AutoBuilder

대부분의 회사는 아직도 AI 전략을 두고 토론만 한다. 너무 복잡하게 생각하는 것이다. Ramp가 회사 전체에 AI를 도입한 방법을 공유한다.

Ramp의 AI 사용량은 작년보다 63배 늘었다. 직원의 99.5%가 AI를 활발히 쓴다. 84%가 매주 코딩 도우미를 사용한다. 6주 만에 800명 이상의 만든이가 사내 플랫폼에서 1,500개 이상의 앱을 출시했다. 이제 개발자가 아닌 직원도 Ramp의 자체 코딩 도우미 Ramp Inspect로 코드 변경 요청을 올린다. 실제 서비스 코드에서 사람이 직접 올리는 코드 변경 요청의 12%를 차지한다. 매달 수천 건이다.

Ramp는 모든 직원이 이 새로운 기술을 받아들이도록 집착했다. 과거에 컴퓨터가 직장에 들어왔을 때와 비슷한 변화라고 봤다. 그래서 Ramp는 Glass를 만들었다. Glass는 Claude 기반 협업 도구다. 사내 누구나 Ramp 시스템에 완전히 연결되고, Ramp 방식에 맞게 작동하는 강력한 AI 도우미를 쓸 수 있다. Ramp는 역대 최대 규모의 AI 해커톤도 열었다. 영업, 고객지원, 법무, 마케팅, 재무 등 700명이 참가했고, 100명의 개발자와 기획자가 코치로 붙었다. 일주일 만에 예전 같으면 1년 걸릴 작업량을 해냈다.

Ramp는 채용과 인재 관리 방식을 바꿨다. 모든 직원에게 제한 없는 예산을 줬다. 배우고, 탐색하고, 만들라고. 사용량 순위표를 만들어서 경쟁을 유도했다. 미래를 보는 사람 중심으로 팀을 다시 짰다. 전사 모임에서 성과를 축하했다. 모든 개인과 리더에게 끊임없이 만들라고 밀어붙였다. 결과는 상상 이상이었다.

여기까지 온 과정을 공유한다. 흥미로운 건 숫자도, 도구도 아니다. Ramp에게 계획이 없었다는 것이다. 문화와 인재만 있었다. 눈앞의 사람과 기술로 되는 것에 계속 투자했다. 쌓이고 쌓여 성장하는 것을 지켜봤다.

1. 시작하기에 두 번째로 좋은 때는 오늘이다.

Ramp의 문화는 속도다. 이 문화가 모든 일하는 방식과 팀 관례를 지배한다. 이 문화가 AI 도입의 가장 큰 가속기였다.

2025년 1월 시작 모임에서 Ramp는 전사에 선언했다. 세계에서 가장 생산적인 회사가 되겠다고. Ramp 문화라면 할 수 있다고 믿었다. 어떻게 할지는 몰랐다.

명확한 것부터 시작했다.

• 리더십의 명확한 메시지: AI 사용은 기대치다
• 모든 질문에 응답하는 AI 모임 운영
• 팀이 만든 것을 공유하는 슬랙 채널
• 전사 모임에서 만든이를 축하하는 시간
• 전사 AI 사용 의무화 및 추적

공식적인 변화 관리 프로그램은 없었다. 필수 교육 과정도 없었다. 대신 사람들이 스스로, 그리고 서로에게 배울 수 있는 기반을 만들었다. 현실은, 팀에게 기회만 주면 된다. 누구나 만들고 싶어 한다. AI가 있으면 누구나 만들 수 있다.

2. AI 숙련도는 스위치가 아니라 배움의 곡선이다.

1년 전, Ramp 직원 대부분은 남들처럼 AI를 썼다. 탭에 ChatGPT 열어두기. Notion에서 AI 검색하기. 괜찮지만 큰 변화는 아니었다.

관찰해보니, 사람들이 일정 수준의 익숙함을 넘기면 생산성이 뛴다. 2025년 전에는 일부 뛰어난 개발자 외에 높은 수준에서 일하는 사람이 거의 없었다. 하지만 2025년 말과 올해, Ramp는 크게 빨라졌다. 작년에 먼저 튼튼한 기반을 쌓았기 때문이다.

