AI가 대량으로 기술 부채를 생산했다.
AI는 코드베이스를 더 좋게 만들기 위해 도입됐다. 하지만 오히려 더 악화시켰다.
버전 관리가 발명된 이후 처음으로, 팀들은 더 빠르게 배포하면서도 더 많이 실패하고 있다.
AI는 엔지니어링 팀에 세 가지를 제공한다. 더 빠른 코드 작성, 더 이른 결함 발견, 그리고 현재 팀만으로는 구축할 수 없는 것들을 만드는 능력이다.
업계는 첫 번째에 모든 것을 걸었다. 속도. 더 많은 코드, 더 빠르게.
아무도 묻지 않았다. 이미 자신의 코드베이스 절반도 이해하지 못하는 팀의 생산량이 3배가 되면 무슨 일이 일어날지.
출처: https://www.faros.ai/blog/ai-acceleration-whiplash-takeaways
이전에도 본 적이 있다. 우리 모두 그렇다.
1990년대 후반, 엔터프라이즈 Java는 '한 번 작성하면 어디서든 실행된다'는 약속을 내걸었다. 기업들은 전체 제품 라인을 여기에 걸었다. J2EE, EJB, 미들웨어 스택.
2005년이 되자, 평범한 엔터프라이즈 Java 앱에서 버튼 색상 하나를 바꾸는 데 6개 패키지에 걸친 14개 파일이 필요했다. Martin Fowler는 이를 '엔터프라이즈 병'이라고 불렀다. 회사들은 배포할 수 없었다. 시스템을 이해하는 사람을 채용할 수도 없었다. 기존 시스템이 무엇을 하는지 문서화할 수 없었기에 재작성도 불가능했다.
해결에는 10년이 걸렸다. 경량 프레임워크. TDD. CI. Agile. 업계는 기술 주변에 관리 계층을 재구축해야 했다.
AI는 같은 일을 더 압축된 시간 안에 하고 있다.
우리는 모든 개발자에게 하루에 수천 줄의 코드를 생성할 수 있는 능력을 부여했다. 프롬프트를 입력한 개발자는 자신이 무엇을 만들었는지 설명할 수 없다. 승인한 리뷰어는 읽지 않았다. 그리고 이를 물려받은 다음 개발자는 블랙박스처럼 취급할 것이다. 왜냐면 그것이 실제로 블랙박스이기 때문이다.
나는 이것을 브라운필드 코드베이스와 그린필드 데모 모두에서 지켜봤다. 둘 다 같은 방식으로 무너진다.
다음은 우리가 여러 프로젝트에서 목격한 5가지 실패 패턴이다.
AI가 실제 코드베이스에 미치는 5가지 실패 패턴
1. AI 생성 코드의 양은 새로운 '인력 투입' 방식이다.
모든 CTO가 Cursor 좌석을 구매했다. 모든 이사회가 ROI를 물었다. 과대광고 사이클은 1년도 안 되어 완전히 순환했다.
하지만 더 많은 코드가 문제였던 적은 없었다.
Fortune 500대 기업의 70%는 여전히 20년 이상 된 소프트웨어를 사용한다. 그 코드베이스가 느린 이유는 개발자가 너무 느리게 타이핑하기 때문이 아니다. 코드에 인코딩된 모든 비즈니스 규칙을 회사 내에서 이해하는 사람이 아무도 없기 때문이다.
AI 에이전트에게 그 코드베이스에 대한 접근 권한을 부여하라. 테스트를 통과하지만 아무도 문서화하지 않은 계약을 위반하는 코드를 생성할 것이다.
DORA 2026년 보고서: AI 도구는 깨끗한 그린필드 작업에서 35-40%의 성과 향상을 제공한다. 브라운필드에서는 동일한 도구로 10% 이하. 4배의 격차다.
병목 현상은 이해에 있었다. AI는 그것을 더 악화시켰다.
2. 이해 부채는 새로운 기술 부채다.
GitClear는 6억 2300만 건의 코드 변경을 분석했다. 레거시 리팩토링은 2023년 이후 74% 감소했다. AI 도구는 기존 코드를 재사용하는 대신 새로운 코드를 생성한다. 통과하는 테스트. 종료된 티켓. 기존 시스템에 대한 통합 없이.
Google의 Addy Osmani는 이를 '이해 부채'라고 명명했다: 존재하는 코드의 양과 어떤 인간이 이해하는 코드 사이의 격차.
6개월 된 코드베이스에서는 회복이 가능하다. 문서화되지 않은 통합과 수백 개의 파일에 흩어진 비즈니스 로직을 가진 10년 된 모놀리스에서는 불가능하다.
기술 부채는 나쁘다는 것을 아는 코드다. 이해 부채는 전혀 평가할 수 없는 코드다. AI는 후자를 대규모로 생성하는 최초의 기술이다.
3. 리뷰 쇼는 새로운 '고무 도장'이다.
Faros AI의 22,000명 개발자 데이터셋에서 리뷰 없이 병합된 PR이 31% 증가했다. 중간 리뷰 시간은 5배 증가했는데, 리뷰어가 볼륨을 따라잡을 수 없었기 때문이다.
더 많은 출력, 더 적은 품질 관리, 속도를 늦출 권한이 있는 사람은 없다. AI가 존재하기 전에도 우리는 이 조직 패턴을 수백 번 보았다. 이제는 기계 속도로 작동한다.
Anthropic은 AI를 수동적 위임에 사용하는 개발자가 이해도 테스트에서 40% 미만의 점수를 받았다는 것을 발견했다. 능동적 탐구: 65% 이상. 동일한 도구. 변수는 인간이었다.
