설치가 어려워서가 아닙니다 — 공식 페이지 접속, 또는 유튜브 영상 한 편이면 오늘 이 자리에 계신 누구나 바로 출발선에 설 수 있습니다
오프닝00
강사 소개
AI 엔지니어가 아닙니다 — 우리 회사의 흔한 업무를 해오던 개발자 다만 지금은, 코드 한 줄도 직접 쓰지 않습니다
백은비 · 혁신기술개발팀
기술개발사업부 · 2009년 입사
🧪 AI에게 어디까지 맡길 것인가 — 한계 탐색 중
기술연구소
기술지원 사내·외부교육
연금보험
AML 구축(SI) → 퇴직연금 운영(SM)
캐피탈
차세대 정산(SI) → 대출정산 운영(SM)
기업은행
방카슈랑스 노란우산(SM)
현재
혁신기술개발팀 FPMate 솔루션
솔루션 개발 + 아웃바운드 영업·마케팅 · 잠재 고객 발굴 · 시연 응대
낯선 외부 공공기관 고객의 니즈 → 즉시 동작하는 서비스로
오프닝00
금융 IT 현장에서의 생성형 AI 활용과 관점
"할 수 있다 / 없다"의 문제가 아니라 — 무엇을, 어떻게, 어떤 관점으로 가져올 것인가
1바이브코딩 3요소2무엇에 집중3진짜 허들4금융권 동향5실전 시연
개념부터 잡고 — 금융권 동향은 후반에서, 실전 시연은 휴식 후 함께 봅니다
PART 1 · 3요소00
바이브코딩 — 도입을 위한 3요소
🧠
모델 성능
🧩
컨텍스트 + 하네스
🔍
검증할 줄 아는 사람
PART 1 · 3요소00
바이브코딩, 도대체 뭘까?
'어떻게 짤까'가 아니라 '무엇을 만들까' —
업무 의도를 정확히 말하면, AI가 코드로 옮긴다
"원하는 것을 말로 설명하면, AI가 코드로 만들어주는 개발 방식"
Andrej Karpathy(前 Tesla AI 총괄)가 2025년 2월 처음 사용한 용어 "직접 코드 작성 없이, 자연어로 의도 전달 → AI 구현"
💬
말로 설명
"이런 기능이 필요해"
→
🤖
AI 생성
코드 생성 · 수정 · 실행
→
👤
사람이 검증
의도 부합 여부 확인
핵심은 코딩 실력이 아님
무엇을 만들어야 하는지 아는 것 — 업무를 이해하고, 요건을 구조화하는 능력이 핵심
—00
바이브코딩을 실전 업무에 도입하기 위한 첫번째 요소 — 모델 성능
PART 1 · 3요소00
생.성.형.AI — 우리가 원래 쓰던 AI랑 뭐가 다르길래?
여러분이 떠올리는 "AI"는 대부분 ChatGPT 같은 생성형 AI.
그런데 — 금융권의 AI 활용은 이미 20년 전부터2.
