서론

생성형 AI를 개발 프로세스에 도입하려는 움직임이 확산되는 한편, 개인의 코딩 지원을 넘어 팀 전체의 개발 프로세스를 어떻게 변화시킬 것인가는 많은 개발 조직에게 여전히 탐색 중인 주제라고 생각합니다.

AI-DLC는 그러한 질문에 대해, AI를 개발 라이프사이클(Development Lifecycle) 전체에 통합하기 위한 접근 방식입니다.

Digital Garage(DG)와 Digital Garage 그룹의 DG Business Technology(DGBT)는 AWS와 공동으로 AI-DLC Unicorn Gym을 실시했습니다. 기간은 2026년 5월 19일부터 5월 21일까지 3일간입니다. 장소는 시나가와 사이드에 있는 Amazon의 촬영 스튜디오로, 창고를 리노베이션한 분위기 있는 공간이었습니다.

이번 활동에는 엔지니어와 비즈니스 사이드 멤버를 포함한 12개 팀, 약 70명이 참가했습니다.

이 기사에서는 3일간의 체험을 통해 얻은 배움과 더불어, 참가자의 목소리, 그리고 그 이후의 팀 개발에서의 실천을 AI 시대의 개발 프로세스라는 관점에서 소개합니다.

AI를 팀 개발에 도입하고 싶은 분들을 위해, AI-DLC를 실무에 가까운 형태로 시도하며 발견한 효과와 과제를 정리합니다.

AI-DLC란 무엇인가

AI-DLC는 AI-Driven Development Lifecycle의 약자로, AI를 개발 라이프사이클 전체에 통합하기 위한 사고방식입니다.

단순히 코드 생성 도구를 사용하거나 프롬프트(Prompt)를 공유하는 차원의 이야기가 아닙니다. AI가 작업을 진행하도록 하면서, 인간이 계획을 확인하고, 리뷰(Review)하며, 의사결정(Decision Making)을 내리고, 필요에 따라 방향을 수정하는 것. 그러한 팀 개발 프로세스 자체를 재설계하는 접근 방식입니다.

AI-DLC에서는 개발 라이프사이클을 크게 Inception, Construction, Operation의 3가지 페이즈(Phase)로 파악합니다.

Inception: 무엇을 만들 것인지 명확히 하고, 유저 스토리(User Story)나 수락 기준(Acceptance Criteria), 작업 단위(Work Unit)를 정리한다. 필요에 따라 AI가 기존 코드를 이해하기 위한 정보도 정리한다 -
Construction: Inception에서 정리한 계획을 바탕으로, AI와 사람이 협업하며 설계, 구현, 테스트를 진행한다 -
Operation: 동작 확인 및 운용을 통해 얻은 피드백을 바탕으로, 개선점을 다음 개발 사이클로 되돌린다

이 사이클 속에서 중요한 것은 AI에게 모든 것을 맡기는 것이 아니라, 각 페이즈에서 인간이 리뷰하고 판단하며, 필요에 따라 방향을 수정하는 것입니다. AI가 더 빠르게 만들 수 있게 될수록, 인간 측의 리뷰 능력, 판단력, 의사결정력이 병목 현상(Bottleneck)이 됩니다.

3일 동안 무엇을 했는가

이번 Unicorn Gym에서는 3일 동안 AI-DLC의 흐름을 체험했습니다.

일정	주요 내용	얻은 배움
Day 1	AI-DLC 소개, 핸즈온(Hands-on), Inception 시작, 유저 스토리 작성, 작업 단위로 분할	상류 공정의 중요성, 유저 스토리의 압축, 리뷰 부하의 크기
...
특히 의의가 컸던 것은 AI-DLC의 흐름을 단순한 연습이 아니라 실제 개발 테마에 적용했다는 점입니다. 기존의 과제나 제약이 있는 테마를 마주했기에, AI를 팀 개발에 통합하는 데 있어 느끼는 보람과 어려움을 구체적으로 체험할 수 있었습니다.

