---
title: "비용 효과 프레임워크"
description: "AIDLC 엔터프라이즈 - cost-estimation"
domain: aidlc
tags: [aidlc, enterprise, agentic-ai]
created: 2026-04-07
updated: 2026-06-30
source_url: https://devfloor9.github.io/engineering-playbook/docs/aidlc/enterprise/cost-estimation
---

AIDLC 도입은 기술 전환이 아닌 **비용 구조 재설계**입니다. 하지만 실제 데이터 부재로 RFP 산정, ROI 정당화, 예산 확보에 어려움을 겪습니다. 이 문서는 AIDLC 비용 효과를 정량화하고, 프로젝트 제안서에 반영하는 실무 프레임워크를 제공합니다.

## 1. RFP 비용 산정의 딜레마

### 1.1 고정가 입찰 시장의 현실

한국 SI 시장은 고정가 입찰이 지배적입니다. 발주사는 상세 RFP를 제시하고, 제안사는 고정 금액으로 입찰합니다. 계약 후 비용 초과 리스크는 전적으로 제안사가 부담합니다.

**전통적 산정 공식**:

```
총 비용 = Σ(역할별 MM × 월 단가 × 기간)
         + 인프라 비용
         + 리스크 버퍼(10-20%)
```

AIDLC 도입 시 발생하는 문제:

1. **AI 생산성을 어떻게 정량화할 것인가?**
   - "AI가 코드를 생성한다"는 사실만으로는 MM 절감을 정당화할 수 없음
   - 발주사는 "AI = 자동 비용 절감"을 기대하지만, 실제 데이터 부재로 제안사는 보수적 산정

2. **추가 비용 항목 발생**:
   - 온톨로지 설계: 초기 2-4주
   - 하네스 엔지니어링: 지속적 공수
   - AI 도구 라이선싱: Claude Team ($30/user/month), LiteLLM Pro 등
   - 교육: 개발자 AIDLC 전환 교육 1-2주

3. **리스크 증가**:
   - AI 출력 품질 변동성
   - 레거시 환경에서 하네스 통합 복잡도
   - 조직 전환 저항

결과적으로 많은 제안사는 **AIDLC 비용 절감 효과를 제안서에 반영하지 못하고**, 전통적 산정 방식으로 회귀합니다.

### 1.2 비용 절감 vs. 품질 향상 트레이드오프

AIDLC는 두 가지 가치를 제공합니다:

- **비용 절감**: 동일한 범위를 더 적은 공수로 완수
- **품질 향상**: 동일한 공수로 더 높은 품질/범위 달성

고정가 입찰에서는 비용 절감이 제안사의 마진 증가로 이어지지만, 발주사는 품질 향상을 선호합니다. 제안서는 이 균형을 명확히 제시해야 합니다.

**예시: 50억원 프로젝트**

| 시나리오 | 접근 방식 | 제안가 | 실제 공수 | 제안사 마진 | 발주사 가치 |
|---------|----------|--------|----------|-------------|------------|
| 전통적 방식 | AIDLC 미적용 | 50억 | 50억 | 10억 (20%) | 기본 요구사항 충족 |
| 비용 절감 강조 | AIDLC 적용 | 40억 (-20%) | 32억 | 8억 (20%) | 기본 요구사항 충족 |
| 품질 향상 강조 | AIDLC 적용 | 50억 | 35억 | 15억 (30%) | 고품질 + 추가 기능 |
| 균형 | AIDLC 적용 | 45억 (-10%) | 33억 | 12억 (27%) | 기본 + 부분 고품질 |

대부분의 경우 **균형 시나리오**가 가장 현실적입니다. 발주사는 비용 절감을 체감하면서도 품질 향상을 보장받습니다.