AI · 인공지능
ML · 머신러닝
생성형 AI
ChatGPT · Claude · Gemini (2022년~)
신용평가 모델
이상거래탐지 (FDS)
신분증 OCR · 얼굴인식
고객 이탈 · 연체 예측
01
만들어낸다 — 예측이 아닌 창작
기존 AI — 예측·분류·탐지 (신용평가·FDS·OCR) 생성형 AI — 글·이미지·코드를 직접 생성
02
누구나 자연어로 시킨다
기존 AI — 데이터 사이언티스트·모델 학습 필요 생성형 AI — "~해줘" 한 줄 프롬프트 → 전문가 도구가 모든 직무로
03
한 모델로 다양한 일
기존 AI — 작업마다 별도 모델 생성형 AI — 하나의 LLM이 글·코드·요약·번역 동시에
💡 기억할 점"AI 도입"이라고 할 때 어떤 종류의 AI인지부터 따져봐야 함 — 인프라·예산·규제가 완전히 다르기 때문
📎 SOURCE
1학계Russell, S. & Norvig, P. 『Artificial Intelligence: A Modern Approach』 4th ed., Pearson (2020) — AI 표준 교과서의 정의 체계
2금융권한국신용정보원 『금융 AI 시장 전망과 활용 현황: 은행권을 중심으로』 (2022) ↗
PART 1 · 3요소00
생성형 AI의 가파른 진화 — AI가 '대답하는 도구'에서 '일하는 동료'로까지
2022년 ChatGPT는 물어보면 답해주는 AI(LLM)였다면,
지금은 시키면 스스로 일하는 AI(Agent)2 단계로 넘어옴
⚡ 체감 속도 — 최상위 모델이 한 달 단위로 세대교체 (점점 빨라짐)
Opus 4.7 (4월) ─41일─▶
Opus 4.8 (5.28) ─12일─▶ Fable 5(6.9 · Opus 위 Mythos급)
YESTERDAY · 2022~2023
대화형 AI · LLM
Large Language Model — 대규모 텍스트로 학습한 질의-응답 AI
👤 사용자
"대출 연장 처리 절차 알려줘"
🤖 AI
"대출 연장은 다음과 같은 절차로…" (설명 답변)
→ 사람이 읽고 직접 처리해야 함
2~3년
TODAY · 2024~2026
AI 에이전트 · AI Agent
LLM + 도구 사용 + 자율적 계획·실행을 갖춘 AI
👤 사용자
"이 고객 대출 연장 처리해놔"
🤖 Agent
✓ 내규 검토 → ✓ 한도 조회 → ✓ 서류 작성 → ✓ 전자결재 초안 등록
→ AI가 여러 단계를 스스로 실행
💡 실제 사례우리은행이 2026년 3월 금융권 최초로 도입한 AI 에이전트 175개1 —
심사·상담·내부통제 영역에서 '묻고 답하는 AI'가 아닌 '일하고 해결하는 AI'로 옮겨가는 중
📎 SOURCE
1사례이지경제 「우리은행, AI와 동료 된다…금융권 최초 AI 에이전트 175개 도입」 (2026.3.7) ↗
2개념Anthropic 『Building Effective Agents』 공식 엔지니어링 가이드 (2024.12) ↗
PART 1 · 3요소00
이미 충분히 똑똑해진 모델
AI 자체가 이런 업무를 풀 만큼 충분히 똑똑한가? — 2년 만에 비교 불가 수준으로 발달했다
실제 코딩 작업 해결률 — SWE-Bench Verified1
2023
12% — GPT-4
2024
50% — Claude 3.5
2026
75%+ — Opus 4.8
+ Fable 5(2026.6.9) — Opus 위 'Mythos급' 티어 · 코딩 벤치마크 최고(FrontierCode 기준)5· SWE-bench Verified 공식 수치 미공개라 막대 생략
🔬 단적 증거 — Project Glasswing ✓ 2026.5 검증2
Anthropic이 "너무 위험해 일반 공개를 제한"했던 모델(Claude Mythos)로, 모든 주요 OS·브라우저에서 수십 년 묵은 0-day 1만 건 이상을 단독 식별 — AI가 보안 분석에서 인간 전문가를 능가.
🆕 2026.6.9 업데이트 — 그 Mythos급이 안전장치를 달고 'Fable 5'로 일반 공개(Opus 위 신규 티어). 안전장치 풀린 Mythos 5는 사이버 방어기관·인프라 제공자 한정, 글래스윙으로만 제공5
🤝 AWS·Apple·Google·Microsoft·JPMorgan 등 글로벌 빅테크·금융 공동 참여 — 한국도 공식 참여 시작 (KISA·삼성전자·SK하이닉스·SKT, 2026.6)
🇰🇷 나아가 한국 독자 협의체 'K-글래스윙' 이달 출범 — KISIA 주도, 한국산 보안특화 AI 추진4
→ 2년 전과 비교 불가 수준으로 모델이 발달했다
📎 SOURCE
1벤치마크SWE-Bench Verified 공식 leaderboard ↗ · Anthropic·OpenAI 공식 발표 모델 점수 (2023~2026)
2AnthropicAnthropic Project Glasswing — Claude Mythos로 0-day 1만 건+ 식별 (2026.5, 당시 일반 공개 제한) ↗ · CSO Online·Help Net Security 보도
3KISA한국인터넷진흥원 Claude Opus 4.7 모의침투 — 7개 0-day 취약점 확인 (2026.5)
4전자신문전자신문 「[단독] 보안업계 주도 한국판 '글래스윙' 이달 출범 — KISIA 협의체, 박찬암 의장」 (2026.6.4) ↗
5AnthropicAnthropic 「Claude Fable 5 and Claude Mythos 5」 (2026.6.9) — Mythos급 안전판 Fable 5 일반 공개("safe for general use") · Mythos 5는 사이버 방어기관·인프라 제공자 한정(글래스윙·美 정부 협력) ↗
PART 1 · 3요소00
3요소 ① 단적 증거 · 2026.4.7 발표 → 6.9 일반 공개
너무 위험해서 공개 못 한 AI — 두 달 뒤, 안전판 달고 공개
모델 성능이 어디까지 왔는지 단적으로 보여주는 사례 — Anthropic Mythos1. 처음엔 제한 파트너만(초기 11 → 150+, 15개국)2. 그리고 6.9 — 안전장치를 단 Fable 5 일반 공개, 안전장치 풀린 Mythos 5는 사이버 방어기관·인프라 제공자 한정(글래스윙)4.
