AI와 협업하는 새로운 개발 프로세스, 올리브영은 어떻게 시작했을까 (feat. AI-DLC)

올리브영 개발 조직은 AI를 개인의 생산성 도구가 아니라 SDLC 전체에 녹이는 방법을 찾기 위해, 2026년 3월 AWS AI-DLC(AI-Driven Development Lifecycle) 방법론을 적용한 3일간의 Unicorn Gym 워크숍을 진행했다.

AI-DLC는 요구사항 분석부터 설계, 코드 생성, 테스트까지를 구조화된 단계로 묶고, 각 단계마다 사람과 AI의 역할을 명확히 나누는 방식이다. 특히 산출물이 다음 단계의 입력으로 이어지기 때문에, 모호한 요구사항을 정제하고 문서화하는 과정 자체가 개발 품질의 출발점이 됐다.

워크숍에는 약 30명의 개발자, 데이터 엔지니어, 스탭 엔지니어, QA 엔지니어가 참여했고, 5개 과제를 대상으로 실험했다. 과제는 Greenfield 4개와 Brownfield 1개로 구성됐으며, 검색 엔진 고도화, 멀티모달 파트너 채널 자동 검증, 물류 시뮬레이션, 장애 대응 자동화, 엔터프라이즈 관리 시스템 현대화 PoC가 포함됐다.

진행 방식은 다음과 같았다.

• Day 1: AI-DLC 전체 구조 이해, Inception Phase 집중
• Day 2: Construction Phase와 실전 코딩
• Day 3: Build & Test와 결과 회고

초반에는 requirements.md를 AI가 함께 분석하며 질문을 던지고, User Story와 Application Design을 구체화했다. 이후 Functional Design, NFR(Non-Functional Requirements) 분석, Infrastructure Design, Code Generation까지 이어지면서 설계와 구현이 동시에 진행됐다.

다만 첫날 요구사항이 충분히 정제되지 않은 팀은 다음 단계에서 다시 Inception으로 돌아가야 했다. 이 경험을 통해 참가자들은 좋은 설계는 좋은 요구사항 이해에서 시작된다는 점을 체감했고, AI가 코드를 빠르게 만드는 도구가 아니라 설계를 함께 고민하는 사고의 파트너라는 인식을 강화했다.

또 다른 핵심 성과는 스펙 코딩의 가치였다. 요구사항 정의서, 도메인 엔티티, 비즈니스 규칙, NFR 문서를 먼저 구조화하고 그 스펙을 바탕으로 AI와 협업하자, 코드와 문서가 서로의 맥락을 설명하는 탄탄한 구조가 만들어졌다.

Brownfield 과제에서는 Reverse Engineering 단계가 특히 효과적이었다. 레거시 코드베이스를 AI가 자동으로 분석하고 문서화하면서 초기 이해 비용이 줄었고, 수동 마이그레이션보다 AI 파이프라인을 활용한 전환이 유의미한 공수 절감 가능성을 보여줬다.

동시에 숙제도 분명해졌다.

• AI가 대량으로 생성한 설계 문서를 어떻게 축적하고 관리할지
• 프로젝트마다 필요한 설계의 적정 깊이를 어떻게 정할지
• 컨텍스트를 무엇부터 어떤 순서로 전달하고 압축할지

올리브영은 후속 조치로 AI 샌드박스를 신설했고, 사내 AI 프런티어 프로그램도 준비 중이다. 또한 다음 단계로는 개발자뿐 아니라 PM까지 포함한 워크숍을 기획해, Inception Phase를 중심으로 조직 전체의 AI 내재화를 넓혀갈 계획이다.