Guide, Verify, Solve — Anirban Chatterjee, Sonar

한 줄 핵심

AI 코딩의 다음 단계는 더 많이 생성하는 것이 아니라, 컨텍스트를 주고 독립적으로 검증하고 스스로 수정하는 ACDC 루프를 통해 신뢰 가능한 코드로 수렴시키는 것이다.

시간별 요약

1. 0:01
   AI 코딩은 실험 단계에서 엔지니어링 단계로 넘어왔지만, 생산 환경에서 쓰이려면 안전성과 신뢰를 체계적으로 더해야 한다. AI 도구는 단기 생산성 향상을 만들 수 있어도 코드 복잡도와 정적 분석 경고를 늘려 장기적으로 품질 부담을 키운다.
2. 3:00
   애플리케이션의 중요도가 높아질수록 허용 가능한 품질 격차가 급격히 줄어들며, 결국 인간 검토만으로는 verification debt를 감당하기 어렵다. 모델은 오류와 문맥 부족을 피할 수 없고, 인간 리뷰도 AI의 잘못된 조언에 쉽게 끌려가므로 자동 검증이 필요하다.
3. 8:00
   소프트웨어는 코드 자체의 논리만으로 완전히 보장되지 않으며, 요구사항·외부 요인·사용자 행동과의 상호작용 때문에 예상치 못한 방식으로 깨질 수 있다. 따라서 AI가 더 많은 코드를 쓰는 시대일수록 자동 검증을 핵심 장치로 두어야 한다.
4. 9:00
   효과적인 자동 검증은 zero trust와 multi-layered가 핵심이며, 코드 출처가 인간이든 AI든 동일한 기준으로 독립적이고 반복 가능하게 검사해야 한다. 이를 위해 ACDC는 guidance, verification, solve의 세 단계로 구성되고, 검증은 품질·보안·컴플라이언스를 가로지르는 중심축이 된다.
5. 16:00
   실행 전에는 아키텍처 제약, 코딩 표준, 의존성 허용 범위, 품질 기준을 명시해 두어야 하고, 실행 중에는 필요한 컨텍스트만 주입해 토큰 낭비를 줄여야 한다. 이후 inner loop와 CICD outer loop 모두에서 독립 검증을 돌리고, 문제는 fix agent로 즉시 수정해 품질 게이트를 통과시킨다.
6. 20:00
   핵심 메시지는 AI 코딩의 성공 조건이 더 강한 생성 모델이 아니라, 중앙집중형 검증 체계와 bounded autonomy를 결합한 운영 방식에 있다는 점이다. 컨텍스트, 검증, 수정 책임을 표준화하면 여러 팀과 도구가 섞인 환경에서도 blind spot을 줄이고 더 큰 문제를 안전하게 풀 수 있다.

실무 인사이트

• AI 코딩 도입 시에는 생성 성능보다 먼저 독립 검증 기준과 품질 게이트를 조직 표준으로 정해야 한다.
• 에이전트에 전체 코드베이스를 통째로 넣기보다 작업별로 필요한 컨텍스트만 주입하고, 검증 결과를 즉시 수정 루프로 연결하는 편이 효율적이다.
• 보안·컴플라이언스가 중요한 팀은 human review를 보조수단으로 두고, 반복 가능한 자동 검증을 주 심사 장치로 설계하는 것이 맞다.