AI-DLC 방법론이란 무엇인가?
- 20시간 전
- 3분 분량
AI-DLC 방법론이란 무엇인가?
Written by Minhyeok Cha
들어가며
요즘 세상 AI가 뭐든지 다해주는 시대가 와버렸습니다. 코드도 대신 만들어주는 도구가 있을때 개발자들은 뭘 해야할까요?
AI한테 코드 짜달라고 했더니 동작은 하는데… 이걸 프로덕션에 넣어도 되는 건가?
GitHub Copilot, Claude, ChatGPT로 코드를 생성하는 건 이제 누구나 합니다. 하지만 실제 프로덕션 소프트웨어를 만들 때는 코드 생성만으로 끝나지 않습니다.
요구사항은 제대로 정리됐는가?
아키텍처는 확장 가능한가?
보안은 고려됐는가?
테스트는 충분히 이행했는가?
AI가 코드를 잘 짜는 것과, AI를 활용해 좋은 소프트웨어를 만드는 것은 완전히 다른 문제입니다.
저도 간간히 AI로 바이브 코딩을 진행하지만, 결과물이 만들어지고 나면 정리 안된 문서들과 스파게티 코드로 짜여져 유지보수가 힘든 내용들이 눈에 가시처럼 있더라고요.
그러다 문득 AWS에서 진행한 서밋, 워크샵을 통해 AI-DLC라는 방법론을 들었습니다.
AI-DLC란?
AI-DLC(AI-Driven Development Lifecycle)는 AI를 소프트웨어 개발의 전체 생명주기에 체계적으로 적용하는 방법론입니다.
기존 SDLC가 사람 중심의 프로세스였다면, AI-DLC는 AI가 각 단계에서 적극적으로 참여하되, 사람이 의사결정과 검증을 담당하는 구조입니다.
AI-DLC 단계는 크게는 3단계로 이루어져 있습니다.
Inception (기획)
무엇을 만들 것인가?
기존 코드에 대한 컨텍스트 구축
사용자 스토리를 통한 의도 구체화
작업 단위로 계획 수립
Construction (구축)
어떻게 만들 것인가?
도메인 모델링 (컴포넌트 모델)
코드 및 테스트 생성
아키텍처 컴포넌트 추가
IaC 및 테스트를 통한 배포
Operations (운영)
어떻게 운영할 것인가?
IaC를 통한 프로덕션 배포
인시던트 관리
💡 본문에서는 전체 흐름을 이해하기 위해 Inception 단계만 발췌하여 설명합니다.
왜 AI-DLC 방법론을 사용해야 하는가?
먼저 AI-DLC 방법론을 적용하지 않고 기존에 사용해 왔던 바이브 코딩을 생각해보면, AI가 짠 코드를 검토단계 없이 그대로 사용을 한다던가, 나중에 찾으려 해도 이미 정리가 안 된 코드뭉치만 남아 처음부터 다시 만들어야 하는 고민도 수차례 하게 됩니다.
AI 코드 생성 도구를 “그냥” 쓰면 발생하는 문제들은 이 뿐만이 아닙니다.
맥락 부족 — AI가 비즈니스 맥락을 모르고 코드만 생성
일관성 없음 — 매번 다른 스타일, 다른 패턴의 코드
검증 부재 — 생성된 코드가 요구사항을 충족하는지 확인 안 됨
추적 불가 — 왜 이렇게 만들었는지 기록이 없음
AI-DLC는 이 문제들을 구조화된 프로세스로 해결합니다.
사용 예시
아직 감이 안왔다면 AI에게 “로그인 만들어줘” 라고 했을 때 어떤 방식으로 흘러가는지를 확인해봅시다.
AI에게 로그인 기능을 만들어 달라고 하면 당장에 불편함 없이는 잘 나올 겁니다.
그러나 이후 추가 기능들, 가령 “소셜 로그인 추가, 비밀번호 정책, 세션 만료 시간, MFA 등록” 등의 문제가 발생하면서 이전에 만들었던 코드를 수정하려고 합니다.
그런데 해당 코드들은 유지보수가 어렵다 판단하여 새롭게 코드를 다시 만들어 버리곤 하죠. 결국 처음부터 만들어야 합니다.
이건 AI의 잘못이라기보다는, 사용자가 AI에게 필요한 요구사항을 충분히 전달하지 않았기 때문에 발생한 원초적인 문제입니다.