📅 2026.4.7 발표 / 6.3 15개국 확대 / 6.9 Fable 5 일반 공개
Project Glasswing
0-day 1만 건 이상 발견 → 일반 공개 대신 제한 파트너만 초기 11개 → 50개+ → 15개국 약 150개 기관으로 확대 (2026.6.3)
🤝 LAUNCH 파트너 (50개)
AWS · Apple · Google · Microsoft · NVIDIA …
🏦 JPMorganChase 등 (초기 11개 시점 유일 금융기관)
한국
2026.6.3 · NEW
한국 — Glasswing 공식 참여 시작2
🤝 참여 기관
KISA(한국인터넷진흥원) 정부 차원 참여 삼성전자 · SK하이닉스 · SKT — Claude Mythos 조기 접근 권한 획득2
📈 확대 규모
Anthropic, 참여 대상을 15개국 · 약 150개 기관으로 확대 (2026.6.3)2
한국도 그 안에 — 격전지 진입 본격화
🇰🇷 한 발 더 — 한국 독자 협의체 'K-글래스윙' 이달 출범3
KISIA(정보보호산업협회) 주도 · 의장 박찬암(스틸리언) — 스틸리언·엔키화이트햇·S2W 등 보안기업 + KISA + LG AI연구원·SKT·네이버클라우드·업스테이지 참여. AI 취약점 공동 대응·한국산 보안특화 AI 추진으로, 단순 참여를 넘어 독자 대응 체계 구축
27년
OpenBSD 버그
27년 동안 발견되지 않은 취약점을 단독 식별
16년
FFmpeg 버그
500만 회 퍼징을 통과했던 취약점을 단독 식별
83.1%
CyberGym 점수
직전 최고 모델 Opus 4.6(66.6%)을 크게 상회
🔎 주목할 변화
AI가 수십 년 묵은 버그도 찾아내는 시대 — 그 능력의 안전판(Fable 5)은 누구나, 위험판(Mythos 5)은 방어기관만 쓰는 구도4.
