개인의 코딩 효율과 조직의 AI 개발 역량은 다릅니다. 현실적인 개발 시나리오를 통해 AI 코딩 도구와 기업용 AI 개발 플랫폼의 차이를...
Resources > Insight Report > Conference
2026.11.10
– 코드 리뷰와 테스트부터 접근 권한 관리까지, AI 에이전트가 개발 전반에 참여할 때 달라지는 품질 관리 과제를 정리했습니다.
지난 11월 5일 열린 BeSTCon 2026(제12회 국제 품질 테스팅 콘퍼런스)에서 슬렉슨은 AI Coding의 확산이 소프트웨어 개발 프로세스에 가져온 변화와 새로운 품질 관리 과제를 공유했습니다.
이번 발표는 ‘AI Coding에서 Agentic SDLC까지 – 소프트웨어 개발의 패러다임 전환과 품질·신뢰 확보의 새로운 과제’를 주제로 진행됐습니다.
코드를 작성하는 AI에서 개발 과정을 수행하는 Agent로 기술이 발전하면서, 이제는 코드 생성 속도뿐 아니라 요구사항 분석, 검증, 배포, 보안까지 연결하는 개발 환경이 중요해지고 있습니다.
이번 글에서는 발표에서 다룬 주요 기술 변화와 함께, 슬렉슨이 소개한 AI 기반 개발 Tool Chain 시나리오를 정리했습니다.
AI Coding Agent는 이제 단순한 코드 자동완성을 넘어 여러 파일을 수정하고, 오류를 분석하며, 테스트 코드까지 생성합니다. 하지만 개발자가 코드를 작성하는 시간과 전체 소프트웨어를 완성하는 시간은 다릅니다.
이번 발표에서는 AI Coding 도입 이후 개발 프로세스에서 나타나는 새로운 병목을 짚었습니다
|
개발 단계
|
AI Coding 확산 이후의 과제
|
|---|---|
|
코드 리뷰
|
AI가 생성한 코드가 늘어나면서 검토 대기와 리뷰 부담 증가
|
|
통합·테스트
|
여러 Agent가 수정한 코드의 충돌과 회귀 결함 검증
|
|
요구사항·설계
|
모호한 요구사항이나 설계 오류가 구현 단계까지 빠르게 전파
|
|
배포·보안
|
배포 승인, Agent 접근 권한 및 보안 정책 관리 필요
|
예를 들어 AI Agent가 하루 동안 수십 개의 코드를 수정하더라도, 사람이 모든 변경 사항을 검토해야 한다면 리뷰 단계에서 작업이 지연될 수 있습니다. 코드 생성 속도와 검증 역량 사이에 격차가 벌어지면서, AI Coding의 생산성 향상을 실제 개발 성과로 연결하기 위한 새로운 프로세스가 요구되고 있습니다.
기존 AI Coding은 개발자가 작업을 지시하고 AI의 결과를 검토하는 AI-Assisted 방식에 가까웠습니다. 반면 Agentic SDLC는 AI Agent가 요구사항 분석, 작업 분해, 개발, 테스트 등 여러 단계를 수행하도록 개발 프로세스 자체를 구성하는 방식입니다. 슬렉슨은 이러한 변화를 AI 개발 성숙도 5단계로 구분해 소개했습니다.
|
단계
|
특징
|
|---|---|
|
Level 0 — Classic SDLC
|
사람이 개발 전 과정을 수행
|
|
Level 1 — AI-Assisted
|
코드 자동완성 등 개인 단위 AI 활용
|
|
Level 2 — AI-Optimized
|
팀 단위 표준화와 특정 개발 단계 자동화
|
|
Level 3 — Agent-Augmented
|
Agent가 여러 작업을 수행하고 사람이 검증·승인
|
|
Level 4 — Agent-Native
|
Agent 중심의 개발 사이클과 자율적 작업 조율
|
발표에서는 대부분의 조직이 전체 SDLC 기준 Level 1~2에 머물러 있으며, Level 3 이상은 선도 조직을 중심으로 적용되고 있다고 설명했습니다.
