AI 코드 생성의 함정: 맥락 없는 80% 문제
AI 에이전트 등장으로 기존 릴레이 경주 방식(Relay Race SDLC)의 개발 프로세스가 압축되며 구현 시간(Implementation Time)은 단축됨
하지만 요구사항, 아키텍처, 검증 단계는 여전히 느리며, AI가 생성한 코드의 맥락(Context) 손실이 주요 문제로 부상함
AI 에이전트는 초기 80% 코드는 빠르게 생성하나, 엣지 케이스(Edge Cases) 및 시스템 간 연동을 위한 마지막 20% 맥락은 부족하여 '80% 문제' 발생
코드 생성 이유(Reasoning)가 세션 종료와 함께 사라져, 코드의 의도(Intent) 추적 및 검증이 어려워짐
향후 SDLC는 코드 중심에서 의도 중심(Intent-Centric)으로 전환되어, 코드뿐 아니라 결정 과정(Decision Path) 전체를 기록하고 검토해야 함
AI 에이전트 시대의 '80% 문제'와 맥락 손실
AI 에이전트가 코드를 빠르게 생성하는 능력은 뛰어나지만, 초기 80%의 구현 속도와 달리 나머지 20%의 엣지 케이스(Edge Cases) 및 시스템 통합에서 어려움을 겪는 현상을 '80% 문제'라고 정의함. 이는 단순히 코드의 복잡성 때문이 아니라, 코드 생성 과정의 추론(Reasoning) 맥락이 세션 종료와 함께 소실되기 때문임. 결과적으로 개발자는 코드의 의도와 결정 과정을 파악하기 어려워지고, 이는 코드의 유지보수성(Maintainability) 및 신뢰성(Reliability) 저하로 이어짐. 특히, 동료 개발자가 작성한 코드를 이해하고 디버깅할 때 이러한 맥락 부재는 심각한 병목 현상을 야기함.
출력 평가(Output Evaluation) vs. 궤적 평가(Trajectory Evaluation)
본문은 코드 검증 방식을 출력 평가(Output Evaluation)와 궤적 평가(Trajectory Evaluation)로 구분하며, 후자의 중요성을 강조함. 출력 평가는 최종 결과물의 정확성만을 판단하지만, 궤적 평가는 결과 도출 과정에서의 논리적 타당성 및 검증 절차 준수 여부를 평가함. AI 에이전트가 생성한 코드의 경우, 겉보기에는 올바르더라도 내부 검증 단계를 생략했을 가능성이 있어 궤적 평가가 필수적임. 현재의 PR(Pull Request) 문화는 주로 코드 변경 사항(Diff) 중심의 출력 평가에 머물러 있어, AI 생성 코드의 신뢰성 확보에 한계가 있음.
SDLC의 변화: 코드 중심에서 의도 중심으로
AI 에이전트의 발전은 기존의 코드 중심(Code-Centric) SDLC를 의도 중심(Intent-Centric) SDLC로 전환시킬 것으로 전망됨. 현재는 코드가 주요 산출물이고 의도는 티켓에만 남아있지만, 미래에는 사용자의 요구사항(Ask), 결정 과정(Decisions), 추론 경로(Path), 증거(Evidence) 등 전체적인 작업 아크(Arc)가 핵심이 될 것임. 이는 코드 변경 사항(Diff)만 검토하는 방식에서 벗어나, 코드 생성의 전체 맥락을 이해하고 검토하는 방식으로 발전해야 함을 시사함. 이러한 변화는 AI가 생성한 코드에 대한 팀의 이해도, 지속성, 신뢰도를 높이는 데 기여할 것임.
AI 생성 코드의 '기억' 부재와 협업의 어려움
AI 에이전트가 생성한 코드는 세션이 종료되면 그 결정의 이유와 맥락이 사라지는 문제를 안고 있음. 이는 한 달 뒤 해당 코드를 접한 동료 개발자가 코드의 의도를 파악하기 어렵게 만들어 심각한 협업 병목을 초래함. 개발자는 에이전트가 내린 합리적인 결정을 다시 역공학(Reverse-Engineering)해야 하며, 이 과정에서 원래의 맥락은 대부분 유실됨. 결국, AI가 코드를 빠르게 생성하는 능력은 이미 갖춰졌으나, 생성된 코드의 '기억'을 유지하고 협업에 활용하는 것이 현재 개발팀의 과제임.
