logo
문의하기
서비스인사이트리소스
logo
문의하기
EXEM

데이터와 IT 흐름을 읽는 시선,
뉴스레터 EXEM View 구독하기

Subscribe

주식회사 엑셈

서울시 강서구 마곡중앙8로5길 40

Tel 02-6203-6300 ㅣ Fax 02-6203-6301

ⓒ EXEM Co., Ltd. All Rights Reserved.
개인정보 처리방침서비스 이용약관
  • 서비스

      • exemONE
      • MaxGauge
      • InterMax
      • XAIOps
      • eXemble
      • ExPU
      • EBIGs
      • Woodpecker
      • ExTuner AI
      • Consulting
  • 인사이트

    • IT 운영
    • 고객 사례
    • 테크
    • 피플
    • 뉴스
    • 기술 시리즈
  • 리소스

    • 제품 브로슈어
    • 제품 살펴보기
    • 도서 실습자료
    • 리포트
    • 세미나
    • 사옥 투어
    • 아카데미
  • 회사

    • 기업 소개
    • 채용 안내
    • IR
    • 오시는 길
  • awsaws
  • microsoftmicrosoft
  • oracleoracle
  • naver-cloudnaver-cloud
🔵
[딥 다이브] 망 분리 환경에서도 바이브 코딩으로 배포까지
[딥 다이브] 망 분리 환경에서도 바이브 코딩으로 배포까지
🔵

[딥 다이브] 망 분리 환경에서도 바이브 코딩으로 배포까지

태그
테크
**수정 금지** (제목 연동)
[딥 다이브] 망 분리 환경에서도 바이브 코딩으로 배포까지
날짜
2026.11.19
작성자

박진만

AI는 만들고, 결정은 사람이 합니다

안녕하세요. AI솔루션3팀 박진만입니다. 저희 팀은 AI 개발·운영 플랫폼 Woodpecker(우드페커)를 만들고 운영하고 있습니다.
망 분리된 제조 현장의 분석가들이 Woodpecker 안에서 분석부터 배포까지 마칠 수 있도록 앱 배포와 작업 자동화 기능을 만들었고 여기에 LLM 에이전트를 연결해 이 과정을 대화로 진행할 수 있게 했습니다.
다만 AI에게 모든 일을 맡기지는 않았습니다. 코드와 앱은 AI가 만들지만 저장소 반영과 배포, 자동화 반영은 사람이 직접 버튼을 눌러 결정합니다. 이번 글에서는 이 개발 환경을 만든 과정과 AI와 사람의 역할을 나눈 기준을 소개합니다.
 
 

1. 망 분리된 제조 현장에서 개발이 어려운 점 3가지

인터넷에 연결된 개인 PC에서는 개발이 갈수록 자유로워지고 있습니다. 필요한 패키지를 바로 설치하고 원하는 에디터와 확장 기능을 골라 쓸 수 있으며, 모르는 부분은 LLM에 물어 해결하면 됩니다. 최근에는 만들고 싶은 기능을 말로 설명하고 AI가 작성한 코드를 다듬어 가는 바이브 코딩도 하나의 개발 방식으로 자리 잡았습니다.
하지만 망 분리가 엄격한 제조 현장에서는 이런 방식을 그대로 쓰기 어렵습니다. 외부 저장소에 접근할 수 없고 AI 서비스도 승인된 경로로만 써야 하기 때문입니다. 그래서 분석가들은 외부와 단절된 개인 PC에서 작업하게 되고, 그 과정에서 크게 3가지 어려움을 겪습니다.
notion image
저희의 고민은 이 질문에서 시작됐습니다.
 
"보안 통제를 강화하는 데서 그치지 않고, 엔지니어와 분석가가 '내 PC보다 Woodpecker에서 일하는 게 훨씬 편하다'고 느낄 만한 개발 환경을 만들 수는 없을까?"
 
보안과 통제를 이유로 개발의 자유를 줄이는 대신, 넉넉한 연산 자원과 손쉬운 데이터 접근, 간결한 운영 도구를 갖춰 개인 PC보다 나은 작업 경험을 만드는 것을 첫 목표로 세웠습니다.
 
 

2. 앱 배포와 자동화를 형상관리로 묶은 개발 환경

Woodpecker는 앞서 말한 어려움을 하나씩 해결하는 방향으로 설계했습니다. 처음 시작은 웹 VSCode였지만 실제로 차이를 만든 것은 그 위에 더한 앱 배포와 작업 자동화 기능, 그리고 두 기능을 하나로 묶은 형상관리였습니다.
 

