Q. AI 코딩 에이전트를 개발 업무에 활용하며 느낀 장점과 한계
저는 매일 Claude Code로 개발하는 '사용자'인 동시에, AI 에이전트 파이프라인 자체를 설계한 '개발자'이기도 합니다. 이 두 입장을 함께 경험하면서 AI 코딩 도구의 장점과 한계를 꽤 구체적으로 체감했습니다.
장점 — 반복 작업의 속도
BIMVP 프로젝트에서 문서·요소·물량·견적 등 다수 도메인 API를 설계할 때, 스펙만 명확히 문서로 정리해두면 Claude Code가 CRUD·직렬화·예외 처리 같은 반복 구현을 빠르게 처리해주었고, 저는 그 결과를 검증하고 도메인 로직의 정확성을 확인하는 데 시간을 더 쓸 수 있었습니다.
Claude 기반 RAG 문서 채팅 기능을 tool_use·SSE로 구현할 때도, 라이브러리 사용법을 하나씩 찾아보는 대신 AI와 함께 여러 구현 방식을 빠르게 실험해보고 그중 성능이 가장 좋은 방식을 골라낼 수 있었습니다.
덕분에 쿼리·배치 최적화(집계 쿼리 7회→1회, API 호출 22회→1회)처럼 사람이 직접 고민해야 하는 성능 튜닝에 더 집중할 수 있었습니다.
한계 — 에이전트 간 신뢰 문제
한계는 AppMonster의 멀티에이전트 파이프라인을 직접 설계하면서 더 뚜렷하게 보였습니다.
처음엔 저조차 "AI에게 요구사항을 주면 알아서 코드까지 완성해줄 것"이라 낙관했지만, 실제로 요구사항 분석 → 스펙 설계 → 코드 생성 → 리뷰로 이어지는 단계에서 각 에이전트는 이전 단계의 산출물을 무비판적으로 신뢰하고 넘겨받는다는 문제가 있었습니다.
앞 단계에서 스펙이 조금만 모호해도 뒤로 갈수록 오류가 누적됐고, 이를 그대로 두면 빌드 자체가 실패했습니다.
결국 사람이 해야 할 일은 "AI에게 무엇을 어디까지 믿고 맡길지"를 설계하는 것이었습니다.
저는 Fixer 에이전트가 빌드 실패 로그를 분석해 최대 3회까지 자동 재수정을 시도하도록 검증 로직과 재시도 전략을 별도로 설계했고, 이렇게 실패 케이스를 하나씩 검증하며 자동 수정 성공률을 85%까지 끌어올렸습니다.
AI 코딩 도구의 한계는 '코드를 못 짜는 것'이 아니라 '무엇이 맞는 결과인지 스스로 판단하지 못하는 것'이라는 점을 배웠습니다.
정리
그래서 저는 AI 코딩 에이전트를 "일을 통째로 맡기는 대상"이 아니라 "제가 설계한 검증 구조 안에서 반복 구현을 빠르게 처리하는 동료"로 다룹니다.
- 사람의 몫: 무엇을 만들지, 어떤 오류는 절대 허용되면 안 되는지를 정의하고 결과에 책임지는 판단
- AI의 몫: 정의된 스펙을 코드로 옮기고 반복적으로 검증·보완하는 구현
이 역할 분담이 가장 효과적이라고 생각하며, 수앤캐롯츠에서도 이 기준으로 AI 코딩 에이전트를 팀의 개발 워크플로우에 자연스럽게 녹여 생산성과 코드 품질을 함께 끌어올리는 데 기여하고 싶습니다.