몇 년 전만 해도 AI를 잘 활용하기 위해 가장 중요한 것은 좋은 프롬프트를 작성하는 능력이었습니다. AI에게 어떤 역할을 부여하고, 어떤 맥락을 제공하며, 어떻게 질문을 구성하느냐에 따라 결과가 크게 달라졌기 때문입니다. 하지만 AI는 빠르게 발전했고, 우리가 AI와 협업하는 방식도 함께 달라지기 시작했습니다.
이제는 AI가 질문에 답하는 것을 넘어, 여러 단계를 스스로 수행하는 AI 에이전트(Agent)의 시대가 열렸습니다. 사람은 목표를 전달하고, AI는 필요한 작업을 순차적으로 진행하며, 중간에 필요한 순간에만 사람이 개입하는 방식이 점차 익숙해지고 있습니다.
그런데 최근 AI 업계에서는 이보다 한 단계 더 나아간 개념이 화제가 되고 있습니다. 바로 루프 엔지니어링 (Loop Engineering)입니다.
Google과 Anthropic의 개발자들은 물론, AI 제품을 만드는 많은 전문가들이 “앞으로는 프롬프트를 직접 작성하는 시간이 점점 줄어들 것”이라고 하며, 대신 중요한 것은 AI가 스스로 작업을 이어갈 수 있는 시스템을 설계하는 능력이라는 것입니다.
이번 블로그에서는 루프 엔지니어링이 무엇인지, 그리고 왜 AI 업계가 지금 이 개념에 주목하고 있는지 살펴보겠습니다.
AI 활용 방식은 어떻게 변화해 왔을까?
루프 엔지니어링을 이해하려면 먼저 AI를 사용하는 방식이 어떻게 발전해 왔는지 살펴볼 필요가 있습니다.
지난 몇 년간 AI와 협업하는 방식은 크게 세 단계에 걸쳐 변화했습니다.
1. 프롬프트(Prompt)의 시대
초기의 생성형 AI는 질문과 답변의 구조에 가까웠습니다.
사람이 프롬프트를 입력하면 AI가 답을 생성하고, 원하는 결과가 아니라면 다시 프롬프트를 수정하는 과정을 반복했습니다. AI는 뛰어난 능력을 갖고 있었지만, 다음 행동을 결정하는 것은 항상 사람이었습니다.
2. AI 에이전트(Agent)의 등장
이후에는 AI 에이전트가 등장하면서 변화가 시작됐습니다.
질문 하나에 답하는 것이 아니라, 목표를 전달하면 AI가 필요한 작업을 여러 단계에
걸쳐 수행할 수 있게 된 것입니다. 필요한 도구를 사용하고, 파일을 읽고, 코드를 작성하거나 수정하는 등 이전보다 훨씬 긴 작업을 스스로 처리할 수 있게 됐습니다.
하지만 여기에도 한계는 있었습니다.
작업이 길어질수록 사람은 여전히 AI의 진행 상황을 확인하고, 다음 작업을 지시하며 새로운 프롬프트를 입력해야 했습니다. AI가 일을 하고는 있었지만, 작업의 흐름을 이어가는 사람은 결국 사용자였습니다.
3. 루프(Loop)의 시대
루프 엔지니어링 은 바로 이 지점을 바꾸려는 접근 방식입니다.
이제는 사람이 매번 “다음에는 이것을 해”, “이번에는 이렇게 수정해”라고 지시하는 대신 그 역할을 수행하는 시스템 자체를 설계하는 것입니다.
즉, AI에게 계속 프롬프트를 입력하는 것이 아니라, AI가 목표를 향해 스스로 작업을 이어갈 수 있는 환경을 만드는 것이 핵심입니다.
루프 엔지니어링 (Loop Engineering)이란?
루프 엔지니어링을 한 문장으로 설명하면 ‘사람이 하던 반복적인 프롬프팅을 시스템으로 대체하는 것‘이라고 할 수 있습니다.