2-1. 같은 환경: 이미지 스냅샷으로 개발 환경까지 공유

먼저 프로젝트마다 브라우저로 접속해 쓰는 웹 VSCode(code-server)를 도입해 사용자마다 개발 환경이 다른 문제를 해결했습니다. 폐쇄망에서 쓸 확장 기능과 패키지를 이미지에 미리 담아 두어 누가 접속해도 같은 환경을 바로 쓸 수 있고, 패키지 설치 절차를 기다릴 필요도 없습니다. 작업 역시 데이터 바로 옆에서 이뤄집니다.
직접 패키지를 설치해 구성한 환경은 동료에게 그대로 넘겨줄 수도 있습니다. 현재 환경을 이미지 스냅샷으로 저장해 공유하면 동료는 프로젝트를 만들 때 해당 이미지만 선택하면 되며, 데이터는 복사되지 않고 환경만 공유됩니다.
 
영역
제공하는 기능
분석
파이썬 편집·디버깅, Jupyter 노트북. Python 3.11~3.13, Java·React 포함 이미지 중에서 선택
환경 공유
내 개발 환경을 이미지 스냅샷으로 저장해 동료와 공유. 프로젝트를 만들 때 그 이미지를 선택(데이터는 제외)
데이터 연결
SQL 쿼리 패널. Trino로 레이크하우스와 운영 DB를 같은 SQL로 조인하고 오브젝트 스토리지 탐색
내 작업 보관
git 명령을 몰라도 쓰는 형상관리. 서버에 저장, 원본 가져오기, 원본 비교 3개 버튼으로 단순화
앱 배포
앱 만들기, 미리보기 실행, 앱 배포 순서. Streamlit·HTML·React·Java 앱을 사내 URL로 공유
작업 자동화
실행할 파일과 주기를 고르면 사내 Airflow 작업으로 등록. 결과 DataFrame은 DB 테이블로 저장
모델
학습 코드 골격 생성, MLflow 실험 자동 기록, 모델 레지스트리 등록
 

2-2. 전사 공유: 버튼을 누르면 저장소 반영과 배포까지

다만 에디터만 서버로 옮겨서는 개인 PC와 크게 다르지 않습니다. 그래서 개인 PC에서는 하기 어려웠던 두 가지 기능, 즉 만든 분석을 사내 URL의 앱으로 배포하는 기능과 매일 같은 시간에 실행할 작업을 등록하는 기능을 VSCode 안에 넣었습니다.
두 기능 모두 사내 GitLab 형상관리 위에서 동작합니다. 사용자가 버튼을 누르면 정해진 폴더에 정해진 파일이 만들어지고, 이 파일이 저장소에 반영되면 플랫폼이 배포와 실행을 맡습니다.
 
기능
버튼을 누르면
저장소에 반영되면
앱 만들기
apps/<타입>/<내 ID>/<앱 이름>/에 진입 파일과 wp.yaml 생성
변경을 감지해 사내 URL로 배포
작업 자동화
automation/jobs/<이름>/에 실행 코드와 주기 설정 생성
Airflow 작업을 만들고 반영한 코드 버전으로 주기 실행
테이블 출력
코드에 wp.table("이름", df) 한 줄 추가
실행 후 프로젝트 DB 테이블로 생성·갱신
학습 기록
train/<내 ID>/<이름>/에서 학습 실행
MLflow에 실험·지표·코드 버전 자동 기록
 
이처럼 모든 작업이 저장소를 거치기 때문에 사용자는 git을 몰라도 되고, 지금 운영에서 실행 중인 코드가 무엇인지도 언제든 찾아볼 수 있습니다. 배포한 앱은 공유 대상만 지정하면 다른 조직에서도 사내 URL로 바로 열어 볼 수 있어, 몇몇 팀원 사이에서만 오가던 분석을 이제는 여러 조직이 함께 활용합니다.
 

2-3. 운영 관리: 배포된 앱을 한 화면에서

전사에 배포되는 앱이 늘어나면 운영팀이 관리할 수 있는 대상도 함께 늘어납니다. 그래서 Woodpecker는 모든 프로젝트의 배포 앱을 관리 화면 한 곳에 모아 보여 줍니다. 앱마다 어느 프로젝트에서 누가 어떤 코드 버전으로 올렸는지, 실행 중인지, CPU와 메모리를 얼마나 할당받았는지 이 화면에서 한 번에 확인할 수 있습니다.
 