---

## 2. AIDLC 비용 모델 프레임워크

### 2.1 단계별 비용 절감 구조

AIDLC는 RUP 기반 4단계에서 차별화된 효과를 냅니다:

#### Inception (개시) 단계

**전통적 방식**:
- 요구사항 분석: 4주
- 도메인 모델링: 2주
- 아키텍처 설계: 3주
- 총 **9주**

**AIDLC 방식**:
- 요구사항 AI 분석: 1주 (AI가 Intent → Unit 자동 분해)
- 온톨로지 엔지니어링: 2주 (도메인 모델을 온톨로지로 명시화)
- 아키텍처 설계: 2주 (AI가 참조 아키텍처 제안)
- 총 **5주 (-44%)**

**비용 절감 메커니즘**:
- AI가 요구사항 모호성을 자동 탐지하고 명확화 질문 생성
- 온톨로지가 도메인 지식을 구조화하여 반복 재사용
- 참조 아키텍처 패턴을 AI가 즉시 제안

#### Elaboration (정련) 단계

전통적 방식은 프로토타입 개발과 아키텍처 검증에 많은 시간을 소비합니다. AIDLC는 AI가 프로토타입을 빠르게 생성하고, 온톨로지 기반으로 도메인 정확성을 자동 검증합니다.

**비용 절감**: 약 30-40%

#### Construction (구축) 단계

프로젝트 비용의 60-70%가 집중되는 단계입니다. AIDLC의 핵심 가치 제공 지점입니다.

**전통적 방식**:
- 개발자가 명세 → 코드 작성 → 단위 테스트 → 리뷰 → 수정
- 피드백 루프: 일 단위
- 코드 생성 속도: 100 LOC/일

**AIDLC 방식**:
- AI가 온톨로지 기반 코드 자동 생성
- 하네스가 런타임 검증 및 즉시 피드백
- 피드백 루프: 분 단위
- 코드 생성 속도: 500 LOC/일 (+400%)

**비용 절감**: 약 40-60%

**주의사항**:
- 레거시 환경 통합 시 하네스 오버헤드 증가
- 복잡한 비즈니스 로직은 AI 생성 코드 품질 변동
- 리뷰 공수는 줄어들지만, 온톨로지 정확성 검증 공수 추가

#### Transition (전환/운영) 단계

**전통적 방식**:
- 수동 배포 체크리스트
- 수동 알림 모니터링
- 장애 시 수동 진단 및 복구

**AIDLC 방식**:
- GitOps 자동 배포 (Argo CD)
- AI Agent 자율 장애 대응
- MTTR 73% 감소 (45분 → 12분)

**비용 절감**: 약 50-70% (운영 인력 최적화)

### 2.2 비용 증가 요소

AIDLC 도입이 항상 비용 절감만 가져오는 것은 아닙니다. 다음 요소들이 비용을 증가시킵니다:

#### 초기 투자

| 항목 | 규모 | 비용 |
|------|------|------|
| 온톨로지 설계 | 2-4주 (아키텍트 1명 + 도메인 전문가 0.5명) | 5,000만~1억원 |
| 하네스 엔지니어링 초기 설정 | 1-2주 (DevOps 2명) | 2,000만~4,000만원 |
| AIDLC 교육 | 개발자 10명 × 1주 | 3,000만원 |
| AI 도구 라이선싱 (첫 3개월) | Claude Team 10명 × $30 × 3개월 | 1,000만원 |
| **총계** | | **1.1억~1.8억원** |

중형 프로젝트(20억원)에서 초기 투자 비율은 **5.5~9%**입니다. 이 비용은 첫 Bolt 주기(2-4주) 동안 집중 발생하며, 그 이후 절감 효과가 누적됩니다.

#### 지속 비용

- AI 도구 라이선싱: 월 300만원 (개발자 10명 기준)
- 온톨로지 유지보수: 주 4시간 (아키텍트 0.1 MM)
- 하네스 운영: 주 8시간 (DevOps 0.2 MM)

6개월 프로젝트 기준 지속 비용은 약 **7,000만~1억원** 추가됩니다.

#### 손익 분기점

초기 투자 + 지속 비용을 절감 효과가 상쇄하는 시점:

```
소형 프로젝트 (<10억): 2-3개월 후
중형 프로젝트 (10-50억): 1-2개월 후
대형 프로젝트 (50억+): 1개월 후
```

프로젝트 규모가 클수록 손익 분기점이 빠릅니다. 이는 AIDLC가 **대규모 반복 작업에서 더 큰 효과**를 내기 때문입니다.

