Leapmotor, 텐센트 WorkBuddy로 40여 개 업무 시스템 직접 구축…개발 공수 90% 절감
텐센트가 9월 23일 Leapmotor(零跑汽车)와 협업을 발표하고, 자사의 전 시나리오 AI 데스크톱 워크벤치 WorkBuddy를 Leapmotor 업무 환경에 투입했다. Leapmotor는 이 도구를 활용해 40개가 넘는 사내 시스템을 자체 구축했으며, 기존 개발 방식과 비교해 평균 약 90%의 공수 절감 효과를 냈다고 설명했다.
WorkBuddy는 로컬 파일 처리, 다중 작업과 다중 에이전트 병렬 실행, Skills와 MCP 생태계 연동 등을 지원하는 데스크톱형 AI 작업대다. 현재 Leapmotor의 차량 연구개발, 자율주행, 커넥티드카, 구매·공급망, 감사 등 여러 업무 영역에 적용됐다.
가장 먼저 언급된 사례는 프레스 금형 관리 시스템이다. 차체 제조의 첫 공정인 프레스에서 쓰이는 대형 패널 금형은 수십 톤에 달하고 가격이 비싸며 설계부터 제작까지 기간이 길다. 금형 대장, 타수 기록, 보전·수리, 수명 모니터링, 폐기 판정 등 12개 관리 모듈은 오랫동안 수기 장부와 숙련 인력의 경험에 의존해 왔고, 데이터가 흩어져 있고 갱신이 늦어 기록 오류나 누락이 생기면 생산 속도와 차체 품질에 바로 영향을 줬다.
기존 방식으로는 요구사항 정의와 설계에 12인일, 시스템 개발에 약 70인일이 들어 모두 100인일가량이 필요했다. 이런 성격의 요구사항은 규모가 작지만 현장의 통증이 큰 경우가 많아 정식 IT 프로젝트 일정에 끼어들기 어려웠다. Leapmotor는 AI가 코드를 생성하고 사람이 검토·연동을 맡는 협업 방식으로 이 시스템을 10인일, 약 2주 만에 올렸다. 투입 공수는 약 90% 줄었고, 금형 전 수명주기 관리에 처음으로 통일된 실시간 추적 플랫폼이 생겼다.
시험차 운영도 비슷하다. 신차 출시 전 시험차의 임시 번호판 발급, 운송 배치, 인도 진행 상황은 여러 부서가 엑셀 문서 하나를 주고받으며 관리해 누락과 버전 오류가 잦았다. WorkBuddy로 만든 시험차 라인오프·인도 추적 시스템은 라인오프, 임시 번호판, 운송의 세 단계를 하나로 묶어 69대 시험차 상태를 한 화면에서 실시간으로 보여준다. 임시 번호판 처리와 운송 배치는 버튼 하나로 피드백하고 완결 여부를 추적할 수 있다. 기존 개발로는 약 45인일이 필요했지만 AI 보조로 5인일 만에 끝냈고, 절감률은 약 89%다.
같은 방식이 다른 업무로도 번졌다. CTIC 소프트웨어 품질 관리 플랫폼은 약 90인일에서 8인일로(약 91% 절감), 스마트 콕핏 평가 체계 구축은 70인일에서 7인일로, 엔지니어링 디지털화 플랫폼 Leap-X는 180인일에서 18인일로, Leapmotor LIMS 실험실 정보 관리 시스템은 150인일에서 15인일로 줄었다. 모두 약 90% 수준의 절감이다. 40개가 넘는 시스템을 기존 방식으로 만들었다면 누적 1700인일 이상이 필요했지만, AI 개발 방식으로는 177인일로 압축됐다.
자율주행 영역에서는 내비게이션 제품 프로토타입을 빠르게 구성해 기능 검증과 반복 주기를 앞당겼고, 커넥티드카 영역에서는 트래픽 급증 구간의 운영 대응에 쓰였다. 구매·공급망 리스크 관리에서는 가격 변경 자동 알림과 승인 절차 전면 온라인화를 구현하고, AI 에이전트가 공급사 경영 상태를 계속 추적해 사후 대응을 사전 경고로 바꿨다.
Leapmotor가 강조한 변화는 공수 절감 자체보다 경험의 축적이다. 금형 관리, 시험차 배차, 품질 관리, 공급망 리스크 같은 현장 노하우는 대부분 숙련 직원 개인에게 남아 있었는데, WorkBuddy의 Skills 기능으로 재사용 가능한 형태로 묶어 전사에 개방했다. 텐센트는 Leapmotor와 협업을 넓혀 연구개발, 생산, 공급, 판매, 인도 등 더 많은 업무에 WorkBuddy를 적용하고 AI 네이티브 조직 전환을 함께 추진한다는 계획이다.
개발자 입장에서 눈에 띄는 지점은 AI 코딩의 성과가 개인 생산성이 아니라 사내 업무 시스템의 개발 공수로 측정됐다는 것이다. IT 일정에 오르지 못하던 현업의 작은 요구사항을 현업 담당자가 직접 시스템으로 만드는 구조는, 사내 도구 개발의 병목과 개발 조직의 역할 분담을 다시 생각하게 한다. 동시에 AI가 만든 코드를 사람이 검토하고 연동하는 절차가 여전히 전제라는 점, 그리고 반복되는 업무 경험을 스킬로 캡슐화해 자산화하는 방식이 함께 제시됐다.
다만 수치는 텐센트와 Leapmotor가 제시한 자체 집계로, 외부 검증은 이뤄지지 않았다. 인일 비교는 기존 개발 방식의 기준선을 어떻게 잡느냐에 따라 크게 달라질 수 있고, 절감률이 높게 나온 항목일수록 요구사항 정의 범위와 품질 기준이 함께 공개되지 않으면 그대로 일반화하기 어렵다. 로컬 파일 처리와 사내 데이터를 다루는 데스크톱형 에이전트라는 특성상 데이터 거버넌스와 권한 관리 문제도 남는다. 결과는 Leapmotor의 조직 규모와 업무 구조에 맞춰 나온 것이므로, 다른 회사가 같은 절감률을 기대하려면 자사 환경에서의 검증이 먼저 필요하다.