Ramp는 AI 숙련도를 네 단계로 생각한다.

• L0: 가끔 ChatGPT를 쓴다. 일하는 방식에 변화는 없다. 여기 머물면서 스스로 시작하지 않으면, 회사에 남기 어렵다.
• L1: 맞춤 GPT를 만들고, Notion 도우미를 쓰고, Claude Code를 써봤다. 가능성을 보기 시작했지만 아직 쌓이는 효과는 없다.
• L2: 자기 업무 일부를 자동화하는 앱을 만들었다. 코드를 올리거나 다른 사람 작업에 의견을 줬다. 여기서부터 진짜다.
• L3: 시스템을 만드는 사람이다. AI를 쓰는 게 아니라, 다른 모든 사람의 수준을 올리는 기반을 만든다. 힘을 곱하는 사람이다.

Ramp의 일은 모두를 사다리 위로 올리는 것이다. 세 가지가 이걸 가능하게 한다.

• 사람들이 있는 곳에서 만나는 도구를 만든다. 전사를 Claude와 Notion AI로 바꾸는 것부터 시작했다. 모든 업무 도구에 연결했다. 기술 장벽이 낮아서 누구나 참여하고 의미 있는 혜택을 얻었다. L0에서 L1으로 올라갔다.
• 도구가 성숙해지면 기대치를 높인다. AI 숙련도가 채용 심사, 적응 교육, 성과 대화에 들어갔다. 그 자체가 목적이 아니라, 명확한 기대치로서다. 이 도구들을 잘 쓰는 것이 Ramp에서 어떤 일을 잘하는 데 필수다. L1을 L2로 밀어올린다.
• 의무와 도구를 맞춘다. 도구가 뒷받침되기 전에 기대치를 올리면 신뢰를 잃고 사람들이 귀를 닫는다.

3. 만들고 부수는 것을 받아들인다.

Ramp를 짜릿하고 불편하게 만드는 부분이다.

2026년 1월에 출시한 도구 중 상당수가 이미 낡았다. 종종 같은 만든이가 만든 더 나은 것으로 바뀌었다. 수명이 몇 달이 아니라 몇 주인 것에 익숙해졌다. AI 모델이 업데이트될 때마다, Claude Code나 Codex가 개선될 때마다, 새로운 기능 묶음이 나올 때마다 가능한 것이 바뀐다. 3개월 전 사내 도구가 아직 최신처럼 느껴진다면, 충분히 과감하게 움직이지 않는 것이다.

데이터를 누구나 쓸 수 있게 한 여정이 이야기를 잘 보여준다.

• 1단계: Notion AI가 최선이어서, 중요한 데이터를 Notion 데이터베이스에 넣고 도우미를 돌렸다.
• 2단계: 슬랙 기반 Snowflake 조사 도구 Ramp Research를 출시했다.
• 3단계: 코딩 도우미가 성숙해지면서, Snowflake 조사를 도우미가 직접 쓸 수 있는 기능으로 만들었다.
• 4단계: 이제 데이터 조사를 상호작용하고 스스로 나아지도록 만들고 있다.

각 세대가 이전 세대가 열 수 없던 문을 열었다. 각 이전 세대는 조용히 물러났다. 지금 돌리는 도구들은? 6월까지 낡아지길 진심으로 바란다.

밖에서 보면 혼란스럽다. 안에서 보면 정반대다. 사람들은 도구에 집착하지 않는다. 문제에 집착한다. 문제를 해결하는 더 좋은 방법이 나오면 바로 잡는다.

4. 중앙에서 만들고, 가장자리에서 밀어붙인다.

Ramp는 조직 설계를 틀린 다음에 맞췄다.

처음 본능은 한곳에 모으는 것이었다. 작은 팀 하나가 전사 도구를 만든다. 수요가 거의 즉시 능력을 넘었다. 그래서 나눠서 갔다. 각 팀이 알아서 만든다. 같은 것을 다시 배우는 일이 넘쳤다.

답은 둘 다 하는 것이었다.

• 작은 중앙 팀이 AI 모델, 데이터, 지식, 일하는 흐름에 걸쳐 기반과 연결 고리를 만든다. 교육, 지원, 변화 관리도 맡는다.
• 기능 팀이 그 기반 위에 만들고, 의견을 줘서 중앙 팀의 계획을 이끈다.

