AI 사후심사 전환, AI Native 문화, 앵콜 자동화 — 2026년 상반기, 지금 집중하는 것들

Q: 왜 심사 체계를 바꾸는가?

크라우드펀딩 플랫폼의 심사는 서비스 신뢰의 핵심이다. 10년 넘게 "메이커가 프로젝트를 제출하면, 심사팀이 검수하고, 승인 후 오픈"하는 사전심사 구조로 운영해왔다. 하지만 이 구조에는 한계가 있다: | 문제 | 영향 | |------|------| | 심사 대기시간 | 메이커가 프로젝트 제출 후 오픈까지 기다려야 함 | | 인력 의존 | 프로젝트 수 증가 시 심사 인력이 병목 | | 확장성 부재 | 글로벌 확장 시 언어/시간대별 심사 인력 필요 | | 책임 구조 모호 | 플랫폼이 사전 검수하는 구조 → 책임이 플랫폼에 집중 |

윤동균

들어가며

2026년은 AI가 조직의 일하는 방식 자체를 바꾸는 해다.

2025년에 AI 도구를 도입하고 서비스에 AI를 내장했다면, 2026년은 한 단계 더 나아가 플랫폼의 핵심 운영 프로세스를 AI로 재설계하고, 모든 구성원이 AI와 함께 일하는 문화를 만드는 데 집중하고 있다.

지금 가장 많은 시간을 쏟고 있는 세 가지가 있다:

AI 사후심사 전환 — 10년간 유지된 사전심사 체계를 AI 모니터링 중심으로 전환
AI Native 전사 문화 — 개발자/비개발자 모두를 위한 AI 일하는 방식 설계
앵콜 제안 자동화 — Claude Skills + Snowflake MCP로 메이커 영업 리포트 자동 생성

1. AI 사후심사 전환: "5년 내 최대 변화"

왜 심사 체계를 바꾸는가

크라우드펀딩 플랫폼의 심사는 서비스 신뢰의 핵심이다. 10년 넘게 "메이커가 프로젝트를 제출하면, 심사팀이 검수하고, 승인 후 오픈"하는 사전심사 구조로 운영해왔다.

하지만 이 구조에는 한계가 있다:

문제	영향
심사 대기시간	메이커가 프로젝트 제출 후 오픈까지 기다려야 함
인력 의존	프로젝트 수 증가 시 심사 인력이 병목
확장성 부재	글로벌 확장 시 언어/시간대별 심사 인력 필요
책임 구조 모호	플랫폼이 사전 검수하는 구조 → 책임이 플랫폼에 집중

To-Be: AI 모니터링 중심 사후심사

flowchart LR subgraph AS_IS["As-Is: 사전심사"] A1["메이커\n등록"] --> A2["심사팀\n수동 검수"] A2 --> A3["승인 후\n오픈"] A3 --> A4["정산"] end subgraph TO_BE["To-Be: AI 사후심사"] B1["메이커\n등록"] --> B2["자동 체크"] B2 --> B3["즉시\n오픈"] B3 --> B4["AI Detection\n+ 리스크\n모니터링"] B4 --> B5["조치\n(경고/중지)"] B5 --> B6["정산 전\n최종 심사"] end

핵심 변화는 "오픈 전 검수"에서 "오픈 후 모니터링"으로의 전환이다.

목표	내용
메이커 경험 개선	프로젝트 즉시 오픈, 심사 대기시간 제거, 셀프 등록 기반 운영
플랫폼 확장성	심사 인력 중심 → AI 모니터링 중심, 프로젝트 증가 대응
책임 구조 명확화	플랫폼 검수 중심 → 메이커 책임 원칙 강화
리스크 관리 고도화	AI Detection + Risk Monitoring 기반 운영

6개 조직의 협업

이 전환은 기술만의 문제가 아니다. 6개 조직이 동시에 움직여야 하는 대규모 프로젝트다.

flowchart TB CTO["CTO\nAI 모니터링 시스템 구축"] LEGAL["법무/정책팀\n정책 설계, 약관 개정"] SD["서비스디자인팀\n메이커 등록 UX 설계"] RISK["리스크관리팀\n리스크 탐지 및 대응"] OPS["플랫폼운영팀\n사후 보완 및 프로젝트 관리"] SETTLE["정산심사팀\n정산 전 최종 Gatekeeper"] CTO --- LEGAL CTO --- SD CTO --- RISK CTO --- OPS CTO --- SETTLE LEGAL --- RISK SD --- OPS

CTO로서 내가 맡은 역할은 AI 모니터링 시스템 구축이다. 구체적으로:

AI Detection 엔진 — 프로젝트 스토리의 위반 사항을 AI가 자동 탐지
리스크 모니터링 대시보드 — 탐지 결과를 운영팀/심사팀이 실시간 확인
카테고리/태그 적정성 판단 — 노출 목적의 어뷰징 사례 자동 감지
가드레일 프롬프트 — AI가 생성하는 스토리 요약에 위반 방지 규칙 적용

GoFundMe에서 배운 것

해외 크라우드펀딩 플랫폼의 심사 체계도 리서치했다. GoFundMe의 경우, 사용자 신고 + 내부 모니터링 + AI 탐지의 3중 구조로 사기 캠페인을 걸러내고 있다.

