현업 담당자가 AI로 직접 시스템을 만들 수 있을까? 축산 기업 사례로 살펴보는 3가지 조건과 5가지 한계

저자 주: 직원 약 120명 규모의 한 축산 기업에서 대표가 AI 코딩 도구를 활용해 직접 축산 관리 시스템을 구축했어요. 이 글에서는 “누구나 개발할 수 있다”는 말을 되풀이하는 대신, 이 사례가 가능했던 조건과 현업 담당자가 AI로 시스템을 직접 만들 때 여전히 마주하는 한계를 살펴봐요.

2026년 11월, 우전 세계인터넷대회의 선도과학기술상 수상 결과가 발표됐어요. 알리바바 산하 에이전트 플랫폼 Qoder는 중국에서 유일하게 수상한 범용 Agent 제품이었어요. 관련 보도에는 “현업 담당자도 직접 시스템을 만들 수 있다”는 이야기로 전해지기 쉬운 사례가 하나 있었어요. 닝샤의 축산 기업 시셴지(西鲜记) 대표 장리페이(张立非)가 AI 코딩 도구를 이용해 석 달여 만에 축산 관리를 포함한 여러 업무 시스템을 구축한 사례예요.

이것은 “기초 지식이 없던 사람이 하루아침에 프로그래머가 된” 이야기가 아니에요. 장리페이는 과거 화웨이와 에릭슨에서 연구개발 업무를 했고, 자사의 사육·도축·가공 업무도 잘 알고 있었어요. 이 두 가지 전제는 이 사례가 무엇을 보여줄 수 있고, 무엇은 보여줄 수 없는지를 결정해요.

핵심 가치: 이 글을 읽고 나면 자신의 업무 요구사항이 AI를 활용한 시스템 자체 구축에 적합한지 판단하고, 요구사항 설명, 결과 검증, 지속적인 유지보수라는 세 가지 관문이 각각 어디에 있는지 알 수 있어요.

현업 담당자가 AI로 직접 시스템 만들기: 사례 핵심 요약

먼저 보도에서 확인할 수 있는 사실을 정리한 뒤 그 의미를 살펴볼게요. 아래 내용은 모두 긱파크의 2026년 11월 5일 보도를 바탕으로 했어요.

현업 담당자가 AI로 시스템을 직접 만드는 실제 방식

보도에는 놓치기 쉬운 부분이 있어요. 장리페이는 “한마디 하면 AI가 시스템을 완성해 주는” 방식으로 일하지 않았어요. 여러 개발 세션을 동시에 열어 두고, 한 작업의 결과를 기다리는 동안 다른 세션으로 넘어갔어요. AI가 수정을 마치면 직접 결과를 확인하고, 업무에서 새로 생긴 상황을 추가로 반영했어요.

이는 ‘업무 전문가 + AI 실행자’의 협업 방식에 가까워요. 요구사항을 나누고, 결과를 검토하고, 개선 방향을 정하는 일은 사람이 맡아요. AI는 코드를 작성하고 수정하며 작업을 실행해요. 이런 관점에서 사례를 다시 보면 의미가 더 분명해져요.

실무자가 AI로 시스템 만들기: AI는 어떤 진입 장벽을 낮췄을까?

AI 코딩으로 내부 도구를 직접 만드는 것은 원래 소규모 팀이 맡아야 했던 일을 새롭게 분담하는 셈이에요. 아래 표는 기존 맞춤 개발의 각 단계를 이 사례에서 누가 담당했는지 비교한 내용이에요.

표에서 볼 수 있듯이 AI가 가장 크게 낮춘 장벽은 ‘명확한 요구사항을 실행 가능한 코드로 바꾸는’ 단계와 요구자와 개발자 사이의 소통 비용이에요. 장리페이에게 가장 어려웠던 점도 아이디어를 시스템으로 만들어 줄 팀이 없다는 것이었는데, 바로 이 부분을 AI 코딩 도구가 가장 잘 보완해 줬어요.

