[본격 서비스같은 부수입 사례] 카페 현장의 ‘근무표 좀 바꿔주세요’에서 시작한 SaaS 사례 - 아르!
2026.08.11
![[본격 서비스같은 부수입 사례] 카페 현장의 ‘근무표 좀 바꿔주세요’에서 시작한 SaaS 사례 - 아르! 본문 이미지](/_next/image?url=https%3A%2F%2Fcdn-beta.gpters.org%2Fexternal%2F31449a18e44d31c24f3ef492.jpg&w=3840&q=75)
소개
가까이 지내는 카페 현장에서 들은 반복되는 문제를 출발점으로, 근무표·출퇴근·급여를 한 흐름으로 잇는 아르(ARR)를 만들었습니다. 약 4주 만에 프로덕션에 배포했지만, 이 글은 “AI가 다 만들어줬다”는 성공담보다 무엇을 잘못 가정했고 어떻게 고쳤는지에 대한 기록입니다.
시작은 “SaaS를 하나 만들어야겠다”가 아니었습니다. 가까이 지내는 카페 운영 현장에서는 이런 종류의 대화가 계속 반복됐습니다.
“이번 주 가능한 날을 보내주세요.”
“저 그날 안 돼요. 근무 바꿀 수 있을까요?”
“이번 달 급여가 생각보다 적은데, 어느 시간이 빠진 걸까요?”
가능 시간은 카카오톡과 구두로 모이고, 근무표는 이미지나 엑셀로 공유되고, 출퇴근은 또 다른 기록에 남았습니다. 월말이 되면 운영자는 결국 이 자료들을 다시 찾아 맞춰야 했습니다. 직원도 최종 근무와 실제 출퇴근, 휴게, 급여 계산이 어떻게 이어졌는지 한 번에 보기 어려웠습니다.
제가 정의한 핵심 문제는 “근무표 앱이 없다”가 아니라 확정된 근무와 실제 기록, 급여의 근거가 연결되어 있지 않다는 것이었습니다. 그래서 근무 확정 → 출퇴근 원본 → 인정 근로시간 → 급여 계산 → 직원 확인·이의제기 → 증빙을 한 흐름으로 잇는 아르를 만들기 시작했습니다.
현재 배포된 아르의 실제 제품 투어 화면입니다. 개인정보가 없는 합성 시연 데이터를 사용했습니다.
현장에서 먼저 만들고, 시장조사는 거꾸로 했습니다
핵심 숫자: 전체 사업장 감독 5.2만 → 9만, 익명 제보 기반 감독 166 → 500. 모든 제보가 감독으로 이어지거나 카페 전체가 위반했다는 뜻은 아닙니다.

현장에서 먼저 만들고, 시장조사는 거꾸로 했습니다
보통은 시장조사 → 아이디어 → MVP 순서로 출발합니다. 아르는 반대였습니다. 가까운 카페에서 근무표 변경, 출퇴근 기록, 급여 문의가 서로 다른 곳에 흩어지는 모습을 먼저 들었고, 그 문제를 기능 흐름으로 만든 뒤에야 “이 문제가 시장에서는 얼마나 크고, 왜 지금 풀어야 하는가”를 거꾸로 확인했습니다.
처음에는 월말 정리 시간을 줄이고 반복 연락을 덜어주는 ‘조금 편해지는 도구’라고 생각했습니다. 하지만 그 정도만으로 매장이 새 도구를 도입하고 직원이 습관을 바꿀 이유는 충분하지 않을 수 있었습니다. 그래서 시장조사의 질문을 편의에서 예방으로 바꿨습니다.
근무·휴게·급여의 불일치를 언제 발견하고, 직원과 같은 근거를 보며 바로잡을 수 있는가?
