AI 코딩은 빨라졌는데 왜 납품은 빨라지지 않을까: 샤오홍슈 Muse의 Agentic 실험

들어가며

대규모 언어 모델은 코드를 생성하는 속도를 크게 높였다. 그러나 요구사항이 제안된 뒤 실제 운영 환경에 배포되기까지의 시간까지 같은 비율로 줄어든 것은 아니다. 기업 개발에는 디자인 시스템, 내부 지식, 기존 저장소의 규칙, 보안 점검, 테스트와 부서 간 인수인계가 포함된다. 샤오홍슈의 AI Coding 플랫폼 Muse에 관한 발표는 코딩이 개발 과정의 일부일 뿐이며, 코딩에서 절약한 시간이 리뷰와 수정, 반복적인 커뮤니케이션으로 다시 소비될 수 있다고 설명한다.

병목은 코드 바깥에 있다

기업용 AI Coding이 해결해야 할 문제는 크게 세 가지다.

• 기업 고유의 맥락 부족: 내부 컴포넌트, 업무 규칙, 저장소 구조와 디자인 표준을 모르면 실행되는 코드를 만들더라도 실무 적용이 어렵다.
• 정보의 분산: 대화, 사용자 기억, 디자인 파일, 여러 저장소의 정보가 각각 다른 시스템에 있어 Agent가 전체 작업을 이해하기 힘들다.
• 도구와 능력의 단절: 여러 Skill과 도구를 갖춰도 중복 실행, 서로 충돌하는 결과, 중단 후 복구할 수 없는 작업이 생길 수 있다.

Muse가 지향하는 것은 일회성 HTML 데모 생성기가 아니다. 제품 아이디어, 디자인 탐색, 실제 코드 구현을 하나의 컨텍스트 흐름에 놓고, PM·디자이너·개발자가 편집 가능한 결과물을 바탕으로 여러 대안을 비교하도록 하는 것이다. 이후 Dev Agent가 앞선 맥락을 이어받아 실제 코드 저장소에서 구현을 진행한다.

자율성보다 중요한 실행 제어

Muse는 요구사항이 구체화되기 전의 작업과 실제 코드베이스에서 수행되는 작업을 구분한다. 전자는 비즈니스와 디자인 판단을 돕고, 후자는 여러 저장소의 이해, 코딩 규칙, 테스트와 배포 조건을 처리한다. 높은 확정성이 필요한 단계에는 Workflow와 Pipeline을 유지하고, 작업을 나누거나 탐색적으로 수행할 필요가 있을 때 Agent Team을 활용하는 방식이다.

Harness는 Agent를 둘러싼 실행 제어 계층이다. 작업 시작 전에 컨텍스트를 확인하고, 실행 중 각 턴을 관찰하며, 도구의 입력과 반환값을 검증한다. 외부 시스템을 변경하는 작업 전에는 사람의 승인을 요구할 수도 있다. 또한 대화 기록만으로 작업 상태를 복구해서는 안 된다. 목표, 계획 버전, 완료 단계, 도구 실행의 근거, 승인 기록, 대상 리소스의 버전, 실패 정보 등을 구조화해 저장해야 한다. 그래야 작업을 멈추고 감사하거나, 같은 상태에서 다시 시작하고, 필요하면 되돌릴 수 있다.

의미와 영향

Muse의 사례는 AI Coding의 경쟁 기준이 바뀌고 있음을 보여준다. 이제 중요한 질문은 어떤 모델이 코드를 가장 빨리 쓰는가에 그치지 않는다. 모델 출력을 반복 가능하고 운영 환경에 투입할 수 있는 개발 시스템으로 바꿀 수 있는지가 핵심이다. 모델은 능력의 상한을 정하지만, 실제 생산 환경 도입을 좌우하는 것은 Agent Runtime, 기업 지식, 검증기와 권한 경계다.

사람이 개발 과정에서 사라지는 것도 아니다. 사람의 중심 역할은 목표의 타당성을 판단하고, 여러 안을 비교하며, 위험을 감독하고, 최종 품질과 취향을 결정하는 일로 이동한다. 컨텍스트, 도구, 상태, 검증과 승인이 하나의 순환 구조를 이룰 때 Vibe Coding은 빠른 프로토타이핑을 넘어 신뢰할 수 있는 개발 기반으로 발전할 수 있다.

출처: InfoQ 中文