하지만 요구사항 정리와 결과 검수는 사라지지 않았어요. 오히려 업무 책임자에게 더 집중됐죠. 보도에서도 Qoder의 새 버전은 ‘목표가 명확하고 결과물의 품질을 판단할 수 있는’ 사람을 대상으로 한다고 밝혔어요. 이 조건은 매우 중요해요.

실무자가 AI로 시스템을 직접 만들기 위한 3가지 전제 조건

이 사례를 바탕으로 성공에 필요한 세 가지 전제 조건을 정리할 수 있어요.

1. 문제가 무엇인지 알아야 해요: 장리페이는 ‘양 한 무리에서 얼마를 버는지 도축 후에야 알 수 있다’는 점을 핵심 문제로 파악하고 있었어요. 요구사항에 명확한 업무 목표가 있었던 거죠.
2. 요구사항을 명확하게 설명할 수 있어야 해요: 단순히 “관리 시스템을 만들어 줘”라고 하는 대신, 필드와 프로세스, 계산 규칙을 설명하고 확인 가능한 검수 기준을 제시해야 해요.
3. 결과물이 올바른지 판단할 수 있어야 해요: 그는 개발 경험 덕분에 구조를 이해하고 논리 오류를 발견할 수 있었으며, AI가 방향을 잘못 잡으면 바로 수정할 수 있었어요.

이 세 가지 중 첫 번째는 대부분의 업무 책임자가 갖추고 있어요. 진짜 갈림길은 두 번째와 세 번째 조건이에요. 개발 경험이 없는 사람도 못 하는 것은 아니지만, 별도로 시간을 들여 배워야 해요. 또한 사례 하나만으로 성공률을 판단할 수는 없어요.

🚀 빠르게 시작하기: ‘요구사항을 명확히 설명할 수 있는지’ 적은 비용으로 먼저 확인하고 싶다면, 대규모 언어 모델로 업무 설명을 구조화된 요구사항 문서로 정리해 보세요. APIYI apiyi.com에서는 API 키 하나로 여러 주요 모델을 호출할 수 있어요. 소규모로 먼저 시험한 뒤 본격적인 개발에 투자할지 결정하기 좋아요.

비개발자가 AI로 시스템을 만들기 전, 요구사항부터 명세서로 정리하세요

자체 구축 프로젝트가 실패하는 이유는 AI가 코드를 작성하지 못해서가 아니라 요구사항이 모호하기 때문인 경우가 많아요. 작업을 시작하기 전에 모델을 활용해 구어체로 설명한 업무 내용을 데이터 필드, 규칙, 인수 조건으로 정리하고 하나씩 확인해 보세요.

아래는 OpenAI 호환 인터페이스로 모델을 호출해 업무 설명을 요구사항 명세서로 바꾸는 간단한 예시예요.

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

desc = "三个养殖场，按批次记录每天饲料消耗和羊的体重，想在出栏前就知道每批羊大概赚多少钱。"
resp = client.chat.completions.create(
    model="gpt-4o-mini",  # 플랫폼에서 사용할 수 있는 다른 모델로 교체 가능
    messages=[{"role": "user", "content": f"把以下业务需求整理成数据字段、计算规则和验收条件：{desc}"}]
)
print(resp.choices[0].message.content)

import openai
from typing import Optional

SYSTEM_PROMPT = (
    "你是资深业务分析师。请把用户的业务描述整理为：\n"
    "1. 核心数据实体与字段（含单位）\n"
    "2. 计算规则（写出公式）\n"
    "3. 验收条件（每条都必须可被人工检查）\n"
    "4. 需要用户补充确认的问题清单\n"
    "不要假设用户没说过的规则，不确定的地方放进问题清单。"
)

def build_spec(
    business_desc: str,
    model: str = "gpt-4o-mini",
    extra_context: Optional[str] = None,
    max_tokens: int = 1500
) -> str:
    """구어체 업무 설명을 확인 가능한 요구사항 명세서로 정리해요."""
    client = openai.OpenAI(
        api_key="YOUR_API_KEY",
        base_url="https://api.apiyi.com/v1"
    )
    content = business_desc
    if extra_context:
        content += f"\n补充背景：{extra_context}"