Inception에서 중요했던 것

AI-DLC의 Inception에서는 유저 스토리를 작성하고, 이를 작업 단위로 분해해 나갑니다.

여기서 중요했던 것은 AI에게 갑자기 구현을 시키지 않는 것입니다. 우선 사용자에게 전달하고 싶은 가치를 명확히 합니다. 그다음 유저 스토리를 만듭니다. 나아가 목업(Mock)이나 간이 프로토타입(Prototype)으로 인식을 맞춥니다. 그 후에 병행하여 진행할 수 있는 작업 단위로 분할합니다.

실제로 해보니 유저 스토리는 늘어나기 쉬웠습니다. AI는 포괄적으로 많은 관점을 제시해 주지만, 그대로 받아들이면 리뷰량이 방대해집니다. 첫 번째 사이클에서는 유저 스토리를 압축하여 작게 돌리는 것이 중요합니다.

또한 비즈니스 사이드와 엔지니어 사이드가 같은 자리에서 논의할 수 있었던 것은 큰 가치가 있었습니다. AI가 제시한 유저 스토리나 목업을 함께 보면서 "이것은 필요하다", "이것은 나중에 해도 된다", "여기는 기존 제약이 있다"라고 즉각적으로 판단할 수 있습니다. 통상적이라면 여러 번 오갔을 인식 맞추기 작업이 그 자리에서 진행되었습니다.

작업 단위는 병렬로 진행하기 쉬운 입도로 생각한다

AI-DLC에서는 유저 스토리를 팀에서 진행하기 쉬운 작업 단위로 분할합니다.

이때 DDD(Domain-Driven Design)의 경계가 있는 컨텍스트(Bounded Context)처럼 너무 깊게 생각하면 오히려 어려워지는 경우가 있었습니다. 이번 학습을 통해 얻은 교훈은, 우선 팀이 진행하기 쉬운 작업의 덩어리로 생각하는 것이 좋다는 점입니다.

예를 들어 프론트엔드, 백엔드, 인프라, 공통 기반, 조사 태스크 등 팀이 병렬로 작업하기 쉬운 단위로 나누는 것입니다. 혹은 처음에 공통 부분을 만들고 그 후에 개별 기능으로 나누는 방식도 선택지가 될 수 있습니다.

중요한 것은 깔끔한 분류를 만드는 것이 아니라, 팀이 안전하게 병렬 작업을 할 수 있는 상태를 만드는 것입니다.

보인 성과 패턴

3일 동안 몇 가지 공통된 성과 패턴도 확인할 수 있었습니다.

기존 프로덕트에 대한 기능 추가를 단기간에 검증할 수 있었다

규모감은 각 팀의 테마나 기존 시스템의 상태에 따라 다르지만, 일부 팀에서는 통상적으로 몇 주에서 몇 달이 걸릴 법한 규모의 기능 추가에 대해, 3일 만에 검증용 구현이나 MVP(Minimum Viable Product)에 가까운 수준까지 진행할 수 있었습니다.

물론 3일 만에 그대로 운영 환경에 투입할 수 있다는 뜻은 아닙니다. 결합, 품질 보증(QA), 운영, 보안, 기존 시스템과의 정합성 등은 별도로 필요합니다. 그럼에도 단기간에 동작하는 것에 가깝게 만듦으로써, 검토의 해상도가 높아지는 감각이 있었습니다.

모크(Mock)가 인식 맞추기에 효과적이었다

빠른 단계에서 모크를 만듦으로써 유저 스토리만으로는 보이지 않았던 인식의 차이를 명확히 할 수 있었습니다.

화면이나 움직임이 보이면 비즈니스 사이드와 엔지니어 사이드 모두 코멘트하기 쉬워집니다. 결과적으로 요구사항의 과부족이나 우선순위를 빠른 단계에서 확인할 수 있었습니다.

기존 시스템의 암묵지가 병목이 되었다

AI에게 기존 시스템을 다루게 할 때, 암묵지(Tacit Knowledge)의 부족이 큰 과제가 됩니다.

