소프트웨어를 만드는 방식이 다시 한 번 변곡점에 서 있습니다. 지난 몇 년간 생성형 AI는 코드를 대신 써 주는 도구의 수준을 넘어, 이제는 요구사항을 정리하고 설계를 검토하며 검증 문서까지 만들어 내려는 시도로 확장되고 있습니다. 이 흐름의 한복판에 국내 스타트업 에이든넥서스(AIDEN Nexus)가 있습니다. 이 회사는 단순히 코드를 잘 생성하는 것을 목표로 삼지 않습니다. 대신 자동차와 방산처럼 안전과 품질의 기준이 엄격한 산업에서 실제로 개발팀이 감당해야 하는 전 과정을 겨냥합니다. 소프트웨어 엔지니어링 플랫폼을 표방하는 이들의 접근은 ‘코드 작성’이라는 좁은 지점을 넘어 ‘요구사항 분석부터 검증까지 이어지는 엔지니어링 전체’를 하나의 축으로 바라본다는 점에서 흥미롭습니다. 스타트업 모닝커피 1439회에서 소개된 이 기업의 사례는 AI가 개발 현장의 어디까지 책임질 수 있는지를 두고 업계가 던지는 질문에 대한 하나의 실험적 답안지와 같습니다. 이 글에서는 에이든넥서스가 제시하는 플랫폼의 구조와 실제 활용 시나리오, 그리고 규제 산업에서 이 같은 기술이 갖는 의미와 한계를 함께 짚어 보겠습니다. 특히 감춰진 문서화 부담, 인간의 최종 판단 영역, 그리고 마케팅 수치를 해석하는 방법까지 실무자 관점에서 정리합니다.

많은 사람들이 소프트웨어 개발의 고통을 ‘코딩’에서 찾지만, 규제 산업에 발을 들이는 순간 진짜 부담은 다른 곳에서 나타납니다. 자동차 기능안전이나 항공, 방산, 의료기기처럼 사람의 생명과 직결되는 영역에서는 코드가 어떻게 만들어졌는지를 설명하는 문서가 코드만큼, 때로는 그 이상으로 중요해집니다. 어떤 요구사항이 어떤 설계로 이어졌고, 그 설계가 어떤 검증을 거쳐 승인되었는지를 끝없이 기록하고 추적해야 하기 때문입니다. 이 과정은 창의적이지도 않고, 그렇다고 생략할 수도 없습니다. 수많은 엔지니어가 하루의 상당 부분을 회의록 정리, 추적성 매트릭스 갱신, 검토 근거 문서화처럼 반복적인 서류 작업에 소모하는 이유가 여기에 있습니다. 에이든넥서스가 주목한 지점이 바로 이 지점입니다. 코드를 자동으로 생성하는 도구는 이미 시장에 plentiful하지만, 안전 인증과 품질 심사를 통과하기 위해 필요한 ‘설명 가능한 개발 기록’을 자동으로 만들어 주는 도구는 아직 충분히 다뤄지지 않았습니다. 이 회사가 제시하는 문제 정의는 명확합니다. 반복적인 문서 업무의 짐을 덜고, 그 과정에서 생성된 자료를 다시 검증과 인증 준비에 재활용하자는 것입니다. 규제 산업의 병목이 코드가 아니라 증빙에 있다는 통찰은, 이 시장의 실제 페인 포인트를 정확히 겨냥한 판단으로 평가할 만합니다.

