AI를 '일잘러 동료'로 두기 - 기획부터 코드 검증까지, 내가 SDLC를 자동화한 방식

요즘 카카오를 비롯한 빅테크들이 '에이전틱 AI'를 화두로 던진다. AI가 스스로 판단하고 도구를 호출해 일을 끝낸다는 그림이다. 멋지지만, 현장에서 일하는 개발자로서 솔직한 의문이 들었다. 대부분의 기업은 AI-Native가 아니라 AX(AI Transformation)를 한다. 처음부터 AI로 설계된 조직이 아니라, 기존 업무 위에 AI를 얹는 쪽이다. 그렇다면 답은 'AI에게 운전대를 넘기는 것'이 아니라 따로 있지 않을까.

내 입장: AI-Native 말고 AI-Optional

나는 AI를 협업자이자 지식창고이자 일잘러 동료로 뒀다. 전부 맡기지 않는다. 판단과 책임은 사람이 쥐고, 반복·검색·정합성 검증처럼 AI가 압도적으로 잘하는 구간만 위임한다. 이 'AI-Optional' 방식으로 내 SDLC 생산성은 체감상 95% 이상 올라갔다.

무대: 통합물류 포트폴리오

검증 무대는 OMS·WMS·TMS를 묶은 이벤트 드리븐 통합물류 시스템이다. 다만 이 글의 주인공은 물류 도메인이 아니라 그걸 만든 방법론이다.

파이프라인 종단: 어디까지 AI, 어디서 사람

기획 → DDD 용어집 → 화면설계 → 아키텍처 → 화면 개발 → 패턴·코딩·스타일 검증. 이 흐름을 한 줄로 꿰었다.

• AI가 맡은 것: 용어집과 화면설계의 연결 추적, 코드가 컨벤션·아키 규칙을 어겼는지 검증, 반복 코드 생성.
• 사람이 결정한 것: 도메인 경계(Bounded Context), 트랜잭션 정책, "이 화면이 정말 이 업무를 푸는가"라는 본질.

경계는 단순하다. 틀리면 비싼 결정은 사람이, 빠르면 이득인 반복은 AI가.

도구의 역할

• RAG = 지식창고. 설계서·용어집·표준을 물으면 근거째 답한다.
• n8n = 자동화. 검증·동기화 같은 일을 사람 손 없이 흘려보낸다.
• Claude Code = 일관성 검증자. 용어집부터 코드 패턴까지 끝단의 정합성을 본다.

이벤트 드리븐과 three.js로 물류 가시성(visibility)을 확보한 이야기는 다음 글에서 따로 풀겠다.

회고: '95%'의 진짜 의미

95%는 'AI가 95%를 짰다'가 아니다. 결정에 쓸 시간을 그만큼 더 확보했다는 뜻이다. 잘 통한 건 정합성 검증과 지식 검색이었고, 끝내 사람이 쥐어야 했던 건 도메인 판단과 책임이었다.

에이전틱 AI에게 운전대를 줄지 고민 중이라면, 먼저 '옆자리 동료'로 앉혀보길 권한다. 당신의 파이프라인에서 AI와 사람의 경계는 어디인가? 댓글로 같이 이야기 나누고 싶다.