    try:
        resp = client.chat.completions.create(
            model=model,
            messages=[
                {"role": "system", "content": SYSTEM_PROMPT},
                {"role": "user", "content": content},
            ],
            max_tokens=max_tokens,
        )
        return resp.choices[0].message.content
    except Exception as e:
        return f"调用失败：{e}"

if __name__ == "__main__":
    spec = build_spec(
        business_desc="按批次管理在栏羊，记录每日饲料消耗、体重和生长阶段，"
                      "希望出栏前估算每批羊的成本和利润。",
        extra_context="目前用 Excel 台账，有三个养殖场。"
    )
    print(spec)

이 코드가 시스템을 대신 개발해 주지는 않아요. 하지만 ‘분명히 설명했다고 생각했지만 실제로는 그렇지 않은’ 부분을 드러내는 데 가치가 있어요. 모델이 제시한 질문 목록이 길수록 AI 코딩 도구로 구현하기 전에 요구사항을 더 다듬어야 한다는 뜻이에요.

현업 담당자가 AI로 시스템을 직접 구축해도 될까? 적합성 판단 프레임워크

이 사례는 조건이 갖춰지면 현업 담당자가 AI로 내부 시스템을 직접 구축할 수 있다는 것을 보여줘요. 하지만 모든 시스템이 이 방식에 적합하다는 뜻은 아니에요. 아래 프레임워크를 통해 어떤 시스템은 직접 구축해 보고, 어떤 시스템에는 전문 팀이 참여해야 할지 구분할 수 있어요.

시셴지의 양식 관리 시스템은 대체로 왼쪽에 해당해요. 내부에서 사용하고, 사료 급여와 출하 결정을 지원하며, 문제가 생기면 누군가가 제때 발견할 수 있죠. 여러분의 요구사항도 이와 비슷하다면 AI로 직접 구축해 볼 만해요. 여러 항목이 오른쪽에 해당한다면 AI로 먼저 프로토타입을 만들어 요구사항을 구체화한 뒤, 전문 팀에 맡기거나 검증된 제품을 구매하는 편이 더 안전해요.

현업 담당자의 AI 직접 구축, 구매, 맞춤 개발 비교

세 가지 방식을 나란히 놓고 보면 차이가 더 분명해져요.

세 가지 방식은 서로 배타적이지 않아요. 먼저 AI로 직접 구축해 전체 프로세스를 작동시켜 보고 요구사항이 실제로 필요한지 검증할 수 있어요. 이후 사용자가 늘고 데이터의 민감도가 높아지면 전문 팀에 재구축을 맡길지 결정하는 식이죠.

업무 담당자의 AI 시스템 자체 구축이 미치는 영향

중소기업 책임자에게 미치는 영향

• 개발팀이 없어도 필요한 시스템을 시도할 수 있어요: 시셴지처럼 기술 개발 인력이 한 명뿐인 기업은 과거에 ‘업무에 맞지 않는 범용 소프트웨어’와 ‘비싼 맞춤형 솔루션’ 중 하나를 선택해야 했지만, 이제 시도해 볼 수 있는 길이 하나 더 생겼어요.
• 업무 지식의 가치가 커져요: 업무를 가장 잘 아는 사람이 자신의 경험을 시스템에 직접 반영하고, 일상적으로 사용하면서 계속 수정할 수 있어요. 요구사항을 개발자에게 전달하는 과정에서 발생하는 정보 손실도 줄어들어요.
• 책임자의 시간 비용이 늘어나요: 보도에 따르면 장리페이는 퇴근 후와 출장 중 틈을 내 개발을 진행했어요. 이렇게 투입한 시간도 비용이므로 단순히 ‘비용 0’으로 볼 수는 없어요.

전문 개발팀과 IT 부서에 미치는 영향

• 역할이 ‘코드 작성’에서 ‘안전망 구축’으로 바뀌어요: 업무 담당자가 직접 만든 도구가 늘어나면 보안 검토, 권한 설계, 데이터 백업, 시스템 통합에 전문가의 참여가 더욱 중요해져요.
• 섀도 시스템의 위험이 커져요: 각 부서가 AI로 개별 도구를 만들면 데이터가 분산되고 기준이 달라지거나, 담당자 퇴사 후 유지보수할 사람이 없어지는 문제가 생길 수 있어요. 미리 운영 기준을 마련해야 해요.