개발자가 AI Coding Agent를 활용하는 것은 이미 익숙해졌지만, 요구사항 관리와 배포 승인, 보안 정책 등은 여전히 사람을 중심으로 운영되는 경우가 많기 때문입니다.
발표에서는 Agent의 실행과 통제를 위한 기술의 변화도 소개했습니다.
Prompt → Skills → Harness → Goal Loop
예를 들어 Agent에게 단순히 “로그인 기능을 개발해 줘”라고 요청하는 것과, 조직의 인증 규칙과 코드 표준을 적용하고 테스트 통과 여부에 따라 스스로 수정하도록 구성하는 것은 다른 수준의 자동화입니다.
후자의 환경을 구현하려면 작업 지시뿐 아니라 개발 지식, 실행 권한, 검증 기준까지 함께 관리해야 합니다.
이번 발표에서는 AI 기반 개발 프로세스가 실제로 어떻게 연결될 수 있는지 보여주기 위해 ‘Agent Bank’라는 가상의 금융 서비스 프로젝트를 예시로 소개했습니다.
시나리오는 기존 금융 서비스에 고객이 대출 신청 상태를 확인하고 필요한 서류를 업로드하는 셀프서비스 포털 기능을 추가하는 상황입니다. 이 작업을 요구사항 정의부터 개발, 테스트, 보안 통제까지 연결하기 위해 네 가지 솔루션을 활용했습니다.
먼저 비즈니스 담당자가 다음과 같은 요구사항을 입력합니다.
“고객이 대출 진행 상황을 실시간으로 확인하고, 부족한 서류를 바로 업로드할 수 있어야 한다.”
Trace.Space는 이를 구조화된 요구사항과 수용 기준으로 정리하고, 관련 테스트케이스 초안을 생성합니다. 또한 ‘빠르게’, ‘쉽게’처럼 모호한 표현을 찾아 구체적인 기준으로 정제하도록 제안합니다. 요구사항이 변경되면 연결된 테스트케이스와 하위 작업에 어떤 영향을 주는지도 추적할 수 있습니다.
정리된 요구사항은 Grou를 통해 개발자가 수행할 수 있는 작업 아이템으로 연결됩니다.예를 들어 대출 셀프서비스 포털의 기능을 다음과 같이 분해합니다.
각 작업에는 설명과 수용 기준, 우선순위, 관련 요구사항 등이 연결됩니다. 작업 간 의존성도 분석해 API 구현 이후 화면 개발을 진행하는 등 작업 순서를 제안할 수 있습니다.
Grou에서 생성한 작업 아이템은 CodeCenter의 AI Coding Agent가 수행할 수 있는 개발 작업으로 이어집니다. Agent는 기존 코드 저장소와 관련 요구사항, 코딩 표준을 참고해 코드를 생성하고 수정합니다. 예를 들어 기존 인증 모듈을 재사용해 API를 구현하거나, 테스트 실패와 린트 오류를 분석해 수정 작업을 수행하는 방식입니다.
이번 시나리오에서는 코드 생성뿐 아니라 테스트 실행, 디버깅, 배포 준비까지 Agent가 수행하는 과정을 다뤘습니다
금융 서비스에서는 개인정보와 내부 시스템 접근에 대한 통제가 필요합니다.
AI Keeper는 개발 과정에서 사용되는 AI Agent와 프롬프트에 공통 보안 정책을 적용하기 위한 통제 계층으로 소개됐습니다. 발표에서는 다음과 같은 적용 사례를 제시했습니다.
Trace.Space → Grou → CodeCenter가 요구사항부터 개발까지의 작업 흐름을 연결한다면, AI Keeper는 전 과정에 보안과 통제 기준을 적용하는 역할을 담당합니다.
이것이 이번 발표에서 소개한 Agent-Driven ADLC Tool Chain의 핵심 구조입니다.
