0. 들어가며: 왜 AI-DLC를 적용했는가 AI-DLC(AI-Driven Development Life Cycle)는 요구사항 분석부터 설계, 코드 생성, 리뷰까지 SDLC 전 과정을 AI Agent 기반으로 수행하는 개발 방식입니다. 이번 사례의 파트너인 ARMIQ는 SAP 데이터 영역에서 오랫동안 솔루션을 공급해 온 기업으로, 법인·사업부 분리나 매각 과정에서 발생하는 데이터 분할·이관 이슈, 그리고 데이터 압축·암호화·클라우드 전송 등 데이터 관리와 보안 전반에 특화된 솔루션 […] || 0. 들어가며: 왜 AI-DLC를 적용했는가
AI-DLC(AI-Driven Development Life Cycle)는 요구사항 분석부터 설계, 코드 생성, 리뷰까지 SDLC 전 과정을 AI Agent 기반으로 수행하는 개발 방식입니다.
이번 사례의 파트너인 ARMIQ는 SAP 데이터 영역에서 오랫동안 솔루션을 공급해 온 기업으로, 법인·사업부 분리나 매각 과정에서 발생하는 데이터 분할·이관 이슈, 그리고 데이터 압축·암호화·클라우드 전송 등 데이터 관리와 보안 전반에 특화된 솔루션 (AODS · ADCS · ALCS · AETL · ACMS · APDE · ASRD · ATDM 등) 을 제공하고 있습니다. “AI 시대에 살아있는 데이터의 가능성을 실현한다”는 비전 아래 고객 맞춤형 솔루션을 지속적으로 확장해 왔습니다.
ARMIQ는 최근 솔루션 제작 및 현대화 가속화가 동시에 필요한 상황이었습니다. 전통적인 방식으로는 요구사항 문서화 → 설계 → 구현 → 리뷰의 각 단계마다 별도의 공수가 필요해, 두 프로젝트를 동시에 끌고 가기에는 개발 리소스가 부족했습니다.
AI-DLC를 도입한 이유는 명확했습니다. 반복적이고 규격화할 수 있는 설계·구현 작업을 Agent가 대신하게 하고, 사람은 요구사항 판단과 설계 의사결정에 집중하면 두 프로젝트를 병렬로 마무리할 수 있겠다고 판단했기 때문입니다.
이번 글에서 다루는 두 프로젝트(AETL, ACMS)의 개요는 다음 섹션에서 먼저 소개합니다.
1. AI-DLC ToolSet 개요
이번 Unicorn Gym에서 ARMIQ는 두 개의 프로젝트를 동시에 AI-DLC로 진행했습니다.
프로젝트
유형
기술 스택
규모
설명
AETL
Brownfield
Node.js
모놀리스 (Express + React)
8 Unit / 12 US + 17 TT / 테스트 16 파일
기존 데이터 파이프라인에 AI-DLC를 적용해 보안,구조 개선
ACMS
Greenfield
TypeScript
Lambda (Aurora PostgreSQL)
5 Unit / 31 US / API 55개(95% 커버)
표준 기반 서버를 요구사항부터 새로 설계·구현
US(User Story): 사용자 관점의 요구사항 단위.
TT(Technical Task): 사용자 관점 요구사항으로는 표현되지 않지만 구현·운영에 필요한 내부 기술 작업입니다(예: 라이브러리 업그레이드, 보안 미들웨어 적용, IaC 변경).
AETL: ETL은 고객사 SAP 및 레거시 시스템 내에 있는 데이터를 AWS 클라우드로 전송하여 분석 및 AI에 활용할 수 있도록 지원합니다.
ACMS: CMS는 고객사 SAP 및 레거시 시스템 내에 있는 문서(document)를 AWS S3에 전송하여 통합관리 할 수 있도록 지원합니다.
AI-DLC ToolSet은 AI-DLC 워크플로우를 실제로 실행하기 위해 조립한 실행 환경입니다. AI-DLC 자체는 awslabs/aidlc-workflows 저장소에 워크플로우 정의(각 Phase와 단계, 승인 지점, 입출력 규칙)로 공개되어 있지만, 이 정의를 실제로 돌리려면 Agent 런타임(Kiro CLI 등), 외부 지식 소스 연결(MCP Server), 프로젝트별 특화 로직(Custom Skill)이 하나로 묶여야 합니다. 이번 Unicorn Gym에서 구성한 ToolSet은 Main Agent와