AWS AI-DLC, System Maintenance 환경에 맞게 커스터마이징하기

LG CNS는 대규모 엔터프라이즈 고객사의 System Maintenance 프로젝트에 AWS의 **AI-DLC(AI-Driven Development Lifecycle)**를 도입하고, 신규 개발 중심의 기본 워크플로우를 운영 유지보수 환경에 맞게 커스터마이징했다.

생성형 AI 개발 방식은 프롬프트 엔지니어링에서 컨텍스트 엔지니어링을 거쳐, 워크플로우와 품질 게이트로 AI의 작업을 통제하는 하네스 엔지니어링으로 발전하고 있다. AI-DLC는 단계별 승인 게이트와 사람의 검토를 통해 요구사항 분석부터 설계·코드 생성·검증까지 구조화한다.

운영 시스템에 기본 AI-DLC를 적용하면 다음과 같은 문제가 발생했다.

• 기존 시스템을 다루는데도 Greenfield/Brownfield 여부와 Infrastructure Design을 반복 질문함
• 이미 구축된 보안 체계가 있어도 확장 보안 규칙을 매번 검증함
• 운영 유지보수 업무에서 AI가 불필요하게 추측하거나 작업 범위를 넓힐 가능성이 있음

LG CNS는 AWS가 배포한 원본 규칙 파일을 수정하지 않고, Override 구조를 활용해 System Maintenance 환경에 맞는 규칙·지식·검증 체계를 추가했다. 이를 통해 운영 대상 시스템을 기본값으로 고정하고, 반복 교훈과 현장 표준을 재사용 가능한 자산으로 관리했다.

실행 기반으로는 AWS의 에이전틱 AI IDE인 Kiro를 활용했다. Steering rules, Hooks, Skills, MCP를 조합해 규칙을 세션마다 적용하고, 핵심 지침을 반복 주입하며, 산출물 게시와 문서 변환을 자동화했다. Jira·Confluence·Bitbucket 등 사내 시스템과의 연동도 MCP로 구성했다.

엔터프라이즈 도입을 뒷받침한 기준은 토큰 사용량 최적화, 보안 거버넌스, 비용이었다. Kiro는 LLM Routing으로 작업 성격에 따라 모델을 배분하고, SSO 로그인·S3 프롬프트 로깅·웹 기능 비활성화 등을 적용했으며, 실제 운영 기준 개발자 1인당 월 약 20달러 수준의 비용을 제시했다.

빠른 적용이 가능했던 배경에는 애플리케이션 현대화 선행, AI가 읽기 쉬운 범용 기술 스택, Amazon Q Developer 도입을 통해 이미 확보한 보안 거버넌스가 있었다. 또한 AWS AI-DLC v2는 5개 페이즈·32개 스테이지, 11개 도메인 전문가 에이전트, 하네스 중립 단일 코어를 제공하며 이 같은 커스터마이징 요소를 정식 기능으로 확장했다.