AI로 코드 30% 증가, 완성은 늘지 않아 | 700개사 조사
機械翻訳 / Machine-translated
A
AI Friends
2日前・8分で読める
機械翻訳 / Machine-translated
@aifriends
AI Friends（https://aifriends.jp）のクロスポスト公式アカウント。AIツールの紹介・使い方・できることを、中学生でもわかるやさしい日本語で届けます。
"AI로 개발이 3배 빨라졌다"는 이야기를 듣고, 우리 회사도 도입할까 고민하고 계시지 않나요? 하버드대학교 연구자들이 700개사 이상의 데이터를 분석한 결과, 코드는 늘었지만 완성된 작업은 늘지 않았습니다. 이 글에서는 그 이유와 도입 시 참고할 힌트를 정리합니다.
2026년 10월 9일, Ars Technica가 하버드대학교의 Fiona Chen과 James Stratton의 연구를 보도했습니다. 제목은 "AI 코딩 에이전트는 코드를 늘리지만, 소프트웨어는 늘지 않는다"입니다.
조사 대상은 엔지니어링 분석 회사 Jellyfish가 수집한 700개사 이상의 소프트웨어 기업 데이터입니다. 대상은 70만 명 이상의 직원이며, 2021년부터 2026년 3월까지의 약 3억 건의 작업 기록(커밋, 풀 리퀘스트 등)이 활용되었습니다.
코딩 에이전트란, 사람이 지시하면 스스로 코드를 작성하고 수정까지 진행하는 AI를 말합니다. 연구는 각 기업이 이를 도입하기 전후로 활동량이 어떻게 변했는지를 비교합니다.
도입 후 각 기업은 평균적으로 다음과 같이 변화했습니다.
여기까지는 "AI 덕분에 생산성이 올랐다"고 읽을 수 있습니다.
그러나 Jira로 관리되는 이슈(버그 수정이나 기능 추가 등의 작업)의 해결률에는 통계적으로 유의미한 개선이 나타나지 않았습니다. 즉, 작성된 코드의 양과 완료된 작업의 양이 연동되지 않았던 것입니다.
이사할 때 박스만 계속 들어오고, 짐 정리가 끝난 방은 늘지 않는 상황과 비슷합니다.
연구자들이 주목한 것은 코드 작성 이후의 확인 작업입니다. 풀 리퀘스트는 다른 사람이 읽고 승인한 뒤에 본체에 반영됩니다. 이 작업을 리뷰라고 합니다.
도입 후 리뷰에는 다음과 같은 변화가 나타났습니다.
상상해보세요. AI 덕분에 팀 전체가 제출하는 변경 요청이 늘어났다고 합시다. 리뷰 담당자의 시간은 변하지 않으므로, 확인 대기 줄은 계속 길어집니다. 게다가 수정 지적까지 늘어나므로, 요청과 수정을 반복하게 됩니다.
2026년 3월 기준으로, 측정 대상 기업의 80%가 AI 코드 리뷰를 사용하고 있었습니다. AI는 리뷰 댓글의 23.3%, 풀 리퀘스트의 10.8%에 관여하고 있습니다. 그럼에도 흐름의 병목은 해소되지 않았습니다.
이 결과는 단독이 아닙니다. 전미경제연구소(NBER)의 워킹 페이퍼 "Writing Code vs. Shipping Code"는 GitHub 개발자 50만 명 이상을 조사했습니다.
커밋 수에 대한 누적 효과는 자동 완성(입력 보완)이 30%, 대화형 에이전트가 180%, 자율형 에이전트가 240%였습니다. 그러나 프로젝트 수에서는 80%, 릴리스 수에서는 30%로 줄어듭니다.
저자들은 AI 작업과 인간 작업이 강하게 보완 관계에 있기 때문이라고 봅니다. 인간의 작업이 약한 고리가 되어 전체 속도를 결정한다는 관점입니다. AI와 인간 작업의 대체 용이성을 나타내는 수치(대체 탄력성)는 0.23으로 추정됩니다.
또한, 4개의 주요 앱 마켓에서는 새로운 앱이 크게 늘었음에도 총 이용량은 늘지 않았습니다.
AI 생산성을 측정하는 연구는 결과가 엇갈려왔습니다. 주요 세 가지를 나열합니다.
METR의 실험에서는 개발자들이 사전에 "24% 빨라질 것"이라고 예상했고, 실험 후에도 "약 20% 빨라졌다"고 느꼈습니다. 실제로는 반대였습니다.
다만 METR 자체가 이 결과는 이미 오래된 것이라고 밝히고 있습니다. 2026년 2월에 2025년 후반의 도구로 새로운 데이터를 발표했습니다. 연구마다 대상과 기간이 다르므로, 수치를 직접 비교하는 것은 위험합니다.
이번 연구가 조사한 것은 해외 기업이며, 한국 기업을 직접 살펴본 것은 아닙니다. 그러나 리뷰에서 흐름이 막힌다는 구조는 한국 팀에도 해당될 가능성이 있습니다.
예를 들어, 3명이 AI를 도입한 소규모 개발팀을 생각해봅시다. 1인당 변경 요청이 두 배가 되어도, 리뷰할 수 있는 사람이 경험 많은 1명뿐이라면, 그 사람에게 업무가 집중됩니다. 새 기능 릴리스는 오히려 늦어질 수도 있습니다.
외주에 개발을 맡기는 회사도 마찬가지입니다. 납품되는 코드가 늘어도, 검수(수령 확인)를 할 사람이 부족하면 완성은 빨라지지 않습니다.
도입 효과를 측정할 때는 코드 라인 수보다 이슈 완료 수나 릴리스까지 걸리는 일수를 확인하는 것이 중요합니다.
이 연구에도 한계가 있습니다. 관찰 데이터이므로, 에이전트가 모든 변화의 원인이라고 단언할 수는 없습니다.
데이터는 2026년 3월로 끝나기 때문에, 이후에 등장한 새로운 도구나 사용 방식의 변화는 측정할 수 없습니다. 49%라는 수치도 리뷰의 경과 시간이며, 사람이 실제로 작업한 시간은 아닙니다.
또한 "AI로 새로운 소프트웨어가 늘지 않는다"고 말하는 것도 아닙니다. 확인된 것은 추적된 이슈 완료 수에 통계적으로 유의미한 개선이 없었다는 점입니다.
한편 MacStories가 소개한 Appfigures의 조사에서는 2026년 1~3월 앱 출시 수가 전년 동기 대비 60% 증가했습니다. 다만 필자인 John Voorhees도 이런 종류의 수치는 신중하게 봐야 한다고 썼습니다.
쓸모없다고는 할 수 없습니다. 코드 라인 수나 커밋은 늘고 있습니다. 다만 완료된 작업의 증가까지는 확인할 수 없었다는 것이 이번 결과입니다.
측정 대상 기업의 80%가 이미 AI 리뷰를 사용하고 있지만, 연구에서는 병목이 해소되지 않았습니다. AI에만 맡기는 것으로는 부족할 가능성이 있습니다.
이번 연구는 한국 기업을 직접 조사하지 않았으므로, 단언할 수 없습니다. 자사의 이슈 완료 수나 릴리스 빈도를 직접 측정해 확인하는 것이 확실합니다.
아직 알 수 없습니다. 데이터는 2026년 3월까지이며, 이후의 새로운 도구는 포함되어 있지 않기 때문입니다.
우선 자신의 팀에서 코드 양이 아니라, 이슈 완료 수와 리뷰 대기 시간을 측정해보세요.
이 글은 AI Friends에서 크로스포스트한 글입니다.
