기능 개발엔 애자일, AI 실험엔 CRISP-DM, 운영 티켓엔 칸반 — 셋을 한 팀에서 굴리는 법

기능 개발 백로그에 AI 실험 태스크와 인프라 장애 티켓이 같이 쌓이는 팀을 드물지 않게 본다. 세 가지는 리듬도 측정 기준도 다른데 같은 프로세스로 밀어 넣으니 어느 쪽도 제대로 굴러가지 않는다. Agile for IT, CRISP-DM for AI Projects, Kanban Workflows는 각자 다른 문제를 푸는 프레임워크이고, 이 차이를 인지하고 라우팅하는 하이브리드 설계가 필요한 이유가 여기 있다.

프레임워크는 각자 다른 문제를 푼다

Agile for IT는 스프린트 기반 반복·증분적 딜리버리 중심의 운영 프레임워크 집합이다. 스크럼·칸반을 혼합해 쓸 수 있고, 백로그 기반 가치 우선순위화와 지속적 피드백 루프를 강조한다. CRISP-DM for AI Projects는 비즈니스 이해→데이터 이해→데이터 준비→모델링→평가→배포로 이어지는 데이터 과학 표준 프로세스로, 실험 추적과 데이터·모델 버전 관리, 배포·모니터링과의 연계가 필요하다. Kanban Workflows는 풀(Pull) 기반 흐름 최적화와 WIP(Work-In-Progress) 제한으로 처리량·대기시간을 제어하는 방식이며, 가시화 보드를 중심으로 운영하고 변경·운영 티켓이나 플랫폼·인프라 작업에 특히 맞는다.

누가 책임지고 언제 리듬을 맞추나

거버넌스도 프레임워크마다 다르게 짠다. 애자일은 PO·스크럼마스터·개발팀의 역할을 분리해 인크리먼트 품질과 가치 기반 의사결정을 지향하고, CRISP-DM은 데이터 사이언티스트·ML 엔지니어·도메인 오너의 단계별 책임을 명확히 하며 스테이지 게이트(평가·승인)를 운영한다. 칸반은 서비스 오너·온콜·플랫폼 엔지니어를 중심에 두고 WIP 정책과 표준·긴급 같은 서비스 클래스를 정의해야 한다.

리듬(Cadence)도 마찬가지다. 애자일은 1~2주 스프린트로 계획·리뷰·회고를 정기 캘린더에 올리고 릴리스 버스나 지속 배포와 연동한다. CRISP-DM은 페이즈별 마일스톤과 승인 기준을 정의하고 데이터 소싱·실험 주기에 맞춘 의사결정 창구를 둔다. 칸반은 지속 흐름을 기본으로 하되 데일리 스탠드업과 서비스 레벨 기대치(SLE)로 리듬을 관리한다.

산출물이 말해주는 것

애자일은 제품 백로그, 스프린트 백로그, DoR/DoD 기준서, 버전별 릴리스 노트를 만든다. CRISP-DM은 데이터 카탈로그, 피처 저장소, 실험 기록(파라미터·메트릭), 모델 카드, 배치·온라인 서빙 플레이북으로 쌓인다. 칸반은 시각화 보드(열 정의), 정책 문서, 표준 변경 템플릿, 사건 보고서(Postmortem)를 남긴다. 산출물의 종류만 봐도 각 프레임워크가 무엇을 책임지는지 드러나는 셈이다.

측정 기준이 다르면 관리 방식도 달라진다

애자일은 속도(Velocity), 번다운·번업, 결함 밀도를 보고 스프린트 회고로 프로세스를 개선한다. CRISP-DM은 모델 성능(ROC-AUC·F1·MAE 등), 데이터 품질 지표, 드리프트·관측 커버리지를 모니터링한다. 칸반은 리드타임·사이클타임·처리량(Throughput)과 WIP·대기열 체증을 감시한다. 세 프레임워크를 같은 대시보드에 욱여넣기보다, 각자의 지표를 유지한 채 상위 거버넌스에서 통합해서 보는 편이 현실적이다. 칸반 라우팅을 적용하면 리드타임이 20~40% 단축되고 WIP는 30% 내외 감소할 수 있다.

자동화가 붙는 지점

애자일은 이슈 트래킹(Jira 등), CI/CD, 피처 토글, 배포 자동화로 뒷받침된다. CRISP-DM은 데이터 버저닝(DVC·LakeFS), 실험 추적(MLflow), 모델 레지스트리, 피처 스토어, 모델 모니터링이 연계된다. 칸반은 알림·온콜(Opsgenie·PagerDuty), 변경 승인 표준화, IaC 기반 반복 가능 배포로 자동화 범위를 넓힌다.