한국도 격전지 안으로 들어가는 중 — 우리 자리에서 무엇을 준비해야 하는가
1Anthropic 「Project Glasswing」 (2026.4.7) — 첫 성과 보고서 0-day 1만 건+ 식별 (2026.5.22) ↗ · Mythos Preview(27년 OpenBSD·16년 FFmpeg) ↗
2매일경제 「앤스로픽 글래스윙 15개국 150곳 확대 — 한국 KISA·삼성전자·SK하이닉스·SKT 미토스 접근 권한 획득」 (2026.6.3) ↗ · 경향신문 셀리토 방한 정부 협의 (2026.5.10) ↗
3전자신문 「[단독] 보안업계 주도 한국판 '글래스윙' 이달 출범 — KISIA AI보안 인텔리전스 협의체, 박찬암 의장」 (2026.6.4) ↗
4Anthropic 「Claude Fable 5 and Claude Mythos 5」 (2026.6.9) — Mythos급(Opus 위 티어) 안전판 Fable 5 일반 공개 · Mythos 5는 "cyberdefenders and infrastructure providers" 한정, 글래스윙·美 정부 협력 제공 ↗
—00
바이브코딩을 실전 업무에 도입하기 위한 두번째 요소 — 컨텍스트 + 하네스
PART 1 · 3요소00
AI 진화의 메커니즘
우리가 줄 컨텍스트 + 하네스
모델은 평준화 — 차이는 '쓰는 법'에서. 무엇을 주고(컨텍스트), 어떤 환경(하네스)에서 쓰는지가 결과를 가른다
"AI를 솔루션 제공자가 아닌 조사 도구로 — 책임은 개발자에게"4
2022~2023
프롬프트1
"어떻게 물을까"
⤷ LLM
2025
컨텍스트2
"어떤 맥락을 줄까"
⤷ RAG
2026
하네스3
"어떤 환경을 줄까"
⤷ Agent
예시 — 같은 요청, AI가 가진 것이 달라진다
AI에게 주는 것
"우리팀 일일점검 화면 만들어줘"
⤷ AI 가진 것 — 학습된 일반 지식만
→ "어떤 점검?" 되묻거나 일반 템플릿 (우리 맥락 0)
AI에게 주는 것
📎 CLAUDE.md 첨부 + "우리팀 일일점검 화면 만들어줘"
⤷ 일반 지식 + 우리 자료(파일·RAG)
→ 영업일·휴일·항목 룰 알고 코드 작성 (코드만 던짐)
AI에게 주는 것
🛠 파일·실행·git 권한 + 위 모든 것
⤷ 위 모든 것 + 실행·저장·커밋 도구
→ 분석→파일생성→실행→커밋까지 자동 (사람은 검증만)
💡 결국 — 구조화할 수 있는 사람이 곧 자동화할 수 있는 사람
영업일·공휴일 규칙 → 영업일 계산 코드 · 점검 체크리스트 → 자동 알림 스크립트 · 보고서 양식 → 자동 생성 — 내가 아는 걸 정확히 주면 AI가 처리한다
"CSV 5개는 NMS·DB·스토리지 모니터링과 배치·변경작업 이력이야. 새벽 일마감 배치가 점점 늦게 끝나는데 원인을 찾고 싶어.
네 지표를 같은 시간축에 겹쳐 보는 대시보드를 만들어줘.
— 배치는 02~05시에 돌아가니 그 시간대 기준으로 집계해줘
— 변경작업 일자를 모든 차트에 세로선으로 표시해줘"
이어서 — "변경작업 5건을 켜고 끌 수 있는 토글로 만들어줘. 어떤 변경이 추세 변화 시점과 일치하는지 직접 확인하고 싶어"
✏️ 처음부터 완벽한 프롬프트는 없다 — 결과를 보고 "이 차트만 강조해줘"처럼 두세 번 주고받으며 다듬는 게 실제 작업 방식
🎯 구축된 시스템의 '사용자'에서 — 필요할 때마다 내 뷰를 그려내는 사람으로
고정 대시보드는 그대로 쓰면서, 상황이 생기면 즉석에서 그 상황만의 뷰를 만들어 쓰고 버려도 된다. 분석은 AI에 위임 — 관점을 요구사항으로 넣는 만큼 뷰는 얼마든지 달라진다. 짐작뿐인 강사가 여기까지, 매일 운영하는 여러분의 질문이면 훨씬 멀리
PART 1 · 3요소00
질문을 바꾸면 — 같은 구조로 미래도 본다
두 번째 실험 — 이번엔 L4 스위치(서버에 트래픽을 나눠주는 부하분산 장비)의 일일점검 데이터. 오늘 기준 알람 0건 — 그럼 건강한 걸까? 임계치 알람은 '이미 넘은 것'만 알려주고, '넘으러 가는 중'은 보여주지 않는다
"CSV 4개는 우리 L4 스위치의 일일 점검 데이터야.
임계치 알람은 아직 하나도 없는데, 고장 전조가 있는지 추세를 보고 싶어.
