AI 에이전트 확장: 파일럿에서 영향까지의 격차 해소

프라카르에 따르면 대다수인 80~90%의 기업이 어떤 형태로든 AI 또는 에이전트를 배포했다고 합니다. 그러나 이렇게 높은 도입률에도 불구하고 이러한 이니셔티브를 성공적으로 확장하거나 실질적인 비즈니스 영향을 실현한 기업은 3분의 1 미만에 불과합니다.

많은 조직이 AI 구현의 초기 단계, 주로 소규모 개념 증명(POC) 환경에 머물러 있습니다. 이는 실험적인 AI 사용에서 전사적 통합 및 측정 가능한 가치 생성으로 전환하는 데 광범위한 어려움이 있음을 나타냅니다.

오늘날 대부분의 조직은 SDLC 전반에 걸쳐 인간의 안내와 검증을 받은 에이전트가 작업을 수행하는 Horizon 2라고 불리는 단계에서 운영됩니다.

반대로, 필수적인 인간 감독을 유지하면서도 완전히 엔드투엔드 자동화된 워크플로를 나타내는 Horizon 3에 도달한 기업은 거의 없습니다. 이는 소프트웨어 개발 프로세스에서 더 큰 자율성을 목표로 하는 조직에게 상당한 발전 격차가 있음을 나타냅니다.

AI 에이전트 확장을 위해서는 전통적인 워크플로를 재고하고, 고품질 컨텍스트 레이어를 보장하며, PM과 엔지니어 사이의 모호한 경계를 인식하는 것이 필수적입니다. 프라카르는 AI를 효과적으로 통합하기 위해 전통적인 SDLC 워크플로를 처음부터 끝까지 재고해야 한다고 설명했습니다.

고품질 에이전트, 강력한 하네스, 효과적인 컨텍스트 레이어는 확장 가능한 AI에 필요한 도구의 필수 구성 요소입니다. 또한, 제품 관리자, 엔지니어, 디자이너와 같은 조직 내 역할은 AI 도입으로 인해 경계가 모호해지고 있습니다.

이러한 변화하는 전문적 경계를 인식하고 이러한 변화에 맞춰 전체 운영 모델을 재구성하는 조직은 상당한 생산성 향상을 달성하고 있으며, AI 및 에이전트로부터 잠재적으로 10배의 개선을 달성하고 있습니다.

18년 전 시작된 오픈소스 프로젝트인 Sonar는 엔지니어링 팀을 새로운 도구와 네이티브 AI 도입으로 안내했습니다. 타리크는 회사의 목표가 단순히 토큰 사용량 극대화와 같은 피상적인 지표가 아니라 실제 비즈니스 가치를 창출하는 것이었다고 설명했습니다.

실질적인 결과에 대한 이러한 강조는 AI 구현의 성공을 평가하기 위한 명확하고 측정 가능한 기준을 설정할 필요가 있습니다. 초점은 기술적 출력량이 아닌 영향력 있는 결과에 남아 있습니다.

PRD 에이전트 및 자동화된 검증 도구로 인한 초기 어려움은 팀 내 AI 도입의 상당한 문화적 격차를 강조했다고 연사는 언급했습니다. 이를 해결하기 위해 모범 사례를 시연하고 나머지 조직에 효과적인 AI 통합을 모델링하기 위해 등대 팀이 설립되었습니다.

그러나 연사는 이러한 선구적인 팀의 역할 모델링만으로는 다른 팀의 빠른 도입으로 이어지지 않았다는 사실에 놀랐습니다. 엔지니어의 사고방식을 바꾸고 AI 에이전트 사용의 근본적인 이유를 이해하도록 돕는 데 중요한 장애물이 남아 있습니다.

이러한 팀은 일반적으로 엔지니어링 조직 내에서 표준을 설정하고 개발자 생산성 및 만족도를 보장하는 역할을 담당합니다.

대기업에서 AI를 성공적으로 도입하려면 소프트웨어 개발 수명 주기(SDLC)에 AI를 통합하기 전에 명확한 기준 측정항목을 설정해야 합니다. 주요 측정항목에는 생산 속도, 엔지니어링 처리량 및 전반적인 품질이 포함됩니다.

워크플로 효율성 및 개발자 정서와 같은 추가 측정항목도 개발 프로세스 내에서 AI의 영향 및 수용도를 평가하는 데 중요한 역할을 합니다.

자율 에이전트로 소프트웨어 개발 수명 주기를 최적화하는 것은 고립된 부분에 초점을 맞추기보다는 전체 워크플로의 자동화를 우선시하는 것을 포함합니다. 특히 반복적인 '잔무'와 같은 완전한 작업을 에이전트에게 맡겨 자율적으로 실행하게 함으로써 생산성을 크게 높이고 속도를 향상시킬 수 있습니다.

이러한 접근 방식은 상당한 생산성 향상을 가져올 뿐만 아니라 엔지니어가 창의적인 흐름을 유지할 수 있도록 함으로써 개발자 만족도를 향상시킵니다. 따라서 높은 개발자 만족도는 전통적인 생산성 및 속도 측정과 함께 중요한 측정항목으로 간주됩니다.

소프트웨어 생산이 에이전트 생성 출력에 대한 인간 감독을 요구하는 오케스트레이션된 공장으로 발전함에 따라, 성공 기준, 사양 및 초기 매개변수가 개발자의 주요 초점이 되고 있습니다. 이 설정에서 인간은 AI 에이전트의 사양을 정의하고 성공 기준을 설정하며 초기 매개변수를 설정하는 역할을 담당합니다.