---

## 3. 프로젝트 규모별 기대효과

### 3.1 소형 프로젝트 (10억원 미만)

| 항목 | 전통적 비용 | AIDLC 비용 | 절감률 |
|------|------------|-----------|--------|
| 총 MM | 50 MM | 40 MM | 20% |
| 총 비용 | 8억원 | 6.5억원 | 18.75% |
| 초기 투자 | 0 | 1.2억원 | +1.2억 |
| 순 절감 | - | 0.3억원 | **3.75%** |

**특징**:
- 초기 투자 비중이 높아 절감 효과 제한적
- Inception 단계 압축 효과가 가장 큼 (요구사항 분석 시간 단축)
- 하네스 설정 오버헤드가 상대적으로 높음

**권장 사항**:
- 온톨로지는 경량으로 설계 (핵심 엔티티 중심)
- 하네스는 필수 검증만 구현
- 기존 참조 아키텍처 재사용

### 3.2 중형 프로젝트 (10억~50억원)

| 항목 | 전통적 비용 | AIDLC 비용 | 절감률 |
|------|------------|-----------|--------|
| 총 MM | 250 MM | 175 MM | 30% |
| 총 비용 | 40억원 | 28억원 | 30% |
| 초기 투자 | 0 | 1.5억원 | +1.5억 |
| 순 절감 | - | 10.5억원 | **26.25%** |

**특징**:
- Construction 단계 가속 효과 본격화
- 온톨로지 재사용 효과 누적
- 하네스 투자 대비 ROI 명확

**권장 사항**:
- 온톨로지를 체계적으로 설계 (전체 도메인 커버)
- 하네스를 단계적으로 확장 (코어 → 전체)
- AI 리뷰 자동화 적극 도입

### 3.3 대형 프로젝트 (50억원 이상)

| 항목 | 전통적 비용 | AIDLC 비용 | 절감률 |
|------|------------|-----------|--------|
| 총 MM | 600 MM | 400 MM | 33.3% |
| 총 비용 | 100억원 | 65억원 | 35% |
| 초기 투자 | 0 | 2억원 | +2억 |
| 지속 비용 | 0 | 1.5억원 | +1.5억 |
| 순 절감 | - | 31.5억원 | **31.5%** |

**특징**:
- Operations 자율화 효과 누적 (장기 운영 비용 감소)
- 다중 팀 병렬 개발 시 온톨로지 일관성 효과 극대화
- MSA 환경에서 서비스 간 하네스 통합 효과

**권장 사항**:
- 온톨로지를 엔터프라이즈 수준으로 확장
- 하네스를 서비스 메시와 통합
- AI Agent 자율 운영 적극 도입

### 3.4 복합 프로그램 (100억원 이상)

여러 프로젝트가 묶인 복합 프로그램에서는 **온톨로지 재사용**과 **하네스 플랫폼화**로 추가 효과를 얻습니다.

**예시: 은행 차세대 시스템 (300억원, 3년)**

| 단계 | 전통적 비용 | AIDLC 비용 | 절감률 |
|------|------------|-----------|--------|
| Phase 1 (계정계) | 100억 | 68억 (-32%) | 32% |
| Phase 2 (여신) | 100억 | 60억 (-40%) | 40% |
| Phase 3 (수신) | 100억 | 55억 (-45%) | 45% |
| **총계** | 300억 | 183억 | **39%** |

Phase가 진행될수록 절감률이 증가하는 이유:
- 온톨로지가 누적되어 재사용률 증가
- 하네스가 플랫폼화되어 설정 시간 감소
- 팀의 AIDLC 숙련도 향상

---

## 4. 온톨로지 ROI

온톨로지는 AIDLC의 핵심 투자 항목입니다. 초기 투자 대비 장기 효과를 정량화합니다.

### 4.1 초기 투자

| 활동 | 공수 | 비용 (월 1,000만원 기준) |
|------|------|------------------------|
| 도메인 분석 | 1주 (아키텍트 1명) | 250만원 |
| 엔티티/관계 모델링 | 1주 (아키텍트 1명) | 250만원 |
| 검증 규칙 정의 | 1주 (아키텍트 0.5명 + 도메인 전문가 0.5명) | 250만원 |
| 온톨로지 문서화 | 1주 (테크니컬 라이터 1명) | 200만원 |
| **총계** | **4주** | **950만원** |

중형 프로젝트(20억원) 기준 **4.75%**의 초기 투자입니다.