— 추세가 있는 지표는 미래로 연장한 예측 점선을 그려줘
— 광파워 한계 −12dBm·메모리 임계 85%에 언제 도달하는지 예상일을 계산해줘
— 장비 작업 일자를 모든 차트에 세로선으로 겹쳐줘"
🎯 1탄은 사후 분석, 2탄은 사전 예지 — 도구는 같다, 바뀐 건 질문뿐
공식은 하나 — 이미 있는 툴의 로데이터 + 운영자의 관점 한 문단 = 내 관점의 맞춤 뷰. 과거를 묶으니 원인이 보였고, 추세를 연장하니 미래가 보였다
PART 1 · 3요소00
검증은 이미 우리의 일상 업무
AI는 빠르게 만들고, '맞나?' 판단은 사람. 데이터든 코드든 답변이든 — 검증의 본질은 같다. 우리가 매일 해오던 그 일
"AI 시대 — 개발자는 빌더에서 심사관(Reviewer)으로"1
"그런데 — AI 생성 코드 검토가 직접 작성보다 더 어렵다는 역설"2
규제가 풀리길 기다리지 않는 상황 — 시중은행은 이미 온프레미스 sLLM으로 자체 구축 중
KB국민은행1
스타뱅킹 sLLM
예산 14.3억
신한은행2
온프레미스 sLM (AI ONE)
예산 150~170억
우리은행3
AI 에이전트 기반 AX
에이전트 175개
인터넷은행5
자체 LLM 구축
케이뱅크 Solar · 카카오뱅크 AI DC
공통 패턴 · 세 기둥
🏛 온프레미스
자체 GPU · 외부 유출 차단
📚 RAG
사내 규정 근거 · 환각 감소
🎯 금융 특화
한국어·금융 용어 파인튜닝
💡 우리에게
시중은행은 결국 세 기둥으로 모이는 중 — 온프레미스 + RAG + 금융 특화4.
📎 SOURCE
1KB머니투데이 「"대출 이자 얼마야?" 물으면 연결…KB, AI 금융 구축 박차」 (2026.3.10) ↗
2신한BIKorea 「신한은행, 생성형 AI sLM 개발 추진 예고」 (2025) ↗ · 임은택 디지털혁신단 AI본부장
3우리이지경제 「우리은행, AI와 동료 된다…금융권 최초 AI 에이전트 175개 도입」 (2026.3.7) ↗
4종합삼성SDS 인사이트리포트 「2025년 국내 은행 AI 활용 전망」 (2025.1) ↗
5인터넷은행그린포스트코리아 「케이뱅크, 인터넷은행 최초 금융 특화 프라이빗 LLM 도입」 (2025) ↗ · KT·KT클라우드·업스테이지 협약 (Solar 기반)
PART 2 · 금융권 동향00
모델 분류 — LLM / sLLM / sLM
금융권이 "온프레미스"를 말할 때 — 어떤 크기의 모델을 쓰느냐가 핵심
LLM
수천억~수조 파라미터 · ChatGPT·Claude·Gemini · 클라우드 필수
sLLM
수십억~수백억 · 큰 모델을 축소 · 온프레미스 가능 → 금융권 선호
sLM
수억~수십억 · 처음부터 소형 설계 · 특정 도메인 특화
한국 한국형 대표 sLLM — Upstage Solar(IBK기업은행 채택) ·
LG EXAONE (EXAONE 4.5 = 33B, LG 그룹 표준)
💡 우리 모행
IBK기업은행은 Upstage Solar 기반 sLLM — KB·NH와 같은 카테고리. 온프레미스 설치형
PART 2 · 금융권 동향00
코딩 주권 · SOVEREIGN AI
AI 코딩 에이전트 — 한국은 어느 쪽에 서 있나
스페이스X는 커서(Cursor) 인수를 88조원에 추진, 구글은 '스트라이크 팀'을 꾸린 상황 —
이 격전지에 한국 기업은 거의 보이지 않음1. 한국은 AI 도입률 상승·인구당 AI 특허 세계 1위인 'AI 강국'인데도2.
