본 문서는 AI Agent를 활용해 소프트웨어 개발 생명주기(SDLC)를 혁신하는 AI-Native SDLC 모델을 제시합니다. 기존의 SDLC는 코딩 단계에서 인간의 작업 속도에 맞춰 설계되었으나, 이제는 빌드 단계가 자동화되면서 기획, 디자인, 배포 등 앞뒤 단계가 병목 현상(bottleneck)을 일으키고 있습니다. 이에 대한 해결책으로 본 논문은 전체 프로세스를 루프 형태로 재구성하고, AI와 인간의 협업을 통한 자동화된 워크플로우를 제안합니다.

핵심 방법론 및 기술적 상세

AI-Native SDLC는 각 단계를 버전 관리 가능한 아티팩트(Artifact)로 정의하고, 이를 다음 단계의 입력값으로 사용하는 구조를 가집니다.

1. Artifact-Driven Workflow:
   • 모든 단계는 intent.md, spec.md, plan.md와 같은 표준화된 마크다운 파일을 생성하여 버전 관리 시스템(VCS)에 커밋합니다.
   • 이 아티팩트들은 인간과 AI가 공통으로 읽고 수정할 수 있는 언어 역할을 하며, 전체 프로세스의 감사 추적(Audit trail)을 형성합니다.

2. 계층적 지식 주입 (Knowledge Injection):
   • CLAUDE.md: 코드베이스 루트에 위치하며, 새로운 개발자나 AI가 알아야 할 팀의 관례, 기술적 제약, 자주 발생하는 실수 등을 관리합니다.
   • Skills: .claude/skills/ 디렉토리에 위치하는 특정 정책 모듈입니다. 보안 표준, API 디자인 규칙 등 조직의 제도적 지식을 코드화하여 AI가 빌드 중에 스스로 정책을 준수하게 합니다.
   • Hooks: 정책 위반을 방지하는 결정론적(deterministic) 레이어입니다. Skill이 조언자 역할을 한다면, Hook은 Format, Lint, Path Restriction 등을 강제하여 빌드 시점에 부적절한 파일 편집이나 보안 위반을 차단합니다.

3. 병렬 에이전트 운용 (Parallel Sessions & Subagents):
   • 엔지니어는 git worktree를 활용해 여러 개의 독립적인 Claude Code 세션을 병렬로 구동하여 개발 생산성을 극대화합니다.
   • Subagents는 특정 세션 내에서 반복적인 작업(예: 앱 실행 검증)을 처리하는 하위 작업자로서 문맥 창(Context window)을 효율적으로 활용합니다.

4. AI-Native 단계별 전환:
   • Plan/Design: 기획과 설계를 AI와의 대화로 압축하여 intent.md와 spec.md를 산출합니다.
   • Build: Plan mode를 통해 AI가 수정 전 계획을 수립하고, 엔지니어의 승인을 받은 후 코드 변경을 수행합니다.
   • Maintain: 배포 후 상태를 에이전트가 지속적으로 모니터링하며, 제어 대역(Control band)을 벗어나는 이슈 발생 시 새로운 intent.md를 생성하여 루프를 재시작합니다.

결론

본 방법론은 빌드 이후의 검토 및 거버넌스 단계를 수동 작업에서 AI 리뷰 레이어로 전환합니다. 결과적으로 인간의 작업은 세부적인 코딩이 아닌 아티팩트 검토와 정책 승인에 집중하게 되며, $Efficiency$는 다음과 같은 지표로 측정됩니다:
$$Efficiency \propto \frac{1}{\text{Time elapsed between artifact commits}}$$
즉, 단계 간 핸드오프 시간을 최소화하여 전체 SDLC를 가속화하고, AI가 생성한 결과물을 인간이 거버넌스 포인트에서 통제함으로써 현대적인 소프트웨어 개발의 병목 현상을 해결합니다.