Claude Code Dynamic Workflows와 AI 에이전트 개발 운영

소규모 팀이 빠른 배포 주기를 유지한 방식

2026년 5월 샌프란시스코의 Code with Claude 2026에서 Claude Code 개발을 이끄는 Boris Cherny 수석 디자이너는 Anthropic 내부의 AI 보조 개발 운영 방식을 공개했다. 약 12명으로 구성된 팀은 하루 60~100회의 npm 패키지 내부 배포를 수행하며, 2026년 5월 기준 Anthropic 신규 프로덕션 코드의 80% 이상을 Claude가 작성하는 체제로 전환했다. 엔지니어 1인당 하루 병합 코드량도 2024년 대비 8배 증가했다.

Boris Cherny는 전 Meta Principal Engineer이자 『Programming TypeScript』 저자다. Claude Code는 처음부터 대규모 개발 플랫폼으로 시작하지 않았다. 터미널에서 음악 상태를 보여주는 간단한 CLI 도구에 파일시스템 접근 기능이 더해졌고, Anthropic 내부 사용이 퍼지면서 정식 제품으로 발전했다.

이 운영 방식에서 엔지니어의 중심 업무는 직접 코드를 입력하는 데 있지 않다. 설계 의도와 도메인 제약을 에이전트가 실행 가능한 형태로 전달하고, 결과가 의도와 맞는지 판단하는 일이 더 큰 비중을 차지한다.

계획을 파일로 남기는 Dynamic Workflows

Anthropic은 2026년 5월 28일 Claude Opus 4.8과 함께 Dynamic Workflows를 연구 프리뷰로 공개했다. 기존 멀티에이전트 구성과 구별되는 지점은 계획의 보관 장소다. 대화 컨텍스트에 계획을 유지하는 대신 파일시스템에 상태를 기록한다.

구분	기존 멀티에이전트	Dynamic Workflows
계획 저장 위치	대화 컨텍스트(메모리)	파일시스템(영속성)
서브에이전트 규모	수 개	수백~수천 개
세션 중단 복구	불가	파일 기반 재개
병렬 실행 상한	제한적	동시 최대 16개, 세션 최대 1,000개
승인 요구 방식	단계별 인간 승인	Auto Mode로 자율 실행

파일에 계획과 진행 상태를 남기면, 수천 줄의 컨텍스트 윈도우를 계속 점유하지 않고도 멀티스텝 작업을 추적할 수 있다. 세션이 끊겨도 파일 상태를 바탕으로 재개할 수 있어 대규모 코드 마이그레이션처럼 장기 실행되는 작업에 특히 맞는다.

Auto Mode는 각 서브에이전트 단계에서 사람의 승인을 매번 받지 않고 실행을 이어가는 방식이다. 신뢰 수준이 충분히 확인된 반복 작업에 적합하며, 민감한 변경에는 인간 게이트를 남기는 구성이 권장된다.

Lead Agent는 나누고, 서브에이전트는 끝낸다

Dynamic Workflows의 오케스트레이션은 작업 분해, 역할별 실행, 공유 결과 검증으로 이어진다.

⤢✕

Lead Agent는 전략적 분해와 결과 통합에 집중한다. 코드 분석, 테스트 작성, 문서화처럼 나뉜 책임은 개별 서브에이전트가 맡으며, 각 에이전트는 별도 모델·프롬프트 세트·도구 접근 권한을 가질 수 있다.

에이전트 간 결과 교환은 중앙 메시지 패싱이 아니라 공유 파일시스템을 통해 이뤄진다. 이 방식은 네트워크 지연을 줄이고 작업 결과를 남긴다. 별도의 교차 검증 서브에이전트는 다른 에이전트의 출력을 독립적으로 검토하며, 테스트 통과율이나 코드 품질 지표 같은 수렴 기준을 만족할 때까지 재작업을 요청한다.

Dreaming 기능은 세션 이력과 메모리를 주기적으로 검토해 반복 패턴을 추출하고 메모리를 큐레이션하는 자가 개선 메커니즘이다. 프로젝트별 관례와 팀 스타일을 점진적으로 학습하는 용도다.

컨텍스트는 많이 넣기보다 층을 나눠야 한다

Claude Code는 500K~1M 토큰의 컨텍스트 윈도우를 제공한다. 그렇다고 코드를 가능한 한 많이 넣는 방식이 효율적인 것은 아니다. 내부 운영에서는 역할과 제약에서 출발해 프로젝트 메모리, 현재 작업, 도구 결과, 최근 대화 순으로 컨텍스트를 쌓는다.

⤢✕

MCP(Model Context Protocol)로 데이터베이스, 내부 API, 문서 시스템, 모니터링 도구를 연결하면 에이전트는 필요한 정보를 실시간으로 조회할 수 있다. 정적 컨텍스트를 한꺼번에 주입하는 방식보다 토큰 효율을 높이고 최신 상태를 반영하는 접근이다.