결과가 말해준다.

• 위험 분석가가 월 16시간의 손작업 재무 모형 작업을 자동화했다.
• 영업 운영 담당이 3개 조직에 걸친 표 기반 보상 모형을 48시간 만에 바꿨다.
• 교육 담당이 15분 만에 교육 모의 도구를 만들었다.
• 재무 담당이 계약당 45분을 아끼는 계약 검토기를 만들었다. Ramp는 계약이 많다.

이들 중 개발자는 없다.

이 사람들은 요청서를 넣지 않았다. 자기 고통을 찾고, 해결책을 시험하고, 실제 서비스에 갈 때 개발팀을 끌어왔다. 그마저도 필요할 때만. 가장자리가 중앙을 이끈 만큼 중앙이 가장자리를 이끌었다.

5. 의무가 아닌 무대를 준다.

의무는 약해진다. 문화가 남는다.

전략이 있었다면, 작은 불을 최대한 많이 지피고 어떤 것이 자라는지 보는 것이었다.

• 슬랙 채널 (#ramp-uses-ai) - 뭐가 되나 보려고 만들었다. 지금 1,000명 이상이다. 팀별 채널 40개 이상이 갈라져서 월 20,000개 메시지가 오간다.
• 매주 금요일 AI 질문 시간 - 꾸준히 40-50명 이상이 질문을 들고 온다.
• 새 입사자 AI 적응 교육 - 목표가 커지면서 지난 1년간 네 번 다시 만들었다.
• 전용 전사 모임 - 대표부터 현장 담당자까지 자기가 AI로 만든 것을 보여준다.

초기에 앞장선 사람이 무엇보다 중요했다. 모든 팀에 한 명이 있었다. 야심 찬 영업 운영 담당, 답답해하던 제품 담당, 열정적인 데이터 분석가. 호기심을 갖고, 빠져들고, 팀에 퍼뜨리는 사람이 됐다. Ramp는 이들을 눈에 띄게 했다. 전사 모임에서 비춰주고, 팀 수준 도구를 만들 자원을 주고, 협업이 필요할 때 짝지어 줬다.

이 모든 공개적 만들기가 모두가 느끼는 경쟁 분위기를 만든다. 아무것도 안 만드는 팀이 되고 싶은 사람은 없다. 고객 담당이 위험 분석가가 월 16시간을 아끼는 것을 출시하는 걸 보면, "위험팀 잘했네"라고 생각하지 않는다. "나는 뭘 만들 수 있지?"라고 생각한다.

만들고, 공유하고, 영감을 주고, 더 만드는 고리. 어떤 의무나 공지보다 효과적이다. 가장 큰 놀라움은 누가 가장 많이 만들었는지가 아니었다. 얼마나 많은 사람이 만들 허락을 기다리고 있었는지였다.

6. "아하" 순간에 최대한 빨리 도달하게 한다.

교육은 효과가 없다. 질문 시간과 모임은 도움이 된다. 하지만 세상에서 가장 좋은 선생님이 눈앞에 있다. AI다. 말을 물가로 끌고 갈 수만 있다. 가장 큰 열쇠는 첫날 진짜 결과를 경험하게 하는 것이다.

Ramp는 어렵게 배웠다. 전사 90% 이상이 AI 도구를 들였는데도, 대부분 기본 대화창에 머물렀다. AI 모델은 충분히 좋았다. 감싸는 도구가 문제였다. 터미널 창, npm 설치, MCP 설정. 대다수에게 너무 어려웠다. 뚫고 나간 사람들도 제각각 다른 설정에 따로따로 배워서 쌓이는 효과가 없었다.

그래서 Ramp는 Glass를 만들었다. Anthropic의 Claude Agent SDK 위에 만든 Ramp만의 Claude Code 협업 도구다.

Glass는 설치할 때 알아서 설정된다. Okta 로그인으로 한 번 인증하면 30개 이상의 도구가 켜진다. Salesforce, Snowflake, Gong, Slack, Notion, Google Workspace, Figma. 설정 안내서 없다. IT 요청서 없다. 사용자가 문제를 풀어야 하면, 이미 진 것이다.