AI-DLC의 Inception 단계는 이 문제를 해결합니다. AI에게 코드를 시키기 전에, AI와 함께 “무엇을 만들어야 하는지”를 먼저 정리하는 과정입니다.
같은 로그인 기능을 두 가지 방식으로 접근해보겠습니다.
방식 1: 코드 요청
💡 보편적으로 쓰이는 패턴의 설치 방식 및 개발을 시작합니다.
방식 2: AI-DLC 요구사항 분석
💡 사용자의 정확한 목적을 파악하려고 질문을 던집니다.
(챗봇 관련 언급은 다른 프로젝트 파일을 읽어서 나온 내용입니다. 무시해주세요!)
Inception 단계에서 보았듯, Construction과 Operations 단계에서도 이와 같이 AI와 질의 응답을 통해 완성도가 높은 결과물을 도출할 수 있게 될 것 입니다.
AI-DLC 방법론을 Kiro에 적용하는 방법
🔗 awslabs/aidlc-workflows https://github.com/awslabs/aidlc-workflows?tab=readme-ov-file 위 링크에 들어가면 ai-dlc-rules-v<release-number>.zip 파일을 프로젝트 디렉터리에 설치해야 합니다.
해당 압축파일에는 2개의 룰셋 폴더가 있으며 다음 명령어를 통해 Kiro steering 항목에 추가시켜야 합니다.
<MAC>
mkdir -p .kiro/steering
cp -R ~/Downloads/aidlc-rules/aws-aidlc-rules .kiro/steering/
cp -R ~/Downloads/aidlc-rules/aws-aidlc-rule-details .kiro/
<Windows>
New-Item -ItemType Directory -Force -Path ".kiro\steering"
Copy-Item -Recurse "$env:USERPROFILE\Downloads\aidlc-rules\aws-aidlc-rules" ".kiro\steering\"
Copy-Item -Recurse "$env:USERPROFILE\Downloads\aidlc-rules\aws-aidlc-rule-details" ".kiro\"
<project-root>/
├── .kiro/
│ ├── steering/
│ │ ├── aws-aidlc-rules/
│ ├── aws-aidlc-rule-details/
aws-aidlc-rules 파일은 Kiro IDE에 steering 패널을 열어 다음 사진과 같이 배치되어 있는지 확인해 주세요.
💡 aws-aidlc-rules, aws-aidlc-rule-details 2개중 한개만 읽는 이유는 rule-details 전체를 항상 컨텍스트에 넣으면 토큰을 너무 많이 소모하기 때문이며
“When performing any phase, you MUST read and use relevant content from rule detail files” 구문에서 AI가 워크플로 실행 중에 도구(fs_read)를 사용해서 직접 파일을 읽어오는 것입니다.
마무리
사실 AI-DLC 방법론은 25년 4분기 쯤 글이 올라와 본적이 있었습니다.
너도나도 AI를 다루고 있는 시점이라 관련된 글이 엄청 올라와 있었고 이 글도 그 많은 글 중 하나라고 생각했습니다.
그런데 최근 Andrej Karpathy가 "LLM 코딩의 문제점"을 지적한 글이 화제가 되었고, 이를 기반으로 만들어진 레포지토리가 GitHub 스타 10만 개를 넘기며 큰 주목을 받았습니다.
🔗 forrestchang/andrej-karpathy-skills https://github.com/forrestchang/andrej-karpathy-skills
이 프로젝트의 핵심은 간단합니다. AI에게 규칙 파일을 주입하여 "생각하고 코딩하라", "단순하게 만들어라", "확인 후 진행하라"는 행동원칙을 따르게 하는 것입니다.
이걸 보면서 느낀 점은 작년에 봤던 AI-DLC도 본질적으로 같은 방식이라는 것.
둘 다 AI 에이전트의 컨텍스트에 규칙 파일을 주입하여 행동을 제어합니다. 차이가 있다면, Karpathy Skills가 "코드를 잘 짜게 하는 4가지 원칙"에 집중한다면, AI-DLC는 그 원칙들을 포함하면서 기획부터 설계, 구현, 테스트까지 소프트웨어 개발 전체 생명주기를 체계화한 것입니다.
많은 개발자가 "AI에게 규칙을 주면 결과물이 달라진다"는 사실에 공감했다는 것은, 이제 AI 코딩 도구를 그냥 쓰는 시대에서 잘 쓰는 시대로 넘어가고 있다는 신호라고 생각합니다.
이 블로그를 통해 AI-DLC가 그 "잘 쓰는 방법"의 하나의 선택지가 될 수 있기를 바랍니다.