에이든넥서스 플랫폼을 이해하는 핵심 열쇠는 세 겹으로 쌓인 구조에 있습니다. 첫째는 작업을 실제로 수행하는 전문 AI 에이전트이고, 둘째는 산업별 지식과 표준을 적용하는 기반이며, 셋째는 그 결과물을 검증하는 계층입니다. 이 세 가지가 따로 노는 것이 아니라 하나의 파이프라인처럼 연결되어 있다는 점이 중요합니다. 에이전트는 단순히 텍스트를 생성하는 데 그치지 않고, 해당 산업의 규칙과 지식을 참조하며 작업을 수행한 뒤 개발 문서와 검토의 근거를 함께 남깁니다. 그리고 이 결과는 다시 검증 계층을 거쳐 전문가가 최종 승인할 수 있는 형태로 정리됩니다. 이런 설계는 AI가 ‘답’을 던지고 끝나는 구조와 근본적으로 다릅니다. AI가 ‘답과 그 답에 이른 과정, 그리고 그 과정을 검증할 재료’를 함께 제시하도록 강제하는 구조입니다. 실무 관점에서 이 차이는 결정적입니다. 규제 산업의 감사와 인증은 결과뿐 아니라 과정의 정당성을 요구하기 때문에, 과정을 설명할 수 없는 자동화는 현장에서 신뢰를 얻기 어렵습니다. 세 겹의 구조를 명시적으로 설계했다는 것은, 이 회사가 규제 산업의 근본적인 요구인 ‘추적 가능성과 설명 가능성’을 제품 아키텍처의 최상위 목표로 놓았다는 신호로 읽힙니다.

구체적으로 회사가 공개한 수치는 26개의 전문 에이전트와 6개의 엔진입니다. 에이전트는 요구사항 분석, 설계, 안전, 시험처럼 개발 생애주기의 개별 업무를 맡아 수행하며, 엔진은 안전, 품질, 코드 분석, 영향도 분석, 추적성, 다이어그램 생성이라는 공통 역량을 담당합니다. 여기서 주목할 점은 ‘다양성’보다 ‘연결성’입니다. 개별 업무를 잘하는 에이전트는 여럿 있을 수 있지만, 이들을 하나의 규칙 체계 위에서 움직이게 하고 각각의 산출물을 영향도 분석과 추적성 엔진으로 상호 연결할 때 비로소 개발 생애주기 전체가 하나의 일관된 흐름을 갖게 됩니다. 예를 들어 하나의 요구사항이 변경되면 어떤 설계와 시험 항목에 영향을 주는지, 그 변경 이력이 어떻게 기록되는지를 추적성 엔진과 영향도 엔진이 자동으로 짚어 줄 수 있습니다. 이는 사람이 수동으로 매트릭스를 갱신하던 고된 작업을 대체하는 핵심 기능입니다. 물론 에이전트 26개라는 숫자가 곧 완성도를 의미하지는 않습니다. 각 에이전트가 실제 산업 표준을 얼마나 정교하게 내재화했는지, 그리고 도메인팩이라 불리는 산업별 지식과 규칙의 품질이 얼마나 신뢰할 만한지가 성패를 가를 것입니다. 숫자는 잠재력의 크기를 보여 주지만, 그 잠재력을 실현하는 것은 결국 데이터와 검증의 깊이라는 점을 함께 기억해야 합니다.

플랫폼의 성격을 가장 잘 드러내는 사례는 자동차 기능안전 영역에 등장하는 ‘사이먼(Simon)’이라는 안전 분석 에이전트입니다. 사이먼은 차량 시스템 정의, 위험 분석 자료, 안전 목표 같은 입력값을 받아 기능안전 요구사항의 후보를 도출하고, 관련 다이어그램을 생성하며, 안전 목표와 요구사항을 서로 연결하는 작업을 지원합니다. 최종적으로는 기능안전 요구사항 명세서와 검토 및 승인 기록까지 산출합니다. 이 시나리오에서 주목해야 할 대목은 사이먼의 역할이 ‘결정’이 아니라 ‘초안 작성과 연결’에 머문다는 점입니다. 요구사항 후보와 그 연결 관계의 타당성을 최종적으로 평가하는 것은 어디까지나 인간 전문가의 몫으로 남습니다. 이는 기능안전 표준이 요구하는 책임 소재와도 맞닿아 있습니다. 안전에 관한 판단의 최종 책임은 사람에게 있어야 하며, AI는 그 사람이 더 나은 판단을 내리도록 돕는 보조자에 머물러야 한다는 원칙입니다. 사이먼 사례는 이 원칙을 잘 구현하고 있습니다. 반복적이고 시간이 많이 드는 후보 도출과 문서화를 AI가 떠맡고, 사람은 검증과 승인이라는 고부가가치 판단에 집중하는 구조입니다. 규제 산업에서 AI를 도입할 때 가장 흔한 불신인 ‘AI가 함부로 결정하면 어떡하나’라는 우려를, 이 사례는 역할 분담으로 해소하려는 시도로 볼 수 있습니다.