4명 팀이 3개월 안에 만들었다. 출시 한 달 만에 매일 쓰는 사람 700명이다. 가장 큰 가치를 얻은 사람은 교육 시간에 참석한 사람이 아니었다. 첫날 기능을 설치하고 바로 결과를 얻은 사람이었다. 제품이 Ramp보다 빨리 가르쳤다.

도구를 소유하면, 사람들이 어디서 막히는지 정확히 보고 당일 고침을 낼 수 있다. 모든 사용이 개발자가 아닌 사람이 실제로 AI를 배우는 방법에 대한 신호를 만든다. 어떤 기능이 퍼지는지, 어디서 뚫리는지, 주 1회 쓰는 사람과 매일 쓰는 사람의 차이가 뭔지.

Ramp는 또한 누구나 일하는 흐름을 묶어서 공유할 수 있는 기능 장터 Dojo를 만들었다. 전사에 350개 이상의 기능이 공유됐다. 영업 담당이 Gong 통화를 분석하고 경쟁 자료를 작성하는 최적의 방법을 알아낸다. 기능으로 묶으면, 이제 모든 영업 담당이 그 초능력을 가진다. 공유된 모든 기능이 모두의 바닥을 올린다.

결과는? 누구나 5분 만에 무엇이든 만들 수 있다.

7. 경쟁으로 만든다.

사람들은 경쟁을 좋아한다. 적어도 Ramp에서는.

Ramp는 모든 팀과 개인의 AI 사용을 추적하는 사내 순위표를 만들었다. 사용 횟수, 쓴 기능, 출시한 앱, 연결한 도구. 누구나 볼 수 있다. 의심하는 사람들은 겉치레 수치라고 말할 것이다. 사용량을 추적하면 쓸데없는 일을 부추긴다고. Ramp는 반대를 발견했다.

Ramp의 상위 AI 사용자는 종종 최고 성과자다. AI 숙련도는 다른 기술과 같다. 반복할수록 나아진다. 많이 쓰는 사람들은 언제 AI를 쓸지, 어떻게 효과적으로 요청할지, 어떤 기능을 조합할지, 언제 직접 할지에 대한 몸의 기억을 키우고 있다. 자기 힘을 쌓아서 키운다.

순위표가 예상 못 한 세 가지 흐름을 만들었다.

• 건강한 동료 압박. 아무도 바닥에 있고 싶지 않다. 다른 팀 동료가 3배 더 많이 쓰고 팀 시간을 아끼는 도구를 출시하는 걸 보면, 의무가 필요 없다. 경쟁 본능이 필요하다.
• 관리자 책임. 팀 수준 순위가 관리자들이 AI 도입을 무시할 수 없게 만들었다. 팀이 하위 25%면, 그 대화를 하게 된다. AI가 "있으면 좋은 것"에서 "팀이 잠재력을 발휘하는지 평가하는 방법"으로 바뀌었다.
• 따라하며 발견. 순위표는 점수판만이 아니다. 지도다. 상위에 있는 사람을 보면, 뭘 하는지 알고 싶어진다. 그들의 기능, 일하는 방식, 앱을 본다.

재지 않으면 관리하지 않는 것이다. 눈에 보이게 하지 않으면, 가장 강력한 도입 수단을 놔두는 것이다.

이건 채용과 성과 관리로 이어진다. Ramp에 들어오는 모든 사람에게 AI 도구 숙련이 절대 조건이다. 예외 없다. 기획자 지원자에게는 전용 면접 시간이 있다. 제품을 만들어라, 어떻게 만들었는지 보여라, 어떻게 작동하는지 설명하라. 발표 자료가 아니라 실제로 돌아가는 시험품이다. 이 도구들을 내 것으로 만들었음을 보여주지 못하면, 기준을 통과하지 못한다.

8. 직원과 AI 사이의 모든 막힘을 없앤다.

회사가 AI 도입을 죽이는 가장 큰 방법은 구매 결정처럼 다루는 것이다. 예산 승인. IT 검토. 사용량 한도. 몇 주간 줄 서 있는 연결 요청. 이 모든 것이 직원과 "아하" 순간 사이의 벽이다.

