Why Every Platform Team Shouldn't Build Their AI Standards From Scratch

개요

기술 플랫폼 엔지니어링 팀이 AI 코딩 어시스턴트의 팀 레벨 인지 부족 문제를 해결하기 위해 AI 워크스페이스 설정을 처음부터 구축하는 비효율성을 지적하고, 업계 표준, 조직 표준, 팀별 맞춤 설정을 계층화하여 공유 가능한 AI 표준 구성을 제안한다.

주요 내용

* AI 코딩 어시스턴트는 언어 수준에서는 뛰어나지만, 팀의 특정 규칙이나 워크플로우(예: Terraform 컨벤션, GitOps 우선 정책)를 이해하지 못해 일관성 없는 코드 생성을 초래한다.
* 각 팀이 독립적으로 AI 표준을 처음부터 구축하는 것은 마치 Terraform Registry가 생기기 전에 각 팀이 VPC 모듈을 자체 제작했던 문제와 유사하며, 이는 집단 지식의 비효율적인 재발견이다.
* 해결책으로 3단계 계층 모델을 제안한다:
* Layer 1 (Industry Baseline): AWS Well-Architected, CIS Benchmarks, Terraform 스타일 컨벤션 등 보편적인 모범 사례.
* Layer 2 (Organisation Standards): 조직 내 공유되는 네이밍 컨벤션, 태깅 표준, CI 템플릿 등.
* Layer 3 (Team Customisation): 각 팀의 고유한 모듈 구조, 환경 이름 등 20%의 맞춤 설정.
* Kiro, Claude Code 등 일부 도구는 이미 계층화된 컨텍스트 패턴을 지원하고 있으며, 문제는 이러한 표준 구성을 공유하고 배포하는 계층이 부족하다는 점이다.
* 영국 정부의 MCP 서버와 같은 초기 노력은 표준을 사람이 읽는 문서가 아닌 AI 에이전트가 소비하는 기계 판독 가능한 도구로 만들고 있다.
* 정부 부처, 규제 산업, 대기업 등은 GDS, NCSC와 같은 중앙 집중식 표준을 AI 워크스페이스 구성으로 게시하여 AI 에이전트가 이를 자동으로 따르도록 할 수 있다.
* 현재 AI 워크스페이스 생태계에는 공유 가능한 AI 워크스페이스 구성을 위한 표준 형식, 계층화된 구성의 버전 관리, 검색 메커니즘, 거버넌스 모델 등이 부족하지만, npm, ESLint, Terraform Registry와 같은 인접 도메인에서 해결된 문제들이다.
* 생태계가 발전하기를 기다리기보다는, 현재 팀은 보편적인 규칙과 팀별 규칙을 분리하고, 워크스페이스 구성을 버전 관리하며, 조직 내에서 공유하고, 오픈소스로 기여함으로써 미래를 준비할 수 있다.

시사점

AI 워크플로우에서 표준화된 AI 워크스페이스 구성을 계층화하고 공유하는 시스템 구축은 플랫폼 엔지니어링 팀의 비효율성을 크게 줄이고, AI 에이전트의 일관성과 보안성을 향상시킬 잠재력을 가진다. 이는 결국 팀의 생산성 향상과 더 견고한 시스템 구축으로 이어질 수 있다.