중요한 기술은 암묵적 지식에 의존하는 것에서 AI에 명시적인 지침을 제공하는 것으로 전환하는 것입니다. 이 전환은 자동화된 시스템에 대한 명확한 의사소통과 상세한 지침을 강조합니다.

AI 시스템은 잠재적으로 결함이 있더라도 종종 높은 신뢰도로 매우 그럴듯한 출력을 생성하기 때문에 비판적 사고가 가장 중요합니다. AI는 결코 의심을 인정하지 않으므로 인간의 감독이 필수적입니다.

개발자는 AI 결과에 의문을 제기하고 시스템 출력 내에서 잠재적인 부정확성이나 한계를 조사해야 하는 에이전트 관리자로 진화해야 합니다.

많은 회사에서 관찰되는 이러한 저항은 종종 뿌리 깊은 레거시 직무 정의에서 비롯됩니다.

연사는 '프런트엔드' 개발과 같은 전통적인 전문화가 팀을 더 민첩하고 일반화된 단위로 세분화하는 것을 꺼리게 하는 데 기여한다고 언급했습니다.

연사는 소프트웨어 엔지니어링에서 역할을 사일로화하는 것에 반대하며, 프런트엔드 또는 서버 측 개발과 같은 영역의 깊은 전문화가 덜 중요해지고 있다고 언급했습니다.

대신, 소프트웨어 엔지니어링에 대한 광범위한 이해는 AI 및 자동화의 영향을 점점 더 많이 받는 현대 개발 환경의 복잡성을 더 잘 탐색할 수 있도록 개인을 자리매김시킵니다.

신뢰는 자동화의 주요 병목 현상으로 남아 있으며, 사용자는 코드 검토 및 CI 실패 분석으로 시작하여 에이전트 주도 자동 수정으로 전환함으로써 이를 해결합니다. 알리는 사용자가 실제 버그를 발견하는 AI의 정확성을 관찰하면서 점차 신뢰를 얻게 된다고 설명했습니다.

정확성이 확인되면 사용자는 에이전트가 식별한 문제를 차단하는 규칙을 설정하고, CI 실패에 대한 자동 수정을 허용하는 단계로 나아갑니다. 최종 단계는 대기업의 안전하고 자율적인 도입을 보장하기 위한 안전장치를 마련한 채 중요하지 않은 코드 경로에 대한 풀 리퀘스트(PR)를 승인하고 병합할 권한을 에이전트에게 부여하는 것을 포함합니다.

소프트웨어 개발 수명 주기(SDLC)의 핵심 코딩 측면은 대체로 '해결'된 것으로 간주되어 산업의 초점이 전환되고 있습니다. 연사는 이제 SDLC의 다른 중요한 부분으로 관심이 옮겨가는 것이 당연하다고 언급했습니다.

이러한 부분에는 요구 사항 생성, 검증 및 테스트가 포함되며, 업계는 이러한 프로세스를 자동화하고 최적화하려고 합니다. 그러나 청중은 테스트 및 통합 워크플로의 완전 자동화의 신뢰성에 대해서는 여전히 회의적입니다.

신뢰는 AI 에이전트를 통한 엔드투엔드 자동화 채택의 주요 병목 현상으로 식별됩니다. 알리에 따르면, 사용자는 실제 시나리오에서 AI의 정확성을 직접 관찰하면서 점진적으로 더 높은 수준의 자동화를 잠금 해제합니다.

이 과정은 CI 실패 분석을 관찰하는 것부터 시작하여 자동 버그 감지 및 차단으로 이어집니다. 신뢰가 커지면 사용자는 에이전트가 자동 풀 리퀘스트(PR) 수정을 수행하도록 설정합니다.

이 진행 과정은 중요하지 않은 코드 변경에 대한 자율적인 승인 및 병합을 허용하는 것으로 최고조에 달하며, 신뢰는 일관되고 검증 가능한 정확성을 통해 점진적으로 구축됨을 보여줍니다.

AI 에이전트로 완전한 자율성을 향한 길은 검토 및 중요한 문제 차단을 위해 에이전트를 사용하는 것부터 시작하여 단계별 진행을 포함합니다. 그런 다음 팀은 자동 수정 기능으로 발전하여 빌드가 통과할 때까지 시스템이 반복적으로 문제를 해결합니다.

최종 단계는 코드베이스의 중요하지 않은 부분에 대한 풀 리퀘스트(PR)를 에이전트에게 자동으로 승인하고 병합할 권한을 부여하는 것을 포함합니다. 이 단계에 성공적으로 도달하려면 적절한 안전장치를 설정하고 AI 에이전트에 충분한 컨텍스트를 제공하여 안정적인 운영을 보장해야 합니다.

연사는 앞으로 1년 안에 엔드투엔드 자동화 도입이 빠르게 가속화될 것으로 예상하며, 점점 더 많은 팀이 이 여정을 시작할 것이라고 말했습니다. 이러한 변화는 스타트업이나 기술 혁신 기업에 국한되지 않습니다.

중요하게도, 이러한 고급 자율 파이프라인을 현재 실험하고 구현하는 많은 팀은 대기업 내에 있습니다. 이는 다양한 기업 규모에 걸쳐 자율 개발로의 광범위한 전환을 나타냅s니다.