에이전트 AI가 코딩을 해결하고 소프트웨어 엔지니어링의 모든 문제를 드러냈다.

출처: VentureBeat

Agentic AI는 이제 엔지니어링 프로세스의 핵심 요소가 되었으며, 막대한 실행 레버리지를 제공하고 그 어느 때보다 많은 코드를 생성하도록 도와줍니다. 하지만 비즈니스 리더들에게서 점점 더 많이 듣게 되는 어려운 질문이 있습니다: “코드를 그 어느 때보다 빠르게 배포하고 있는데, 왜 우리 제품은 같은 속도로 개선되지 않을까?”
그 이유는 코드를 작성하는 것이 병목 현상이 아니었기 때문입니다. 올바른 요구사항을 정의하고, 복잡한 시스템과 통합하며, 실제 환경에서 소프트웨어를 유지보수하는 것이 언제나 가장 어려운 부분이었습니다. 그리고 에이전트가 조직에 새로운 코드를 대량으로 쏟아부으면, 그 어려움은 더욱 가중됩니다. 에이전트는 실행 시간을 압축하지만, 모호성, 책임성, 운영 복잡성을 압축하지는 못합니다.

AI가 생성한 코드가 규모를 확대함에 따라 인간 검토가 새로운 거대한 병목이 되고 있으며, 엔지니어들은 에이전트의 실수를 잡아낼 컨텍스트를 잃고 있습니다. 이 점을 이해하는 기업은 의도적으로 전진하고 AI 덕분에 새로운 역할을 만들 것입니다. 반면 이해하지 못한 기업은 더 단순하고 파괴적인 결론에 도달합니다: 인력을 줄이고 AI 지출을 늘리는 것이죠.

실행 가이드

Irreversible structural decisions demand caution, precisely because the technology is moving so fast. Enterprise engineering leaders need a deliberate playbook to navigate the chaos. Here’s how to start:
(구조적으로 되돌릴 수 없는 결정은 신중을 기해야 합니다. 기술이 너무 빠르게 변하고 있기 때문이죠. 엔터프라이즈 엔지니어링 리더들은 혼란을 헤쳐 나가기 위한 체계적인 플레이북이 필요합니다. 시작 방법은 다음과 같습니다.)

Phase 1: Financial and risk governance

재정 및 위험 관리

• 하방 위험 보호 — 인프라를 안전하게 하고 재정 손실을 제한하세요.

• 거버넌스를 1단계 위험으로 다루기: AI 통합 압박은 현실이지만, 중앙화된 구조 없이 팀에 자유를 주면 프로세스가 파편화되고, 작업이 중복되며, 비용이 폭주합니다. 조직은 공유 표준을 수립하되, 정의된 경계 내에서 팀이 적응하고 탐색할 수 있도록 해야 합니다. 이는 에이전트 설정을 프로덕션 인프라처럼 다루는 것을 의미합니다 — 프롬프트와 스킬을 버전 관리하고, 검토하고, 점진적으로 롤아웃하기 전에 테스트합니다.

• 비인간 행위자에 대한 최소 권한 적용: 에이전트가 인간 운영자의 전체 권한을 그대로 물려받게 해서는 안 됩니다. 인간 엔지니어는 상황 판단 능력과 최종 책임을 가지고 있기 때문에 광범위한 접근 권한이 부여됩니다. 인간 수준의 접근 권한을 가진 에이전트를 신중히 고려하지 않고 배포하면 시스템에 책임 격차가 생깁니다. 읽기와 쓰기/실행 접근을 엄격히 구분하고, 파괴적이거나 프로덕션을 변경하는 작업에 대해서는 인간‑인‑루프 승인 게이트를 의무화하세요. 에이전트가 코드 제안에서 자율 실행으로 전환될수록 보안 모델에 철저히 통합되어야 합니다.

• 예산 관리: 엔지니어링과 프로덕션 모두에 대해 할당량과 속도 제한을 적용해 전체 AI 예산을 보호하세요. 경고 사례가 늘어나고 있습니다. Uber는 2026년 예산을 4월에 소진한 뒤 AI 지출을 제한했으며, Axios에 따르면 한 익명 기업은 에이전트 루프가 폭주하면서 한 달에 무려 5억 달러 규모의 Anthropic 비용을 발생시켰다고 합니다.

Phase 2: Technical strategy

기술 전략

• 엔진 구축 — 올바른 모델을 선택하고 성공을 측정하세요.

• 멀티 모델·멀티 벤더 전략: 단일 모델이 모든 작업에 최적은 아닙니다. 모델별 행동과 성능 경계를 정확히 파악해 각 모델이 가장 잘 수행할 수 있는 작업에 라우팅해야 합니다. 하나의 벤더나 모델에만 의존하면 기능이 제한되고, 핵심 엔지니어링 기능에 치명적인 단일 장애점이 생깁니다. 핵심 엔지니어링에 이런 수준의 집중 위험을 감수해서는 안 됩니다.

