채널톡

AI 모델은 많지만 실제 Product AI 를 빌드하는 "AI 엔지니어" 가 부족하고, 현업에서 어떤 고민을 하는지 공유할 자리가 적다.

Kafka 토픽 생성 시 파티션 개수를 일관된 기준 없이 결정해 운영 편차가 컸다.

채널톡이 1년간 미뤄둔 WYSIWYG 에디터 렌더링 끊김을, Andrej Karpathy 의 Auto Research 방식(점수 오르면 keep, 안 오르면 git revert)으로 AI 에게 맡겨 최적화한 실험기를 다룬다. 핵심 교훈은 "더 똑똑한 모델"보다 체감 성능을 제대로 반영하는 평가 루프(점수표)를 설계하는 게 관건이라는 점이다.

User 테이블의 managed GSI 에 쓰기가 집중되면서 Back-Pressure 로 메인 테이블 쓰기까지 차단되는 장애가 발생했다.

채널톡 Desk 실시간 채팅 SaaS 에서 입력·소켓 처리 병목으로 사용자 INP 가 느렸다.

ALF AI 챗봇을 도입할 때 상담 프로세스를 처음부터 정의하느라 시간이 오래 걸렸다.

AI Native 레포만으로는 부족했고 팀챗·터미널·GitHub·Datadog 을 오가며 AI 를 수동 조율해야 했다.

채널톡 메인 백엔드 서버의 CI 가 36.6 분 걸려 개발 피드백 사이클이 느려졌다.

Istio Ambient mode 의 HBONE 터널링과 ztunnel 트래픽 리다이렉션이 실제로 어떻게 구현되는지 불명확했다.

온라인 컨퍼런스 피드백을 받아 오프라인 개발자 행사로 확장하면서 적정 인원과 참여 품질을 설계해야 했다.

마이크로서비스 규모 확대로 사이드카 기반 서비스 메시의 메모리·CPU 오버헤드와 운영 부담이 커졌다.

디자이너가 발견한 사소한 UI 버그가 개발 우선순위에서 밀려 백로그에 쌓이는 문제.

프로덕트 디자이너가 PRD 작성·프로토타이핑·고객 전달 산출물에 많은 시간을 소모한다.

AI 가 실행을 대신해주는 환경에서 디자이너의 역할이 모호해진다.

biz-crm 백오피스 검색이 타임아웃으로 8초씩 걸린다. LOWER() 함수가 인덱스를 무력화하는 게 원인이었다.

AI 코딩 에이전트의 성능만 믿고 맡기면 컨벤션 위반과 아키텍처 침범이 누적된다.

CX 매니저 커뮤니티 오프라인 밋업의 정체성이 모호해 참여자 결속이 약하다.

AI 코딩 도구가 CLAUDE.md 같은 문서 규칙을 무시해 아키텍처가 무너진다.

16.8억 레코드 User 테이블의 Badge 업데이트가 핫스팟을 만들어 전체 성능을 떨어뜨린다.

벌크액션 서버의 단일 Queue 에서 HOL Blocking 이 발생하고 인스턴스 단위 스케일링이 비효율적이다.