https://x.com/jsnnsa/status/2115623382721126826
Spawn 창업자가 직접 쓴 1년 운영기. AI를 도구로 쓰는 수준을 넘어, 회사 전체를 에이전트가 실행하는 시스템으로 설계한 사례다. 아래 수치는 모두 창업자가 밝힌 내용이며 독립 검증된 실적은 아니다.
1. 인건비보다 토큰에 돈을 쓴다
팀 10명 중 엔지니어는 5명. 월 AI 토큰 지출은 $3.1M으로 인건비의 30배라고 한다. 최근 30일 배포는 77,000건, 1년간 변경은 123,548건, 리버트 비율은 0.9%다.
숫자 자체보다 흥미로운 것은 사람을 더 뽑는 대신 연산에 돈을 쓰는 선택이다. 다만 이 지출이 경제적으로 더 효율적인지는 별도로 봐야 한다.
2. 에이전트에게 작업이 아니라 담당 영역을 준다
엔진·운영·재무·배포 같은 영역마다 상주 에이전트가 있다. 기억과 실제 시스템 권한을 갖고, 필요할 때 보조 에이전트를 만들어 쓴다. 엔지니어는 필요한 곳에 개입한다.
매번 작업을 시키는 것과, 한 영역을 계속 책임지게 만드는 것은 다르다. 자동화의 단위가 개별 업무에서 운영 전체로 바뀐다.
3. 사람의 검토 속도에 맞추지 않는다
PR을 없앴다. 에이전트는 코드와 DB의 상태를 직접 보고 바꾼다. 문제가 생기면 롤백보다 새 변경으로 고치는 방식을 선호한다는 설명이다.
배포가 1시간 멈추면 최고 등급 장애로 취급하고, 전체 테스트는 15분마다 돌린다. 결제처럼 되돌리기 어려운 행동에는 별도의 고정된 승인 장치를 둔다.
빠르게 코드를 쓰는 것만으로는 부족하다. 검토와 배포가 사람을 기다리면 전체 속도는 거기서 멈춘다는 접근이다.
4. CEO의 판단도 일부 시스템으로 만든다
2년치 통화 전사에서 사람별 판단 기준을 뽑아 AI 판사를 만들었다고 한다. 8일간 11,372건을 처리해 64%는 결정, 19%는 반려, 나머지는 사람에게 보류했다. 같은 기간 창업자가 직접 결정한 것은 27건이었다.
사람이 모든 결정을 빨리 내리려는 대신, 반복되는 판단을 재사용 가능한 기준으로 바꾼 것이다.
5. 사람은 무엇을 정하나
저자가 꼽는 것은 취향과 큰 방향 전환이다. 작은 개선을 계속 쌓는 일과, 복잡해진 시스템을 줄이거나 다시 설계하는 일은 다르다. 무엇을 없앨지, 어디까지 바꿀지는 여전히 사람이 정한다.
이 사례가 재밌는 건 배포 숫자보다 구조다. 기존 업무 흐름에 AI를 붙이는 대신, 에이전트가 일하는 속도와 방식에 회사를 맞췄다.
다만 프로덕션 장애를 감수하는 방식과 월 $3.1M의 토큰 비용까지 포함된 사례다. 배포 횟수가 사업 성과를 뜻하지도 않는다. 그대로 따라 할 정답이라기보다, 사람이 승인하고 판단해야 한다고 여겼던 일 중 무엇을 시스템으로 만들 수 있을지 생각하게 하는 운영기다.