• 최전선 모델에 투자: AI를 또 다른 SaaS 비용이 아니라 엔지니어링 레버리지로 보세요. 최고 품질 출력을 제공하고 재작업 비용을 줄여주는 프리미엄 최전선 모델에 비용을 지불합니다. 결국 가장 저렴한 모델은 토큰당 가격이 낮은 모델이 아니라, 효율성을 극대화하고 다운스트림 위험을 최소화하는 모델입니다.

• 진정으로 중요한 지표 측정: 배포 건수, 코드 라인 수, 풀 리퀘스트는 생산성을 평가하기에 적절한 지표가 아니며, AI 시대에는 오히려 오해를 불러일으킵니다. 대신 비즈니스 결과(기능 채택, 유지율)와 엔지니어링 내구성(변경 실패율, 누락 결함, 코드 장기 생존율)과 연결된 지표를 목표로 하세요. AI 효율성은 작업당 성공률(달러 대비)과 재작업 시간으로 측정합니다. 토큰 수는 리더보드에 편리하지만, 토큰이 잘 사용됐는지는 알려주지 못합니다.

Phase 3: Talent and organization

인재 및 조직

• 새로운 병목을 관리하기 위해 인적 자본을 재정렬하세요.

• 엔지니어를 구문 작성에서 시스템 사고로 전환: 에이전트가 대부분의 코드 생성을 담당하게 되면, 인간 검토와 아키텍처 정렬이 새로운 병목이 됩니다. 조직은 의도적으로 인력을 구문 작가에서 시스템 사고자·에이전트 매니저로 업스킬해야 합니다. 엔지니어는 에이전트 프로세스를 안내하고, 복잡한 교차 시스템 통합을 관리하며, 에이전트가 유지하기 어려운 전체 아키텍처 비전을 책임질 수 있는 교육과 권한을 받아야 합니다.

• 성과 및 인센티브 재정의: 개인 엔지니어가 기존 팀 전체의 산출물을 만들 수 있게 되면, 스토리 포인트나 스프린트 속도와 같은 전통적인 지표는 비효율적인 부담이 됩니다. 평가 프레임워크를 재구성해 비즈니스 임팩트 확대, 교차 시스템 신뢰성, 효과적인 에이전트 오케스트레이션을 더 크게 보상하도록 하세요. 전략적 영역을 더 넓게 커버하고, 위험을 감수하며, 내구성 있게 제품을 만드는 시스템 사고자를 원한다면, 단순한 산출량이 아니라 높은 수준의 임팩트를 보상해야 합니다.

• 전략이 적응하기 전에 인원을 감축하지 마세요: 에이전트 워크플로를 아직 도입하지 않았고, 프로덕션에서 증강된 산출을 측정하지 않았으며, 더 빠른 실행에 맞춰 로드맵을 재구성하지 않았다면, 실제로 필요와 역량이 맞는지 알 수 없습니다. 기준을 세우기 전에 인원을 줄이는 것은 규율이 아니라 맹목입니다. 목표는 단순히 팀을 작게 만드는 것이 아니라, 더 전략적인 영역을 커버할 수 있는 팀을 만드는 것입니다.

Enterprise AI adoption requires human elasticity

엔터프라이즈 AI 도입에는 인간의 탄력성이 필요합니다

AI는 엔지니어링 판단을 대체하는 것이 아니라, 그 판단을 증폭시키는 힘입니다. 잘 설계된 시스템에서는 안전하게 전달 속도를 높여주지만, 이해가 부족한 시스템에서는 실패를 가속화합니다. 우리는 이미 그 여파를 보고 있습니다: 서비스 장애, 기술 부채 증가, 그리고 관리되지 않은 채택으로 인한 예상치 못한 비용 급증. 이는 이론적 위험이 아니라 운영상의 실패입니다.

조직이 현재 저지르고 있는 실수는 AI 도입을 너무 천천히 하는 것이 아니라, 어디서 문제가 발생하는지 파악하지 못한 채 도입하는 것입니다.

C‑suite에게 이 역학을 이해하는 것은 선택이 아니라 필수가 되었습니다. 이는 기업이 이 시대를 어떻게 헤쳐 나갈지를 결정짓는 요소입니다. 실행 속도가 산업이 그 결과를 관리할 수 있는 능력을 앞서고 있습니다. 우리는 엔지니어링 팀에 궁극적인 파워툴을 제공했습니다. 옛 격언처럼 “두 번 재고 한 번 자른다”는 원칙이 필요합니다. 그런데 많은 기업이 오히려 “잘라버린다”는 선택을 하고 있습니다.

Joe Bertolami는 Clifton AI의 CTO이자 공동 창업자입니다.