 

3. LLM 연결: 프로젝트 단위로 관리하는 AI 어시스턴트

같은 환경에서 작업하고 결과를 전사에 공유하며 운영팀이 한 화면에서 관리할 기반을 마련한 뒤, 마지막으로 LLM을 연결했습니다. 다만 그 전에 누가 어떤 AI를 어떻게 쓰게 할지부터 정해야 했습니다. AI 사용을 통제하기 어렵다는 세 번째 문제와 직접 관련된 결정이었기 때문입니다.
 

3-1. 키와 도구 범위는 프로젝트에서 관리

AI 사용 방식은 고객사마다 다릅니다. 운영팀이 전체를 관리하는 것이 가장 좋지만, 현실에서는 사용자가 각자 키를 등록하고 사용 승인을 받는 경우가 많습니다. 이렇게 되면 운영팀은 누가 어떤 AI를 어디에 연결해 쓰는지 관리하기 어렵고, 관리되지 않는 연결은 곧 보안 취약점으로 이어집니다.
그래서 Woodpecker는 LLM 연동을 개인이 아닌 프로젝트 단위로 관리합니다. 프로젝트 화면에서 Claude API 키를 등록하면 개발 환경이 열릴 때 그 키로 AI 어시스턴트가 설정되고, 키는 작업 폴더나 코드에 남지 않습니다. AI가 쓸 수 있는 도구의 범위도 관리자가 정하기 때문에, 운영팀은 개인 PC를 하나씩 확인할 필요 없이 프로젝트에서 한 번에 관리할 수 있습니다.
 

3-2. 폴더 규칙만 알면 배포까지 이어지는 바이브 코딩

관리 체계를 갖추고 나니 망 분리 환경에서 가장 먼저 포기해야 했던 바이브 코딩도 쓸 수 있게 됐습니다. 다만 일반적인 바이브 코딩은 코드가 완성되면 끝나기 때문에 그 코드를 실행하고 팀에 공유하고 매일 실행되도록 설정하는 일은 여전히 담당자가 직접 해야 합니다.
Woodpecker에서는 이 단계까지 대화로 진행할 수 있습니다. 앱과 자동화는 정해진 폴더에 정해진 파일을 두면 플랫폼이 이어서 처리하는 구조라서, AI는 메뉴 위치를 몰라도 폴더 규칙만 알면 되기 때문입니다. AI가 규약에 맞춰 코드와 파일을 만들면 사용자는 변경 내용을 확인한 뒤 미리보기·배포·반영 버튼만 누르면 되고, 이렇게 역할이 나뉘면서 분석부터 앱 배포와 자동화까지 대화로 이어집니다.
notion image
 
 

4. 예시: 공정별 불량률 대시보드를 만들고 자동화하기

공정별 불량률 대시보드를 예로 들어 실제 작업 과정을 소개합니다. 대시보드를 만들어 팀에 공유하고, 매일 아침 데이터가 새로 집계되도록 자동화하기까지 사용자는 AI와 대화하며 필요한 버튼만 누르면 됩니다. 아래 화면과 대화 내용은 이해를 돕기 위해 만든 예시입니다.
notion image
 

4-1. 데이터 조회: 규약 파일부터 읽는 AI

notion image
사용자가 지난 7일의 공정별 평균 불량률을 조회해 달라고 하면 AI는 검사 테이블(iceberg.fab.inspection)을 지난 7일로 좁혀 조회하는 셀을 노트북에 추가합니다. AI가 테이블 위치와 조회 방법을 정확히 아는 것은 작업 전에 워크스페이스의 규약 파일(CLAUDE.md)부터 읽기 때문입니다. 이 파일에 테이블이 어느 카탈로그에 있는지, 어떤 헬퍼로 조회해야 하는지가 적혀 있어 AI가 짐작으로 코드를 작성하지 않습니다.
 

4-2. 앱 생성: 배포될 경로에 바로 만들기

notion image
이 쿼리로 대시보드 앱을 만들어 달라고 하면 AI가 앱 폴더에 app.py와 wp.yaml을 만듭니다. 조회에는 q() 헬퍼를 쓰기 때문에 DB 접속 정보가 코드에 들어가지 않으며, 사용자는 변경 내용을 비교 화면에서 확인한 뒤 수락하거나 거절하면 됩니다.
AI가 처음부터 앱 폴더에 파일을 만드는 이유는 앱이 정해진 경로에 있어야 배포되기 때문입니다. 다른 경로에 만들면 오류 메시지 없이 배포만 되지 않아 원인을 찾기 어렵습니다. 파일이 정해진 경로에 만들어지면 사용자는 편집기 위쪽 [미리보기 실행]으로 화면을 띄워 보고 "차트를 막대로 바꿔 줘"처럼 말로 고쳐 나가면 됩니다.
 

