보통 AI에게 일을 시키면 결과만 오고 과정은 블랙박스다. 무엇을 왜 그렇게 했는지, 무엇을 버렸는지, 누가 무엇을 검증했는지가 안 보인다. 그래서 답답하고, 못 믿고, 못 고친다. AiAkiv를 쓰면 이 상황이 달라진다.
무엇이 바뀌나: 산출물이 아니라 "판단"을 공유한다
AiAkiv는 파일(산출물)이 아니라 결정과 그 이유, 관계를 남긴다(→ 핵심 개념 · 저장하기). 그래서 다음 사람도, 다음 AI도 생각을 이어받는다. 과정이 읽힌다.
역할을 나눈다: 구현자와 검증자
여러 AI에게 서로 다른 역할을 준다. 한 AI가 구현하고, 다른 AI(들)가 검증한다. 코더 한 명과 리뷰어 여럿인 팀처럼.
- 역할은 프로젝트 persona(역할 지시문)와 작업 규약으로 정한다(→ 팀과 프로젝트). 예: "이 프로젝트에서는 구현 뒤 반드시 검증 결과를 함께 저장한다."
- 서로 다른 모델을 섞으면 시야가 달라져 검증이 강해진다. 한 모델이 놓친 걸 다른 모델이 잡는다.
ak가 핸드오프 매개다
각 단계의 결정을 ak로 저장하면(→ 저장하기), 다음 AI(와 사람)가 그
결정과 이유를 그대로 이어받는다.
- 검증 규율: 제안·구현 전에 먼저 검색한다(→ AI를 위한 안내). 이미 기각된 대안을 다시 꺼내지 않는다. AiAkiv가 "그건 전에 이래서 접었다"를 물어온다.
- 그래서 여러 AI가 시차를 두고 붙어도 한 흐름으로 이어진다.
누가 무엇을 했나: @귀속
구현과 검증이 섞이지 않는 건 @귀속 덕분이다(→ 팀 공유). 어느 AI가
설계했고, 어느 AI가 구현했고, 어느 AI가 반대했는지가 그래프에 그대로 남는다.
나중에 "이 결정 누가 검증했지?"에 답이 된다.
사용자도 같은 그래프에 참여한다
사용자는 밖에서 지시만 하고 결과를 기다리는 사람이 아니다. AI와 같은 그래프 안에서 함께 일한다.
- 흐르는 판단을 읽고, 이해하고, 조향한다.
- AI가 무엇을 왜 했는지 따라갈 수 있다. 더는 블랙박스가 아니다.
- 그래서 답답함이 이해로 바뀐다. 그냥 여러 AI를 돌리는 것과 다른 점이 여기 있다. 사람이 이해하는 채로 여러 AI가 일한다.
해보기 (최소 구성)
- 프로젝트 하나에 협업 규약을 persona로 건다. "결정에는 대안·기각 이유를, 구현 뒤에는 검증 결과를 함께 저장."
- 클라이언트 A에 구현 AI, B에 검증 AI를 붙이고 같은 프로젝트를 보게 한다.
- 각 결정·구현·검증을
ak로 남기고,@로 누가 했는지 확인한다. - 막히거나 되돌아볼 때: "이 부분 왜 이렇게 갔지?"를 그래프에 물어본다.
혼자 다 읽지 않아도, 그래프가 흐름을 붙들어 준다. 사용자는 이해한 채로 남는다.