대부분의 팀은 AI를 사용하여 생각을 회피하고 있다. 그것은 프로덕션에서 결국 드러난다.
4. 시스템을 이해하는 사람들이 AI에 자신의 지식을 제공할 인센티브가 가장 적다.
나는 약 1500만 달러 매출의 PE-backed 소프트웨어 회사의 엔지니어링 책임자와 이야기했다. 그의 팀은 내부적으로 Claude를 사용해봤다. 그의 말: "온갖 말도 안 되는 짓을 했다."
그의 회의감은 정당하다.
Ford는 숙련된 엔지니어들이 품질 시스템을 훈련할 수 있기 전에 떠나도록 내버려뒀다. 3년과 수십억 달러의 보증 비용 후, 350명의 베테랑 엔지니어를 재고용했다. 그 엔지니어들은 AI를 재훈련시켰다. 품질 프로세스를 재구축했다. Ford는 16년 만에 처음으로 JD Power 2026 초기 품질 조사에서 1위를 차지했다.
그들의 하드웨어 엔지니어링 부사장: 그들은 설계 요구사항을 입력하면 고품질 제품이 나올 것이라고 생각했다. 그렇지 않았다. 도메인 전문성이 먼저 와야 했다.
조직 지식을 보유한 사람들은 이전 '효율성' 이니셔티브를 지켜봤다. 그들은 프로세스가 문서화된 후에 무슨 일이 일어나는지 안다. 중세 길드가 그들의 방법을 비밀로 유지한 것과 같은 이유다.
5. AI가 가장 필요한 코드베이스는 AI가 가장 효과가 없는 곳이다.
중견 시장 SaaS 플랫폼. 헬스케어 시스템. 물류 백엔드. 몇 년 전에 떠난 개발자들이 구축한 금융 서비스 제품.
이 회사들은 유료 고객, 실제 수익, 보존할 가치가 있는 비즈니스 로직을 가지고 있다. AI가 가속화할 수 있는 가장 큰 표면적을 가지고 있다.
오늘날 판매되는 모든 AI 코딩 도구는 코드베이스가 깨끗하고, 아키텍처가 모듈화되어 있으며, 개발자가 에이전트에게 충분한 컨텍스트를 제공할 수 있다고 가정한다. 이 가정은 문서화되지 않은 통합과 아무도 기억하지 못하는 비즈니스 규칙을 가진 10년 된 모놀리스 내부에서 무너진다.
Gartner에 따르면 AI 이니셔티브의 74%는 파일럿을 넘어 확장되지 못한다. 모델은 잘 작동한다. 코드베이스가 준비되지 않았다.
실제로 해결하는 방법
우리는 실제 프로젝트에서 이를 입증했다. 레거시 물류 플랫폼에서 두 명의 엔지니어. 6개월 동안 330개의 병합된 PR. 약 90%가 AI 생성 코드. 클라이언트는 그들을 최고 성과 팀이라고 불렀다. 그들은 두 번의 재량 보너스를 받았다.
이 결과는 더 나은 모델이 아니라 준비에서 나왔다. AI가 코드 한 줄을 건드리기 전에 세 가지 일이 일어났다.
프롬프트 전에 문서화하라. 우리는 이를 'Step Zero'라고 부른다. AI 에이전트가 브라운필드 코드베이스를 건드리기 전에, 기존 코드를 스캔하고 AI가 읽을 수 있는 문서를 생성하며 시스템을 도구가 이해할 수 있도록 만든다. 에이전트는 볼 수 없는 것에 대해 추론할 수 없다. Ford의 반전은 여기서 시작되었다. 시스템을 이해하는 사람들을 다시 데려와서 그들이 아는 것을 문서화하고, 그제서야 AI를 재훈련시켰다.
영역을 정의하라. 80/20/0. 80%의 상용구(CRUD, 테스트, 설정, 문서): AI가 자유롭게 생성한다. 20%의 비즈니스 로직 및 통합: 코파일럿 모드, AI가 초안을 작성하고 엔지니어가 재작성한다. 0%의 인증, 결제, 암호화, 아키텍처 결정: AI가 건드리지 않는다. 이 규율이 이해 부채가 누적되는 것을 방지한다.
확장 전에 측정하라. 커밋당 비용. 모델 사용 패턴. AI 코드 비율. 모든 팀의 DORA 메트릭. AI 도입 전 기준선. 도입 후 측정. 이 데이터 없이, 당신은 Faros 데이터셋의 22,000명 개발자를 강타한 동일한 가속화 충격으로 맹목적으로 날아가는 것이다.
앞으로의 방향
Microsoft는 25억 달러를 투자했다. Amazon은 10억 달러를 투자했다. Anthropic은 15억 달러를 모금했다. OpenAI는 40억 달러를 모금했다. 모두 동일한 문제를 해결하기 위한 것이다: 이미 존재하는 회사 내에서 AI가 작동하도록 만드는 것.
시장은 데모가 더 좋아 보이기 때문에 그린필드에 집중했다. 가장 큰 엔지니어링 영향은 코드베이스가 가장 지저분하고, 제품이 가장 오래되었으며, 파이프라인이 LLM에 대해 아무도 들어보지 못했을 때 구축된 회사에서 올 것이다.
병목 현상은 모델 아래의 엔지니어링 시스템이다.
추신: 이것이 바로 Limestone Digital에서 우리가 하는 일입니다. 우리는 AI 네이티브 엔지니어링 팀을 기존 코드베이스에 포함시킵니다. Step Zero, 영역 규율, 측정 인프라. AI 파일럿이 브라운필드 코드베이스에서 정체되었다면, DM 주세요.
문의하기: limestonedigital.com
