공통 핵심 모듈을 구축하여 재사용성을 높입니다.
이 모듈은 마치 모든 AI 서비스의 기초가 되는 ‘공통 부품’과 같습니다. 우버는 LangChain이나 LangGraph 같은 범용 프레임워크를 우버 시스템 환경에 맞게 최적화하여 LangEffect라는 자체 프레임워크를 만들었습니다. 이 프레임워크에는 에이전트의 상태를 관리하거나 여러 작업을 동시에 처리하는 데 필수적인 기능이 포함됩니다. 개발팀은 이 공통 부품을 활용하여 반복 작업을 줄이고 더 빠르고 일관된 품질로 새로운 AI 에이전트를 개발합니다.

셋째, 의도적인 기술 공유를 통해 핵심 기능을 전파합니다.
이는 성공적으로 개발된 초기 제품에서 재사용 가능한 핵심 기능을 찾아내 독립된 모듈로 만들어 다른 팀이 쉽게 활용하도록 공유하는 전략입니다. 우버는 Validator나 AutoCover 같은 첫 제품을 만든 후, 그 안에 포함된 핵심 로직을 분리해 독립적인 전문 AI 비서(Agent)로 만듭니다.

예를 들어, 빌드 시스템과 상호작용하는 기능을 빌드 시스템 AI 비서로 추출하여 공유하는 것입니다. 이 전략은 새로운 AI 문제 해결의 진입 장벽을 최소화하여 전사적인 AI 개발 속도를 획기적으로 높였습니다.

 

핵심 서비스: Validator와 AutoCover의 활약

Validator: IDE에서 실시간으로 코드 품질을 점검합니다.

Validator는 AI 비서 기반의 코드 품질 관리 도구입니다. 이 도구는 개발자가 코드를 작성하는 IDE(통합 개발 환경) 내에서 백그라운드로 작동합니다. 우버의 모범 사례 위반이나 보안 취약점을 실시간으로 감지하여 경고합니다. 이 AI 비서는 언어 모델(LLM) 기반의 비서뿐 아니라, 정적 코드 분석 도구 같은 결정론적 도구의 정보를 함께 활용하여 신뢰할 수 있는 진단 결과를 제공합니다. 개발자는 Validator가 제안한 수정 사항을 즉시 적용하거나, AI 비서에게 수정을 요청할 수 있습니다.

AutoCover: 테스트 코드를 자동으로 만들어 개발 시간을 절약합니다.

이 도구는 개발자가 고품질의 테스트 코드를 빠르게 확보하고, 비즈니스 로직 구현에 집중하도록 돕습니다. AutoCover는 고도로 전문화된 도메인 전문가 AI 비서들로 구성된 워크플로우 그래프입니다. Scaffolder 비서는 테스트 환경을 준비하고, Generator는 새로운 테스트 케이스를 생성합니다. Executor는 빌드와 테스트를 실행하여 코드 커버리지를 확인합니다. 특히 AutoCover는 이미 개발된 Validator AI 비서를 재사용하여 생성된 테스트 코드의 품질까지 검증합니다.

 

결론: 2만 1천 개발 시간 절약의 비밀

AutoCover는 성능 극대화를 위해 워크플로우 그래프를 초고속으로 가동합니다. 사람이 개입하지 않기 때문에, 수백 번의 코드 생성 및 테스트 실행을 동시에 처리할 수 있습니다. 이러한 속도 향상과 맞춤형 AI 비서 덕분에, AutoCover는 다른 업계 테스트 생성 도구보다 2~3배 높은 커버리지를 절반의 시간 만에 달성했습니다. 결과적으로 우버 개발 플랫폼의 코드 커버리지는 약 10% 증가했으며, 이는 수치상 2만 1천 개발 시간 절약이라는 놀라운 성과로 이어졌습니다.

 

조직 전체의 혁신을 이끈 두 가지 전략적 교훈

우버는 AI 비서 도입 과정에서 기술적인 성공 외에 조직 전체의 효율을 높이는 전략적 교훈도 얻었습니다.

첫째, 핵심 로직의 캡슐화는 팀 간 협업을 강화합니다.
LangGraph를 사용한 캡슐화(복잡한 기능을 잘 포장하는 것) 덕분에 복잡한 AI 로직이 이해하기 쉬운 노드(작업 단위)로 분리되었습니다. 이로 인해 보안 팀은 AI 비서 개발 지식이 전혀 없어도 Validator에 필요한 보안 규칙을 쉽게 추가할 수 있었습니다. 즉, 기술적 복잡성을 숨겨 전문가들의 협력 장벽을 낮추는 결과를 가져왔습니다.

둘째, 워크플로우 그래프 분석은 기존 시스템의 비효율성까지 개선합니다.
AI 비서의 워크플로우를 그래프로 모델링하는 과정은 기존 개발 프로세스의 비효율성을 명확하게 드러냈습니다. AutoCover를 개발하면서 Mock 생성, 빌드 파일 수정 등 수동 작업에 병목 현상이 있다는 것을 발견했습니다. 우버는 이 비효율적인 지점을 AI 비서 최적화와 동시에 개선했습니다. 결국, AI 도입은 자동화뿐만 아니라 기존 시스템과 프로세스 자체의 개선을 촉진하는 역할을 수행한 것입니다.

 

출처: LangChain 유튜브