사내 레거시 코드를 읽는 AI, 개발자 포털이 'AI기반 코드를 생성하는 엔진'이 된다.
Spotify·Uber·모건스탠리·Red Hat·LG CNS 사례로 본 '코드 기반 AI 개발 환경'의 공통 설계 — AI Architecture, SW아키텍트, AI-native architecture, AI Software Architecture, 파운데이션 모델
AI가 기업 내부 코드를 직접 읽고 고치는 환경이 대기업에서 운영 단계로 들어서고 있다. 이 환경의 중심에 내부 개발자 포털(Internal Developer Portal)이 사내 AI 코딩 에이전트와 연계되어 포털이 소스 코드, 문서, 티켓, 장애 이력, 서비스 소유자 정보를 모아 AI 에이전트에게 '업무 맥락'으로 공급하고, 에이전트는 격리된 환경에서 작업한 뒤 검증을 거쳐 풀 리퀘스트를 관리한다. 이 기사는 공개된 사례에서 이 공통 구조를 정리하고, 레거시 코드에서 아직 남은 위험을 짚는다.
IDP가 곧 AI 코딩 환경은 아니었다.
IDP는 원래 AI와 무관하게 CI/CD, 환경 제공, 템플릿, 정책을 개발자에게 셀프서비스로 제공하는 기반 플랫폼을 가리킨다. 사내 코드를 AI가 읽고 쓰는 환경은 보통 AI 코딩 에이전트와 그 실행 샌드박스로 부른다. 다만 사례를 보면 둘이 하나의 스택으로 설계되는 경향이 뚜렷하다. 에이전트가 쓸 맥락, 권한, 가드레일을 포털과 플랫폼이 공급하기 때문이다. 포털이 AI의 '엔진'이라기보다, AI 엔진에 연료와 지도를 대는 계층이라고 보는 편이 정확하다.
사례에서 공통으로 보이는 구조 (크리스미디어 작성 개념도)
사례 1. Spotify: 카탈로그를 에이전트의 눈으로
Backstage를 만든 Spotify는 가장 직접적인 사례다. 6월 회사 엔지니어링 블로그에 따르면 백그라운드 코딩 에이전트 Honk는 Claude를 Spotify 자체 하네스 안에서 쿠버네티스 파드 위에 돌린다. Backstage가 가진 소유자 조회, 문서, 팀 연락 기능은 MCP와 CLI 도구로 에이전트에 열려 있고, Soundcheck의 권장 상태 기준과 린트가 에이전트에게 즉각적인 피드백을 준다. 수천 개 컴포넌트에 같은 변경을 뿌리는 Fleet Management 시스템은 누적 250만 건 이상의 자동 PR을 병합했고, 최근 자바 마이그레이션은 사흘 만에 끝났다고 한다. 엔지니어의 99% 이상이 주 단위로 AI 코딩 도구를 쓰고 PR 수는 76% 늘었다. 회사는 병목이 코딩에서 리뷰와 의사결정으로 옮겨갔다고 설명하며, 코드베이스가 표준화돼 있을수록 에이전트 성능이 높고 파편화된 곳에서는 눈에 띄게 낮아진다고 밝혔다. 이 수치는 모두 회사 자체 보고다. Honk와 Fleetshift는 Spotify Portal for Backstage의 일부로 제공된다.
사례 2. Uber: 모노레포와 컨텍스트 그래프, 에이전트 전용 인프라
Uber는 10여 년 쌓은 개발자 인프라 위에 에이전트 플랫폼을 얹었다. 올해 3월 Pragmatic Engineer가 정리한 발표에 따르면 구조는 사내 AI 플랫폼(모델 게이트웨이), 사내 컨텍스트(코드, 엔지니어링 문서, 슬랙, 지라), 업계 에이전트(Claude Code, Codex 등), 특화 에이전트(백그라운드 에이전트 Minion, 테스트 생성, 코드 리뷰)로 나뉜다. 내부 API를 MCP 서버로 노출하는 MCP 게이트웨이가 인증과 로깅을 한곳에 모은다. 별도 자료(ZenML 정리)는 이 '소프트웨어 팩토리'에 2030개 시스템의 정보를 하나로 묶은 컨텍스트 그래프와 에이전트용으로 미리 준비한 개발 파드, 2,500개 스킬이 있고, 250건의 마이그레이션으로 900만 줄 코드를 자동화했다고 전한다. 에이전트가 서비스, 의존성, 소유자, 패턴을 찾는 데 쓰던 시간이 줄었다는 설명이다.
