2023년부터 2025년에 걸쳐, 생성형 AI를 활용한 코딩은 폭발적으로 보급되었습니다. 하지만 인간이 수동으로 AI에게 지시를 내리고, 출력된 코드를 복사하여 붙여넣으며 확인하는 「턴제 (Turn-based)」 스타일(이른바 Vibe Coding)은 개인의 국소적인 생산성을 높였으나, 조직 규모에서의 지속 가능성 (Scalability)이나 일관성 (Consistency)이라는 관점에서는 한계에 직면해 있습니다.

AI의 자율성이 급격히 높아진 현재, 엔지니어링의 패러다임은 변화하고 있습니다. 앞으로의 기술 지도자에게 요구되는 것은 AI에게 개별적인 프롬프트를 입력하는 것이 아닙니다. 「AI가 자율적으로 움직이고, 검증하고, 수정을 반복하는 『시스템 (Loop)』 그 자체를 설계하고 구축하는 것」입니다.

전 Google의 Addy Osmani 씨는 자신의 블로그 기사 『Loop Engineering』에서, Peter Steinberger 씨의 *「더 이상 코딩 에이전트에게 프롬프트를 입력해서는 안 된다. 에이전트에게 프롬프트를 입력하는 『루프 (Loop)』를 설계해야 한다」*라는 말과, Anthropic 사의 Claude Code 책임자인 Boris Cherny 씨의 *「나는 이제 Claude에게 프롬프트를 입력하지 않는다. 루프를 돌리고 있다. 나의 일은 루프를 쓰는 것이다」*라는 말을 인용하며 이 패러다임 전환의 본질을 꿰뚫고 있습니다.

본 기사에서는 이 「Loop Engineering (루프 엔지니어링)」의 개념을 바탕으로, 개별 최적화에서 전체 최적화로 향하는 차세대 개발 인프라를 아키텍처의 관점에서 풀어냅니다.

멤버 개개인이 서로 다른 AI 도구를 사용하며 독자적인 프롬프트를 시행착오하고 있는 상태는 일시적인 효율화는 될 수 있어도 조직의 자산은 되지 않습니다. 지향해야 할 점은 팀 전체가 공유하고 재사용할 수 있는 「자율 개발 파이프라인 (Autonomous Development Pipeline)」으로의 승화입니다.

여기서 중요한 것은, 「하네스 (Harness)」와 「루프 (Loop)」의 구조적 차이를 이해하는 것입니다.

하네스 (Harness, 환경 정비): 단일 AI 에이전트를 안전하게 구동하기 위한 실행 환경 및 컨텍스트 준비. -
루프 (Loop, 상위 시스템 설계): 여러 에이전트를 스케줄 실행이나 이벤트 트리거와 협조시켜, 리뷰, 테스트, 배포까지 자율적으로 순환시키는 시스템 전체.

Osmani 씨가 지적하듯이, 루프 엔지니어링은 하네스의 「한 단계 위」에 위치하는 개념입니다. 타이머나 훅 (Hook)에 의해 구동되며, 서브 에이전트 (작은 헬퍼)를 생성하면서 자율적으로 인프라에 피드백을 주는 상위 시스템을 오케스트레이션 (Orchestration)하는 것이야말로 아키텍트가 주도해야 할 영역입니다.

과거에는 이러한 루프를 구축하기 위해 대량의 Bash 스크립트를 투박하게 유지보수해야 했으나, 현재는 Codex 앱이나 Claude Code와 같은 프로덕트 내부에서 이러한 프리미티브 (Primitive) 기능들이 표준으로 구현되기 시작했습니다. 우리는 개별 도구론에 치중하는 것이 아니라, 도구가 바뀌어도 작동하는 「루프의 공통 형상」을 설계해야 합니다.

Osmani 씨는 현재의 선진적인 AI 개발 도구에 공통적으로 내장되고 있는, 루프를 구성하는 핵심 요소(5가지 컴포넌트와 1개의 기억 영역)를 제시하고 있습니다. 이를 클라우드 인프라 아키텍처의 관점에서 해석하고 분해해 보겠습니다.

[이벤트 트리거 (Automations)]
│
▼
...