프레임워크	성능(딜리버리 속도/가치)	확장성(조직 스케일링)	일관성(프로세스 표준화)	안정성(품질/리스크)	운영 편의(가시성/도입 난이도)
Agile for IT(스크럼 중심)	기능 딜리버리 속도 높음, 가치 정렬 용이	스케일드 애자일로 확장 가능	스프린트·의식 절차로 중간	테스트·자동화 성숙도에 의존	도입 난이도 중간, 가시성 높음
CRISP-DM for AI	탐색·실험 적합, 모델 성능 최적화	팀·플랫폼 성숙도 필요	페이즈·게이트로 높음	데이터·모델 리스크 관리 우수	도입 난이도 높음, 가시성 중간
Kanban Workflows	흐름 최적화, 대기시간 단축	서비스 단위로 확장 용이	정책·WIP로 높음	변경·운영 안정성 우수	도입 난이도 낮음, 가시성 높음

하나로 묶는 라우팅 규칙

과업이 들어오면 IT 기능·AI 데이터·운영 티켓 중 어디에 속하는지부터 분류한다. AI·데이터 과업이면 CRISP-DM의 비즈니스 이해→데이터 이해→데이터 준비→모델링→평가→배포 단계를 거쳐 모델·리포트·배포 산출물을 낸다. 운영 티켓이면 칸반의 To Do→In Progress→Review→Done을 WIP 제한과 함께 돌려 패치·운영 변경을 만든다. IT 기능 개발이면 애자일 스크럼의 백로그→스프린트 계획→개발/테스트→리뷰/회고를 거쳐 인크리먼트를 낸다. 세 경로 모두 검증·승인 단계로 모이고, 결함이 발생하면 원인 분석→재작업→재검증을 거쳐 다시 검증으로 돌아간다.

⤢✕

실무에서는 이렇게 나타난다

엔터프라이즈 IT 제품 개발은 애자일 스프린트로 신규 기능을 딜리버리하고 칸반으로 운영 이슈를 병행 처리하며, 릴리스 버스와 변경 캘린더를 연동한다. 스프린트 목표 달성률, 배포 실패율, 변경 리드타임을 지표로 보며, 이런 병행 운영으로 배포 실패율은 20~50% 줄어들 수 있다.

AI 분석·머신러닝 프로젝트는 CRISP-DM 페이즈 기반으로 실험 주기를 운영하고 모델 레지스트리·피처 스토어를 연계한다. 배포 후에는 데이터·모델 드리프트를 관측해 재학습 워크플로우를 자동화한다. 모델 오프라인·온라인 성능, 재학습 주기, 데이터 품질 경보 건수가 지표이며, 이 관측 체계를 갖추면 모델 성능 저하 탐지 리드타임도 30% 단축되는 것으로 보고된다.

플랫폼·인프라 운영은 칸반으로 표준 변경·사건 대응 흐름을 최적화하고 WIP 제한으로 대기열을 제어하며, IaC 기반으로 반복 가능한 배포를 구성한다. 평균 복구 시간(MTTR), 변경 실패율, 사이클타임을 본다.

하이브리드 제품 팀은 기능 백로그는 애자일로, 데이터·AI 이슈는 CRISP-DM 태스크로 분리하고, 운영은 칸반으로 라우팅한다. 공통 거버넌스 위원회가 우선순위와 용량을 조정하는 역할을 맡는다.

도입은 규칙부터, 자동화는 우선순위로

초기 설계 단계에서는 작업 라우팅 규칙(IT 기능·AI·운영 분리)과 공통 백로그 정책을 먼저 정하고, DoR/DoD·WIP 제한·스테이지 게이트 기준을 문서화한다. 메트릭을 선정하고 대시보드를 구축할 때도 Lead/Cycle Time, Velocity, 모델 지표, 변경 실패율을 함께 올려둔다.

운영 단계에서는 스프린트 캘린더, 데일리 스탠드업, CRISP-DM 게이트 리뷰 같은 정기 리듬을 돌리고 온콜·사건 대응 루틴을 정착시킨다. CI/CD, 데이터·모델 버전관리, 테스트·검증 파이프라인, 변경 승인 자동화를 우선순위로 둔다.

리스크 관리는 두 갈래로 나뉜다. 데이터 리스크는 스키마·분포 드리프트 경보를 롤백·재학습 절차로 연결하고 실험 재현성을 확보하는 게 핵심이고, 변경 리스크는 피처 토글·블루/그린·카나리 전략과 비기능 요구사항(NFR) 사전 검증으로 다룬다.

라우팅 규칙은 단순하게 유지하고 메트릭은 최소 유효 집합만 운영하며 표준 아티팩트 템플릿을 쓰는 게 모범사례로 꼽힌다. 다만 이 도입 과정에서 스프린트 규율과 흐름 유연성, 탐색적 실험 속도와 배포 안정성, 정책 엄격성과 팀 자율성 사이에서 매번 균형을 잡아야 한다는 점은 피할 수 없다. 세 프레임워크의 목적과 메커니즘 차이를 인지한 하이브리드 거버넌스를 세우고, 입력→분류→처리→검증→배포라는 공통 절차와 측정·피드백 루프를 표준화한 뒤 단계적으로 도입하는 편이 효과를 극대화하는 길이다.