발표에서 소개한 Tool Chain은 완전한 자율 개발 환경이라기보다, 현재 기술로 접근할 수 있는 Level 3(Agent-Augmented)에 가까운 개발 모델입니다.
전체 개발 프로세스를 한 번에 Agent 중심으로 전환하기보다는, 먼저 연결할 수 있는 업무 흐름을 선정하고 단계적으로 적용하는 방향입니다.
|
검토할 사항
|
특징
|
|---|---|
|
요구사항 관리
|
요구사항과 수용 기준이 명확하게 정의되어 있는가?
|
|
개발 작업 연결
|
요구사항에서 작업 아이템까지 연결 관계를 추적할 수 있는가?
|
|
Agent 활용
|
기존 코드와 조직의 개발 표준을 Agent가 참고할 수 있는가?
|
|
품질 검증
|
생성된 코드의 테스트와 승인 기준이 정의되어 있는가?
|
|
보안 통제
|
Agent의 접근 권한과 민감정보 처리 범위를 관리할 수 있는가?
|
특히 발표에서는 개발 프로세스의 추적성과 조직 지식의 활용을 중요한 요소로 다뤘습니다.
Agent가 코드를 생성하더라도 어떤 요구사항을 기준으로 작업했는지 추적할 수 없다면 변경 사항을 검증하기 어렵습니다. 또한 기존 코드와 설계 결정, 개발 표준을 활용하지 못하면 매번 필요한 맥락을 새롭게 전달해야 합니다.
따라서 Agentic SDLC로의 전환에서는 AI 모델의 성능뿐 아니라 기존 개발 자산을 Agent가 활용할 수 있는 형태로 연결하는 것이 중요한 과제가 됩니다.
AI Coding Agent가 코드 생성과 수정, 테스트까지 수행하면서 개발 자동화의 범위는 빠르게 확대되고 있습니다. 동시에 코드 검증과 통합, Agent의 실행 권한, 보안 정책 등 기존 개발 프로세스에서 관리해야 할 영역도 달라지고 있습니다.
이번 발표에서 소개한 Agent-Driven ADLC Tool Chain은 이러한 과제를 요구사항부터 개발 · 테스트, 보안까지 하나의 흐름으로 연결하는 접근을 보여줬습니다.
슬렉슨은 앞으로도 AI 기반 개발 환경에서 생산성과 소프트웨어 품질을 함께 확보하기 위한 기술과 적용 사례를 공유하겠습니다.
개인의 코딩 효율과 조직의 AI 개발 역량은 다릅니다. 현실적인 개발 시나리오를 통해 AI 코딩 도구와 기업용 AI 개발 플랫폼의 차이를...
개발자가 바뀔 때마다 반복되는 인수인계와 코드 분석, CodeCenter로 개발 지식을 팀의 자산으로 남기는 방법을 살펴봅니다.
직원의 AI 사용을 막지 않고 기업의 민감정보와 비용을 관리하는 방법을 알아봅니다.
AI가 분류하고 평가한 결과를 업무에 연결하는 방법부터, 기업이 놓치지 말아야 할 보안 기준까지 알아봅니다.
AI 보안 & 거버넌스 솔루션 AI Keeper의 개발 배경부터 민감 데이터 보호 기능, 그리고 안전한 AI 혁신을 위한 미래 비전까지...
AI 에이전트가 넓히는 업무의 경계에서, 보이지 않는 데이터 유출의 틈새를 완벽히 차단하는 AI Keeper만의 보안 대응 전략을 알아봅니다.
기존 개발 인프라와 업무 프로세스, 보안 요건을 고려한 솔루션 도입 방안을 슬렉슨과 함께 검토해 보세요.
© SLEXN, Inc. All rights reserved.
ALM 신규 도입부터 기존 개발 관리 환경의 통합·확장까지, 우리 조직에 맞는 ALM 선택 가이드를 이번 슬렉슨 웨비나에서 확인해 보세요.