플랫폼의 딜레마
크라우드펀딩 플랫폼은 "감정 기반 참여"가 높은 서비스다. 재난이나 사고 발생 시 선의의 모금이 빠르게 확산되지만, 동시에 사기 캠페인도 급증한다. 사전심사로는 이 속도를 따라갈 수 없다. AI 기반 실시간 모니터링만이 확장 가능한 해법이다.

현재 진행 상황

3월 대표님 1차 보고를 완료하고, 약관/정책 개정안 배포(4/6 예정)와 함께 4월부터 본격 실행에 돌입한다. 주간 TF 미팅을 통해 각 조직의 진행 상황을 점검하고 있다.

2. AI Native 전사 문화: "도구"에서 "일하는 방식"으로

왜 AI Native인가

2024년 Cursor를 도입하고, 2025년 Claude Code로 코드를 분석하고, WAi 에이전트를 서비스에 심었다. 하지만 이것만으로는 부족하다. AI를 잘 쓰는 몇 명이 아니라, 조직 전체가 AI와 함께 일하는 것이 당연한 문화를 만들어야 한다.

AI Native 조직이란: 단순히 AI 도구를 활용하는 차원을 넘어, 조직의 문화·업무 프로세스·기술 인프라 전체를 AI와의 시너지를 전제로 설계하고 최적화하는 접근 방식

8개 기업 사례 심층 리서치

3월, 국내외 AI Native 문화 사례를 집중 리서치했다.

기업	핵심 접근	성과
마이리얼트립	AI Lab → AX 교육으로 전환. "AI 전담팀 만들지 마세요"	CTO 직접 AI 개발, 디자이너가 Figma 플러그인 제작
라포랩스(퀸잇)	AX팀이 진입장벽 제거. Claude Code 중간고사 운영	HR 반나절 → 3분, 비개발자 95점
당근	AI Show & Tell 매주 운영. 비개발자 AI 도전 장려	디자이너가 Cursor로 플러그인 개발
토스	LLM 공작소. 현업 과제 + 전문가 매칭	14개 AI 기능 전사 활용
SK텔레콤	"1인 1AI" 선언. 2,000+ AI 에이전트	AX 대시보드로 부서별 추적
채널톡	IDE 자체를 Cursor로 교체. 2주 만에 결정	버그 대응/PR 리뷰 자동화
네이버	Cursor 수천 명 전면 도입	비개발자도 프로토타입 제작
크래프톤	AI를 게임 개발의 파트너로 활용	아트·기획·개발 전 영역

마이리얼트립에서 배운 핵심 교훈

가장 인상 깊었던 사례는 마이리얼트립의 **"AI Lab에서 AX 교육으로의 전환"**이다.

flowchart LR subgraph FAIL["❌ 실패: SI 모델"] F1["각 팀이\nAI Lab에\n요청"] --> F2["AI Lab이\n직접 개발"] F2 --> F3["유지보수까지\nAI Lab에 집중"] F3 --> F4["병목 발생\n확장 불가"] end subgraph SUCCESS["✅ 성공: AX 모델"] S1["각 팀이\n직접 AI로\n문제 해결"] --> S2["AI Lab이\n서포트"] S2 --> S3["병목 해소\n자생적 확산"] end

"AI 전담팀을 만들지 마세요. 모두가 AI를 이용해 스스로 문제를 해결할 수 있는 조직을 만드세요."

이 교훈은 우리 조직에도 직접 적용 가능하다. CTO 조직이 모든 AI 과제를 떠안는 것이 아니라, 각 팀이 직접 AI로 업무를 혁신하고, CTO 조직은 그것을 가능하게 하는 인프라와 교육을 제공하는 구조다.

라포랩스의 "90%는 100%가 아니다"

"90%는 100%가 아니다"
고속도로의 모든 차량이 자율주행이라면 500km/h로 달릴 수 있겠지만, 단 한 대라도 사람이 운전하는 차가 있다면 결국 모든 차는 100km/h로 달려야 한다. AI Native도 마찬가지. 개인이 아무리 잘 활용하더라도, 조직 전체가 동기화되지 않으면 속도는 가장 느린 지점에 맞춰진다.