Anthropic의 Claude Code를 이끄는 Boris Cherny는
“저는 더 이상 Claude에게 프롬프트하지 않습니다. Claude에게 프롬프트하고 무엇을 할지 정하는 루프를 돌리고 있죠. 제 일은 루프를 작성하는 것입니다”
라고 말하며, 앞으로 중요한 것은 프롬프트 작성보다 루프를 설계하는 능력이라고 설명했습니다.
Google Chrome 엔지니어링 리드인 Addy Osmani도 이러한 방식이 앞으로 달라질 것이라고 합니다.
“루프 엔지니어링은 사람이 AI에게 프롬프트를 입력하던 역할을 시스템으로 대체하는 것이다.”
지금까지 AI를 사용할 때는 사람이 끊임없이 대화를 이어가며 다음 행동을 결정했습니다. AI가 결과를 보여주면 이를 확인하고, 수정이 필요하면 새로운 프롬프트를 입력하고, 다시 결과를
검토하는 과정이 반복됐습니다.
하지만 루프 엔지니어링에서는 이 과정 자체를 시스템이 대신 수행합니다.
사용자는 목표만 설정하고, 이후에는 AI가 스스로 작업을 수행하며 필요한 판단과 검토를 반복합니다. 다시 말해 사람이 반복적으로 수행하던 ‘다음 프롬프트를 입력하는 역할’을 자동화하는 것이 루프 엔지니어링의 핵심입니다.
왼쪽은 지금까지 우리가 익숙했던 방식입니다.
사람이 입력 → AI 응답 → 사람이 확인 → 다시 입력
이 과정을 원하는 결과가 나올 때까지 반복하는 것이 일반적인 AI 활용 방식이었습니다.
반면 오른쪽은 루프 기반 시스템입니다.
목표를 찾고 → 작업을 나누고 → 검증하고 → 결과를 기록하며 → 다음 행동을 스스로 결정
사람은 처음에 시스템을 설계하고 필요한 순간에만 개입하면 됩니다.
루프를 움직이는 핵심 요소
루프 엔지니어링을 들으면 “프롬프트를 자동으로 여러 번 입력하는 기능” 정도로 생각하기 쉽지만 실제로는 그보다 훨씬 큰 개념입니다.
루프는 하나의 거대한 프롬프트가 아니라, 여러 구성 요소가 함께 작동하는 하나의 작업 시스템에 가깝습니다. Addy Osmani는 효과적인 루프를 만들기 위해 필요한 핵심 요소로 다음과 같은 구성 요소를 소개했습니다.
① Automation - 루프의 시작점
정해진 시간이나 특정 조건이 되면 사람이 실행하지 않아도 AI가 스스로 작업을 시작합니다. 예를 들어 매일 아침 저장소를 확인하거나, 새로운 이슈가 등록되면 자동으로 분석을 시작하도록 만들 수 있습니다.
② Worktrees - 여러 작업을 동시에 진행하기 위한 독립적인 작업 공간
덕분에 여러 AI 에이전트가 병렬로 작업하더라도 서로의 결과를 덮어쓰지 않고 안정적으로 협업할 수 있습니다.
③ Skills – 규칙 및 가이드
프로젝트의 규칙이나 개발 가이드라인처럼 반복해서 사용해야 하는 정보를 저장하는 역할을 합니다. 매번 같은 내용을 프롬프트에 입력하지 않아도 AI는 필요한 기준을 일관되게 참고할 수 있습니다.
④ Plugins & Connectors
GitHub, Slack, Jira, Linear와 같은 협업 도구와 연결되면서 실제 업무 환경 속에서 자연스럽게 작업을 이어갈 수 있습니다.
⑤ Sub-agents
하나의 AI가 모든 작업을 처리하는 대신 역할을 나누는 것입니다. 예를 들어, Maker는 코드를 작성하고, Checker는 결과를 검토하며, Reviewer는 최종 품질을 확인합니다. 사람이 협업하는 방식과 비슷한 구조를 AI에게도 적용하는 것입니다.