에이든넥서스가 강조하는 인간의 최종 승인 구조, 즉 휴먼 인 더 루프(Human-in-the-loop)는 단순한 마케팅 문구가 아니라 규제 산업에서 반드시 필요한 설계 원칙입니다. 아무리 정교한 AI라도 안전과 직결된 최종 결정권은 사람에게 있어야 하며, 이는 규제와 인증 체계가 전제하는 기본 전제입니다. 에이전트가 아무리 그럴듯한 요구사항 명세서를 만들어 내도, 그것이 실제 표준과 맥락에 부합하는지를 판단하고 책임지는 주체는 전문가여야 합니다. 이 회사의 설계는 바로 이 지점을 파고듭니다. AI가 만든 문서와 근거, 변경 이력, 추적성 정보를 사람이 검토할 수 있는 형태로 남김으로써, 자동화가 ‘블랙박스’가 아니라 ‘검증 가능한 도구’로 기능하게 하려는 것입니다. 실무자에게 이 구조가 갖는 의미는 큽니다. 도입을 검토하는 조직의 입장에서 가장 큰 리스크는 AI의 오류가 그대로 제품에 반영되는 상황일 텐데, 검토 가능한 근거가 함께 제공된다면 그 리스크를 크게 낮출 수 있습니다. 또한 전문가가 검토에 드는 시간 자체도 줄어들 수 있습니다. 처음부터 백지에서 검토하는 대신 이미 정리된 후보와 연결 관계를 검증하는 방식으로 역할이 바뀌기 때문입니다. 자동화를 신뢰할 수 있는 운영으로 전환하려면 결국 이 검토able 구조가 얼마나 실효성 있게 작동하는지가 관건입니다.

한편 회사가 제시한 비용 절감 시나리오는 낙관과 냉철함 사이에서 균형 있게 읽어야 할 대목입니다. 회사는 총 100인월 규모의 프로젝트를 예로 들며, 그중 40인월이 자동화 대상이고 해당 업무의 공수가 25퍼센트 줄어든다고 가정하면 10인월이 절감된다고 설명했습니다. 이를 인건비 기준 약 1억 원의 작업 가치로 환산한 것입니다. 이 계산 자체는 논리적으로 모순이 없지만, 어디까지나 명시된 가정 위에 세운 시나리오라는 점을 분명히 해야 합니다. 자동화 대상이 40인월인지, 실제로 25퍼센트가 줄어드는지, 절감된 시간이 새로운 가치 창출로 이어지는지는 모두 현장 적용을 통해 검증해야 할 변수입니다. 실무자가 이 숫자를 대할 때 취해야 할 태도는 명확합니다. 제시된 절감치를 그대로 투자 판단의 근거로 삼지 말고, 자신의 조직에 맞는 가정값을 대입해 시뮬레이션해 보는 것입니다. 우리 팀의 프로젝트에서 자동화 가능한 업무는 몇 인월인가, 그 업무에서 실제로 몇 퍼센트의 시간을 아낄 수 있는가, 아낀 시간을 어디에 재투자할 것인가를 스스로 답해 보는 연습입니다. 1억 원이라는 숫자의 크기보다, 그 숫자를 만들어 내는 가정 구조를 이해하는 편이 도입 여부를 판단하는 데 훨씬 실질적인 도움이 됩니다.