디렉터리 구성, 코드 규약, 기존의 설계 사상, 건드려서는 안 되는 영역, 올바른 구현 사례, 과거의 경위 등. 인간 팀원이라면 당연하게 이해하고 있는 것이라도 AI에게는 명시적으로 전달해야 합니다.

기존 코드를 그대로 대량으로 읽히기만 하면 되는 것이 아닙니다. 오히려 필요한 정보를 AI가 사용하기 쉬운 형태로 정리해서 전달하는 것이 중요합니다.

설문 결과에서 보인 것

참가자 설문에서도 AI-DLC의 체감 효과와 과제가 상당히 명확하게 나타났습니다.

그림 1: AI-DLC Unicorn Gym 참가자 설문 정량 결과

참가자 설문에서는 만족도와 향후 업무 활용에 대한 기대치가 높은 수준으로 나타났습니다. 단순히 이벤트로서 만족도가 높았던 것뿐만 아니라, 실무에서도 사용할 수 있겠다고 느낀 참가자가 많았음을 알 수 있습니다. 특히 직종을 넘어 대면으로 함께 협업하는 점이 높게 평가되었으며, AI-DLC의 가치가 코드 생성 그 자체뿐만 아니라 비즈니스 사이드와 엔지니어 사이드가 같은 자리에서 의사결정을 내리는 프로세스에도 있다는 점이 보였습니다.

생산성 개선에 대해서도 공수 절감 및 가속화의 체감 효과가 있었습니다. 대표적인 예로 몇 인월(Man-Month) 규모 또는 수십 인일(Man-Day) 규모의 작업이 크게 압축된 케이스도 있었습니다. 다만 이는 참가자의 자기 보고를 기반으로 한 것이며, 대상 테마의 복잡성, 기존 시스템의 상태, 참가 멤버의 사전 지식, 결과물을 어디까지 완성된 것으로 간주하느냐에 따라 차이가 있습니다. 따라서 단순히 모든 개발에 적용되는 것은 아니지만, 단기간에 검토나 검증을 크게 진전시킬 수 있다는 체감은 충분히 있었다고 할 수 있습니다.

그림 2: AI-DLC의 각 공정에 대한 참가자의 관심과 과제 의식

향후 AI 활용을 추진하고 싶은 공정으로는 요구사항 정의, 유저 스토리 작성, 구현, 설계·문서화 등이 많이 언급되었습니다. AI 활용에 대한 관심이 코드 생성뿐만 아니라 상류 공정(Upstream Process)으로도 확장되어 있음을 알 수 있습니다.

한편, 성과가 나오기 쉬운 영역과 어려움을 느끼기 쉬운 영역은 겹쳐 있습니다. 특히 인셉션(Inception) 영역은 AI-DLC의 효과를 끌어내는 데 중요함과 동시에, 실무 전개를 위해 세심한 설계가 필요한 영역이라고 느꼈습니다.

설문을 통해 나타난 향후 과제로는 리뷰 부하, 의사결정 분담, 비즈니스 사이드를 참여시키는 체제, 기존 시스템의 암묵지 정리, 수평 전개의 표준화, 보안 및 기밀 정보 취급 등 조직 및 프로세스 설계로서 다뤄야 할 테마들이 보였습니다.

공통적으로 얻은 학습

이번 체험과 설문 결과로부터 특히 중요하다고 느낀 학습 내용을 정리합니다.

1. AI가 빠르게 만들수록 인간의 의사결정이 중요해진다

AI는 빠르게 만들 수 있습니다. 하지만 무엇을 만들어야 하는지, 어디까지 만들어야 하는지, 무엇을 버려야 하는지는 인간이 판단해야 합니다.

개발자의 역할은 단순히 코드를 작성하는 것에서, AI에게 적절한 지시를 내리고, 출력을 읽으며, 기술적인 의사결정을 내리는 것으로 확장됩니다.

2. 리뷰 부하가 새로운 병목 현상(Bottleneck)이 된다

AI가 대량의 문서나 코드를 생성하면, 인간의 리뷰가 이를 따라가지 못하게 됩니다.