4-3. 앱 배포: 배포 버튼은 사람이 직접

notion image
화면을 확인한 뒤 팀에 공유하자고 하면 AI는 배포 방법만 안내합니다. 사용자가 [앱 배포] 버튼을 직접 누르면 이 앱 폴더만 저장소에 반영돼 사내 URL로 배포되고 작업 중인 다른 파일은 함께 올라가지 않습니다.
이렇게 코드를 만드는 일과 저장소에 반영하는 일을 나눠 두었기 때문에 배포 여부는 언제나 사람이 판단합니다. 앱은 처음에 비공개로 배포되므로 공유 앱 화면에서 공유 대상만 지정하면 되고, 이 과정에서도 git 명령은 필요하지 않습니다.
 

4-4. 작업 자동화: DAG 코드 없이 Airflow 등록

notion image
마지막으로 매일 아침 7시에 데이터를 집계해 테이블을 갱신해 달라고 하면 AI가 자동화 폴더에 집계 코드를 만들고, 이 코드는 wp.table("defect_daily", df)로 결과를 테이블에 저장합니다. 사용자는 [자동화 설정]에서 이 파일과 주기(매일 07:00)를 고른 뒤 [반영]을 누르면 됩니다.
이 과정에서 Airflow DAG 코드는 따로 작성하지 않습니다. 반영이 끝나면 플랫폼이 Airflow 작업을 만들어 반영 시점의 코드로 매일 실행하고, 사용자는 실행 결과와 로그를 VSCode 안에서 확인합니다. 대시보드를 만들어 배포하고 매일 갱신되게 하기까지 git 명령이나 DAG 코드, Airflow 화면을 직접 다룰 필요가 없었습니다.
 
 

5. AI에게 맡기지 않은 4가지

AI를 연결하면서 가장 경계한 점은 AI가 스스로 너무 많은 일을 처리하는 것이었습니다. 당장은 편리해 보여도 운영 환경에서는 통제를 벗어나게 되기 때문입니다. 그래서 AI에게 맡길 일은 코드와 파일 작성, 사용 방법 안내로 한정하고, 맡기지 않을 일부터 정했습니다.
notion image
 

5-1. 자격 증명: AI가 접근할 수 없는 곳에 보관

Claude API 키와 Git 토큰은 개발 환경이 열릴 때 주입되고 코드나 작업 폴더에는 남지 않습니다. DB 비밀번호는 아예 저장하지 않고 접속할 때 사람이 직접 입력합니다. 이처럼 AI가 읽을 수 있는 곳에 자격 증명을 두지 않기 때문에 대화에 섞여 들어갈 일도 없습니다.
 

5-2. 환경 정보: 규약 파일 한 곳에 기록

카탈로그 구조, 결과 저장 위치, 수정하면 안 되는 테이블 같은 정보는 규약 파일(CLAUDE.md) 한 곳에 적어 둡니다. AI가 모르는 내용을 짐작으로 채우지 않도록 규약 파일에는 직접 확인한 내용만 담습니다.
 

5-3. 배포와 반영: 사람이 버튼으로 결정

AI가 파일을 고치거나 명령을 실행하려면 먼저 사용자의 승인을 받아야 합니다. 사용자는 비교 화면에서 AI가 고친 파일을 확인하고, 원하지 않으면 거절해 변경을 되돌릴 수 있습니다. 저장소 반영과 배포, 자동화 반영은 사람이 버튼을 눌러야만 이뤄집니다.
 

5-4. 운영: 반영된 코드 그대로 실행

매일 실행되는 자동화에는 AI가 관여하지 않습니다. 반영 시점의 코드가 그대로 Airflow에서 실행되고, 실행할 때마다 AI가 SQL이나 저장 위치를 새로 정하지도 않습니다. 개발은 대화로 유연하게 하되 운영은 예측할 수 있어야 하기 때문입니다.
 
 

6. 고객사별 차이는 이미지가 아닌 설정으로 맞추기

고객사마다 데이터 카탈로그와 권한 체계, 쓰는 AI 서비스가 모두 다릅니다. 이 차이에 맞춰 고객사별 이미지를 따로 만들면 유지보수 부담이 빠르게 커지기 때문에, 고객사마다 달라지는 부분은 이미지에서 분리했습니다.
 