Ramp는 반대로 갔다. 초기에 한 세 가지가 거의 모든 것보다 중요했다.

• AI 사용을 끝없는 배움 예산으로 다룬다. 사람들이 도구 쓰는 법을 배우기도 전에 모든 사용에 이득을 요구하면, 도입은 절대 일어나지 않는다. 탐색할 공간을 줬다. 보상은 첫날이 아니라 쌓이는 효과에서 온다는 명확한 기대와 함께.
• 사용량 한도와 접근 제한을 없앤다. 사용량 상한 없다. 역할에 따른 차등 접근 없다. "개발자가 아니니까 이거 필요 없어"도 없다. 모두가 같은 도구, 같은 AI 모델, 같은 접근을 가진다. 가장 놀라게 한 사람들은 보통의 승인 과정에서는 접근을 주지 않았을 사람들이었다.
• 연결에 대한 모든 IT 막힘을 없앤다. AI 도우미는 접근할 수 있는 것만큼만 유용하다. 직원이 요청서를 넣고 2주를 기다려야 IT가 Salesforce 연결이나 Snowflake 통합을 승인한다면, 힘을 잃고 다시는 돌아오지 않는다. 30개 이상의 도구를 미리 연결했다. Salesforce, Snowflake, Gong, Slack, Notion, Google Workspace, Figma. 누군가 Glass를 열면, 모든 것이 이미 살아있다. 로그인 한 번이면 일한다.

재무 책임자를 위한 비용 계산이 대화를 다시 짜야 한다. Ramp는 직원들에게 많은 돈을 지불한다. 오늘날 직원당 AI 사용량은 급여의 10%에도 미치지 않는다. 하지만 누군가가 AI로 2배 더 생산적이면, AI에 그 사람 급여 전체를 다시 쓸 마음이 있어야 한다. 사람보다 10배 더 많은 일을 할 수 있는 도우미가 있다면, 왜 그 사람의 2배를 지불하지 않겠는가?

쌓이는 효과를 지켜본다.

Ramp는 대부분의 회사보다 나은 전략으로 시작하지 않았다. 더 나은 시작 조건이 있었을 수 있다. 속도와 주도를 보상하는 문화, 허락을 기다리지 않고 시도하는 사람들, 고객에게 좋기 때문에 큰 내기를 지원하는 리더십.

큰 계획 대신, 그냥 시작했다. 도구를 계속 만들고, 기준을 계속 높이고, 데이터와 AI 기반에 계속 투자하고, 사람들이 뽐낼 장소를 계속 만들었다. 각 길이 따로 쌓여 성장했다. 서로 강해지면서 곡선이 수직으로 갔다.

AI의 아주 초기 단계에 있다. 리더로서 당신의 일은 팀에게 초능력을 주고 스스로를 믿게 하는 것이다. 나머지는 따라온다.

가장 중요한 교훈은 가장 단순하다. 그냥 시작하라.

Ramp는 모든 직군에서 만드는 사람을 채용한다. 개발자가 아닌 사람이 실제 서비스 코드를 출시하고, 사내 도구의 수명이 몇 주이고, 아무도 그게 이상하다고 생각하지 않는 곳에서 일하고 싶다면, Ramp에서 함께 만들자.

성현적 발상

어렸을 적부터 핵융합에 관심이 많았다. 초등학교 과학관 퀴즈 대회에서 극적으로 역전승하게 만든 단어가 토카막이어서 그랬을까. 아무튼 나는 핵융합을 염원한다.

그러다 이공계의 굉장히 느리고 보수적인 연구 문화를 알게 되었다. (이렇게 얘기하기 굉장히 cheesy하지만) 스페이스엑스와 테슬라가 성공한 이유는 느리고 보수적인 업계에서 참신한 속도를 얻었기 때문이다. NASA는 말할 것도 없이 공무원 문화에 박봉이고, 기존 자가용 업계 또한 디지털 업계에 비하면 그 속도가 매우 느리다.

