프로젝트로 돌아가기

팀 운영 중 · 개선 중

BerryTicket

디스코드 대화에 흩어진 팀 업무를 AI가 모아 업무로 정리하고, 봇으로 확인할 수 있게 한 업무 관리 시스템입니다.

디스코드 대화에 흩어진 팀 업무를 AI가 모아 업무로 만들고, 디스코드 봇으로 확인하게 하는 시스템입니다. 팀의 동의를 받아 생성 AI를 활용해 혼자 만들었고, 운영 10일간(2026년 10월 16~25일) 업무 변경 기록의 약 94%를 자동으로 처리했습니다. 맥 앱 Betty는 배포 준비 중이며, 운영하면서 계속 개선하고 있습니다.

결과업무 변경 기록의 약 94%를 자동 처리 · 일상적으로 생긴 새 업무의 91%를 대화에서 자동 생성

기간
2026.10 - 현재
담당 범위
생성 AI를 활용한 1인 개발 · 서버 · AI 추출 · 맥 앱 · 디스코드 봇
팀
1인 개발(생성 AI 활용) · 팀원 17명(등록 13명)이 사용
저장소
비공개 리포지토리

업무가 대화 속에 묻혀 있었습니다

Blueberry Team에서는 업무 요청과 진행 상황이 디스코드 대화에서 생겨납니다. 대화는 금방 흘러가 버려서 누가 무엇을 하고 있는지 보기 어려웠습니다. 이전에는 업무를 관리하는 구조가 없어 비어 있는 일을 그때그때 잡아서 하는 식이었고, 활동을 쉬게 되는 팀원도 많았습니다(본인 회고). 역할이 분명한 팀일수록 누군가가 업무 관리를 계속 맡는 일이 부담이 됩니다.

그래서 제가 맡아, 팀의 동의를 받아 대화를 AI가 읽고 업무를 만들며 진행·완료를 반영하는 BerryTicket 서버와 디스코드 봇을 생성 AI를 활용해 혼자 만들었습니다. 팀원 17명(휴식 중인 인원 포함) 중 등록된 13명이 쓰고 있습니다. 맥 앱 Betty는 팀 배포를 준비하고 있습니다. 운영 시작 약 1주로, 운영하면서 전체를 고쳐 나가는 단계입니다.

운영 10일간(2026년 10월 16~25일) 업무 변경 기록 1,469건 중 약 94%(1,386건)가 대화 읽기와 GitHub·Figma 대조로 자동 기록됐고, 사람이 손으로 바꾼 것은 83건이었습니다. 첫날 지난 대화를 한꺼번에 정리한 분을 빼면, 일상 운영에서 생긴 업무 175건 중 160건(91%)이 대화에서 자동으로 만들어졌습니다. 자동으로 한 연결과 진행·완료 반영 723건 중 사람이 되돌린 것은 0건이었습니다. 디스코드 봇에는 등록 팀원 13명 중 9명이 말을 걸었습니다.

대화를 업무로 바꾸고, 담당자가 비지 않게

업무 요청과 진행 상황은 대화 속에서 생기지만, 그대로 두면 흘러가 버려 나중에 목록으로 볼 수 없습니다.

팀원에게 다른 도구에 입력을 요구하면 오래가지 않습니다. 반면 진행 중인데 담당자가 없는 업무가 남으면 아무도 손대지 않은 채 멈춥니다.

Codex가 대화를 읽고 업무 생성과 진행·완료 반영을 맡도록 했습니다. 담당자 없는 업무를 자동으로 진행 중·완료로 바꿀 때, 근거 메시지를 쓴 사람이 등록된 팀원 한 명뿐이면 그 사람을 담당자로 지정합니다. GitHub에서는 PR 작성자나 담당자가 한 명뿐인 이슈의 담당자를 씁니다. 작성자가 여러 명이거나, 모르는 계정이거나, 이미 담당자가 있으면 비워 두고, 자동 처리를 되돌리면 지정도 함께 풀립니다.

적용 전(2026년 10월 24일)에는 진행 중 업무 70건 중 45건에 담당자가 없었습니다. 같은 날 적용했고 효과는 측정 중입니다. 지난 업무를 소급해서 바꾸지는 않았습니다.

구현 세부사항 보기
  • 디스코드 대화에서 AI로 업무 생성
  • 진행·완료 발언을 기존 업무에 반영
  • 판단할 수 있을 때만 담당자를 자동 지정하고, 애매하면 비워 둠

자동으로 정하는 구조에서는 정할 수 있는 조건보다, 정하지 않고 비워 둘 조건을 먼저 정하는 것이 중요하다는 점을 배웠습니다.

물어보면 바로 답하게

봇에 “할 일 알려줘”라고 물을 때마다 AI 모델을 호출해서 답장까지 약 30초가 걸렸습니다.

업무 목록은 이미 데이터베이스에 있었고, 답에 필요한 것은 정리뿐이었습니다. 기다리는 시간이 길면 봇에 묻기보다 직접 찾는 편이 빨라집니다.

업무 조회에서는 모델 호출을 없애고 데이터베이스에서 꺼낸 업무를 템플릿으로 돌려주게 했습니다. 완료는 답장의 버튼으로 바로 처리할 수 있습니다.

변경 전에는 2026년 10월 21~24일 운영 로그 72시간 분량에서, 모델이 답한 대화 16~17건의 중앙값이 준비 8.0초 + 생성 23.2초(생성 p90 50.5초)였습니다. 변경 후에는 10월 24일 1회 측정에서 봇이 메시지를 받고 답장을 보내기까지 1.2~1.4초였습니다(단일 측정). 정해진 질문이 아닌 대화는 지금도 모델이 답해 30초 안팎이 걸립니다.