수치는 출처마다 다르다. 3월 발표 정리는 개발자 84%가 에이전틱 코딩 사용자이고 에이전트가 올린 PR이 11%라고 했고, ZenML 정리는 PR의 70% 이상을 AI 에이전트가 만든다고 적었다. 측정 시점과 정의가 다른 것으로 보이며, 정리 글도 이런 양적 지표가 코드 품질이나 사업 가치를 입증하지는 않는다고 짚는다. AI 관련 비용이 2024년 이후 6배로 늘었다는 점도 함께 나온다.
사례 3. 모건스탠리: 레거시를 '영어 명세'로 먼저 읽는다
레거시 코드 자체를 겨냥한 가장 알려진 사례는 모건스탠리의 DevGen.AI 다. 올해 1월 도입된 이 사내 도구는 OpenAI 모델을 바탕으로, 펄 같은 오래된 언어의 코드를 사람이 읽을 수 있는 영어 명세로 바꾼다. 개발자는 이 명세를 보고 파이썬 같은 현대 언어로 다시 쓴다. 회사는 도입 첫 5개월에 900만 줄을 처리했고 약 1만 5,000명 개발자 기준 28만 시간을 아꼈다고 밝혔다. 자사 코드와 사내 전용 언어로 학습했고, 상용 도구는 오래된 언어와 사내 언어에 전문성이 부족해 직접 만들었다고 한다. 다만 기술 책임자는 이 도구가 코드를 사람만큼 효율적으로 새로 쓰지는 못해 번역에는 사람이 계속 관여한다고 말했다. 바로 변환하지 않고 '이해'를 먼저 자동화한 점이 눈에 띈다. 이 수치는 2025년 보도 기준 회사 발표다.
사례 4. Red Hat: 포털 자체를 '에이전트 대응형'으로
제품 쪽에서는 Red Hat이 11월 10일 KubeCon 북미에서 Backstage 기반 Red Hat Developer Hub 2.1을 에이전트 대응형 엔터프라이즈 포털로 소개했다. 발표 내용은 개발자와 AI 도구, 자율 에이전트가 거버넌스가 적용된 사내 맥락에 접근하게 하는 것이 목적이다. 코딩 에이전트가 조직의 소프트웨어 카탈로그와 모범 사례를 참조하게 하는 CLI(커뮤니티 프리뷰, 엔터프라이즈 지원 예정), 에이전트가 즉흥 대신 따를 골든 패스 템플릿, MCP로 내부 시스템에 접근해 작업을 실행하는 기능, 모델·에이전트·MCP 서버를 소유자와 정책 아래 등록하는 AI 카탈로그가 들어 있다. 일부 기능은 개발자 프리뷰라 제공 단계 확인이 필요하다.
국내: 차세대 프로젝트와 AI 코딩 센터
국내에서는 SI 업계가 레거시 전환을 중심에 놓는다. LG CNS는 6월 8일 AI 코딩 기업 Cline과 공동 개발한 '데브온 에이전틱 AIND(AI Native Development)'를 공개했다. 자연어 요구사항을 넣으면 분석·설계, 코딩, 테스트 에이전트가 이어서 작업한다. 개발 표준, 보안 규칙, 소스 코드, 산출물을 온톨로지 데이터베이스로 묶은 '지식 기반'이 고객사 맥락을 제공하며, 코볼을 자바로 자동 전환하는 레거시 현대화도 지원한다고 밝혔다. 분석·전환·검증이 몇 주에서 몇 분으로 줄었다는 주장은 회사 측 설명이며, 적용처는 이름이 공개되지 않은 국내 대형 금융사의 차세대 프로젝트다. 삼성SDS는 4월 금융 고객 행사에서 자사 AI 에이전트 플랫폼 패브릭스(FabriX)의 코드 전환 에이전트를 내세웠고, 국내 한 증권사가 C 기반 시스템을 자바로 전환한 사례를 소개했다. 정확도나 비용 절감 수치는 공개되지 않았다. KB국민은행은 7월 1일 자연어 요구사항에서 설계, 코딩, 오류 점검을 AI가 지원하는 'KB AI 데브 센터'를 열었다.