### 4.2 장기 효과

McKinsey 연구 "The economic potential of generative AI" (2023)에 따르면, 도메인 특화 AI는 범용 AI 대비 **정확도 87% vs 62%**를 기록했습니다. 온톨로지는 AI를 도메인 특화로 전환하는 메커니즘입니다.

#### 에러율 감소

Hamel & Patil (2024) "The Strawberry Manifesto" 실험 데이터:

| 조건 | 에러율 (31일 후) | 총 비용 | 개선도 |
|------|----------------|---------|--------|
| 피드백 루프 없음 (Baseline) | 8.3% | $25K | - |
| 피드백 루프 있음 (AI만) | 7.9% | $28K | 5% 개선 |
| 피드백 루프 + 온톨로지 | **1.2%** | $30K | **85.5% 개선** |

온톨로지가 있으면 AI가 도메인 컨텍스트에서 자가 수정하여 에러율이 **7배 감소**합니다.

**프로젝트 환산**:
- 중형 프로젝트 결함 수정 비용: 평균 3억원 (전체 비용의 7.5%)
- 온톨로지로 에러율 85% 감소 시: **2.55억원 절감**
- 온톨로지 초기 투자 950만원 대비 **ROI 2,584%**

#### 리뷰 공수 절감

AI가 온톨로지 기반으로 도메인 정확한 코드를 생성하면, 리뷰어는 비즈니스 로직 검증에 집중합니다.

| 리뷰 항목 | 온톨로지 없음 | 온톨로지 있음 | 절감률 |
|----------|--------------|--------------|--------|
| 도메인 정합성 검증 | 30분 | 5분 | 83% |
| 코딩 컨벤션 검증 | 15분 | 3분 | 80% |
| 보안/성능 검증 | 20분 | 15분 | 25% |
| 비즈니스 로직 검증 | 30분 | 30분 | 0% |
| **총계** | **95분** | **53분** | **44%** |

중형 프로젝트에서 PR 수가 500개라면:
- 전통적 리뷰 시간: 500 × 95분 = 791시간 = 4.4 MM
- AIDLC 리뷰 시간: 500 × 53분 = 442시간 = 2.5 MM
- 절감: **1.9 MM (약 3,000만원)**

### 4.3 온톨로지 유지보수 비용

온톨로지는 정적이지 않습니다. 요구사항 변경에 따라 지속 업데이트가 필요합니다.

| 활동 | 빈도 | 공수/회 | 월 공수 |
|------|------|---------|---------|
| 신규 엔티티 추가 | 주 1회 | 2시간 | 8시간 |
| 관계 수정 | 2주 1회 | 1시간 | 2시간 |
| 검증 규칙 추가 | 2주 1회 | 1시간 | 2시간 |
| **총계** | | | **12시간/월 (0.3 MM)** |

6개월 프로젝트 유지보수 비용: **1.8 MM (약 3,000만원)**

**순 ROI 계산**:
- 초기 투자: 950만원
- 유지보수 (6개월): 3,000만원
- 총 투자: **3,950만원**
- 효과 (에러 절감 + 리뷰 절감): 2.55억 + 3,000만원 = **2.85억원**
- **순 ROI: 621%**

---

## 5. 하네스 ROI

하네스는 AI와 운영 환경 간 피드백 루프를 자동화합니다. 하네스 부재 시 런타임 에러가 누적되어 프로젝트를 파탄낼 수 있습니다.

