이 게시물은 코드 품질(Q축)만으로 AI 코딩 에이전트가 잘 작동한다고 보기 어렵고 AI 접근성(A축)을 분리해 평가해야 한다고 정리합니다. Q축은 테스트 커버리지, 복잡도, 문서화, 의존성/보안 등 전통적 코드 품질 지표로 설명합니다. A축은 패턴 일관성, 빌드 피드백 품질, 모듈 경계 예측 가능성, 의존성 방향 강제, 독립 실행 가능성, 에이전트 가이드/acceptance 증명 인프라 같은 요소로 정의합니다. L1~L5 등급 체계로 AI-Hostile부터 AI-Native까지 코드베이스를 분류하며, 특히 빌드 가드레일과 독립 실행/E2E 검증 인프라가 L3~L4 및 L4~L5를 가르는 핵심이라고 강조합니다. Q축이 비슷해도 A축이 낮으면 잘못된 의존성 추가나 패턴 누적이 즉시 차단되지 않아 실패가 조용히 누적될 수 있다고 말합니다. 브라운필드에서는 컨텍스트 단절, 패턴 불일관성, 안전망 없는 수정, 기술 부채 가속 같은 실패가 반복되며 원인은 A축이 낮은 구조적 요인이라고 결론냅니다.