고용노동부의 2026년 근로감독 계획을 보면 감독 사업장을 약 5만 곳에서 9만 곳으로 늘릴 예정입니다. 2025년 익명제보 기반 집중감독 결과에서는 제보를 토대로 선별한 166개 사업장 가운데 152곳(91.6%)에서 법 위반이 확인됐고, 익명제보센터는 2026년 2월 상설화됐습니다. 2026년 6월에는 프랜차이즈 카페·음식점 33곳 대상 집중감독도 시작됐습니다.
다만 91.6%는 제보를 바탕으로 선별된 사업장의 결과이므로 카페 전체의 위반율이나 개별 매장의 감독 가능성을 뜻하지 않습니다. 제가 읽은 신호는 공포가 아니라, 익명제보가 감독으로 이어지는 통로가 넓어지고 카페·음식점의 근로계약서, 임금명세서, 휴게와 근로시간 기록이 더 자세히 보이는 환경이 됐다는 점이었습니다.
아르가 신고를 막거나 법 준수를 보장하는 것은 아닙니다. 운영 방식이나 정책이 잘못됐다면 먼저 고쳐야 합니다. 다만 확정 근무, 변경 사유, 원본 출퇴근, 휴게, 인정시간, 급여 산식, 직원 확인·이의제기를 한 흐름에 남기면, 서로 다른 기억이 불신으로 커지기 전에 불일치를 발견하고 설명하고 정정할 수 있습니다. 제가 말하는 예방은 ‘신고하지 못하게 하는 것’이 아니라, 신고할 만한 상황 자체를 줄이고 사실관계를 투명하게 맞추는 것입니다.
이 거꾸로 한 시장조사 뒤에 아르의 가치 가설도 바뀌었습니다. 편한 근무표에서 기록이 연결된 운영 안전망으로요. 이제 이 가설이 실제 현장에서도 맞는지는 4주 파일럿과 사용자 피드백으로 검증하려 합니다.
진행 방법
1. 현장의 말을 데이터 상태로 바꾸기
처음부터 기능 목록을 길게 만들지는 않았습니다. 현장에서 헷갈리는 순간을 하나씩 상태와 규칙으로 바꿨습니다. 가장 중요한 구분은 근무 가능과 근무 확정이었습니다.
제가 Codex에 반복해서 준 요구를 한 문장으로 줄이면 아래와 같습니다.
근무 가능은 근무 확정이 아니다.
1. 직원이 가능 시간을 제출한다.
2. 관리자가 필요한 시간의 근무를 요청한다.
3. 직원이 수락한 순간만 확정 근무가 된다.
4. 당일 결원으로 긴급 배정하면 사유와 감사 이력을 남긴다.
5. 확정 뒤에도 가능 시간은 대체 인력 확인을 위해 보존한다.이 원칙에서 직원 가능 시간, 근무 요청, 수락·거절, 확정 근무, 긴급 직접 배정이 서로 다른 데이터가 됐습니다. 출퇴근도 같은 방식으로 정리했습니다. QR과 위치 확인으로 원본 이벤트를 남기고, 수정이 필요하면 원본을 덮어쓰지 않고 정정 사유와 승인 이력을 추가합니다. 급여는 이 인정 시간에서 계산하고, 직원이 같은 근거를 보며 확인하거나 이의제기할 수 있게 했습니다.
AI에게 “근무표 기능을 만들어줘”라고 요청하는 것보다, 서로 섞이면 안 되는 상태와 반드시 남아야 하는 증거를 먼저 정하는 것이 훨씬 중요했습니다.
2. Codex를 코더가 아니라 긴 호흡의 개발 동료로 쓰기
Codex에는 코드 작성만 맡기지 않았습니다. 저장소 구조 확인, 기능 구현, Firebase Functions와 보안 규칙, 테스트, 브라우저에서의 로그인 콘솔 설정, 프로덕션 배포와 실제 화면 검증까지 하나의 작업으로 연결했습니다.
완료 조건도 프롬프트 안에 함께 넣었습니다.
에뮬레이터에서 통과했다고 완료로 보지 말 것.
오너·매니저·근로자 시나리오를 만들고,
프로덕션에서 권한 경계와 실제 화면까지 확인할 것.