Code with Claude 2026에서 발표된 Outcomes는 클라우드 호스팅 에이전트에 측정 가능한 성공 조건을 미리 정의하는 기능이다. "테스트 커버리지 80% 이상", "린트 오류 0건", "빌드 시간 30초 이내" 같은 기준이 자율 실행의 종료 조건으로 작동한다.

개인 사용에서 자율 파이프라인까지

팀 전체를 즉시 전환하면 품질 리스크와 도구에 대한 저항이 함께 커질 수 있다. 원본에서 제시한 도입 순서는 개인 생산성, 팀 워크플로우, 자율 파이프라인, 오케스트레이션으로 확장된다.

⤢✕

개인 생산성 단계인 1~2개월에는 신규 코드 생성보다 기존 코드 설명, 단위 테스트 생성, 주석 작성처럼 실패 비용이 낮은 작업부터 맡긴다. 이 범위는 도구에 대한 팀의 신뢰를 만들기 쉽다.

3~4개월의 팀 워크플로우 단계에서는 PR 리뷰, 버그 탐지, 아키텍처 문서화로 범위를 넓힌다. 이때 공용 CLAUDE.md 또는 AGENTS.md에 프로젝트 관례, 금지 패턴, 코딩 스타일을 기록해 에이전트가 참조하도록 한다.

5~6개월의 자율 파이프라인 단계에서는 CI/CD에 에이전트를 연결해 의존성 업그레이드, 보안 패치, API 버전 마이그레이션 같은 반복 작업을 실행한다. Managed Agents API를 통한 클라우드 호스팅 에이전트 배포도 이 시점부터 실용적이다.

7개월+의 오케스트레이션 단계는 Dynamic Workflows와 병렬 실행을 사용한다. 대규모 리팩터링, 플랫폼 마이그레이션, 새 피처 전체 구현을 에이전트 주도로 수행하고, 개발자는 의도와 품질 기준 정의에 집중한다.

생성 코드에는 의도 검증과 승인 경계가 필요하다

AI가 만든 코드에 기존 리뷰 절차를 그대로 적용하는 것만으로는 충분하지 않다. 린터, 타입 체커, 보안 스캐너를 통과시키는 자동 정적 분석 게이트를 CI 진입 전에 둔다. 이 구간은 자동화해 리뷰어의 부담을 줄인다.

리뷰어가 확인할 대상도 달라진다. 구현의 모든 세부 라인보다 에이전트가 요청된 의도를 정확히 해석했는지, 요구사항을 충족했는지를 중심으로 검토한다. 코드 라인 수가 아닌 의도 충족 여부가 기준이 된다.

Dynamic Workflows의 자가 검증 루프에서는 별도 서브에이전트가 생성 결과를 독립적으로 리뷰한다. 이는 단일 에이전트의 확증 편향을 줄이는 장치다. 다만 프로덕션 배포, 보안 관련 변경, 외부 API 계약 변경에는 시니어 엔지니어의 최종 승인을 둬야 한다. Auto Mode는 내부 작업에 적용하고, 외부 영향이 있는 변경에는 인간 게이트를 유지한다.

개발자는 코드 작성자에서 맥락 설계자로 이동한다

신규 코드의 80%가 Claude 작성이라는 Anthropic의 수치는 개발자 역할이 사라진다는 뜻이 아니라 업무의 중심이 이동한다는 신호다.

전통적 역할	AI 에이전트 시대 역할
코드 직접 작성	작업 의도 및 제약 정의
버그 디버깅	에이전트 실패 패턴 분석
API 문서 숙지	에이전트 도구 설계
단위 테스트 작성	테스트 전략 및 기준 설계
코드 리뷰 수행	에이전트 출력 의도 검증
아키텍처 설계	에이전트 오케스트레이션 설계

일반적인 코딩 패턴은 에이전트가 잘 처리하더라도, 비즈니스 로직의 미묘한 제약, 규제 요건, 성능 트레이드오프는 도메인 전문가의 판단이 필요하다. Anthropic 내부에서도 엔지니어들은 Claude가 생성한 코드를 검토하고 도메인 맥락을 제공하는 데 더 많은 시간을 투자하게 되었다고 밝혔다.

코드량만으로 생산성을 판단하지 않는다

AI 에이전트 도입 효과는 기존 개발 지표와 AI 특화 지표를 함께 봐야 한다.

카테고리	지표	측정 방법
속도	1인당 일 병합 코드량	Git 통계
속도	PR 사이클 타임	JIRA / GitHub
품질	에이전트 생성 코드 결함률	프로덕션 버그 추적
품질	코드 리뷰 수정 요청 횟수	PR 댓글 분석
효율	에이전트 승인률 (Auto Mode)	Claude Code 대시보드
비용	토큰당 생산 코드 라인	API 사용량 / 커밋 통계
팀	개발자 만족도 (NPS)	정기 설문

엔지니어 1인당 일 병합 코드량이 8배 증가했다는 Anthropic 내부 수치는 강력하지만, 품질 지표 없이 단독으로 해석할 수는 없다. 결함률과 코드 리뷰 수정 요청 횟수를 함께 추적해야 순수한 생산성 향상 여부를 판단할 수 있다.