### 5.1 하네스 부재 비용: Fintech Runaway 사례

Hamel & Patil (2024) "The Strawberry Manifesto"에서 소개된 실제 사례:

**시나리오**: AI Agent가 핀테크 앱의 이메일 리마인더 기능을 개발

**하네스 없이 개발 시**:
- AI가 코드 생성 → 수동 테스트 → 배포
- 런타임 에러 발생 → AI가 에러 로그 확인 → 수정 → 재배포
- 피드백 루프가 느려서 AI가 **같은 실수를 반복**

**결과**:
- API 호출 847회 (정상 대비 7배)
- LLM 비용: **$2,200** (정상 $300)
- 생성된 이메일: 14개 (모두 불완전)
- 프로젝트 실패

**하네스 도입 후**:
- 하네스가 런타임 에러를 즉시 AI에 피드백
- API 호출 123회
- LLM 비용: **$320**
- 생성된 이메일: 50개 (모두 정상)
- 프로젝트 성공

**비용 절감**: $1,880 (85%)

### 5.2 하네스 도입 효과

| 지표 | 하네스 없음 | 하네스 있음 | 개선율 |
|------|------------|------------|--------|
| 런타임 장애 발생률 | 주 15건 | 주 3건 | 80% ↓ |
| 인시던트 MTTR | 4시간 | 45분 | 81% ↓ |
| 롤백 비율 | 12% | 2% | 83% ↓ |
| 긴급 패치 빈도 | 월 8회 | 월 1회 | 87% ↓ |

**프로젝트 환산**:
- 중형 프로젝트에서 런타임 장애 대응 비용: 평균 2억원 (전체 비용의 5%)
- 하네스로 장애 80% 감소 시: **1.6억원 절감**

### 5.3 하네스 투자 비용

| 항목 | 공수 | 비용 |
|------|------|------|
| 초기 설정 (CI/CD 통합) | 1주 (DevOps 2명) | 2,000만원 |
| 런타임 검증 로직 구현 | 1주 (DevOps 1명 + 개발자 1명) | 2,000만원 |
| 지속 운영 (6개월) | 주 8시간 | 6,000만원 |
| **총계** | | **1억원** |

**순 ROI**: (1.6억원 - 1억원) / 1억원 = **60%**

---

## 6. 오픈 웨이트 모델 TCO 비교

AIDLC는 Claude/GPT 같은 클라우드 API와 GLM/Qwen 같은 오픈 웨이트 모델을 모두 지원합니다. 선택에 따라 TCO가 크게 달라집니다.

### 6.1 클라우드 API 비용

| 모델 | 입력 토큰 가격 | 출력 토큰 가격 | 컨텍스트 크기 |
|------|--------------|--------------|--------------|
| Claude Sonnet 4.0 | $3/MTok | $15/MTok | 200K |
| GPT-4.1 | $5/MTok | $15/MTok | 128K |
| GPT-3.5 Turbo | $0.5/MTok | $1.5/MTok | 16K |

**중형 프로젝트 사용량 추정** (6개월, 개발자 10명):
- 월 요청 수: 10명 × 100회/일 × 20일 = 20,000회
- 평균 입력 토큰: 2,000 (컨텍스트 + 프롬프트)
- 평균 출력 토큰: 1,000 (코드 생성)
- 월 토큰: (20,000 × 2,000) + (20,000 × 1,000) = 60 MTok

**월 비용**:
- Claude Sonnet 4.0: (40 MTok × $3) + (20 MTok × $15) = **$420** (약 55만원)
- GPT-4.1: (40 MTok × $5) + (20 MTok × $15) = **$500** (약 65만원)
- 6개월 총계: **$2,520~$3,000** (약 330만~390만원)

**장점**:
- 초기 비용 없음
- 인프라 관리 불필요
- 최신 모델 즉시 사용

**단점**:
- 사용량 증가 시 비용 급증
- 데이터 외부 전송 (기밀 프로젝트 부적합)
- 네트워크 지연 (400-800ms)

### 6.2 자체 호스팅 비용

**인프라**: EKS + GPU 노드 (vLLM 기반)

| 구성 요소 | 스펙 | 월 비용 |
|----------|------|---------|
| GPU 인스턴스 | p5.48xlarge (H200×8) Spot | $20,000 (약 2,600만원) |
| 스토리지 | 1TB EBS gp3 | $100 (약 13만원) |
| 네트워크 | 데이터 전송 | $200 (약 26만원) |
| 운영 인력 | MLOps 엔지니어 0.5명 | $5,000 (약 650만원) |
| **총계** | | **$25,300 (약 3,300만원/월)** |