⑥ Memory
AI는 새로운 실행이 시작될 때 이전 작업을 완벽하게 기억하지 못합니다. 그래서 루프는 작업 진행 상황과 다음에 해야 할 일을 Markdown 파일이나 프로젝트 관리 도구 등에 기록합니다. 덕분에 다음 실행에서도 자연스럽게 이전 작업을 이어갈 수 있습니다.
이처럼 각각의 요소가 유기적으로 연결될 때, 루프는 단순한 자동화를 넘어 AI가 스스로 업무를 이어가는 시스템으로 작동하게 됩니다.
실전 사례
Addy Osmani가 소개한 예시를 바탕으로 살펴보면, 하나의 루프는 다음과 같은 식으로 진행됩니다.
1. 오전 6시, AI가 먼저 하루를 시작합니다.
예약된 Automation이 실행되면 AI는 저장소를 확인하며 새로운 작업을 탐색합니다.
이 과정에서 CI 실패 내역, 새롭게 등록된 이슈, 최근 커밋, 아직 해결되지 않은 작업 등을 분석하고, 우선순위를 정리한 뒤 이를 메모리나 프로젝트 관리 도구에 기록합니다.
2. 발견한 작업은 각각 독립적으로 처리됩니다.
실행 가능한 작업이 확인되면 각각 별도의 Worktree가 생성됩니다. 여기서 Maker 역할의 AI는 수정안을 작성하고, Checker 역할의 AI는 코드 스타일과 테스트 결과를 검토합니다. 필요하다면 다른 Sub-agent가 추가 검증을 수행하며 결과의 완성도를 높입니다.
3. 마지막으로 결과를 정리하고 다음 작업으로 이어집니다.
모든 테스트를 통과하면 Connector가 자동으로 Pull Request를 생성하고, Jira나 Linear 같은 협업 도구의 상태를 업데이트합니다. 반대로 사람의 판단이 필요한 작업이라면 별도로 분류해 개발자에게 전달합니다.
루프 엔지니어링 의 과제
토큰 비용
루프를 실행하는 데는 비용이 빠르게 증가할 수 있습니다. AI가 작업을 반복하고, 여러 Sub-agent가 동시에 동작하다 보면 일반적인 AI 사용보다 훨씬 많은 토큰이 사용이 됩니다. 즉, 많은 전문가들은 필요한 시간에만 루프를 실행하거나, 정말 필요한 경우에만 여러 Sub-agent를 활용하는 것을 권장합니다.
보안과 관리
코드를 자동으로 생성하고 배포하는 과정에서는 항상 보안과 권한 관리가 함께 따라와야 합니다. 따라서 자동화가 늘어날수록 중요한 작업에는 사람의 검토와 승인 절차가 필요합니다.
이해 부채(Comprehension Debt)
AI가 생성한 결과를 사람이 충분히 이해하지 못하면 유지보수가 어려워질 수 있습니다.
인지 항복(Cognitive Surrender)
AI가 대부분의 판단을 대신하기 시작하면 사람은 점점 결과를 검토하기보다 그대로 신뢰하는 데 익숙해질 수 있기 때문에 지속적인 검증이 필요합니다.
마무리
루프 엔지니어링은 AI가 더 똑똑해졌다는 이야기가 아니라, AI를 활용하는 방식이 달라지고 있다는 이야기입니다.
지금까지는 사람이 AI에게 다음 작업을 하나씩 지시했다면, 앞으로는 AI가 스스로 작업을 이어갈 수 있도록 시스템과 워크플로를 설계하는 일이 더욱 중요해질 수 있습니다.
물론 모든 업무에 루프가 필요한 것은 아니지만, AI 에이전트가 점점 더 다양한 분야에서 활용되는 만큼, 루프 엔지니어링은 앞으로 AI를 이해하고 활용하는 데 빼놓을 수 없는 개념으로 자리 잡을 것입니다.