그렇게 이런 저런 생각이 태초의 지구의 "영양분의 바다"처럼 맴돌고 떠돌다가, 220615에 글을 읽고, 더 나아가서 직접 연구를 하면서 LaTeX는 Broken됐다는 생각과, 현재의 Citation 방식은 너무 구리다는 생각과 (ORCID도 마찬가지) Research Paper NPM System과 아이디어들이 유기적으로 연결되는 사고 도구들에 대해서 생각하게 되면서 궁극적으로 ScienceOps라는 장르, 그리고 "자연과학 엔지니어"라는 개념이 탄생해야 한다고 생각했다.

아래는 그 비전과 가장 가까운 형태이다. 이제 이 개념은 "재현 가능한 실험"이라는 굉장히 큰 첫 걸음이다. 마치 소프트웨어에서 버전 컨트롤의 탄생이다. 나는 과학자들을 위한 GitHub를 만들고 싶다.

클라우드 랩스: 로봇이 연구하는 곳

화학 박사과정 학생인 Dmytro Kolodieznyi는 실험을 수행하는 데 익숙했다. 그러나 2018년 초, 그의 연구 지도교수는 대신 로봇이 운영하는 실험에 참여할 것을 요청했다.

지도교수는 펜실베이니아주 피츠버그에 있는 카네기멜론대학교에서 세포 내 형광 탐침을 개발하던 Kolodieznyi가 한 달 동안 Emerald Cloud Lab (ECL)에서 자신의 연구를 재현하려고 시도하기를 원했다. 캘리포니아주 사우스샌프란시스코에 있는 이 생명공학 회사는 과학자들이 클라우드 랩이라고 알려진 자동화된 연구 환경에서 원격으로 습식 실험실 실험을 수행할 수 있게 한다. 시험이 잘 진행되면 카네기멜론대학교에서 클라우드 랩을 더 광범위하게 사용할 수 있는 길이 열릴 것이다.

Kolodieznyi와 그의 동료 학생들이 직접 실험을 수행했던 피츠버그 연구실과 달리, ECL의 1,400평방미터 본사에서는 전 세계 연구자들이 발행한 코드 라인에 의해 운영되는 기계 열이 주역이었고, 가끔 허리 높이의 흰색 로봇이 실내를 빙빙 돌며 도움을 주었다. 수백 대의 기계가 작동 중이었지만 전체 과정을 관리하는 데는 한두 명의 인간 기술자만 필요했다.

Kolodieznyi는 단 일주일의 실습 시간만으로 형광 태그의 유기 합성부터 고급 현미경 기술에 이르기까지 그의 박사 연구 내용 몇 년치를 복제할 수 있었다. 그는 세포 배양, DNA 합성, 액체 크로마토그래피, 질량 분석법 및 핵자기공명과 같은 구조 분석 방법을 포함하는 회사의 기능 중 극히 일부만을 경험했다고 말한다. 하지만 그 경험은 그에게 깊은 인상을 남겼다. 2020년 박사 학위를 취득한 후 그는 과학 개발자로 회사에 입사했다.

Kolodieznyi의 긍정적인 피드백과 함께 2020년 COVID-19 대유행으로 인한 연구 중단은 카네기멜론대학교가 ECL과 파트너십을 맺고 4천만 달러를 투자하여 피츠버그에 클라우드 랩을 건설하는 계기가 되었다. 이는 대학 환경에서 건설되는 최초의 이러한 시설이다. 카네기멜론대학교 클라우드 랩의 건설은 2021년 11월에 시작되었으며 2023년 중반에 개관할 예정이다. 카네기멜론대학교의 Mellon College of Science 학장인 Rebecca Doerge에 따르면, 대학의 교직원과 학생들은 이 연구소를 우선적으로 사용할 수 있어서 모든 연구자가 이 기술을 사용할 기회를 갖게 된다.

학계, 소규모 스타트업 기업, 대형 제약회사는 아웃소싱 추세의 일환으로 점점 더 클라우드 랩을 이용하고 있다. 이 접근 방식은 "24시간 내내 운영되는 실험실을 갖는 것과 같다"고 ECL의 고객사인 호주 멜버른에 있는 생명공학 회사 CSL Behring의 연구개발 총괄이사 Germano Coppola는 말한다.

클라우드 랩은 "실험실에 들어가지 않고도 많은 데이터를 생성할 수 있는 엄청난 잠재력을 과학자들에게 제공한다"고 그는 말한다.