모든 것을 동일한 열정으로 읽는 것이 아니라, 어디를 보아야 할지를 결정해야 합니다. 리뷰 관점을 명확히 하고, 다른 AI에게 1차 리뷰를 맡기거나, 여러 명이 분담하는 등의 노하우가 필요해집니다.

3. 비즈니스 사이드와 엔지니어 사이드가 같은 자리에서 판단하는 가치

AI-DLC에서는 비즈니스 사이드(Business side)와 엔지니어 사이드(Engineer side)가 같은 자리에서 AI의 출력을 보며 논의하는 것이 중요합니다.

요구사항, 제약 조건, 우선순위, 사용자 가치를 그 자리에서 바로 확인할 수 있기 때문에, 후속 공정에서의 재작업(Rework)을 줄이기 쉬워집니다. 설문조사에서도 대면으로 함께 작업하는 방식이 높게 평가되었으며, AI를 사용함으로써 오히려 인간 사이의 대화 가치가 높아진다는 것을 느꼈습니다.

4. 작게 반복하는 것이 중요하다

AI는 큰 규모의 작업도 만들어낼 수 있습니다. 하지만 크게 만들수록 리뷰와 통합(Integration)도 어려워집니다.

처음부터 완벽을 목표로 하는 것이 아니라, 작게 만들고, 확인하고, 필요하다면 되돌아가는 방식이 필요합니다. AI-DLC에서는 이러한 '되돌아오기 쉬움'을 전제로 한 진행 방식이 중요합니다.

5. 자연어(Natural Language)가 개발 프로세스의 중심이 된다

AI에게 의도를 전달하기 위해서는 자연어를 통한 설명이 중요해집니다.

사용자 스토리(User Story), 수용 기준(Acceptance Criteria), 설계 의도, 제약 조건, 리뷰 관점. 이것들을 얼마나 명확하게 작성할 수 있는지가 AI의 출력 품질과 직결됩니다. 자연어가 개발 프로세스에서 중요한 인터페이스(Interface) 역할을 하고 있다고 느꼈습니다.

참여 후 시작된 실천

AI-DLC Unicorn Gym에서 얻은 배움은 실제 팀 개발에도 도입하기 시작했습니다.

예를 들어, 과제 내용을 바탕으로 AI와 함께 설계 방침이나 구현 계획을 정리하고, 여러 명이 확인하면서 작업을 작게 나누어 진행하는 흐름을 시도하고 있습니다.

핵심은 AI에게 맡기는 작업을 개인 단위로 끝내는 것이 아니라, 설계나 구현 계획 단계부터 여러 명이 시선을 맞추는 것입니다. 그렇게 함으로써 구현 후의 리뷰에만 부하가 집중되지 않도록 하고, 빠른 단계에서 인식의 차이나 리스크를 쉽게 알아차릴 수 있습니다.

한편, AI에게 전달할 정보의 범위, 품질 보증(Quality Assurance) 기준, 인간이 판단해야 할 포인트의 정리 등은 앞으로도 검토가 필요한 과제입니다.

요약

AI-DLC Unicorn Gym을 통해 느낀 점은, AI로 인해 코딩만 빨라지는 것이 아니라 개발 프로세스 전체의 무게 중심이 이동하고 있다는 것입니다.

AI가 구현을 진행하는 시간이 늘어날수록, 인간에게는 무엇을 만들 것인지, 왜 만드는지, 어디에서 판단할 것인지를 명확히 하는 역할이 더욱 강력하게 요구됩니다. 기술적인 의사결정, 리뷰, 설계 의도의 언어화, AI를 위한 지시 설계(Prompt Engineering)는 앞으로의 팀 개발에서 점점 더 중요해질 것이라고 느꼈습니다.

AI-DLC를 실무에 도입하려면 갑자기 크게 도입하기보다, 작은 테마부터 시도하며 리뷰와 의사결정 흐름을 팀에 맞는 형태로 정립해 나가는 것이 중요합니다. 이번 3일간의 시간은 이를 위한 구체적인 감각을 얻을 수 있는 기회가 되었습니다.

Discussion