Anthropic이 제안한 AI 네이티브 개발 프로세스와 intent.md 활용법

Anthropic의 AI 네이티브 SDLC 플레이북을 바탕으로 intent.md를 활용해 개발 전 과정을 AI 중심으로 재설계하고 협업 효율을 높이는 방법론을 다루 정리했다.

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

Anthropic은 AI 코딩 에이전트의 발전으로 구현 속도가 빨라짐에 따라, 개발 프로세스의 중심을 '코드 작성'에서 '의도 전달과 검증'으로 옮겨야 한다고 진단했다. 이를 위해 기획부터 운영까지 전 과정을 AI 중심으로 재설계한 'AI 네이티브 SDLC'를 제안하며, 그 핵심 도구로 기능의 목적과 제약을 명시하는 intent.md 파일을 정의했다. 이 프로세스는 intent(의도), spec(요구사항), plan(구현 계획) 문서를 순차적으로 작성하고 사람이 각 단계를 승인하는 구조를 통해 AI 개발의 신뢰성을 확보한다. 실제 프로젝트에서는 기능별 폴더 구조와 PR 워크플로우를 결합하여 기획자와 개발자가 AI 속도에 맞춰 협업할 수 있는 환경을 구축할 수 있다.

챕터별 상세

00:45

intent.md의 정의와 목적

AI 코딩 시대에는 코드 자체보다 개발의 '의도'를 명확히 정의하는 것이 가장 중요해졌다. intent.md는 기능을 구현하기 전 '왜 이 기능을 만드는지'에 대한 의도를 기록하는 마크다운 파일이다. 이 파일은 문제 정의, 기대 결과, 영향 범위, 제약 사항, 미결 질문 등 5가지 핵심 섹션으로 구성된다. AI가 초안을 작성하고 사람이 이를 검토 및 승인하는 과정을 통해 기획자와 개발자 사이의 오해를 방지한다. 이는 단순한 규칙 파일을 넘어 AI 네이티브 개발 프로세스의 핵심 출발점이다.

intent.md는 코드 구현 방식이 아니라 비즈니스적 목적과 제약 조건을 정의하는 데 집중한다.

markdown

# Intent: [기능 또는 문제 이름]
Author: [이름]
Status: draft

## Problem
- 현재 누가 어떤 문제를 겪는가? 근거는?

## Proposed outcome
- 해결되면 무엇이 달라지는가?

## Affected users and systems
- 사용자: / 시스템:

## Constraints
- 반드시 지킬 것: / 범위 밖:

## Open questions
- 아직 결정하지 못한 것:

Anthropic이 제안한 intent.md 파일의 표준 템플릿 구조

03:37

개발 병목 구간의 변화

AI 에이전트의 등장으로 실제 코드 구현(Build) 속도는 주 단위에서 시간 단위로 비약적으로 단축됐다. 하지만 기획 승인, 코드 리뷰, 팀 간 핸드오프 등 사람의 개입이 필요한 단계는 여전히 과거의 속도에 머물러 있어 새로운 병목 구간이 되었다. 기존 SDLC가 빌드 단계의 효율화에 집중했다면, 이제는 기획과 검증 단계를 AI 속도에 맞춰 재설계해야 한다. 구현 중심의 사고에서 의도 전달과 시스템적 검증 중심의 사고로 전환하는 것이 AI 네이티브 SDLC의 핵심이다.

핸드오프(Hand-off)는 한 담당자의 작업이 끝나고 다음 담당자에게 업무가 넘어가는 과정을 의미한다.

08:02

AI 네이티브 SDLC의 구조

Anthropic은 계획, 설계, 빌드, 테스트, 배포, 운영의 6단계가 AI 에이전트를 중심으로 순환하는 루프 구조를 제안했다. 전통적인 방식이 선형적인 흐름이었다면, AI 네이티브 방식은 각 단계에서 AI가 산출물 초안을 만들고 사람이 이를 승인하며 다음 단계로 넘어가는 반복 구조를 가진다. 이 루프 안에서 AI는 기획 문서부터 테스트 코드까지 모든 산출물의 초안을 생성하는 역할을 수행한다. 사람은 직접 코드를 짜는 대신 AI가 생성한 결과물을 검토하고 의사결정을 내리는 '책임자'의 역할로 변화한다.

SDLC 루프의 중심에는 Claude와 같은 코딩 에이전트가 위치하여 전 과정을 보조한다.

11:12

빌드와 테스트 단계의 자동화

빌드 단계에서는 AI가 코드와 테스트를 동시에 생성하며, 사람은 우리 팀의 규칙을 AI가 잘 알고 있는지 관리하는 데 집중한다. 테스트 단계에서는 AI가 테스트 코드를 임의로 수정하여 통과시키는 것을 방지하기 위해 '프로텍션 훅'과 같은 안전장치를 적용한다. 또한 지침이나 스킬이 변경될 때마다 에이전트가 여전히 동일한 품질을 유지하는지 검증하는 Evals 과정을 CI 단계에 포함한다. 이를 통해 사람이 일일이 코드를 확인하지 않아도 시스템적으로 품질을 보장할 수 있는 구조를 만든다.