가상 실험대

ECL의 공동 창업자인 Brian Frezza와 D. J. Kleinbaum은 실험대를 가상화하려고 하지 않았다. 어린 시절부터 친구였던 두 사람은 카네기멜론대학교에 다녔고, 2010년 사우스샌프란시스코에서 항바이러스제 개발에 주력하기 위해 Emerald Therapeutics를 설립했다. 그러나 Frezza와 Kleinbaum은 새 실험실에 있는 기계를 작동시키느라 대부분의 시간을 보냈다. 그들의 해결책은 장비를 관리하고 24시간 실험을 운영하기 위한 지속적으로 확장되는 컴퓨터 코드 세트였다. Frezza는 이 설정에서 생산성 증가뿐만 아니라 재현성 향상도 발견했다.

"나는 실험을 코드로 바꾸고 있었다"고 Frezza는 말한다. "결국 이 텍스트에는 모호함이 없으며, 버튼을 누르면 실험을 재현할 수 있다."

이들은 다른 실험실도 이 가상 시스템의 혜택을 받을 수 있다는 것을 깨닫고, 장비와 소프트웨어에 대한 구독 액세스를 판매하기 위해 그해 ECL을 설립했다. Frezza는 이를 생각하는 가장 좋은 방법은 실험실용 Netflix나 Spotify와 같다고 말한다. 이러한 서비스의 사용자들이 노래나 TV 에피소드를 구매하지 않고도 디지털 콘텐츠의 가상 라이브러리에 대한 액세스에 대해 비용을 지불하는 것처럼, ECL과 다른 클라우드 랩은 자본을 투자하지 않고도 방대한 장비 창고에 대한 액세스를 제공한다.

연구자들은 ECL 대시보드에 로그인하여 어떤 실험을 언제 수행할지 지정하고, 장비를 원하는 대로 구성하고, 실험 과정에서 조정을 하고, 실험 진행 상황에 대한 실시간 업데이트를 받고 비디오로 과정을 볼 수 있다. 인공지능 기반 '전문가'는 사용자가 기본값을 조정하고 실험을 중단시킬 수 있는 문제를 식별할 수 있는 능력을 제공하는 고도로 숙련된 기술자 역할을 한다.

ECL은 사용자가 한 번에 실행하려는 실험 수에 따라 세 가지 수준의 액세스를 제공한다. 가장 낮은 등급은 3개를 동시에 실행할 수 있으며 월 24,000달러부터 시작한다. 저렴하지는 않지만 Frezza는 장비 구매 비용에 비하면 장기적으로 연구자들의 비용을 절감해준다고 말한다. 캘리포니아주 멘로파크에 클라우드 랩을 보유한 Strateos는 사용자가 경험을 예산에 맞게 조정할 수 있도록 액세스 수준과 가격을 맞춤 설정한다.

Coppola와 CSL Behring의 경우 클라우드 랩은 사실상 24시간 서비스를 제공한다. Coppola는 샘플과 시약을 ECL 본사로 보내거나 기존 재고에서 구매하고, 명령을 지점 앤 클릭 사용자 인터페이스에 프로그래밍한 다음 결과가 들어오기를 기다린다. 그는 웹캠으로 실험을 지켜보고 실시간으로 판독값을 받을 수 있다.

클라우드 랩은 특정 실험을 수행할 인프라나 전문 지식이 부족한 연구팀에게 유일한 선택 사항은 아니다. 계약 연구 기관(CRO)도 있다. 그러나 이 두 가지 접근 방식은 매우 다르다고 샌디에이고에 있는 Strateos의 다른 시설에 근무하는 Daniel Rines 기술 지원 서비스 부사장은 말한다. 클라우드 랩에서는 과학자들이 모든 실험을 직접 수행한다. 수천 킬로미터 떨어진 곳에서 실험을 운영할 수는 있지만, 여전히 자신의 아이디어와 결과물이다.

반면에 "CRO는 노동 집약적"이라고 Rines는 말한다. 즉, 대부분의 작업을 수행하기 위해 사람에게 의존하는 경향이 있다. "우리가 하는 일은 과학을 산업화하고 더 재현 가능하고 신뢰할 수 있게 만들기 위해 로봇 기능을 사용하는 것이다."

