이 뉴스레터는 15명의 실전 엔지니어·엔지니어링 리더 들이 실제로 사용 중인 AI 보조 엔지니어링(AI-Assisted Engineering) 경험을 모아 정리한 글이다. 스타트업부터 대기업까지 다양한 규모와 배경의 사람들이 공유한다.

원문: How to Do AI-Assisted Engineering

핵심 메시지

AI는 생산성을 크게 높여 주지만, 단순히 “AI한테 코드 짜라고 시키면 끝"이 아니다. 엄격한 설계 + AI 구현 + 공격적인 리뷰 + 반복 이 핵심 공식이며, 인간의 판단과 감독 을 절대 빼놓을 수 없다는 점을 모든 기고자가 강조한다.

주요 워크플로우 패턴 (공통점)

  1. 아이데이션 / 설계 단계 (가장 중요)

    • 요구사항을 명확히 하고, 아키텍처·스펙을 상세하게 작성 (여기에 시간의 30~50% 투자)
    • CLAUDE.md, AGENTS.md 같은 파일로 코딩 표준·프로젝트 구조 미리 정의
    • AI에게 반복적으로 질문하며 가정 공격(assumption challenging)하고 스펙 다듬기

  2. 빌딩 단계

    • 잘 정리된 스펙 → AI에게 코드 생성 위임
    • 테스트는 동시에 또는 별도 에이전트로 작성
    • 작은 단위(slice)로 나누어 작업하거나 병렬 에이전트 활용

  3. 리뷰 단계

    • AI 1차 리뷰 (코드 리뷰, 보안·성능·테스트 관점)
    • 인간 최종 리뷰 (특히 논리 오류, 기술 부채, 비즈니스 판단)
    • 여러 에이전트에게 다른 관점으로 리뷰시키는 경우도 많음

  4. 머징·배포·모니터링

    • AI가 PR 초안·변경 설명·테스트 계획 작성
    • 인간이 최종 승인
    • CI/CD와 연동해 야간 스캔, 버그 자동 티켓 생성 등 자동화

자주 언급된 도구

  • Claude Code / Claude Opus (대부분 1순위)
  • Cursor
  • OpenAI Codex
  • Windsurf, CodeRabbit, Bito 등 리뷰 도구
  • MCP (Figma, Slack 등 외부 도구 연동)
  • GitHub Actions, Langfuse 등

실전 팁 & 교훈

  • AI는 포스 멀티플라이어 이지, 노동력을 줄여 주는 마법이 아님 (오히려 작업량이 늘어날 수도 있음)
  • 첫 번째 AI 출력 그대로 쓰면 기술 부채가 빠르게 쌓임
  • 컨텍스트 관리와 프롬프트 구조화가 매우 중요
  • 설계 문서가 빈약하면 AI 성능이 급락
  • 새 기술/프레임워크 학습 속도가 비약적으로 빨라짐
  • Figma → 코드 변환, 파이프라인 리팩토링, 대형 코드베이스 탐색 등에서 특히 강력

결론 및 시사점

한 줄 결론: AI-Assisted Engineering의 성패는 구조화된 프로세스와 인간 감독을 얼마나 갖추느냐에 달려 있다.

“설계에 절반 시간을 쓰고, 나머지는 AI가 빠르게 구현하게 하라"는 Owain Lewis의 조언이 이 글의 핵심을 잘 보여 준다. 실무자들의 생생한 노하우가 가득한 실용 가이드로, AI를 본격적으로 엔지니어링에 도입하려는 개발자나 팀 리더에게 참고할 만하다.

관련 포스트