6개월 총 비용: **$151,800 (약 2억원)**

**손익 분기점 계산**:

클라우드 API 비용이 자체 호스팅을 초과하는 지점:

```
월 요청 수 = $25,300 / (평균 요청당 비용)

Claude Sonnet 4.0: $0.09/요청
→ 281,111 요청/월 (개발자 140명 규모)

GPT-3.5 Turbo: $0.006/요청
→ 4,216,667 요청/월 (개발자 2,100명 규모)
```

**결론**:
- 소형 프로젝트 (개발자 10명): 클라우드 API 유리
- 중형 프로젝트 (개발자 50명): 상황에 따라 다름
- 대형 프로젝트 (개발자 100명+): 자체 호스팅 유리
- 기밀 프로젝트: 자체 호스팅 필수

### 6.3 하이브리드 전략

실제로는 클라우드 API + 자체 호스팅 하이브리드가 최적입니다:

| 작업 유형 | 모델 선택 | 이유 |
|----------|----------|------|
| 복잡한 아키텍처 설계 | Claude Sonnet 4.0 (클라우드) | 고품질 추론 필요 |
| 반복 코드 생성 | GLM-5/Qwen (자체 호스팅) | 대량 요청, 저지연 |
| 코드 리뷰 | GPT-4.1 (클라우드) | 깊은 분석 필요 |
| 단위 테스트 생성 | GLM-4 (자체 호스팅) | 대량 생성 |

**비용 최적화 효과**:
- 클라우드 API 사용량 60% 감소
- 자체 호스팅 효율 40% 향상
- 총 비용 **30-40% 절감**

---

## 7. 생산성 지표

AIDLC 도입 효과를 측정하기 위한 핵심 지표입니다.

### 7.1 AIDLC 생산성 메트릭

### 7.2 상세 측정 항목 및 DORA 매핑

### 7.3 지표 수집 방법

#### 개발 생산성

**데이터 소스**:
- GitHub/GitLab 메트릭: Commit 수, PR 리뷰 시간, 배포 빈도
- JIRA/Linear: 티켓 처리 속도, 백로그 Burn-down
- AI 도구 로그: LLM 호출 횟수, 생성 코드 LOC, 수용률

**측정 주기**: 주 단위 (Bolt 주기 일치)

#### 운영 안정성

**데이터 소스**:
- AMP/AMG: MTTR, 에러율, SLO 달성률
- Argo CD: 배포 성공률, 롤백 빈도
- PagerDuty: 인시던트 수, 에스컬레이션율

**측정 주기**: 일 단위 (실시간 대시보드)

#### 비용 효율

**데이터 소스**:
- AWS Cost Explorer: 인프라 비용
- LLM 프로바이더 대시보드: API 비용
- 타임시트: 실제 투입 공수

**측정 주기**: 월 단위

### 7.4 벤치마크 데이터

McKinsey "The economic potential of generative AI" (2023) 기준:

| 산업 | 생산성 향상 | ROI 기간 | 비고 |
|------|-----------|---------|------|
| 소프트웨어 개발 | 35-45% | 3-6개월 | 코드 생성 중심 |
| 금융 서비스 | 20-30% | 6-12개월 | 컴플라이언스 부담 |
| 제조 | 15-25% | 12-18개월 | 레거시 시스템 통합 |

한국 SI 시장은 금융 서비스와 유사한 **20-30% 범위**를 현실적 목표로 설정합니다.

---

## 8. RFP 제안서 작성 가이드

### 8.1 비용 절감 명시 전략

**잘못된 접근**:
> "AI를 도입하여 개발 생산성을 향상시키겠습니다."

이 표현은 모호하고 측정 불가능합니다. 발주사는 구체적 수치를 원합니다.

**올바른 접근**:
> "AIDLC 방법론을 적용하여 다음과 같이 비용을 최적화합니다:
> 
> 1. **Inception 단계 44% 단축**: 요구사항 AI 분석으로 9주 → 5주
> 2. **Construction 단계 40% 가속**: 온톨로지 기반 코드 자동 생성으로 개발자 생산성 400% 향상
> 3. **Operations 비용 50% 절감**: AI Agent 자율 장애 대응으로 MTTR 73% 감소
> 
> 총 제안가: 45억원 (전통적 방식 대비 10% 절감)
> 
> 단, 초기 AIDLC 투자 1.5억원이 포함되어 있으며, 이는 프로젝트 전반에 걸쳐 2.85억원의 에러 절감 효과를 창출합니다 (순 ROI 90%)."