AI 코딩 에이전트 제품군의 차이

2026년 기준 주요 AI 코딩 에이전트는 성능, 비용, 컨텍스트 규모, 사용 방식에서 차이를 보인다.

제품	SWE-bench	가격 (월)	컨텍스트 윈도우	주요 특징
Claude Fable 5	95.0%	$10/$50 per MTok	1M 토큰	최고 성능, 일부 지역 접근 제한
Claude Opus 4.7	87.6%	-	1M 토큰	2026-04-16 출시 당시 최고
Claude Opus 4.6	80.8%	$5/$25 per MTok	1M 토큰	엔터프라이즈 안정성
Claude Sonnet 4.6	79.6%	$3/$15 per MTok	500K 토큰	비용 효율 최적
GitHub Copilot	72.5%	$10	128K 토큰	IDE 통합, 접근성 최고
Cursor	미공개	$20	코드베이스 인덱싱	AI 네이티브 IDE

Anthropic 내부 Claude Code, Spotify Honk, GitHub Copilot Workspace의 운영 방식도 다르다. Spotify Honk는 내부 플랫폼 팀이 만든 시스템으로 Backstage 플랫폼과 깊이 통합돼 있다. GitHub Copilot Workspace는 이슈부터 PR까지의 흐름을 지원하는 클라우드 기반 에이전트다.

항목	Claude Code (Anthropic 내부)	Spotify Honk	GitHub Copilot Workspace
실행 환경	터미널 네이티브	내부 플랫폼 통합	클라우드 웹 UI
컨텍스트	1M 토큰 / MCP	내부 서비스 그래프	128K 토큰 / 코드베이스
자율성	Auto Mode 지원	인간 주도	제한적 자율 실행
멀티에이전트	Dynamic Workflows	단일 에이전트	미지원
대상 규모	중대형 조직	Spotify 내부	개인~중형 팀
오픈소스	일부 오픈	비공개	비공개

실무 현장에서 널리 쓰이는 방식은 Cursor를 일상적인 편집과 탐색에, Claude Code를 복잡한 리팩터링·마이그레이션·멀티에이전트 작업에 병행하는 구성이다. 두 도구는 사용 목적이 달라 경쟁 관계보다 보완 관계에 가깝다.

Managed Agents의 초기 프로덕션 도입 기업으로는 Notion, Asana, Sentry가 있다. 이들은 Code with Claude 2026에서 발표된 Composable API를 통해 인프라 운영 부담 없이 클라우드 호스팅 에이전트를 배포하고 있다.

Bun 마이그레이션이 보여준 작업 범위

Bun 프레임워크 사례는 AI 코딩 에이전트가 시스템 수준 작업에 적용된 사례다.

작업: Zig로 작성된 Bun 코어 코드를 Rust로 포팅
규모: 75만 라인 코드
소요 기간: 11일
품질: 기존 테스트 스위트 99.8% 통과
수행자: Jarred Sumner (Bun 창시자) + Claude Code

전통적 방식에서는 수십 명의 엔지니어가 수개월을 투입해야 하는 규모의 크로스 언어 마이그레이션이다. 11일의 기간과 99.8% 테스트 통과율은 에이전트가 단순 코드 생성을 넘어 복잡한 시스템 작업에도 적용될 수 있음을 보여준다.

조직 배포에서는 권한과 지식 경계를 함께 설계한다

대규모 조직의 배포에서는 IAM 통합을 통한 조직 SSO와 역할 기반 접근 제어, 모든 에이전트 액션을 추적하는 감사 로그, 조직 전체 사용량 분석 대시보드가 필요하다. Auto Mode의 적용 범위도 정책으로 제한할 수 있으며, 예를 들어 내부 레포지토리에만 허용하는 방식을 둘 수 있다.

Projects & RAG 워크플로우로 내부 위키, API 문서, 과거 PR 이력을 에이전트가 참조하게 하면 조직 특화 코딩 관례를 자동으로 준수하는 데 활용할 수 있다.

국내 SW 공학 방법론과 연결해 보면, AI 에이전트 코딩은 2026 방향의 핵심 주제다. 요구사항 명세(SRS)를 에이전트 프롬프트로 변환하는 기법, 에이전트 출력의 형식 검증(정형 명세 기반 테스트), 에이전트 워크플로우를 UML 활동 다이어그램으로 문서화하는 실천은 정보관리기술사 SW 공학 영역에서도 점차 중요해지고 있다.