사용자에게 보이는 흐름이 바뀌면 가이드와 캡처도 함께 갱신할 것.작업이 길어지면서 세션 하나의 기억에 의존하지 않도록 프로젝트 문맥도 나눴습니다. 현재 상태는 session, 반복해서 쓸 원칙은 memory, 결정 이유는 ADR, 과거 검증은 history에 남겼습니다. 모델이 바뀌거나 사용량 제한으로 작업이 끊겨도 다음 에이전트가 같은 기준에서 이어갈 수 있게 하기 위해서였습니다.
3. Codex 사용량이 막혀 Claude로 이어갔는데, 기능과 디자인은 다른 문제였습니다
기능 구현 중간에 Codex 사용량 한계에 닿아 일부 구간은 Claude Code에서 이어갔습니다. 기능 작업 자체는 계속 진행할 수 있었습니다. 저장소 안에 현재 상태와 결정, 테스트 기준이 남아 있었기 때문입니다.
다만 이미지와 UI를 포함한 디자인 결과는 제 기대와 꽤 달랐습니다. 이번 프로젝트와 제 프롬프트 방식에서는 화면이 차콜과 다크 톤 중심의 범용 B2B SaaS처럼 흘렀고, 기능은 정돈돼 보여도 밝은 카페에서 매일 쓰는 도구로는 무겁고 ‘밤티’가 났습니다.
이것은 Claude 전체에 대한 모델 평가가 아니라 이번 작업에서 제가 실제로 겪은 결과입니다. 아래는 그때의 문제의식을 보여주기 위해 보존해둔 초기 차콜·앰버/다크 시안입니다.

Before — 기능은 정리됐지만, 카페의 낮 시간에 반복해서 보기에는 무겁게 느껴졌던 초기 차콜·앰버/다크 방향입니다.
다시 디자인할 때는 “예쁘게 만들어줘” 대신 아래처럼 판단 기준을 구체화했습니다.
3~20명이 교대 근무하는 카페·소형 매장에서 쓸 것
밝은 매장 환경에서 오래 봐도 무겁지 않을 것
정보 밀도는 유지하되, 확정·정산 같은 성공 순간에만 강한 색을 쓸 것
합성 목업이 아니라 실제 제품 화면으로 비교할 것
430px·602px·1440px에서 가독성과 오버플로를 함께 검증할 것
이 과정을 거쳐 밝은 캔버스와 볼트 라임을 사용하고, 정산이나 근무 확정 순간에만 에너지가 생기는 방향으로 바꿨습니다. 기존 블루 액센트 132곳도 실제 기능 의미에 맞춰 다시 정리했습니다.

After — 밝은 캔버스와 볼트 라임을 적용한 확정 방향입니다. 디자인 시안에 그치지 않고 로그인·앱 셸·근무표·근태·급여·가이드까지 같은 규칙으로 반영했습니다.
4. 가장 많이 배운 건 코드 생성보다 프로덕션 검증이었습니다
AI는 코드를 빠르게 만들지만, 잘못된 가정도 빠르게 완성합니다. 실제로 프로덕션 직전과 배포 후에 이런 문제를 만났습니다.
한 사람은 한 역할일 것이라는 가정: 현실에서는 한 조직의 오너가 다른 조직의 근로자일 수 있고, 여러 매장에서 일할 수도 있습니다. 초대 처리 중 오너 권한이 직원으로 내려가는 회귀도 테스트에서 발견했습니다.
에뮬레이터가 통과하면 인증도 될 것이라는 가정: Firebase 신규 프로젝트의 SMS 지역 정책이 전 지역 차단 상태여서 실제 사용자는 전화 로그인을 할 수 없었습니다.
함수가 배포됐으면 호출될 것이라는 가정: 한 Callable 함수는 Cloud Run 공개 호출 권한이 없어 요청이 애플리케이션에 도달하기도 전에 막혔고, 클라이언트에는 단순 internal 오류처럼 보였습니다.
