AI와 협업하는 새로운 개발 프로세스, 올리브영은 어떻게 시작했을까 (feat. AI-DLC)
Summary
코딩만 하는 AI는 끝났다, 올리브영이 설계부터 테스트까지 AI와 협업하는 법
AWS AI-DLC 방법론으로 무장한 올리브영의 3일간 초집중 개발 워크숍 'Unicorn Gym' 생생 후기
단순 코드 생성을 넘어 기획과 설계 전반에 AI를 녹여내는 새로운 개발 프로세스, AI-DLC 도입기를 소개합니다. 올리브영의 실제 비즈니스 과제들을 Greenfield와 Brownfield 시나리오로 나누어 AI와 함께 풀어내며 얻은 기술적 인사이트를 공유합니다. AI가 던지는 날카로운 질문이 어떻게 설계의 완성도를 높이고 재작업을 줄이는지 확인해 보세요.
- 01AWS의 검증된 AI-DLC 방법론을 통한 초기 설계 재작업 50% 감소 효과 기대
- 02Kiro를 활용한 Steering 파일 설정으로 팀별 고유의 개발 문화와 규칙을 AI에 이식
- 03요구사항 분석(Inception) 단계에서 AI의 역질문을 통해 미처 생각지 못한 비즈니스 제약사항 발굴
- 04Brownfield 프로젝트에서 역공학(Reverse Engineering)을 통한 레거시 코드의 자동 분석 및 현대화 가능성 검증
- 05비기능 요구사항(NFR) 설계 시 AI가 구체적인 성능 지표와 확장성 모델을 제안하여 목표 명확화
RECOMMENDATION
조직 차원에서 일관된 코드 품질을 유지하고 설계 단계의 병목을 줄이고 싶은 리드급 엔지니어와 매니저들에게 강력 추천합니다. AI를 단순 비서가 아닌 파트너로 격상시키고 싶은 팀이라면 AI-DLC의 Inception Phase 절차를 먼저 검토해 보세요.
The Problem
올리브영 개발 조직은 AI를 개인의 생산성 도구를 넘어 조직 전체의 소프트웨어 개발 생명주기(SDLC)에 체계적으로 통합하고, 팀 간 협업 사일로를 해결하며 엔터프라이즈급 품질을 보장할 수 있는 방법론을 필요로 했습니다.
The Solution
AWS의 AI-DLC(AI-Driven Development Lifecycle) 방법론을 도입하여 3일간의 집중 워크숍인 'Unicorn Gym'을 진행하였으며, 요구사항 분석(Inception)부터 설계 및 코드 생성(Construction)까지 AI와 사람이 협업하는 구조화된 워크플로우를 실험했습니다.
The Result
5개 팀 모두 AI-DLC 전체 단계를 경험하며 실무 과제의 MVP를 완성했으며, 특히 초기 설계 오류를 조기에 발견하여 재작업 비중을 약 50% 줄일 수 있는 가능성과 설계 완성도가 코드 품질에 직결됨을 확인했습니다.
Trade-off
요구사항이 불충분한 상태에서 설계로 넘어갈 경우 AI 산출물의 방향이 어긋나 다시 Inception 단계로 돌아가야 하는 비용이 발생하며, PL/SQL 기반 대규모 레거시나 외부 디자인 도구 연동이 필수적인 과제에는 AI-DLC 적용이 제한적일 수 있습니다.
Key Concepts
More from 올리브영
View all posts from 올리브영
프레임워크에 구애받지 않는 통합 백오피스 구축하기
Web ComponentsMonorepoVue1일 전
옴니채널 재고 정합성 한계에 대응하는 인벤토리 데이터 파이프라인 구축기
KafkaSpring BatchEDA2주 전
에러로그 하나에 깨던 새벽에서 벗어나기까지 — 상품 모니터링 진화기
DatadogCDCAutomation2주 전
150개국 K-뷰티 플랫폼 뒤의 팀, 올리브영 글로벌엔지니어링센터의 첫 번째 워크숍 이야기
GenAIVibe CodingVertex AI2개월 전
45분 배치에서 준실시간으로! 다수 도메인 데이터를 Kafka로 통합한 전환기
KafkaEvent-Driven ArchitectureRedis Pub/Sub2개월 전