I gave Claude six months of our retros. It found three things I'd missed.

개요

Claude AI를 활용하여 6개월간의 팀 회고 데이터를 분석한 결과, 사람이 놓치기 쉬운 패턴과 개선점을 발견했다.

주요 내용

• 회고 데이터 활용의 어려움: PM은 정기적으로 회고 내용을 검토하고 중요한 이슈를 추적하지만, 데이터 양이 많아 시간 부족으로 인해 실제 분석이 어렵고 직관에 의존하게 된다.
• Claude AI 기반 워크플로우 구축: Kollabe, Atlassian (Jira), GitHub의 MCP(Messaging and Conversation Platform) 서버에 연결된 Claude AI를 사용하여 과거 회고, 액션 아이템, 스탠드업 미팅 내용을 분석한다.
• 자동화된 회고 요약: 매주 월요일, Claude는 지난 26주의 회고를 읽고 개선되는 점, 악화되는 점, 오래된 액션 아이템을 요약하며, 팀에게 던질 질문을 제안한다.
• 액션 아이템 관리 효율화: 21일 이상 경과한 액션 아이템에 대해 Claude가 관련 활동을 검색하고, 해결되었거나 재할당이 필요한 경우 제안하며, 해결되지 않은 경우 간단한 코멘트를 생성하여 PM의 승인을 기다린다. 이를 통해 액션 아이템 평균 연령이 47일에서 14일로 감소했다.
• 장기적인 트렌드 분석: Claude는 6개월간의 회고 데이터를 바탕으로 과거에 나타났으나 현재는 사라진 주제, 최근 6주간 빈번하게 나타나는 새로운 문제, 해결 후 재발한 문제 등을 식별하여 인사이트를 제공한다.
• MCP 활용의 장점: MCP 서버를 통해 REST API와 동일한 인터페이스를 제공받아, Python 스크립트 작성 시와 동일하게 Claude에게 질문하고 결과를 얻을 수 있다. 이는 프로토타이핑 후 실제 운영 시스템으로 전환하기 용이하게 한다.
• 효과적인 회고 작성의 중요성: AI 분석의 정확도는 회고 내용의 질에 달려 있으며, 구체적인 정보(무엇이 발생했는지, 누가 영향을 받았는지, 무엇이 변경되었는지)를 포함하는 것이 분석 품질을 향상시킨다.
• AI 기반 애자일 툴링의 미래: 향후 애자일 툴링은 인간뿐만 아니라 AI가 과거 데이터를 분석하는 것을 전제로 설계될 것이다.

시사점

Claude AI와 MCP 서버를 활용한 자동화된 데이터 분석은 PM의 시간과 노력을 절감하고, 인간이 간과하기 쉬운 중요한 패턴을 발견하여 팀의 효율성과 문제 해결 능력을 향상시키는 실질적인 방안을 제시한다.