### 8.2 리스크 완화 전략

AIDLC 도입은 새로운 리스크를 수반합니다. 제안서에 완화 전략을 명시합니다.

| 리스크 | 완화 전략 | 책임 |
|--------|----------|------|
| AI 생성 코드 품질 변동 | 온톨로지 기반 자동 검증 + 2단계 리뷰 | 제안사 |
| 하네스 통합 복잡도 | 레거시 환경 사전 분석 + 단계적 적용 | 제안사 |
| 조직 전환 저항 | 4주 교육 프로그램 + 파일럿 프로젝트 | 발주사+제안사 |
| 데이터 유출 우려 | 자체 호스팅 LLM + 네트워크 격리 | 제안사 |

### 8.3 단계적 적용 로드맵

모든 단계에 AIDLC를 한 번에 적용하면 위험합니다. 단계적 접근을 제시합니다.

**Phase 1: Pilot (첫 Bolt, 2-4주)**
- 목표: AIDLC 실현 가능성 검증
- 범위: 핵심 모듈 1개
- 온톨로지: 경량 설계
- 하네스: 기본 검증만
- 기대 효과: 15-20% 생산성 향상

**Phase 2: Scale-up (2-3개월)**
- 목표: 전체 팀 확대
- 범위: 주요 모듈 5개
- 온톨로지: 전체 도메인 커버
- 하네스: 통합 테스트 자동화
- 기대 효과: 25-35% 생산성 향상

**Phase 3: Optimization (프로젝트 후반)**
- 목표: ROI 극대화
- 범위: 전체 시스템
- 온톨로지: 지속 개선
- 하네스: AI Agent 자율 운영
- 기대 효과: 30-40% 생산성 향상

### 8.4 제안서 체크리스트

- [ ] 전통적 방식 대비 구체적 절감률 명시 (%)
- [ ] 초기 투자 비용 명시 및 ROI 기간 제시
- [ ] 온톨로지/하네스 투자 대비 장기 효과 정량화
- [ ] 프로젝트 규모별 손익 분기점 명시
- [ ] 클라우드 API vs 자체 호스팅 선택 근거 제시
- [ ] 단계적 적용 로드맵 첨부
- [ ] 리스크 완화 전략 구체화
- [ ] 측정 지표 및 수집 방법 명시
- [ ] 레퍼런스 프로젝트 사례 포함 (가능 시)
- [ ] 발주사 교육 계획 포함

---

## 9. 다음 단계

비용 효과 프레임워크를 이해했다면, 다음 문서로 진행하세요:

1. **[도입 전략](./adoption-strategy.md)**: AIDLC를 조직에 단계적으로 도입하는 전략
2. **[역할 재정의](./role-composition.md)**: PM, 아키텍트, 개발자 역할이 어떻게 변화하는가
3. **[거버넌스 프레임워크](./governance-framework.md)**: AI 생성 코드의 품질을 전사적으로 관리하는 방법

또한 방법론 가이드를 참조하여 실제 구현을 준비하세요:

- **[온톨로지 엔지니어링](../methodology/ontology-engineering.md)**: 도메인 지식을 구조화하는 실전 가이드
- **[하네스 엔지니어링](../methodology/harness-engineering.md)**: 런타임 피드백 루프를 자동화하는 방법
- **[오픈 웨이트 모델](../toolchain/open-weight-models.md)**: 자체 호스팅 LLM 배포 가이드

---

## 참고 자료

- McKinsey Global Institute. "The economic potential of generative AI: The next productivity frontier." 2023.
- Hamel, Jeremy & Patil, DJ. "The Strawberry Manifesto: How to Build AI Products That Work in the Real World." 2024.
- Forsgren, Nicole et al. "Accelerate: The Science of Lean Software and DevOps." 2018. (DORA 메트릭 원전)
- AWS. "Building Generative AI applications using Amazon Bedrock." 2024.
- DeepLearning.AI. "Building and Evaluating Advanced RAG Applications." Andrew Ng. 2024.