AI의 기동을 인간의 수동 조작으로부터 해방합니다. CI의 테스트 에러, GitHub Issues 발행, 혹은 정기적인 cron 잡드 등을 이벤트 소스로 삼아, 백그라운드에서 루프를 자동으로 실행(Kick)하는 이벤트 드리븐 (Event-driven) 아키텍처를 구축합니다. 예를 들어, CI 에러의 요약이나 버그 헌팅을 정기적으로 실행시키고, 결과를 트리아지 (Triage)용 인박스로 집약하는 설계가 가능합니다.

또한, 많은 도구에서 도입되고 있는 /goal 명령과 같이, 「모든 테스트가 통과하고 린트 (Lint)가 클린해질 때까지 회차를 반복한다」와 같이 검증 가능한 정지 조건을 충족할 때까지 자율 구동하는 메커니즘이 이에 해당합니다.

여러 AI 에이전트가 동시에, 그리고 자율적으로 움직이기 때문에 작업 환경의 충돌 (Conflict)을 완전히 방지해야 합니다. git worktree 등을 활용하여 에이전트마다 깨끗하고 격리된 샌드박스 (Sandbox) 환경을 온디맨드 (On-demand)로 프로비저닝하고, 병렬 처리 시에도 파일이 충돌하지 않는 인프라 설계가 필수적입니다.

프로젝트 고유의 아키텍처 규약, 빌드 절차, 과거의 교훈과 같은 「팀의 암묵지」를 SKILL.md

등의 형식으로 코드화(선언적 메타데이터화)합니다. 에이전트가 기동할 때마다 이를 컨텍스트(Context)로 자동 주입함으로써, "매번 동일한 전제 조건을 프롬프트로 설명하는" 낭비를 줄이고, 프로젝트의 인텐트(Intent, 의도)를 누적적으로 학습시킵니다.

Model Context Protocol (MCP) 등을 활용하여, 에이전트가 로컬 파일 조작에만 국한되지 않도록 설계합니다. Slack 알림, Linear나 Jira 티켓 업데이트, 스테이징 환경으로의 배포 등 외부 API 및 클라우드 서비스와 양방향으로 안전하게 연동할 수 있는 커넥터 레이어(Connector Layer)를 정비함으로써, AI가 단순히 "수정안을 제시"하는 것을 넘어 "실제로 PR을 열고 티켓을 업데이트"하기까지의 자율성을 획득하게 합니다.

시스템 설계에서의 "직능 분리 (Separation of Duties)"를 AI 워크플로우에도 적용합니다. 코드를 작성하는 모델은 자신이 작성한 코드의 검증에 대해 관대해지기 쉽습니다. 따라서 코드를 생성하는 "구현 에이전트"와, 이를 정적 분석이나 사양의 관점에서 엄격하게 체크하는 "검증·리뷰 에이전트"를 분리하고, 상호 견제(멀티 에이전트 콜라보레이션)를 수행하게 함으로써 품질을 담보합니다.

자율형 루프는 장시간의 비동기 처리가 되기 쉽습니다. 에이전트는 세션이 바뀌면 컨텍스트를 망각하기 때문에, 진행 상황이나 시행착오의 이력을 리포지토리 상의 Markdown 파일 (AGENTS.md 등)이나 외부 시스템에 "디스크 영속화(Disk Persistence)"하는 상태 관리 레이어가 필요합니다. "에이전트는 잊어도, 리포지토리는 잊지 않는다"는 구조를 만듦으로써, 도중에 에러가 발생하더라도 체크포인트부터 재개할 수 있게 합니다. 동시에 실행 예산이나 토큰 소비량을 추적·감사하기 위한 메트릭(Metrics) 수집도 여기에 포함합니다.

아무리 뛰어난 루프를 설계하더라도 제어 불능 상태가 되면 그저 "비용을 쏟아붓는 기계"로 전락합니다. Osmani 씨도 "토큰 비용에는 절대적인 주의가 필요하다"고 경고한 것처럼, 실무에 도입할 때 가장 중요한 것은 다음과 같은 거버넌스(Governance) 설계입니다.

폭주 방지 (하드 리미트 설정):

최대 실행 횟수(Max Iterations) 제한, 1루프당 최대 소비 토큰 수, 그리고 월간 예산 상한(Billing Alarm과 연동된 강제 중단)을 인프라 수준에서 내장합니다. 무한 루프로 인한 클라우드 비용 폭탄을 방지하는 세이프티 넷(Safety Net)은 필수입니다.