이 움직임을 시장의 큰 흐름 속에서 보면 그 의미가 더 선명해집니다. 이미 GitHub Copilot이나 Cursor 같은 도구들이 개발자의 코딩 생산성을 끌어올리며 AI 코딩 시장의 1면을 장악하고 있습니다. 그러나 이들 도구의 강점은 대부분 ‘개별 코드 생성과 편집’에 집중되어 있습니다. 반면 에이든넥서스가 겨냥하는 것은 규제 산업의 ‘개발 생애주기 전체’라는, 상대적으로 덜 포화된 영역입니다. 이 영역의 진입 장벽은 알고리즘 자체보다 산업별 표준 지식, 인증 요구사항에 대한 이해, 그리고 무엇보다 신뢰를 쌓기 위한 검증 실적입니다. 자동차 기능안전(ISO 26262로 대표되는 체계)이나 방산领域의 개발 프로세스는 범용 코딩 도구가 쉽게 침투하기 어려운 특수 지대입니다. 바로 그렇기 때문에 이 시장에는 오히려 기회가 있습니다. 전 세계를 무대로 싸우는 범용 코딩 어시스턴트와 달리, 규제 산업 특화 엔지니어링 AI는 특정 산업의 언어와 규칙을 깊이 이해한 플레이어에게 유리한 구조입니다. 다만 이 시장은 레드오션이 아니라 ‘진입은 어렵지만 일단 뿌리내리면 이탈이 어려운’ 방어적 시장이라는 점을 함께 봐야 합니다. 인증과 규제에 최적화된 도구는 한번 도입되면 교체 비용이 크기 때문에, 초기 신뢰 확보가 곧 장기적 해자를 의미합니다.

에이든넥서스 사례가 던지는 가장 큰 화두는 AI의 역할이 ‘코드 작성’에서 ‘엔지니어링 전체’로 확장되고 있다는 점입니다. 지난 2~3년간 AI 코딩 도구의 가치는 주로 얼마나 많은 코드를, 얼마나 빨리 생성하느냐로 측정되었습니다. 하지만 소프트웨어의 가치는 코드의 양이 아니라 그것이 요구사항을 얼마나 정확히 충족하고, 얼마나 검증 가능하며, 얼마나 유지보수 가능한지에 달려 있습니다. 코드를 아무리 빨리 만들어도 요구사항과 어긋나거나 검증을 통과하지 못하면 그 코드는 오히려 부채가 됩니다. 에이든넥서스가 내건 ‘요구사항 분석부터 검증까지의 연결’이라는 기조는, AI가 개별 생산성 도구를 넘어 개발 프로세스의 품질을 책임지는 계층으로 올라서려는 시도로 해석됩니다. 만약 이 접근이 성공한다면, 앞으로의 경쟁 축은 ‘누가 더 많은 코드를 생성하는가’에서 ‘누가 개발 생애주기의 정합성과 추적성을 보장하는가’로 이동할 가능성이 큽니다. 이는 필연적으로 더 높은 기술적, 도메인적 장벽을 요구하며, 그만큼 성공 시 확보되는 가치도 커집니다. 개발자 개개인의 생산성을 넘어 팀과 조직 전체의 개발 운영 체계를 바꾸는 것이야말로 진짜 큰 시장이 숨어 있는 지점이라 할 수 있습니다.

사업화 로드맵 역시 이 회사의 야심을 읽을 수 있는 대목입니다. 회사는 2027년 초기 상용화를 목표로 전문 에이전트와 엔진, 그리고 산업별 지식과 규칙을 담은 도메인팩을 제공할 계획입니다. 적용 범위는 자동차, 방산, 산업제조를 출발점으로 삼아 로봇과 여타 규제 산업, 나아가 해외 시장까지 넓혀 간다는 구상입니다. 여기에 공동 영업, 개념검증(PoC), 산업별 공동 구축을 통한 파트너 네트워크 확장 전략이 더해집니다. 2031년까지 누적 고객 188개사와 활동 파트너 20개사 확보라는 구체적 목표도 제시했습니다. 이 로드맵에서 눈여겨볼 지점은 규제 산업 특유의 ‘신뢰 구축 속도’ 문제입니다. 규제 산업 고객은 검증되지 않은 도구에 프로세스를 통째로 맡기려 하지 않기 때문에, 개념검증 단계를 통한 실증 사례 축적이 매우 중요합니다. 자동차와 방산처럼 까다로운 영역에서 먼저 레퍼런스를 확보한 뒤 확장하는 전략은 이 신뢰 문제를 정면으로 다루는 합리적 접근입니다. 다만 2027년 상용화와 2031년 목표 사이의 간극, 즉 초기 상용화 단계에서 레퍼런스를 얼마나 빠르게 확보하느냐가 이 로드맵의 실현 가능성을 좌우할 것입니다. 파트너십을 통한 유통 전략은 규제 산업의 긴 영업 주기를 감안할 때 특히 영리한 선택으로 평가됩니다.