흐름 1 · 외산 도구
개발자 개인·스타트업
GitHub Copilot · Cursor · Claude Code4
글로벌 생태계에 빠르게 편승
→ 가격·정책이 해외 사업자 손에 → 거버넌스 없인 결함 2,500%↑ 전망(가트너) — 기업용(IBM Bob) 등장5
흐름 2 · 내재화
대형 IT서비스 기업
삼성SDS · 패브릭스
LG CNS · EXAONE · AIND — 금융사 차세대 적용 중5
→ 외산 의존도 줄이고 내재화
외산 의존 3대 리스크💰 가격 결정권·🔒 소스·로그 외부 유출·🧠 도구 바뀌면 역량 흔들림
🧱 같은 함정 — 'AI 강국'인데, 정작 데이터는 못 읽힌다
· 행정문서 90%+ 가 AI가 못 읽는 HWP — MS·IBM·LangChain 등 글로벌 AI 도구도 HWP 미지원 → '데이터 사일로'3
· 정부도 HWP→AI 변환에 예산 투입 · 공공문서 마크다운 전환 추진 중
· 핵심은 포맷이 아니라 '구조화된 문서' — AI가 다룰 수 있는 산출물·데이터를 만드는 역량이 실무의 관건
🔎 우리의 위치
금융 IT 자회사인 우리는 자연스럽게 두 번째 흐름(내재화) 안에 있는 위치 —
외산 도구를 충분히 알되, 우리 환경에 맞게 만들어가는 역할
Fable 5 · Opus 4.8— 코딩 최상위 모델군 · 6.9부터 Mythos급 'Fable 5'도 Claude Code에서 사용 가능1
자연어 한 줄에 여러 파일 편집 + 명령 실행 + git 커밋까지 한 사이클로 —
Anthropic이 만든 에이전트.
💬 일반 챗봇
질문 → 텍스트 답변. 코드 블록 던져주고 끝 붙여넣기는 사람 몫.
🤖 에이전트 (Claude Code)
자연어 지시 → 코드베이스 이해 · 멀티 파일 편집 · 명령 실행 · 테스트 · 커밋·PR까지 자동
🧩 환경 4종
터미널 CLI · IDE 확장 · 데스크톱 · 웹 — 동일 엔진. 설정·메모리·MCP는 환경 간 공유
💡 실무 활용
테스트 작성·실행·수정 / 버그 추적·수정 / 기능 구축 / 커밋·PR 자동화 / 반복 작업 스케줄링 —
"사람이 할 일을 자연어로 위임"이 핵심
▸ 실제 한 사이클 — 사용자 입력 ⇢ 플랜 ⇢ 승인 ⇢ 실행
1USER
$ claude "회원가입에 약관 동의 4종 신설"
→
2CLAUDE — 📋 PLAN MODE
☐ AuthRegisterForm.tsx — 체크박스 UI ☐ Com001Service.java — 검증 로직 ☐ CLAUDE.md — 동의 4종 규칙 ☐ register.test.ts — 통합 테스트
[승인][수정 요청]
→
3EXECUTE
✓ 4 파일 편집 ✓ yarn test 통과 ✓ git 커밋 → PR 준비 완료
플랜 모드가 핵심 — Claude는 먼저 작업을 보여주고 승인을 받은 뒤 코드를 건드림
"내가 모르는 사이에 변경된" 사고 방지
📎 SOURCE
1벤치마크Anthropic Claude Opus 4.8 — SWE-bench Verified · Codeforces 등 코딩 벤치마크 최상위 ↗ · 「Claude Fable 5 and Mythos 5」 — Opus 위 Mythos급 일반 공개 (2026.6.9) ↗
PART 3 · 실전 시연00
가장 쉽고 효과 좋은 것 — 문서작성 자동화
회사 양식 맞추느라 들였던 지지부진한 시간 — 한 번에 압축
👀 지금 보실 두 가지 사례
강사가 실제로 한 작업의 결과물 — 어떤 프롬프트로, 어떤 입력 자료로, 어떤 결과를 얻었는지
1자료 취합 → 본부 보고서
회사 양식·기준을 컨텍스트로 — 모든 사실에 출처 명시