달라지는 것
바꾸는 곳
접속 정보·AI 키
프로젝트에 등록하고 개발 환경이 열릴 때 주입합니다. 키가 바뀌어도 이미지는 그대로입니다
카탈로그·저장 규칙
규약 파일(CLAUDE.md)과 헬퍼 라이브러리에 담습니다. 규칙이 바뀌면 그 파일만 고칩니다
AI가 쓸 수 있는 도구
고객사 보안 기준에 맞춰 관리자 설정으로 켜고 끕니다
 
이렇게 하면 이미지는 그대로 두고 고객사별 차이는 설정과 규약 파일로 맞출 수 있습니다. 그래서 저희가 말하는 고객사 맞춤형은 고객사마다 화면을 새로 만드는 일이 아닙니다. 같은 환경 위에서 AI가 그 회사의 데이터와 개발 규칙을 정확히 알고 일하도록 만드는 일입니다.
 
 

7. 마치며

Woodpecker는 망 분리된 제조 현장에서 겪던 3가지 문제를 하나씩 해결해 왔습니다. 이제 모두가 같은 환경에서 일하고 만든 결과를 전사에 공유하며, 운영팀은 그 현황을 한 화면에서 관리합니다. 이 기능들이 이미 저장소와 규칙으로 연결돼 있었기 때문에 마지막으로 LLM을 연결하는 것만으로 분석부터 배포와 자동화까지 대화로 이어질 수 있었습니다.
이 과정에서 저희가 계속 지킨 기준은 AI는 만들고, 결정은 사람이 한다는 것입니다. 망 분리 환경에서도 분석가들이 배포나 자동화 같은 부수적인 일보다 데이터와 문제에 더 오래 집중할 수 있기를 바랍니다.
AI 개발·운영 플랫폼 Woodpecker를 살펴보세요. 👉🏻 Woodpecker 자세히 살펴보기
 
 

 
 

 
 
함께 보면 좋은 아티클
바이브 코딩에 하네스를 채우다: Design Studio | 엑셈
FE1팀 김재선은 바이브 코딩 결과가 디자인 시스템과 따로 노는 문제를 풀기 위해 사내 도구 Design Studio를 만들었습니다. 화면 단위 작업과 최종 판단은 사람이 내리는 설계를 공유합니다.
바이브 코딩에 하네스를 채우다: Design Studio | 엑셈
https://ex-em.com/ko/blog/harness-design-studio-vibe-coding
바이브 코딩에 하네스를 채우다: Design Studio | 엑셈
우리가 MSA를 선택한 이유(Woodpecker 15개 서비스 해부) | 엑셈
AI솔루션1팀은 MLOps 플랫폼 Woodpecker를 처음부터 15개 독립 서비스로 분리해 배포 리스크와 언어 제약 문제를 해결했습니다. Java와 Python을 함께 쓰는 폴리글랏 구조를 공유합니다.
우리가 MSA를 선택한 이유(Woodpecker 15개 서비스 해부) | 엑셈
https://ex-em.com/ko/blog/why-woodpecker-uses-msa-architecture
우리가 MSA를 선택한 이유(Woodpecker 15개 서비스 해부) | 엑셈
 
Table of Contents
AI는 만들고, 결정은 사람이 합니다1. 망 분리된 제조 현장에서 개발이 어려운 점 3가지2. 앱 배포와 자동화를 형상관리로 묶은 개발 환경2-1. 같은 환경: 이미지 스냅샷으로 개발 환경까지 공유2-2. 전사 공유: 버튼을 누르면 저장소 반영과 배포까지2-3. 운영 관리: 배포된 앱을 한 화면에서3. LLM 연결: 프로젝트 단위로 관리하는 AI 어시스턴트3-1. 키와 도구 범위는 프로젝트에서 관리3-2. 폴더 규칙만 알면 배포까지 이어지는 바이브 코딩4. 예시: 공정별 불량률 대시보드를 만들고 자동화하기4-1. 데이터 조회: 규약 파일부터 읽는 AI4-2. 앱 생성: 배포될 경로에 바로 만들기4-3. 앱 배포: 배포 버튼은 사람이 직접4-4. 작업 자동화: DAG 코드 없이 Airflow 등록5. AI에게 맡기지 않은 4가지5-1. 자격 증명: AI가 접근할 수 없는 곳에 보관5-2. 환경 정보: 규약 파일 한 곳에 기록5-3. 배포와 반영: 사람이 버튼으로 결정5-4. 운영: 반영된 코드 그대로 실행6. 고객사별 차이는 이미지가 아닌 설정으로 맞추기7. 마치며