대규모 언어 모델 (LLMs)이 소프트웨어 개발 워크플로우에 점점 더 통합되고 있지만, 자율적으로 안전한 인증 코드를 생성하는 능력은 여전히 불확실합니다. 본 논문은 정적 코드 분석 (static code analysis)과 동적 침투 테스트 (dynamic penetration testing)를 결합하고 NIST SP 800-63B 가이드라인에 매핑한 이중 모드 평가 프레임워크를 통해, 5개의 저명한 AI 코딩 어시스턴트가 생성한 인증 시스템의 보안 아키텍처를 평가합니다. 본 연구는 개발자의 가이드 수준을 반영하기 위해 Basic, Secure, NIST-Based, 그리고 Reprompting의 네 가지 프롬프팅 전략에 따른 모델의 동작을 조사합니다. 실증적 결과에 따르면, 기능적(functional)이거나 일반적인 보안(generically secure) 프롬프트에서 생성된 코드는 특히 무차별 대입 공격 저항성 (brute-force resistance), 세션 관리 (session management), 강력한 비밀번호 처리 (robust password handling)와 관련된 핵심 보호 조치를 일관되게 누락하는 것으로 나타났습니다. 명시적인 단발성 (single-shot) NIST 컨텍스트를 제공하는 것이 준수성을 크게 향상시키기는 하지만, 연구 결과는 이것이 구조적으로는 여전히 불충분하다는 것을 보여줍니다. 대신, 포괄적이고 심층 방어 (defense-in-depth)적인 보안 아키텍처를 달성하기 위해서는 모델을 문맥적 자기 감사 루프 (contextual self-auditing loop)로 강제하는 반복적 재프롬프팅 (iterative Reprompting)이 엄격히 요구됩니다. 궁극적으로, 본 연구는 현재의 AI 코딩 어시스턴트가 기본적으로 안전한 (secure-by-default) 애플리케이션을 생성하지 못한다는 것을 증명하며, 기업의 배포 방식이 단발성 프롬프트 엔지니어링 (single-shot prompt engineering)에서 지속적이고 표준 중심적인 검증 파이프라인 (standards-driven verification pipelines)으로 전환되어야 함을 시사합니다.