사례: 강사가 3월에 작업한 팀 KPI 입력 예시 결과물
2스킬화 — 한 단어로 실행
CLAUDE.md에 룰 등록 → /일일점검 · /주간보고로 실행
사례: 매일 작업·매주 본부 보고 자동화 룰
PART 3 · 실전 시연00
1출처 기반 보고자료 생성 — 실제 사례
AI가 임의로 지어낸 글이 아닌 — 회사 공식 문서를 출처로 인용한 자료
🎯 시연 시나리오
2026년 팀 KPI 수립 자동화 — 강사가 3월에 실제로 한 작업
1
컨텍스트 주입 — 회사 공식 문서
· 전사 공통 평가기준 원문 · 직무 분류표(A~S 지표) · e-HR 입력 양식 · 2026년 업무목표 수립 공지
2
한 줄 요청
"혁신기술개발팀 팀원 6명 각각의 직무에 맞게 KPI 입력 예시를
생성해줘. 회사 양식 그대로, 증빙 예시 포함"
3
결과물
🖥 실시연 — 강사 로컬 화면 전환
· 팀원별 KPI 카드 4영역 (시스템안정 7.5 / 자기개발 7.5 / 업무수행 15 / 협업 10)
· 각 KPI에 회사 지표(A~S) 자동 매핑 · 증빙 예시 포함
· e-HR 시스템에 바로 복붙 가능한 형식
📎
회사 공식 문서 출처
감사 대응 가능
⏱
6명 × 2~3시간 → 30분
시간 압축
✅
환각 없음
회사 양식·기준 100% 부합
PART 3 · 실전 시연00
2스킬화 — 한 단어로 실행
시나리오 — 매일 작업·매주 본부 보고를 자동화: `/일일점검` · `/주간보고`
.claude/skills/일일점검.md— 한 번만 등록
---description: 매일 일과 마감 시 오늘 작업 자동 정리
---
1. git log 오늘자 commit 추출
2. 작업일지/YYYYMMDD.md 자동 생성
· commit 메시지 · 변경 파일 · 결과
· KPI 태그 자동 부여 (#서비스개선·#장애대응·#신규개발)
3. 누적 카운터 +1 갱신
4. 본부 보고 양식에 동기화
/일일점검
매일 일과 마감 — 오늘 commit·작업·KPI 자동 정리 → 작업일지 md 생성
/주간보고
매주 금요일 — 5일치 일지 합본 + 본부 양식 매핑 → 주간보고 완성
💡 핵심
한 번 룰만 등록하면 — 다음부턴 한 단어. "보고서 쓰는 시간"이 사라진다
—00
이런 자동화가 가능했던
그 배경 — FPMate
PART 3 · 실전 시연00
팀 단위 바이브코딩 도입 사례 — FPMate 진행형 실험
우리 팀이 어떻게 도입했고 무엇을 만들었나 — 정답 아닌 고민 공유
🎯 현재 상태
팀 단위 도입 (2026.2.10~)
• 도구: Claude Code 일단 채택
• 팀 구성: 3명 (개발 2 · 인프라 1)
• 적용 범위: FPMate 솔루션 개발
• 운영 기간: 2개월+ · 100% AI 코딩
🔄 도구는 변경 가능
Claude Code = 일단의 선택
• Codex · Cursor 등 전환 가능
• 핵심은 도구가 아닌 "쓰는 법"
• 구조화 문서·하네스가 진짜 자산
• 도구 바뀌어도 자산은 남음
🚧 미해결 과제
더 큰 규모 검증 중
• 프로젝트 단위 확장 검증
• 협업 단위 적용 검증
• 개발 방법론 수립 중
• 정답 아닌 고민 공유 중
팀 단위 도입(2개월+)으로 만든 것들 — 6종 자동화
🛡
개인정보 탐지 (11종)
주민번호·카드·계좌 등 정규식+NER 멀티레이어
🤖
멀티 AI 연동
GPT·Gemini·Upstage 3종 AI 통합 호출 구조
📊
스마트엑셀 업로드
엑셀→웹 변환 UX 전면 개선
🎯
온보딩 가이드
15화면 30+스텝 인터랙티브 투어
🎨
UI 디자인 업그레이드
