기업 AI가 가치 극대화 시대에 진입함에 따라: 개발 팀이 디지털 접근성에서 배울 수 있는 교훈

AI 통합의 경제학은 토큰 비용 현실이 확정되면서 크게 변화했습니다. 토큰 최대화는 한때 재미있었지만, ROI 없이 혁신을 지속할 수는 없습니다. 이제 저렴한 토큰 시대를 지나 AI는 기업 전반에 걸쳐 실제적이고 측정 가능한 비즈니스 성과로 스스로를 입증해야 합니다. 즉, 모든 과제에 AI를 무작위로 적용하는 일은 끝났습니다. 조직은 AI를 잘 활용할 수 있는 분야에 전략적으로 사용하고, 더 나은 해결책이 있을 때는 다른 접근 방식을 도입해야 합니다.

AI 속도의 숨겨진 비용

AI 도구로 인한 개발 속도 향상은 축하할 만합니다. 하지만 코드에 문제가 산재해 있다면 실제 진전은 미미합니다. 그 결과는 심각합니다: 시간과 비용 손실, 법적 위험, 그리고 열악한 고객 경험.

디지털 접근성 분야는 AI를 전략적으로 활용하는 방법에 대해 많은 것을 가르쳐 줍니다. 여기서는 정형화된 표준과 엄격한 준수 요구사항이 일상이며, 부정확성이나 비효율성에 여지가 없습니다. 디지털 접근성에서는 문제를 더 잘 해결하는 것이 목표가 아니라, 문제 자체가 발생하지 않도록 예방하는 것이 목표입니다. 이 목표는 AI 적용 전반에 동일해야 합니다. 그렇지 않으면 기술 부채가 빠르게 누적됩니다.

IBM에 따르면, 기술 부채를 무시하면 ROI 감소가 18 – 29%에 이를 수 있습니다. 이러한 결과는 AI로 인한 속도 향상을 모두 상쇄할 수 있습니다. Deque의 2026년 설문조사에서 200명의 기업 엔지니어링 리더 중 64%가 접근성을 사후 작업 재작업의 주요 원인으로 꼽았으며, 이들 팀은 AI 에이전트에게 접근 가능한 코드를 작성하도록 명시적으로 요청했습니다.

접근성 부채는 기술 부채와 마찬가지로 조직의 디지털 자산 전반에 걸쳐 해결되지 않은 접근성 문제의 누적입니다. 시간이 지날수록 복리로 증가하는 부채이며, 설계 및 개발 단계에서 해결되지 않은 문제는 나중에 수정 비용이 크게 늘어납니다. 최근 연구에 따르면, 프로덕션 단계에서 발견된 접근성 문제를 수정하는 비용은 설계 단계에서 수정하는 비용보다 30배 더 비쌉니다. 이는 특히 오늘날의 코드 생산량을 고려할 때, 조직이 문제를 조기에 발견할 실질적인 재정적 동기를 제공합니다.

전략적 AI vs. 결정론적 도구

AI가 항상 정답은 아닙니다. 많은 경우 규칙 기반의 결정론적 도구가 더 일관된 결과를 더 빠르고 저렴하게 제공합니다. 언제 어떤 도구를 사용할지 올바른 결정을 내리기 위해 팀은 워크플로를 하위 작업으로 분해하고 각 과제를 어떻게 해결할지 평가해야 합니다. 예를 들어, 정의된 표준에 따라 모든 요소를 확인하는 일관된 검증이 필요한 작업은 결정론적 규칙 기반 도구에 적합합니다.

AI는 판단, 종합 및 옵션 생성에 적합합니다. 그러나 검증—항상 같은 방식으로 모든 것을 확인하는 것—에는 적합하지 않습니다.

