많은 현재 AI 자동화 노력은 여전히 서로 다른 단계를 연결하기 위해 인간의 개입에 크게 의존하며, 이는 값비싼 미들웨어 역할을 합니다. 개별 작업은 자동화되지만 전체 워크플로우는 연결되지 않은 상태로 남아 사람들이 시스템 간에 정보를 수동으로 전달해야 합니다. AWS, GitHub, Jira와 같은 기존 시스템은 이미 데이터를 공유할 수 있는 API를 가지고 있기 때문에 이는 비효율적입니다. 저자는 현재 이러한 격차를 해소하기 위해 인간이 필요하지만, 이는 곧 바뀔 병목 현상이라고 주장합니다.진정한 질문은 인간의 개입이 진정으로 필요한 곳을 파악하는 것이며, 이는 팀 및 규정 준수 요구 사항에 따라 달라질 것입니다. AI 출력물이 항상 완벽하지는 않지만, 저자는 인간이 프로세스에서 종종 과도하게 사용된다고 믿습니다. 많은 작업의 경우, 초기 목표를 이해하고 최종 결과를 확인하는 단 한두 가지 인간의 결정만이 진정으로 필요합니다. 저자는 이 두 가지 지점 사이의 대부분의 작업은 기계가 처리할 수 있다고 제안합니다.오류 감지부터 코드 변경 및 테스트까지, 즉각적인 인간의 입력 없이 생산 버그를 처리하는 자동화된 프로세스의 실질적인 예가 제시됩니다. 이는 인간 검토자가 필요하기 전에 상당한 자동화의 잠재력을 강조합니다. 더 발전된 자동화를 위해 누락된 중요한 조각은 메모리, 즉 지속적인 상태이며, 이는 에이전트가 학습된 정보를 유지하고 전달할 수 있도록 합니다.현재 이 정보는 종종 채팅 창이나 터미널에서 손실되어 수동 요약을 강요합니다. 저자는 에이전트가 효과적으로 협력할 수 있도록 컨텍스트를 저장하기 위한 데이터베이스 또는 유사한 메커니즘이 필수적이라고 제안합니다. 이러한 자동화된 워크플로우를 노트북에 로컬로 구축하는 것은 가능하지만, 쉽게 중단될 수 있는 취약한 인프라를 생성합니다.소프트웨어 개발 수명 주기 작업을 수행할 때 이러한 AI 기반 자동화 시스템은 다른 프로덕션 서비스와 동일한 강력한 인프라를 필요로 합니다. 여기에는 안정성, 보안 자격 증명, 지속적인 상태, 로깅, 재시도 및 감사 추적이 포함됩니다. 궁극적인 목표는 AI 시스템이 아침까지 버그를 조사하고 수정하는 것과 같은 작업을 자율적으로 처리하여 개발자를 위한 지루한 복사-붙여넣기 및 수동 단계를 제거하는 것입니다.