이 변화는 계약 구조도 흔든다. 디지털데일리는 AI로 줄어든 공수를 발주처와 수행사가 나누는 방식이 논의되고 있다고 전했다. 농협은행 차세대 사업에서 LG CNS가 자체 AI 코딩 솔루션을 근거로 개발 단가 조정을 협의했다는 보도도 있다. 줄어든 공수를 객관적으로 측정하기 어렵다는 점이 가장 큰 위험으로 지적된다.
사례
AI가 접근하는 사내 맥락
핵심 장치
성과 주장(자체 보고)
Spotify
Backstage 카탈로그, 문서, 소유자
MCP·CLI, Soundcheck, 린트, 소유 팀 리뷰
자동 PR 250만 건+, 자바 마이그레이션 3일
Uber
모노레포, 문서, 슬랙, 지라, 컨텍스트 그래프
MCP 게이트웨이, 모델 게이트웨이, 에이전트용 개발 파드
250건 마이그레이션·900만 줄(수치는 출처별 상이)
모건스탠리
사내 레거시 코드·전용 언어
코드→영어 명세 변환, 사람의 재작성
5개월 900만 줄 처리, 28만 시간 절감
Red Hat
소프트웨어 카탈로그, 모범 사례
에이전트용 CLI·골든 패스·MCP·AI 카탈로그
제품 발표(성과 수치 없음)
LG CNS
개발 표준·소스·산출물 온톨로지
지식 기반, 스펙 주도 개발, 코볼→자바 전환
분석·전환 몇 주→몇 분(회사 측)
사례에서 읽히는 공통 설계 원칙
코드만이 아니라 문서·티켓·장애·소유자를 묶은 '맥락 계층'이 먼저다.
에이전트는 사람과 같은 API를 쓰되, 신원·권한·감사가 에이전트 단위로 남는다.
격리된 실행 환경에서 작업하고, 검증과 소유 팀 리뷰를 통과해야 병합된다.
레거시는 '바로 변환'보다 '먼저 이해(명세·분석)'를 자동화한다.
코드베이스가 표준화돼 있을수록 효과가 크다.
레거시에서는 아직 조심해야 한다
사례의 성과가 곧바로 모든 레거시 환경에 통하지는 않는다. 한 기술 분석 글은 최신 모델이 SWE-bench Verified에서 80%를 넘지만 레거시 시스템의 장기 진화를 보는 SWE-EVO에서는 21%만 해결한다고 인용했다. 제약 조건이 코드가 아니라 장애 회고, 채팅, 퇴사자의 기억에 있다는 점이 원인으로 꼽힌다. 권고는 변경 규모 제한, 읽기 전용 분석을 코드 생성보다 먼저 수행, 리팩터링 전 특성화 테스트 작성, 인증·마이그레이션 같은 민감 영역의 쓰기 제한이다. 앞서 가트너가 메인프레임 이전 프로젝트의 상당수가 생성형 AI 역량 과대평가로 실패할 수 있다고 경고한 것과도 같은 맥락이다. Spotify와 Uber 사례에서도 AI 비용 증가와 리뷰 병목이 새 과제로 등장했다.
관련 태그: #AI Architecture #SW아키텍트 #AI-native architecture #AI Software Architecture #파운데이션 모델 #AI Agent #AI 에이전트 소프트웨어 아키텍처 #에이전틱 AI 애플리케이션 아키텍처 #소프트웨어 아키텍처 품질속성 #에이전트 AI #기술부채 AI
본 콘텐츠는 글로벌 IT 아키텍처 컨설팅 회사 CHRISCOMPANY의 기술 인사이트를 바탕으로 제공됩니다. 발행: 크리스미디어 (CHRISMEDIA)