Evals는 AI 모델이나 에이전트의 응답 품질을 정량적으로 평가하는 지표와 테스트 셋을 의미한다.

14:32

배포와 운영에서의 AI 활용

배포 단계에서는 사람이 모든 코드를 리뷰하는 대신, 결제나 인증처럼 위험도가 높은 코드만 집중적으로 검토한다. 나머지 일반적인 코드는 AI가 여러 겹의 리뷰 층을 구성하여 자동으로 검증하도록 설계한다. 운영 단계에서는 장애 발생 시 AI가 지표를 감시하고 자동으로 PR을 생성하여 대응하며, 장애 회고 내용까지 마크다운으로 기록하여 코드베이스에 반영한다. 이 과정에서 발생하는 모든 데이터는 단일 진실 원천(SSOT)인 레포지토리에 저장되어 다음 개발 주기의 참고 자료가 된다.

SSOT(Single Source of Truth)는 모든 데이터가 하나의 근원지에서 관리되어 일관성을 유지하는 원칙이다.

yaml

name: Agent evals
on:
  pull_request:
    paths: ['CLAUSE.md', '.claude/**']
jobs:
  evals:
    runs-on: ubuntu-latest
    steps:
      - run: npx eval-suite

지침 변경 시 에이전트의 성능을 자동으로 검증하는 CI 설정 예시

16:41

단계별 산출물과 승인 프로세스

AI 네이티브 SDLC의 각 단계는 intent.md(의도), spec.md(요구사항), plan.md(구현 계획)라는 구체적인 산출물을 남긴다. intent와 spec은 제품의 방향성을 결정하므로 제품 책임자(PO)가 승인하며, plan은 기술적 구현을 다루므로 개발자가 주도한다. 모든 문서의 초안은 AI 에이전트가 작성하며, 사람은 PR 머지를 통해 해당 단계의 완료를 공식적으로 승인한다. 이러한 문서화된 흐름은 AI가 맥락을 잃지 않고 정확한 코드를 작성할 수 있게 돕는 가이드라인이 된다.

PR(Pull Request) 머지는 코드 변경 사항을 최종적으로 반영하는 행위로, 여기서는 단계별 승인의 수단으로 쓰인다.

29:16

실제 프로젝트 적용 및 도입 전략

실제 프로젝트에 적용할 때는 `intent/기능-슬러그/` 형태의 폴더 구조를 만들어 관련 문서들을 한곳에 관리하는 것이 좋다. 하나의 의도(Intent)당 하나의 폴더를 할당하며, 의도가 복잡해지면 이를 더 작은 단위로 쪼개어 관리한다. 모든 과정을 한꺼번에 바꾸기보다는 큰 기능을 시작할 때 intent.md를 작성하는 것부터 단계적으로 도입할 것을 권장한다. Slack 태그 한 번으로 AI가 intent 초안을 만들고 PR까지 생성하는 자동화 루프를 구축하면 개발 생산성을 극대화할 수 있다.

슬러그(Slug)는 파일이나 폴더를 식별하기 위해 사용하는 영문 소문자와 하이픈 조합의 이름을 말한다.

용어 해설

소프트웨어 개발 생명주기(SDLC): — 소프트웨어의 기획부터 폐기까지 전 과정을 단계별로 정의한 모델이다. AI가 코드를 작성하는 속도가 빨라지면서 기존의 선형적인 단계 구분보다 AI 에이전트를 중심으로 한 순환형 구조의 중요성이 커졌다.
테스트 주도 개발(TDD): — 실제 코드를 짜기 전 테스트 케이스를 먼저 작성하여 구현의 정확성을 검증하는 방법론이다. AI 에이전트가 코드를 생성할 때 의도한 대로 동작하는지 확인하고, AI가 테스트를 임의로 수정하지 못하게 막는 안전장치 역할을 한다.
지속적 통합 및 배포(CI/CD): — 코드 변경 사항을 자동으로 빌드, 테스트, 배포하는 파이프라인이다. AI 네이티브 개발에서는 지침이나 스킬이 바뀔 때마다 에이전트가 여전히 올바른 품질의 코드를 내놓는지 검증하는 Evals 과정을 CI 단계에 포함한다.
풀 리퀘스트(PR): — 작업한 코드를 메인 코드베이스에 합치기 전 동료의 검토를 받는 절차이다. AI 네이티브 SDLC에서는 intent.md나 spec.md 같은 문서의 PR 머지 자체가 기획 및 설계에 대한 사람의 최종 승인을 의미한다.
마크다운(Markdown): — 텍스트 기반의 문서 작성 문법이다. intent.md, spec.md 등 AI 에이전트와 사람이 동시에 읽고 편집하기 가장 효율적인 포맷으로, 개발 전 과정의 의도와 설계를 기록하는 데 사용된다.

언급된 리소스

문서The AI-Native SDLC playbook

튜토리얼Claude Academy - Capture Intent

문서의도가 중요하다 (블로그 글)

AI 분석 전체 내용 보기

AI 요약 · 북마크 · 개인 피드 설정 — 무료

출처 · 인용 안내

원문 발행 2026. 09. 06.수집 2026. 09. 06.출처 타입 YOUTUBE

인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.