이 비유가 강렬했다. 몇몇 엔지니어가 Claude Code를 잘 쓰는 것으로는 충분하지 않다. 전사가 움직여야 한다.

우리 조직을 위한 AI Native 방안

리서치를 바탕으로 비개발자와 개발자를 분리한 3단계 로드맵을 설계했다.

비개발자를 위한 방안

Phase	내용	기대 효과
1. 진입장벽 제거	AI 도구 라이선스 전사 지원, 직무별 "이것만 따라하면 됩니다" 가이드	"AI는 어렵다" 인식 해소
2. 실무 적용	LLM 공작소 운영 (현업 과제 + AI 챔피언 매칭), AI 활용 콘테스트	실제 업무에서 AI 활용 시작
3. 내재화	반복 업무 AI 재설계, AI + 인간 하이브리드 운영	일하는 방식 자체의 변화

개발자를 위한 방안

Phase	내용	기대 효과
1. 도구 환경 전환	AI 코딩 도구 "옵션"이 아닌 "기본 환경"으로 설정	IDE 레벨에서 AI 통합
2. 워크플로우 재설계	PR 리뷰 AI 자동화, 테스트 코드 AI 생성, 온보딩 AI 지원	개발 프로세스 AI 중심 재설계
3. 거버넌스 구축	승인된 AI 도구 관리, 감사 추적, 보안 규칙	안전한 AI 활용 환경

핵심 실행 원칙

원칙	비개발자	개발자
"쓰게 하라"	노코드 도구 + 라이선스 지원	IDE 교체 + Claude Code 기본 환경
"보여줘라"	비개발자 성공 사례 우선 공유	CTO/리드가 먼저 AI로 개발
"나누게 하라"	LLM 공작소 (현업+전문가 매칭)	AI 리더보드, 활용 사례 공유
"측정하라"	업무 시간 단축률, AI 활용률	개발 속도, PR 리뷰 시간

3. 앵콜 제안 자동화: Claude Skills + Snowflake MCP

배경: 앵콜 펀딩 활성화

크라우드펀딩에서 **앵콜(Encore)**은 첫 펀딩이 성공한 프로젝트가 다시 펀딩을 여는 것이다. 기존 서포터 기반이 있어 성공 확률이 높지만, 메이커에게 앵콜을 데이터 기반으로 제안하는 체계가 부족했다.

해결: AI가 리포트를 만든다

Claude Web의 Skills 기능과 Snowflake MCP 커넥터를 결합하여, 캠페인 ID 하나만 입력하면 성과 분석 + 앵콜 제안 리포트가 자동 생성되는 시스템을 구축했다.

flowchart LR INPUT["캠페인 ID\n입력"] --> SKILL["Claude Skills\n(3개 .md 파일)"] SKILL --> SQL["Snowflake MCP\n7단계 SQL 자동 실행"] SQL --> CALC["파생 지표 계산\n(CPA, ROAS, 전환율)"] CALC --> REPORT["Artifact 생성\n(HTML + Chart.js 5개)"] REPORT --> EMAIL["앵콜 제안\n이메일 발송"]

자동 분석 7단계

순서	분석 내용
Step 0	프로젝트 정보 + 상태 확인 (진행 중이면 중단)
Step 1	펀딩 성과 요약 (금액, 서포터, 취소율)
Step 2	결제수단별 분석 + 일별 결제 추이
Step 3	성별/연령대 분포
Step 4	활동 지표 (알림신청/찜하기/지지서명)
Step 5	트래픽 분석 (PV/세션/UV + UTM 채널)
Step 6	광고 성과 (유형별 + 영역별)

출력물: 인터랙티브 리포트

생성되는 Artifact는 10개 섹션으로 구성된 인터랙티브 HTML이다:

섹션	내용	시각화
프로젝트 개요	Hero + 달성률 게이지	—
종합 KPI 테이블	펀딩/광고/전환 지표	—
일별 펀딩 추이	금액 + 서포터 수	이중축 Line 차트
알림신청 전환 분석	퍼널	—
서포터 특성	성별/연령대	Doughnut + Bar 차트
트래픽 분석	채널별 PV	Horizontal Bar 차트
광고 성과	CPC/CPM 비교	Grouped Bar 차트
진단	잘된 점 / 아쉬운 점	—
액션 플랜	"Why 크라우드펀딩" 관점	—
앵콜 가이드	성공을 위한 추천 가이드	—

CLI에서 Web Skills로의 진화

이전에는 로컬 CLI + Node.js + Puppeteer로 리포트를 생성했지만, 이제는 Claude Web에서 바로 생성할 수 있다.