이후에는 실제 테스트 번호로 가입하고, 조직을 만들고, 직원을 초대하고, 수락하고, 역할을 전환하는 전 과정을 프로덕션에서 다시 확인했습니다. “배포 성공”이 아니라 사용자가 목표를 끝낼 수 있는지를 완료 기준으로 바꾼 셈입니다.
결과와 배운 점
7월 중순에 Firebase 기반 v1을 본격적으로 만들기 시작해 8월 초 프로덕션에 배포했습니다. 지금 아르에는 다음 흐름이 실제로 연결되어 있습니다.
오너·급여 담당자·매니저·근로자 역할과 조직별 데이터 격리
가능 시간 제출 → 근무 요청 → 직원 수락 → 근무 확정
빈 시간·중복 근무 확인과 사유가 남는 긴급 직접 배정
QR·위치 기반 출퇴근, 원본 보존, 휴게 자동 적용과 정정 이력
예상 급여·급여 확정·명세서·직원 확인과 이의제기
여러 매장·여러 조직·관리자와 근로자 화면 전환
소셜 로그인·초대, 실제 운영 통계와 분리된 시연 조직, 역할별 공개 사용 가이드
현재 검증 기준으로 Functions 테스트 76개, 웹 v1 테스트 48개, Firestore 규칙 테스트 12개와 프로덕션 빌드가 통과했고, 공개 가이드 15개 문서·45단계·34개 실제 UI 캡처를 함께 관리하고 있습니다.
하지만 이것을 “시장 검증이 끝난 서비스”라고 부르지는 않으려고 합니다. 프로덕션에 올라가 있다는 것과 현장에서 가치가 증명됐다는 것은 다릅니다. 지금부터 필요한 것은 기능을 더 많이 만드는 일이 아니라, 실제 매장에서 어디서 멈추고 어떤 표현을 불신하는지 듣는 일입니다.
제가 얻은 네 가지 교훈
프롬프트보다 문제의 경계가 먼저였습니다.
AI는 구현 속도를 높이지만, 근무 가능과 확정처럼 사람만 정할 수 있는 의미의 경계는 대신 결정해주지 않습니다.완료 조건은 테스트가 아니라 사용자 시나리오입니다.
단위 테스트, 에뮬레이터, 프로덕션 E2E가 서로 다른 종류의 오류를 잡았습니다.디자인은 한 번의 생성보다 비교와 거절의 과정이었습니다.
사용할 장소, 조도, 정보 밀도, 색을 써야 할 순간, 뷰포트를 정한 뒤 여러 안을 비교하니 방향이 잡혔습니다.모델보다 문맥이 자산이었습니다.
Codex와 Claude 사이를 오갈 수 있었던 이유는 세션의 기억이 아니라 저장소에 남긴 상태·원칙·결정·검증 기록 덕분이었습니다.
🚨 지금 가장 필요한 현장 파트너: 매장 도입을 결정할 수 있는 분

다양한 역할의 피드백이 필요하지만, 지금 1순위는 한 매장에서 4주 파일럿을 시작하기로 결정해주실 대표·오너·운영책임자입니다.
아르를 제대로 검증하려면 운영자, 매니저, 아르바이트생, 노무·급여 경험자의 목소리가 모두 필요합니다. 다만 근무표·출퇴근·급여는 매장 단위로 함께 써야 흐름이 만들어집니다. 매장에서 도입을 결정해야 직원 초대와 실제 근무표, 출퇴근, 급여 확인까지 이어질 수 있습니다. 그래서 지금은 ‘사용해볼 사람’을 넓게 모으기보다, 테스트 매장 1곳의 문을 열어주실 분을 우선 찾습니다.
1순위 — 도입 결정권자: 카페·음식점 대표/오너, 프랜차이즈·다점포 운영책임자, 파일럿 도입 권한이 있는 점장·매니저. 테스트 매장 1곳과 4주를 열어주세요.
