AWS AI-DLC를 System Maintenance 환경에 맞게 커스터마이징하기

AWS의 AI-Driven Development Lifecycle(AI-DLC)를 LG CNS가 엔터프라이즈 System Maintenance 환경에 맞게 커스터마이징한 실전 사례를 다룬다. AWS 원본 방법론을 수정하지 않고 3계층 Override 구조로 회사별 규칙을 분리하는 방식으로, AI Hallucination·멀티 Repository 영향도 누락·불필요한 반복 질문 세 가지 핵심 문제를 해결했다.

핵심 포인트

AI 개발 방식이 Prompt Engineering → Context Engineering → Harness Engineering으로 진화하고 있으며, Harness Engineering은 워크플로우와 품질 게이트로 AI를 통제해 추측 방지·정합성·재현성을 구조적으로 확보한다.
AI-DLC는 요구사항 분석부터 코드 생성·검증까지 전 과정을 구조화한 AWS Labs 오픈소스 방법론으로, Kiro가 엔터프라이즈 환경에서 이를 강제 실행하는 하네스 엔진이다.
AWS 원본 파일은 절대 수정하지 않고, 커스터마이징은 전사/도메인/시스템 3계층 Override 구조로만 정의해 AWS 업데이트를 파일 교체만으로 흡수할 수 있게 했다.
AI Hallucination을 막는 3대 안전장치(기존 코드 검증 의무, 멀티 Repository 영향도 분석, 코드값 거버넌스)와 10건의 워크플로우 조정으로 컴파일 에러·정합성 오류로 인한 재작업을 줄였다.
5개 시스템 16건 CSR 파일럿에서 표준공수를 일관되게 밑돌았으며, 반복 패턴이 뚜렷한 작업일수록 효과가 컸다.

상세 정리

패러다임 전환: AI 개발 방식이 Prompt Engineering(2022~2024) → Context Engineering(2025) → Harness Engineering(2026~)으로 진화하며, 하네스 방식이 워크플로우·품질 게이트로 AI를 통제하는 구조가 됐다.
LG CNS 도입 배경: AWS 프리미어 파트너로 대규모 엔터프라이즈 System Maintenance 서비스를 운영하며 2024년 Amazon Q Developer 도입 후 2026년 AI-DLC 전면 도입 단계에 진입했다.
AI-DLC 구조: INCEPTION(무엇을·왜) → CONSTRUCTION(어떻게) → OPERATIONS(배포·운영) 3페이즈와 Foundation/Rule/Knowledge/Guardrail 4계층으로 구성되며, 필요한 단계만 실행하는 적응형 방식이다.
Kiro의 역할: Steering rules(세션마다 항상 로드되는 규칙), Hooks(이벤트 트리거 자동화), Skills(반복 작업 실행 단위), MCP(Jira/Confluence/Bitbucket 연동)로 AI-DLC를 엔터프라이즈 환경에서 강제 실행한다.
3가지 문제: 기존 시스템임에도 매번 Greenfield/Brownfield 감지를 반복하는 불필요한 질문, AI가 추측한 함수명·코드값으로 컴파일 에러와 데이터 정합성 오류 발생, 멀티 Repository 환경에서 다른 Repository 영향도 누락이 핵심 문제였다.
핵심 원칙 — 원본 불변: aws-aidlc-rules/는 절대 수정하지 않고, 커스터마이징은 전사→도메인→시스템 3계층 Override 구조 안에서만 정의한다. AWS 업데이트 시 원본 파일 교체만으로 흡수하고 Override는 그대로 유지된다.
Stage Override 4건: System Maintenance는 항상 기존 시스템 작업이므로 Workspace Detection을 brownfield로 고정하고, Infrastructure Design은 항상 skip했다.
Additional Stage 6건 신설: Implementation Decision Gate(구현 여부 선택), Effort Estimation(표준공수 산정), Test Case Generation(사전 테스트 케이스 도출), Code Quality Review(NPE·SQL·Cross-Repository 중복 리뷰), Final Summary Document, Reverse Engineering Update를 추가했다.
AI Hallucination 3대 안전장치: 기존 함수·필드 참조 전 실제 소스 확인 의무(미확인 시 VERIFY_REQUIRED 플레이스홀더 사용), 멀티 Repository API/DB/Kafka 변경 영향도 실제 소스 읽어 분석, Kafka 토픽명·상태코드 등 코드값 임의 생성 금지(CODE_VALUE_TBD 강제).
Knowledge 체계: 전사/도메인/시스템 계층별 Knowledge Index를 Always Load/On-Demand 두 가지 방식으로 로드해 컨텍스트를 절약하면서도 필요한 지식을 자동 참조한다.
Hook 설계: 매 프롬프트 제출 시 핵심 규칙 7개를 재주입하는 aidlc-rule-reminder Hook으로, 긴 대화에서 LLM이 초기 규칙을 잊는 문제를 구조적으로 해결했다.
파일럿 결과: 5개 시스템 1개월간 16건 CSR에서 표준공수를 일관되게 밑돌았으며, 반복 패턴이 뚜렷한 API 추가·화면 개발 작업에서 효과가 가장 컸다.
확산 계획: 검증된 Override 구조와 10종 Skill이 사업부 표준으로 확산 중이며, AI-DLC v2(5페이즈 × 32스테이지, 11개 도메인 전문가 에이전트) 전환을 진행 중이다.