이 사례가 아직 답하지 못한 5가지 질문

보도는 성공적인 결과를 보여주지만, 의사결정자에게 중요한 다음 정보는 현재 공개된 자료에 포함되어 있지 않아요.

이 질문들에 대한 답을 얻기 전까지는 이 사례를 ‘누구나 할 수 있다’는 증거가 아니라, ‘조건이 갖춰지면 가능하다’는 증거로 받아들이는 편이 더 합리적이에요.

자주 묻는 질문 FAQ

현업 담당자의 AI 시스템 구축 핵심 요약

• 사례가 성공한 데는 전제가 있어요: 주인공은 개발 경험과 깊은 업무 이해를 모두 갖췄어요. 이를 곧바로 ‘누구나 개발할 수 있다’는 뜻으로 받아들이기는 어려워요.
• AI가 낮추는 것은 구현 장벽이에요: 코딩과 개선 작업은 빨라지지만, 요구사항을 정리하고 결과를 검수하는 일은 여전히 사람의 몫이에요.
• 직접 구축하기 좋은 시스템: 내부에서 사용하고, 민감한 데이터가 없으며, 오류를 사람이 수정할 수 있는 도구예요.
• 전문가의 도움이 필요한 시스템: 개인정보, 결제, 복잡한 권한 관리, 여러 시스템의 연동이 필요한 경우예요.
• 숨은 비용도 고려해야 해요: 투입 시간, 도구 비용, 장기 유지보수 비용을 모두 계산해야 해요.
• 투자 전에 먼저 검증하세요: APIYI apiyi.com에서 모델을 저렴하게 호출해 요구사항 명세를 정리한 뒤, 직접 구축할지, 구매할지, 맞춤 개발을 맡길지 결정할 수 있어요.

정리

시셴지(西鲜记) 사례는 업무 책임자가 문제를 정확히 알고, 요구사항을 설명하고, 결과물을 판단할 수 있다면 AI 코딩 도구로 오랫동안 미뤄둔 시스템을 실제로 구축할 수 있음을 보여줘요. 핵심은 세 가지예요.

1. 진입 장벽은 실제로 낮아졌어요: 요구사항을 실행 가능한 코드로 구현하는 과정에서 AI가 대부분의 작업을 맡을 수 있어요.
2. 판단 능력은 대체할 수 없어요: 요구사항 설명, 결과 검토, 지속적인 유지보수는 여전히 업무를 잘 아는 사람의 책임이에요.
3. 범위를 미리 정해야 해요: 데이터 보안, 권한, 장기 유지보수를 고려해 직접 구축할 시스템과 전문팀에 맡길 시스템을 구분해야 해요.

AI로 내부 도구를 직접 만들어볼 생각이라면, 오류가 나더라도 부담이 적은 작은 업무 프로세스부터 시작해 보세요. AI로 요구사항 명세와 프로토타입을 만든 뒤 결과에 따라 다음 단계를 결정하면 돼요. APIYI apiyi.com을 통해 빠르게 효과를 검증해 보는 것도 추천해요. API 키 하나로 여러 주요 모델을 비교할 수 있어요.

📚 참고 자료

1. 极客公园 – 세계 인터넷 대회 선도 과학기술상 수상에 이어, Qoder는 어떻게 중국 AI 프로그래밍 시장 1위를 차지했을까: 이 글에서 소개한 사례의 출처
2. 링크: geekpark.net/news/373542
3. 설명: 西鲜记의 양식 관리 시스템 사례와 지리자동차, 山大华天 등 기업의 AI 프로그래밍 활용 사례를 소개해요.

작성자: APIYI 기술팀
기술 문의: 모델 호출과 내부 도구 연동에 관한 궁금한 점은 APIYI apiyi.com 홈페이지를 통해 문의해 주세요.