안전한 종료 조건 (Stop Conditions) 및 인간으로의 핸드오프 (Handoff):

"모든 테스트가 100% 통과했다"와 같은 엄격한 종료 조건을 정의합니다. 한편, 수 회 연속으로 동일한 에러를 해결하기 어려운 경우 등에는 그 이상의 토큰 소비를 중단하고, 그때까지의 실행 로그와 컨텍스트를 첨부하여 인간에게 "우아하게 핸드오프(알림)"하는 경계선을 설계합니다.

최소 권한 원칙 (Least Privilege):

에이전트에게 부여하는 IAM 역할(Role)이나 GitHub Token 등의 인증 정보는 필요 최소한의 권한(리포지토리의 특정 브랜치에 대한 푸시 권한, 특정 샌드박스 내에서의 실행 권한 등)으로 제한하고, 보안이 확보된 시크릿(Secret) 관리를 수행합니다.

루프 엔지니어링이 침투한 조직에서는 엔지니어의 역할과 평가 축이 급격하게 변화합니다.

"사양대로 빠르게 코드를 작성한다"는 직능의 상당 부분은 24시간 365일 가동되는 루프 시스템으로 대체되어 갑니다. 앞으로의 엔지니어에게 요구되는 것은 "비즈니스 도메인을 깊이 이해하고, 루프 시스템이 올바르게 작동하고 있는지 검증·평가하는 능력", 그리고 "루프 그 자체를 개선하는 메타 엔지니어링(Meta-engineering) 능력"입니다.

이는 엔지니어의 가치를 빼앗는 것이 아니라, DevEx(개발자 경험)를 최고 수준으로 끌어올리는 트리거가 됩니다.

"기술 부채의 자동 상환 루프"나 "의존성 패키지의 자동 업데이트 루프"를 백그라운드에서 상시 가동하는 것.

인간이 번거로운 운영 유지보수에서 해방되어, 본질적인 아키텍처 설계나 핵심적인 비즈니스 가치 창출에 집중할 수 있는 환경이야말로 루프 엔지니어링의 진정한 목표입니다.

하지만 Osmani 씨가 강력하게 주장하듯, 여기에는 "인지적 굴복 (Cognitive Surrender)"이라는 함정이 숨어 있습니다. 루프가 자동으로 코드를 양산하는 속도에 인간의 이해가 따라가지 못하는 "이해의 부채 (Comprehension Debt)\

두 명의 엔지니어가 완전히 동일한 루프 (Loop)를 구축하더라도, 한 명은 "자신이 깊이 이해하고 있는 영역의 작업을 가속화하기 위해" 사용하고, 다른 한 명은 "이해하는 것을 피하기 위해" 사용한다면 그 결과는 정반대가 됩니다. 루프는 자신이 어떤 의도로 작동하고 있는지를 구분하지 않습니다. 그렇기에 우리는 "그저 실행 버튼만 누르는 사람"이 되는 것이 아니라, 코드의 최종적인 동작에 책임을 지는 "엔지니어 (Engineer)"로 남겠다는 의지가 필요합니다.

루프 엔지니어링 (Loop Engineering)은 일시적인 트렌드가 아니라, 향후 소프트웨어 엔지니어링 (Software Engineering)에서의 표준적인 인프라 프랙티스 (Engineering Infrastructure)가 될 가능성을 품고 있습니다.

그렇다고 해서 처음부터 완벽한 멀티 에이전트 자율 시스템 (Multi-agent Autonomous System)을 구축할 필요는 없습니다. 우선은 "CI에서 특정 에러(예: 정적 분석 에러)가 발생하면, 이를 트리거로 수정 PR을 자동 생성하는 단일 루프"와 같이, 작고 구체적인 스코프 (Scope)부터 시작해야 합니다.

AI라는 불확실성이 높은 컴포넌트 (Component)를 결정론적인 소프트웨어 개발 인프라 안에 어떻게 안전하게 통합할 것인가. 투박하더라도 치밀한 시스템 설계와 "인간에 의한 지속적인 검증 및 모니터링"의 시선을 유지하며, 자사의 개발 기반을 "자율형"으로 모던하게 업데이트해 나갑시다.

참고 문헌 · 인용 출처

• Addy Osmani, "Loop Engineering" (2026)

URL: https://addyosmani.com/blog/loop-engineering/