Agentic AI 코딩 시스템은 저장소(repository)를 검사하고, 구현 단계를 계획하며, 파일을 편집하고, 도구를 호출하고, 테스트를 실행하며, 풀 리퀘스트(pull request)를 제출할 수 있습니다. 이러한 능력은 특정 환경에서 소프트웨어 및 하드웨어 개발을 더 빠르게 만들지만, 현재의 증거들은 자율적인 코드 생성(autonomous code generation)이 자동으로 엔지니어링 결과물을 개선한다는 단순한 주장을 뒷받침하지 않습니다. 통제된 연구들에 따르면, 일부 기업용 작업에서는 생산성 향상이 보고되었으나, 성숙한 오픈 소스 작업에서는 속도가 저하되었으며, 메타 분석적 효과는 중간 정도이지만 이질적(heterogeneous)으로 나타났습니다. 또한 저장소 설정, 의존성 처리(dependency handling), 권한 게이팅(permission gating), 하드웨어 검증(hardware verification) 분야에서는 지속적인 실패가 발생하고 있습니다. 본 논문은 핵심적인 문제가 더 이상 프롬프트 엔지니어링(prompt engineering)이 아니라, 엔지니어링 프로세스 제어(engineering process control)라고 주장합니다. 본 논문은 에이전트 기반 소프트웨어 엔지니어링(agentic software engineering), GitHub 규모의 채택 연구, 저장소 수준의 에이전트 구성, 생산성 시험, 이슈 해결 벤치마크, 그리고 하드웨어/RTL 검증 연구로부터 얻은 증거들을 종합합니다. 본 논문은 Agile-V를 라이프사이클의 중추로 사용하고, 대화형 의도(conversational intent)를 구조화된 엔지니어링 산출물(artifacts) 및 수락 증거(acceptance evidence)로 변환하기 위해 작업 수준의 SCOPE-V 루프 — Specify(명시), Constrain(제약), Orchestrate(조직), Prove(증명), Evolve(진화), Verify(검증) — 를 사용하는 프로세스 프레임워크인 Agentic Agile-V를 제안합니다. 본 논문의 기여는 다음과 같습니다: (i) 에이전트 기반 소프트웨어, 펌웨어 및 하드웨어 작업을 위한 최소 입력 산출물(minimum input artifacts)의 분류 체계(taxonomy); (ii) 탐색적 대화와 구현을 분리하는 대화-계약 게이트(conversation-to-contract gate); (iii) 위험 적응형(risk-adaptive) 기능, 버그 수정, 테스트 및 하드웨어 워크플로우; (iv) 에이전트 생성 산출물을 위한 증거 번들 수락 모델(evidence-bundle acceptance model). 본 논문은 에이전트 AI가 엔지니어링 규율(engineering discipline)을 제거하는 것이 아니라, 요구사항, 제약 조건, 추적성(traceability), 독립적 검증 및 인간의 승인의 가치를 높인다는 결론을 내립니다.