Pretendard·다크모드 카드 UI 전면 리디자인
⏳
AI 백그라운드 처리
브라우저 꺼도 AI 작업 계속 재로그인 시 완료 알림
PART 3 · 실전 시연00
동일 기능, 두 가지 구현 방법
15개 화면 × 30+ 스텝의 인터랙티브 온보딩 투어 구현 시나리오
❌직접 개발 시
투어 라이브러리 조사·선정 — 1일
15개 화면별 스텝 설계 — 2~3일
스포트라이트·말풍선 UI 구현 — 3~5일
페이지 전환·상태 관리 — 2~3일
다크모드·반응형·테스트 — 2~3일
약 2~3주
개발자 1명 풀타임 기준
✅Claude Code로 구현
투어 구조·스텝 설계를 대화로 전달
TourContext + tourSteps.ts 자동 생성
15개 화면에 자동 삽입
다크모드·반응형·이어하기 한 번에
문구 수정은 tourSteps.ts 1곳만
2일
동일 결과물, 동일 품질
⭐ 진짜 가치 — 구현에서 끝이 아니다
UI가 바뀔 때마다 — 가이드 문구·스텝이 자동 갱신
최초 구현(2주 → 2일)은 시작 — 운영·유지보수 자동화까지 가야 진짜 가치
PART 3 · 실전 시연00
CSAP 관점 — 보안 점검 & 개선점 도출
CSAP · 클라우드 보안 인증제 (KISA·과기정통부) — 금융권 SaaS·시스템 도입 시 적용되는 보안성 평가 표준
→ 우리는 이 관점을 코드·설계 단계 점검 기준으로 차용
📍 FPMate에선 어떻게 작동하나 — 3단 메커니즘
① 룰 자동 주입
팀 공유 규칙 문서(§0-11)에 CSAP 체크리스트 9개를 규격으로 정의해두고 — 세션 시작 시 매번 자동 로드
② 트리거 감지·보고
리스크 작업이 감지되면 → AI가 9개 관점으로 자동 점검 보고서 작성
③ 컨펌 게이트
담당자가 보고 받고 컨펌해야만 코드 진입 — 사람이 마지막 통과 결정
🔥 자동 발동 트리거 — 이런 작업을 시작하면 점검 모드 ON
🆕 새 기능 설계🔌 새 API🗃 DB 스키마 변경🔐 인증·권한·동의📧 메일·알림 발송👑 관리자 기능📦 대량 처리🚀 배포 구조 변경
📋 9개 점검 항목 발췌 —
명시적 동의·4요소 고지 · 약관 통지·동의 이력 · 비로그인 접근 금지 · 토큰·시크릿 평문 금지 · 감사 로그 · 개인정보 마스킹 · 대량 처리 API 보호
👨💻
개발자·운영자가 얻는 것 —
"보안 점검을 따로 시간 내지 않아도, 매 작업이 자동으로 컴플라이언스 게이트를 거친 채 진행된다"
PART 3 · 실전 시연00
차이를 만든 건 — AI가 아니라 규칙
디자인 결과물은 앞서 봤습니다 — 이번엔 '일하는 방식'의 차이입니다
양쪽 모두 동일🤖 같은 모델⌨ "일일점검 화면 만들어줘"→ 다른 건 주어진 맥락·규칙뿐
📂 컨텍스트 없음 (빈 프로젝트)
⚡ 즉시 코드 생성 시작
🎲 폴더·패키지·노출 범위를 모두 임의로 추측
규칙 모름코드 현황 모름노출 범위 미검토
📁 우리 규칙·기존 코드가 주어짐 (우리 팀 프로젝트 경로)
📖 팀 규칙 발동 — 팀 규칙 문서를 읽고 "신규 화면은 큰 작업 → 설계 전 관점 정리·컨펌" 절차를 스스로 시작
🔍 코드 현황 파악 — 기존 코드를 직접 탐색해 다음에 쓸 빈 화면 번호를 스스로 식별
♻️ 기존 자산 재사용 — 날짜 처리 유틸이 이미 설치됨을 확인 → 새 패키지 없이 재사용
🛡️ 보안 자가검토 — 시키지 않은 리스크를 먼저 짚음
"이 화면은 우리 내부 운영용으로 보입니다. 그대로 고객에게 노출하면 안 됩니다" → 노출 가드·관리자 이중 가드 먼저 제안
🙋 사람에게 컨펌 — "이 화면을 누가 보게 할까요?" 자율 실행을 멈추고 사람 판단을 되물음