[한영자막] 직접 만드는 SDLC — Andy Wong, Andrei Bocan, Shane Wolf (Atlassian)

Tech Bridge · 2026-10-16 12:00 · 57:21

조직의 AI 전환 코딩 에이전트 프롬프트·스펙 작성

YouTube에서 보기

한 줄 핵심

Atlassian의 AI SDLC 워크숍은 코드 작성보다 계획·리뷰·운영·장애 대응·표준화처럼 코드 양옆의 업무를 에이전트로 묶어 조직의 소프트웨어 개발 흐름을 바꾸는 방법을 보여준다.

시간별 요약

0:00
AI SDLC 소개 Atlassian에서 지난 1년 반 동안 만든 AI 도구들을 바탕으로, 에이전트 시스템이 소프트웨어 개발 생명주기와 오케스트레이션 방식을 어떻게 바꾸는지 큰 그림을 제시한다.
1:24
코드 전후의 일 생산성 향상이 둔화되는 지점은 코드 작성 자체보다 계획, 오케스트레이션, 리뷰, 운영처럼 코드의 앞뒤 업무에 있으며, Atlassian은 이 영역을 핵심 기회로 본다.
2:17
Jira 코딩 에이전트와 조직 맥락 Jira 코딩 에이전트는 Jira, Confluence, 이메일, Slack까지 읽어 조직 맥락을 모은 뒤 티켓 구현을 돕고, 사용자는 Claude, Cursor, Codex 같은 다른 에이전트도 작업에 연결할 수 있다.
3:54
AI 리뷰와 저장소 기준 AI reviewer는 pull request에서 버그, 요구사항, 표준 위반을 점검하고, 팀별 표준을 GitHub, GitLab, Bitbucket Cloud 전반에 걸쳐 일관되게 적용하도록 설계된다.
5:28
코드 리뷰 잡음 줄이기 리뷰의 저가치 코멘트를 모델로 걸러내 노이즈를 줄이고, 사람의 해결률과 비슷한 수준의 고품질 리뷰를 만들며, 대시보드로 실제 효과를 측정한다.
6:35
자율 개발과 사용 현황 AI autodev는 Jira 보드에서 자율 실행 가능한 티켓을 골라 표준을 적용한 뒤 pull request를 생성하고, 월별 크레딧, 사용자별 실행 수, 저장소 범위를 제한해 운영한다.
8:28
AI SRE로 장애 대응 AI SRE는 과거 장애와 Confluence 맥락을 바탕으로 장애 원인을 분석하고, 영향 범위와 완화 방안을 Slack으로 요약해 야간 장애 대응 부담을 줄인다.
9:22
AI 컨텍스트 엔진 AI Context Engine은 여러 저장소와 문서에 흩어진 정보를 semantic code search로 모아 에이전트가 사용할 표준화된 맥락으로 만들고, 브라우저·IDE·CLI 플러그인으로 쉽게 연결되게 한다.
10:59
워크숍 설정과 네트워크 문제 워크숍 참가자는 배정된 번호로 로그인해 실습 환경에 들어가게 되지만, 이 구간에서는 Wi-Fi 문제로 접속이 지연되고 현장 설정을 다시 안내한다.
15:22
네트워크 복구 중 질문 네트워크 복구를 기다리며 제품 라인업, 워크플로, 사용자가 관심 가질 기능 같은 질문을 받는 형태로 실습 전 Q&A가 진행된다.
16:02
연결된 맥락과 코드 검색 Atlassian의 그래프 데이터베이스와 연결된 Confluence, Jira, Bitbucket, Notion, Slack을 묶어 코드와 문서의 관계를 추적하고, 최신 코드와 과거 결정을 함께 검색해 답의 정확도를 높인다.
19:55
충돌하는 정보와 사람의 판단 컨텍스트를 실시간으로 가져오면 최신성이 장점이지만 충돌과 모호성이 생기므로, 최종적으로는 사람이 검증하고 권위를 부여하는 human-in-the-loop 방식이 필요하다.
24:47
요구사항 검증과 샌드박스 Jira 작업 항목의 수용 기준을 확인한 뒤 에이전트가 샌드박스에서 설치·실행·브라우저 검증까지 수행할 수 있으며, 모델은 Anthropic과 OpenAI 계열을 credits 기반으로 사용할 수 있다.
31:12
모델 선택·스킬·하네스 현재는 작업별 모델 라우팅을 사용자가 고르며, 스킬과 sub agent는 하네스 위에서 동작하는 구조다; 자동 라우팅은 autodev 쪽에서 더 정교하게 다듬는 중이다.
34:53
오래된 문서와 검증된 정보 오래된 문서는 검색 결과를 오염시킬 수 있지만, 최신 결과를 우선하고 Confluence의 verified badge처럼 권위를 표시하는 방식으로 오래된 정보의 영향을 줄인다.
36:28
기준 만들기와 적용 표준을 마크다운 형태로 만들고 설명, 규칙, 적용 저장소를 지정하면 pull request 과정에서 자동으로 준수 여부를 점검하게 할 수 있으며, 기존 코드베이스의 점진적 정렬에도 활용된다.
38:54
Andrei Bocan의 AutoDev 소개 AutoDev는 백로그에서 자율 처리 가능한 작업을 골라 PR을 올리고, 엔지니어는 feature work에 집중하게 하는 것이 목표이며, 조직 전체의 표준 준수를 점진적으로 유도하는 방향으로 확장된다.
43:08
비용 한도·리뷰 부담·사람의 확인 자율 작업은 잘못 집어든 티켓, 과도한 PR, 비용 폭증 위험이 있으므로 WIP 한도, 티켓당·주당 비용 제한, 적절한 시점의 사람 호출과 Slack 알림이 함께 필요하다.
46:10
실행 가능한 계획 세우기 AI planner는 아이디어가 현재 저장소에서 가능한지 판단하고, 가능하다면 구현 계획과 실행 방법을 제시해 기획자·매니저·스파이크 작업에 적합하다.
47:06
코드와 과거의 결정 코드 검색은 현재 코드뿐 아니라 과거에 왜 그렇게 결정했는지까지 함께 찾아야 하며, 문서의 스냅샷보다 실제 코드와 역사적 맥락이 구현 판단에 더 중요하다.
51:17
결정적 검사와 Epic 분할 표준을 CI처럼 더 결정적으로 검사할 수 있는지와, 큰 Epic을 여러 issue와 여러 wave의 에이전트 작업으로 분해해 단계적으로 실행할 수 있는지가 실무적 관심사로 논의된다.
54:20
환경과 마지막 질문 Jira 에이전트 세션은 IDE와 분리된 클라우드 단위로 동작하지만 Docker 기반 환경에서는 재현이 가능하고, AI reviewer도 최근 skills를 지원하기 시작했다.

실무 인사이트

에이전트를 잘 쓰려면 코드 생성보다 요구사항 검증, 표준 적용, 리뷰 호출 타이밍처럼 개발 전후의 운영 설계를 먼저 정해야 한다.
조직용 에이전트의 성패는 최신 문서보다 신뢰 가능한 컨텍스트와 권위 판정에 달려 있으므로, 검색·검증·사람 승인 흐름을 함께 설계해야 한다.
자율 개발을 도입할 때는 정확도보다도 WIP, 비용, 리뷰 피로도를 제한하는 가드레일이 있어야 팀이 실제로 채택할 수 있다.