항목	기존 (CLI)	현재 (Claude Web Skills)
환경	로컬 CLI + Node.js	claude.ai 웹
차트	Puppeteer → PNG 5개	Artifact 내 Chart.js (인터랙티브)
출력	5개 파일 (MD/JSON/HTML/PDF/PNG)	Artifact 1개
소요 시간	15~20분	5~10분
사용자	개발자만	비개발자도 가능

비개발자가 직접 사용할 수 있다
이 시스템의 가장 큰 가치는 영업/마케팅 담당자가 직접 리포트를 생성할 수 있다는 것이다. Claude Web 프로젝트에 Skills 파일 3개를 업로드하고, 캠페인 ID만 입력하면 된다. CTO 조직에 데이터 분석을 요청하고 기다릴 필요가 없다.

4. 그 외 진행 중인 것들

Snowflake 주간 서비스 지표 분석 지속

2025년부터 이어온 주간 서비스 지표 분석은 2026년에도 계속되고 있다. v2로 업그레이드하여 KR 누적 목표 대비 달성률 분석을 포함했다.

월간실행점검회의 신설

2026년부터 월간실행점검회의를 신설했다. 기존 프로덕트발전회의가 주간 과제 조율에 집중했다면, 월간실행점검회의는 전사 차원의 실행 점검과 데이터 기반 의사결정에 초점을 맞춘다.

서비스 릴리즈 하이라이트

월	주요 릴리즈
1월	요금제 개편 대규모 런칭, WAi for Supporter P1 상담원 Agent 도입, 50건+ 배포
2월	WAi for Supporter P1 정식 출시(Web/iOS/Android), 182건 배포

5. 2026년 상반기를 관통하는 메시지

세 가지 축의 공통점

AI 사후심사, AI Native 문화, 앵콜 자동화 — 이 세 가지는 겉으로는 다른 프로젝트지만, 하나의 공통된 방향을 향하고 있다.

flowchart TB GOAL["AI가 조직의\n일하는 방식을 바꾼다"] A["AI 사후심사\n= 운영 프로세스를\nAI로 재설계"] B["AI Native 문화\n= 모든 구성원이\nAI와 협업"] C["앵콜 자동화\n= 반복 업무를\nAI에게 위임"] GOAL --> A GOAL --> B GOAL --> C

AI 사후심사는 플랫폼의 핵심 운영 프로세스를 AI로 재설계하는 것이고, AI Native 문화는 그 재설계를 실행할 수 있는 조직 역량을 만드는 것이고, 앵콜 자동화는 AI가 실제 비즈니스 가치를 만들어내는 구체적 사례다.

CTO 8년차의 관점

2019년에 서버 성능을 올리는 것이 가장 급했고, 2022년에 조직을 재설계하는 것이 핵심이었고, 2025년에 글로벌 서비스를 런칭하는 것이 목표였다.

2026년의 핵심 질문은 이것이다:

"AI가 우리 조직의 일하는 방식을 근본적으로 바꿀 수 있는가?"

심사를 AI가 하고, 데이터 분석을 AI가 하고, 리포트를 AI가 만들고, 코드 리뷰를 AI가 하는 세상. 그 세상에서 사람은 무엇을 해야 하는가?

답은 명확하다. 문제를 정의하고, 방향을 설정하고, AI가 만든 결과를 검증하고, 최종 의사결정을 내리는 것. AI가 "어떻게"를 담당하고, 사람이 "무엇을"과 "왜"를 담당하는 구조.

이것이 2026년 상반기, CTO로서 내가 집중하고 있는 것의 본질이다.

마치며

이 글을 쓰는 지금, AI 사후심사 약관 개정안이 다음 주 배포를 앞두고 있고, AI Native 문화 로드맵의 Phase 1이 시작되고 있고, 앵콜 제안 리포트가 실제 메이커에게 발송되고 있다.

8년 전, 웹 서버 2대를 8대로 늘리며 시작한 여정이 여기까지 왔다. 서버 대수를 늘리는 것에서, 조직 구조를 바꾸는 것에서, 광고 매출을 만드는 것에서, 글로벌 서비스를 런칭하는 것에서, 이제는 AI로 조직의 일하는 방식 자체를 재설계하는 것으로.

기술 리더의 일은 "최신 기술을 도입하는 것"이 아니라, "기술로 조직이 더 잘 일할 수 있게 만드는 것"이다. AI Native는 기술 트렌드가 아니라, 더 잘 일하기 위한 선택이다.

2026년 하반기에 이 선택의 결과를 공유할 수 있기를 기대한다.