AI 코딩 도구의 기술 부채 함정, MIT 슬론이 경고하는 생산성의 이면

핵심 메시지

• GitHub 코파일럿 사용자는 개발 생산성이 55% 높아졌고 맥킨지는 최대 2배 빠른 작업 완료를 보고했지만, 속도가 곧 품질을 뜻하지는 않는다.
• AI가 생성한 코드는 전통적 기술 부채보다 발견·수정이 어려워 '이자율이 훨씬 높은 빚'처럼 눈에 안 띄게 누적된다.
• 새로 시작하는 그린필드 환경에서는 AI가 유리하지만, 레거시가 얽힌 브라운필드 환경에서는 위험이 커진다.
• AI로 주니어 개발자도 시니어만큼 빠르게 코드를 짜지만, 어떤 문제를 만드는지 감지하는 인지 능력은 따라오지 않는다.
• 해법은 AI 사용 금지가 아니라 명확한 가이드라인, 기술 부채 지표화, 개발자 판단력 훈련이라는 전략적 접근이다.

쉽게 이해하기

MIT 슬론 매니지먼트 리뷰의 카우식 비스와나스는 생성형 AI가 실제로 측정된 생산성 향상을 가져온다는 점을 인정하면서도, 그 이면에서 조용히 커지는 문제를 짚는다. 다트머스의 제프리 파커 등 연구진은 AI가 만든 코드가 전례 없는 규모로 기술 부채를 쌓는다고 지적한다.

기술 부채는 금융 부채에 비유된다. 원금은 시스템을 현대화하는 데 드는 일이고, 이자는 모든 작업을 늦추는 복잡성이다. AI 생성 코드는 이 이자율이 훨씬 높다. 미국의 기술 부채 비용은 2조 4천억 달러를 넘지만 대부분의 조직은 기술 예산의 20% 미만만 여기에 배정한다.

파커는 위험 신호로 '설명되지 않는 버그'와 시스템이 스파게티처럼 엉키며 속도가 급격히 떨어지는 현상을 든다. 가속 페달을 밟아 한동안은 순조롭지만, 어느 순간 복잡성이 치솟으며 발목을 잡는다는 것이다.

AI의 득실은 배포 환경에 달려 있다. 아무것도 없는 상태에서 시작하는 그린필드에서는 AI가 생산성을 준다. 반면 기업 대부분이 운영하는 레거시 코드, 즉 브라운필드에서는 AI 코드가 얽힌 의존성을 만들어 아무도 전체를 이해하지 못하는 상태로 몰아간다. 다만 시간 지평이 짧은 스타트업이라면 부채가 문제될 만큼 커지기 전이라 셈법이 달라진다.

컬처앰프의 CTO 더그 잉글리시는 '바이브 코딩'과 'AI 코딩'을 구분한다. 아무도 제대로 검토하지 않은 바이브 코딩은 절대 프로덕션에 올리지 않고, 엔지니어가 자기 코드로 책임지고 표준 리뷰를 거친 AI 코딩만 배포한다는 원칙이다.

주요 인사이트

• 구글 데브옵스 팀 분석에 따르면 AI 사용이 25% 늘면 문서화는 개선되지만 배포 안정성은 7.2% 떨어진다. GitClear 분석에서는 코드 중복이 4년 만에 8배 증가했다.
• 사우스웨스트항공의 2022년 대란, 크라우드스트라이크 장애, 뉴어크 공항 시스템 실패처럼 수십 년에 걸쳐 쌓이던 부채가 AI 시대에는 단 몇 달 만에 같은 수준으로 쌓일 수 있다.
• 연구진도 예상 못한 반응은 보안 커뮤니티의 관심이었다. 기술 부채가 만드는 허점은 곧 공격 표면을 여는 문제와 직결되기 때문이다.
• 모건스탠리는 기성 솔루션이 아니라 맞춤형 모델과 사람의 감독을 곁들여 오히려 레거시의 기술 부채를 줄이는 데 AI를 쓰는 모델을 보여준다.
• 시니어 개발자는 기존 시스템과의 통합 패턴을 여러 번 겪어 무엇을 조심할지 알지만, 주니어는 눈앞의 문제만 풀 뿐 더 넓은 아키텍처 맥락을 놓치기 쉽다.

자주 묻는 질문

관련 AI 소식