프로그램에 함께한 씨엔티테크(CNTTECH) 전화성 대표의 코멘트는 이 기술을 도입하려는 실무자에게 실질적인 체크리스트를 제공합니다. 그는 엔지니어링 AI가 만들어 내는 개발 문서뿐 아니라, 사람이 검토할 수 있는 근거, 변경 이력, 그리고 요구사항의 추적성을 함께 살펴야 한다고 조언했습니다. 이는 마치 감사를 대비하듯, AI가 어떤 근거로 어떤 산출물을 만들었고 그 변경이 어떻게 이어지는지를 투명하게 확인할 수 있어야 한다는 뜻입니다. 또한 실제 프로젝트에서 반복 업무가 실제로 얼마나 줄어드는지, 그리고 전문가의 검토를 실질적으로 얼마나 도와주는지를 눈으로 확인해야 자동화를 신뢰할 수 있는 개발 운영으로 연결할 수 있다는 취지입니다. 이 조언은 기술 도입을 검토하는 조직이 반드시 새겨야 할 원칙과 맞닿아 있습니다. 화려한 데모가 아니라, 자신의 맥락에서 재현된 실증 데이터가 곧 신뢰의 근거라는 것입니다. 특히 규제 산업에서는 ‘설명 가능성’이 선택이 아니라 필수 요건이므로, 어떤 AI 도구를 평가하든 근거와 추적성을 얼마나 충실히 남기는지를 1순위 기준으로 삼아야 합니다. 검토 가능한 자동화만이 결국 지속 가능한 자동화로 이어진다는 점을 이 코멘트는 명확히 하고 있습니다.

마지막으로 이 사례에서 실무자와 의사결정자가 바로 실천에 옮길 수 있는 조언을 정리하면 다음과 같습니다. 첫째, AI 도구를 도입할 때는 코드 생성 능력만 보지 말고, 개발 생애주기 전체의 추적성과 설명 가능성을 평가 기준으로 삼으십시오. 둘째, 제시된 비용 절감 수치를 그대로 받아들이지 말고, 자기 조직의 실제 데이터로 가정을 대체해 시나리오를 직접 계산해 보십시오. 자동화 가능한 업무 비율과 실질적 시간 절감률은 조직마다 다르기 때문입니다. 셋째, 규제 산업에 있다면 개념검증 단계에서 근거 문서, 변경 이력, 요구사항 추적성이 얼마나 충실히 생성되는지를 집중적으로 검증하십시오. 넷째, 어떤 AI 도구든 최종 판단과 승인 권한은 반드시 사람에게 남겨 두는 역할 분담 구조를 명확히 설계하십시오. 이는 리스크 관리이자 규제 대응의 기본입니다. 다섯째, 자동차, 방산, 산업제조 등 규제 산업에 속한 조직이라면 2027년 상용화를 겨냥한 초기 파트너십이나 개념검증 협력 기회를 미리 타진해 두는 것이 유리합니다. 초기 참여자는 제품 방향에 영향을 주고 레퍼런스를 선점할 수 있기 때문입니다. 요약하면, 이 시장의 핵심은 ‘얼마나 많은 코드를 자동화하는가’가 아니라 ‘얼마나 신뢰할 수 있게 개발 과정을 증명하는가’입니다. 검증 가능한 자동화를 기준으로 도구를 평가하고, 자신의 맥락에서 실증하십시오. 그것이 이 흐름을 실질적 이익으로 전환하는 가장 확실한 길입니다.