일부 엔지니어링 팀은 동일한 리뷰를 반복 실행하고 결과를 비교함으로써 이를 해결합니다. 효과는 있지만 비용이 들죠. Deque 자체 실험에 따르면, 단일 코드 리뷰 단계가 작업에 사용된 토큰의 약 60%를 차지했습니다. 코딩 자체는 약 13%를 차지했으며, 테스트 작성도 비슷한 비율을 차지했습니다. 그리고 한 번의 리뷰만으로는 충분하지 않은 경우가 많습니다. 동일한 코드베이스에 대해 실제 문제 전체 목록에 도달할 때까지 3~10회 정도 리뷰를 반복해야 합니다. 각 리뷰는 새로운 탐색이며 누적되지 않으므로 이전 실행 결과가 이어지지 않습니다.

그 가치가 있는지는 비용 허용 범위에 달려 있습니다. 조직은 충분한 수의 에이전트를 생성해 서로의 작업을 반복 검토하고 좋은 답변에 도달하도록 할 수 있습니다. 하지만 이는 토큰과 사이클 시간 비용을 의미합니다. 대안은 더 간단합니다: 결정론적 검사는 매번 동일한 결과를 반환하므로 반복적인 검토가 필요 없습니다.

컨텍스트 활용 및 인간-인-루프

최근 사례 연구에서 설명된 또 다른 접근 방식은 자동화와 에이전시 AI를 인간 검토와 결합하는 것이었습니다. 조직의 새로운 워크플로에서는 접근성 발견 사항을 AI 에이전트에 제공했으며, 에이전트는 리메디에이션 도구를 사용해 예상되는 HTML 수정을 소스 코드에 직접 적용하고 자동으로 풀 요청을 생성·문서화했습니다. 엔지니어는 AI가 생성한 변경 사항을 검토하고 풀 요청을 승인하며 품질 및 결과에 대한 거버넌스를 유지했습니다. 결과적으로 253시간의 엔지니어링 시간이 회복되었고, 전체 리메디에이션 속도가 98% 빨라졌습니다. 이 워크플로는 엔지니어링 비용을 $25,000 이상 절감한 것으로 추정됩니다.

AI 에이전트에서 좋은 결과를 얻으려면 단순히 좋은 프롬프트만이 아니라 에이전트의 설정 방식이 중요합니다. 엔지니어들은 이를 하네스 엔지니어링·컨텍스트 엔지니어링이라고 부릅니다: 모델이 스스로 파악하도록 두는 대신, 특정 환경에서 에이전트가 좋은 작업을 수행하도록 하는 전용 도구, 검사 및 가용 정보를 구축하는 것입니다. 코드를 검토하는 에이전트가 전체 코드베이스를 컨텍스트 창에 로드할 필요는 없습니다. 관련 파일을 검색하고 필요한 주변 코드만 가져오게 하면, 한 번에 모든 것을 제공하는 경우보다 적은 비용으로 보통 더 좋은 결과를 얻을 수 있습니다. 동일한 논리는 매 호출마다 처음부터 컨텍스트를 재구축하는 대신 호출 간에 컨텍스트를 재사용할 때도 적용됩니다.

한 걸음 물러서서 생각해 보면, 이 모든 것이 중요한 이유는 AI가 생성한 코드의 양이 실제로 광속에 가까운 속도로 증가하고 있기 때문이라는 점을 기억해야 합니다. 이런 상황에서 비용 상승은 불가피해 보입니다. 검증되지 않은 AI 코드가 만든 모든 문제를 해결해야 하거나, 프로덕션에 투입되기 전 점점 늘어나는 코드를 검사해야 하기 때문입니다.

하지만 비용 상승이 반드시 일어나는 것은 아닙니다. 디지털 접근성은 해결책을 제공합니다—AI와 규칙 기반, 결정론적 도구 사이, AI 기반 자동화와 인간 검증 사이, 그리고 확장성과 비용 효율성 사이의 여러 균형을 맞추는 것이 필요합니다. 이러한 균형을 제대로 맞추는 것은 조직의 규율에 달려 있습니다. 조직이 AI를 의도적이고 효율적이며 적절하게 활용하는 규율을 조기에 확립할수록 AI 투자에 대한 긍정적이고 측정 가능한 수익을 더 빨리 기대할 수 있습니다.