구현 세부사항 보기
  • 업무 조회에서 모델 호출 제거
  • 템플릿 응답으로 내 업무 반환
  • 답장 버튼으로 완료 처리

AI 기능이라도 답이 이미 데이터에 있다면 모델을 호출하지 않는 편이 더 빠르고 확실하다는 점을 배웠습니다.

AI를 부르는 횟수와 양을 줄이기

대화를 읽을 때마다 AI를 부르면 비용과 대기 시간이 대화량만큼 늘어납니다.

너무 줄이면 업무를 놓치게 됩니다. 추출 품질을 지키면서 호출 횟수와 넘기는 양을 줄여야 했습니다.

기존 업무와 대조할 때는 모델이 실제로 읽는 항목만 넘기고, 확인은 원본 데이터로 따로 하게 했습니다. 실시간 추출은 대화가 30초 멈출 때마다 부르던 것을, 2분 멈췄을 때(최대 10분) 한 번에 묶어 부르도록 바꾸고, 웃음이나 이모지만 있는 메시지로는 부르지 않게 했습니다.

2026년 10월 22일 변경으로 1시간마다 도는 디스코드 대조 1회당 입력 토큰이 평균 202,472에서 104,074로 약 49% 줄었습니다(변경 전후 각 4회 평균). 실시간 추출은 직전 24시간의 실제 메시지 1,854건으로 규칙만 바꿔 재현한 시뮬레이션에서 229회에서 103회로 55% 줄었습니다(재현의 기준이 된 실제 호출은 231회). 대신 추출까지 평균 대기 시간이 약 4.9분으로 늘어납니다.

구현 세부사항 보기
  • 대조에는 모델이 읽는 항목만 넘기고, 확인은 원본 데이터로
  • 추출은 2분 조용할 때(최대 10분) 묶어서 호출
  • 웃음·이모지만 있는 메시지로는 호출하지 않음

AI의 비용과 속도는 모델 선택보다 언제 무엇을 넘기느냐에 따라 크게 달라지고, 줄일 때마다 대기 시간과의 트레이드오프를 숫자로 확인해야 한다는 점을 배웠습니다.

작업 도구와 업무를 한곳에

업무는 GitHub PR·이슈와 Figma 변경과도 이어져 있지만, 각각 다른 곳에 있었습니다.

보드를 보려면 브라우저를 열어야 한다면 매일 확인하는 습관이 되지 않습니다.

GitHub 이슈·PR은 읽기 전용으로 주기적으로 동기화하고, 본문의 업무 번호·디스코드 링크·closes 참조로 먼저 연결한 뒤 나머지는 AI가 범위를 비교해 연결하거나 확인을 요청합니다. Figma는 파일과 댓글을 주기적으로 가져와 이전과 비교하고, 바뀐 화면이나 새 요청을 기존 업무와 대조합니다. 아울러 Go·Wails v3·Svelte 5로 맥 앱 Betty를 만들고 있으며, 팀 배포를 준비하고 있습니다. 로그인은 디스코드 OAuth입니다.

디스코드 봇에는 등록 팀원 13명 중 9명이 말을 걸었습니다(10월 16~24일). 자동으로 한 연결과 진행·완료 반영 723건 중 사람이 되돌린 것은 0건이었습니다. 맥 앱은 아직 팀 배포 전입니다.

구현 세부사항 보기
  • GitHub는 업무 번호·링크·closes 참조로 연결하고, 나머지는 AI가 비교
  • Figma는 주기적으로 가져온 스냅샷 차이를 업무와 대조
  • 내 할 일·팀 보드·체크리스트·휴지통·정리 모드를 갖춘 맥 앱

도구를 늘리기보다 이미 쓰는 곳에 업무를 가져다 놓는 편이 더 많이 쓰인다는 점을 배웠습니다.

업무가 흐르는 길

대화에서 업무를 만들고 어디서든 같은 업무를 보게

  1. 01

    디스코드 대화

    요청·진행·완료

  2. 02

    BerryTicket 서버

    Node.js · SQLite · Docker Compose

  3. 03

    AI 추출

    Codex로 업무 생성·반영

  4. 04

    작업 도구 연결

    GitHub · Figma (주기 동기화)

  5. 05

    보는 곳

    디스코드 봇 · 맥 앱 Betty (배포 준비 중)

팀원 17명 중 등록된 13명이 쓰고 있습니다(운영 시작 약 1주). 수치는 운영 중인 데이터베이스와 로그에서 확인했습니다. 저장소는 비공개이고, 화면은 데모 데이터로 촬영했습니다.

AI에 맡길 부분과 데이터로 정해지는 부분을 나눠서 생각하게 됐습니다.

아직 검증하지 않은 범위

운영을 막 시작해 전체적으로 계속 개선하는 단계입니다. 업무 조회의 변경 후 시간은 1회 측정, 추출 호출 감소는 실제 메시지로 돌린 재현 시뮬레이션이고, 담당자 자동 지정은 효과를 측정 중입니다. 자동 처리 비율은 업무 변경 기록 줄 수 기준이며, 한 번의 변경이 여러 기록을 남길 수 있습니다. 맥 앱은 아직 팀 배포 전입니다. 업무 추출 정확도와 누락, 팀의 업무 진행 변화는 아직 측정하지 않았습니다.

다음에 확인할 것

  • 업무 추출 정확도와 누락 측정
  • 사용자 의견으로 Betty 화면과 조작 개선
  • 업무가 실제로 더 빨리 진행되는지 확인