이 때문에 실험이 실패할 때 클라우드 랩 사용자는 다른 사람에게 의존하지 않고 자신의 데이터로 다시 들어가 무엇이 잘못되었는지 파악할 수 있다. Kolodieznyi는 이 과정을 부르면 달려오는 재능 있고 잘 훈련된 학부생 군대를 갖는 것과 같다고 설명한다. 그들은 처음에는 연구를 설계하지 못할 수도 있지만, 일단 훈련을 받으면 실험을 운영할 수 있으며, 매번 동일한 방식으로 수행할 수 있다.

"논문에서 무언가를 읽고 시도해 봤는데 놀랍지 않게도 실험이 되지 않은 적이 몇 번인지 모르겠다. 하지만 클라우드 랩에서는 실험을 복사하여 붙여넣기만 하면 다시 작동할 것"이라고 Kolodieznyi는 말한다.

클라우드 랩 지지자들은 재현성의 장점뿐만 아니라 과학을 수행하는 데 필요한 장비에 대한 적절한 접근성을 제공함으로써 연구를 민주화하는 데 도움이 된다고 말한다. "당신이 누구이든 어디에 있든 상관없다. 모두 같은 실험실을 사용하고 있다. 이것은 엄청난 일"이라고 Frezza는 말한다.

카네기멜론대학교의 생명공학자 Huaiying Zhang은 조지아주의 저소득층 고등학생들이 대학의 클라우드 랩을 사용하는 방안을 제안했다. 이 연구로 그녀는 미국 국립과학재단으로부터 보조금을 받았다. 과학에 관심 있는 모든 학생이 정교한 장비에 접근할 수 있는 것은 아니라고 그녀는 설명한다. 그러나 클라우드 랩에서 실험을 수행하면 이러한 장벽이 제거된다. 카네기멜론대학교 클라우드 랩이 가동되면 그녀는 학생들에게 보통 박사과정생과 박사후연구원을 위해 마련된 장비를 사용하여 실제 실험을 수행할 기회를 제공하고 싶어 한다.

"단순히 사실을 암기하는 것이 아니다. 실제 데이터를 얻게 된다"고 Zhang은 말한다. "학생들은 평소에는 접근할 수 없었을 장비를 사용할 수 있다."

런던대학교(UCL)의 연구자들은 런던에 기반을 둔 Synthace Life Sciences R&D Cloud와 협력하여 연구자들이 작업을 자동화하고 원격으로 실험 워크플로를 생성할 수 있는 무코드 사용자 인터페이스를 제공했다. Synthace의 성명에 따르면 이 파트너십은 과학자들이 예기치 않은 작업 중단에 대비하여 실험 설계를 "미래 대비"할 수 있게 해줄 것이다.

그러나 Bulletin of the Atomic Scientists 에 기고한 연구자 Filippa Lentzos와 Cédric Invernizzi는 고가 장비에 대한 장벽을 낮춤으로써 클라우드 랩은 테러 집단과 같은 악의적 행위자들이 "악의적인" 실험을 수행하기 위해 기술을 오용할 수 있게 할 수 있다고 지적한다(go.nature.com/3nsbg9e 참조). 이 문제에 대한 의견을 묻자 Strateos와 ECL의 대변인은 가능한 최고 수준의 데이터 암호화를 사용하며 보안 문제는 없었지만 이러한 가능성을 막기 위한 적극적인 점검은 하지 않는다고 말했다.

Doerge에게 클라우드 랩의 이점은 특히 현재 진행 중인 전염병 상황에서 이러한 우려보다 더 크다. 2020년 초 COVID-19가 확산되면서 대학의 많은 연구가 중단되었다. 클라우드 랩 시설이 있었다면 대학의 많은 연구실 과정뿐만 아니라 이러한 연구의 상당 부분이 계속될 수 있었을 것이라고 그녀는 말한다.

"이것은 과학에 필요한 변화였다. 휴대전화나 자율주행차와 마찬가지로 말이다."라고 Doerge는 말한다. "과학의 과정이 기술을 따라잡지 못했다."