도입 후 함께 검증할 매장 구성원: 매니저·급여 담당자는 근무표와 근태 예외, 정산 흐름을, 아르바이트생은 가능 시간, 근무 요청, 출퇴근과 급여 화면을 함께 써봐 주세요.
노무·급여 경험자: 휴게, 인정시간, 급여 근거와 이의제기 문구에서 위험하거나 오해를 부를 표현을 검토해 주세요.
AI로 서비스를 만드는 분: 기능·가이드·프로덕션 검증을 함께 관리하는 방식에 대한 의견은 계속 환영합니다.
처음에는 실제 직원 이름이나 급여 개인정보 없이 테스트 정보로 시작해도 됩니다. 매장 1곳과 직원 1~3명으로 한 주 근무표를 만들어보고, 좋았던 점보다 처음 멈춘 지점·헷갈린 문장·신뢰가 떨어진 순간을 함께 기록하겠습니다.
현재 핵심 기능은 카드 등록 없이 무료로 시작할 수 있습니다. 매장 도입을 결정할 수 있고 4주 파일럿을 검토해볼 의향이 있다면 댓글이나 커피챗으로 “파일럿 참여”라고 남겨주세요.
직접 도입을 결정하기 어렵다면, 주변의 카페·음식점 대표·오너·운영책임자 한 분에게 이 글을 소개해 주세요. “파일럿 참여”라고 댓글이나 커피챗을 남겨주시면 테스트 범위와 진행 방법을 안내드리겠습니다.
앞으로의 계획
다음 단계에서는 4주 파일럿을 통해 근무표 작성·공유 시간, 개인 연락으로 재촉한 횟수, 출퇴근 예외 처리 시간, 급여 문의 해결시간을 실제로 재려고 합니다. 실기기 SMS와 네이버 로그인, 남은 다중 매장·다중 역할 시나리오도 계속 확인하고, 급여 정책값과 문구는 노무·세무 전문가의 검토를 받을 계획입니다.
AI로 빠르게 프로덕션까지 가는 데는 성공했습니다. 이제 목표는 “AI가 만든 서비스”에서 멈추지 않고, 현장의 말로 계속 깎여 오래 쓰이는 서비스가 되는 것입니다. 같이 써보고 날카롭게 말해주실 분을 기다리겠습니다.
참고 자료
글의 구현 내용은 프로젝트의 실제 기록·검증 보고서·공개 사용 가이드를, 근로감독 관련 현황은 글 안에 연결한 고용노동부 공개 자료를 기준으로 정리했습니다.
로그인하고 댓글을 남겨 주세요
야르! ㅎㅎㅎ
밤티는 우리 모두의 문제쥬! ㅋㅋㅋㅋ
.
오늘도 고오품질의 발표! 기대하겠습니다-!
준님 4주동안 버디로 잘 참여해주셔서 진짜 너무 감사하네요 ㅎㅎ
껍데기로 보답하겠습니다! ㅎㅎㅎ
.
이따 저녁에 뵈어요!




"시장조사를 거꾸로 했다"는 표현이 이 글 전체를 잘 압축하는 것 같아요. 카페 현장에서 반복되는 대화를 듣고 기능 흐름을 먼저 만든 뒤, 그게 시장에서 얼마나 큰 문제인지 확인한 순서가 인상적이었어요.
특히 "편의"에서 "예방"으로 질문을 바꾼 시점이 설계 방향의 분기점이었을 것 같은데, 근무확정 → 출퇴근 원본 → 인정근로시간 → 급여 산식 → 직원 확인·이의제기까지 한 흐름으로 이은 구조가 그 전환을 잘 반영하고 있어요.
고용노동부 통계를 인용하면서도 "카페 전체의 위반율을 뜻하지 않는다"고 명시한 부분, 글 쓸 때 흔히 넘어가기 쉬운 지점인데 꼼꼼하게 잡으셨네요 🐈⬛