Flux의 AI 코드 생성 현실성 확인: 기업의 코드 속도는 가시성을 앞서고 있다

Flux의 새로운 AI 코드 생성 현실성 확인 보고서는, Dimensional Research가 수행한 독립적인 연구에 기반하여, AI 생성 코드가 이미 실험 단계를 넘어서 기업 소프트웨어 개발의 주류로 진입했다는 것을 보여준다. 5개 대륙의 309명의 엔지니어링 리더와 실무자들을 대상으로 한 설문조사에 따르면, 44.7%의 조직이 이미 생산 환경에서 AI 생성 코드를 사용하고 있으며, 35.0%의 조직이 생산 환경 외부에서 AI를 사용하여 코드를 작성하고 있지만 아직 배포하지는 않았다.

AI 생성 코드는 표준이 되었지만 신뢰는 따라오지 못했다

보고서는 더 이상 엔지니어링 팀이 코드를 작성하기 위해 AI를 사용할지 여부를 논의하는 것이 아니라, 조직이 코드를 이해하고 검토하고 보안하고 관리할 수 있는지 여부가 더 중요한 문제임을 분명히 한다.

응답자의 소수만이 여전히 관망하고 있다. 44.7%의 조직이 이미 생산 환경에서 AI 생성 코드를 사용하고 있으며, 35.0%의 조직이 생산 환경 외부에서 AI를 사용하여 코드를 작성하고 있지만 아직 배포하지는 않았다. 또 다른 16.2%의 조직이 향후 12개월 내에 AI 생성 코드를 사용할 계획이며, 4.2%의 조직이 나중에 사용할 계획이다. 실제로 보고서는 거의 모든 조직이 AI 생성 코드를 사용할 것이라고 예상하지만, 배포에 대한 신뢰는 아직 불균일하다.

이러한 주저함은 생산성의 부족 때문이 아니다. 가시성 때문이다. Flux는 이 문제를 “AI 가시성 격차”라고 정의한다. 즉, 팀은 코드를 생성하는 속도보다 코드를 신뢰할 수 있게 검토하고 이해하고 제어하는 속도가 더 느리다.

AI는 낮은 위험의 반복적인 작업에 먼저 신뢰를 받고 있다

가장 강한 채택은 패턴이 예측 가능하고 실패를 포함하기 쉬운 영역에서 발생하고 있다. 보고서에 따르면, 엔지니어링 팀은 AI 생성 코드를 가장 많이 문서화(68.7%), 유닛 테스트(65.9%), 단순한 함수(57.7%)에 사용하고 있다. 코드 검토도 57.7%로 나타났으며, 50.4%의 응답자는 AI를 사용하여 새로운 기능을 생성한다고 말했다.

이 분포는启示적이다. 조직은 핵심 아키텍처나 임무에 중요한 워크플로를 무작위로 AI에게 넘기지 않는다. 그들은 반복적인 구조화된 작업에서 시작하여 AI가 단조로운 작업을 줄이고 속도를 높일 수 있지만 즉시 큰 비즈니스 위험을 초래하지 않는다.

생산성 향상은 실제이다. 현재 AI 생성 코드를 사용하는 사용자 중 67.1%가 생산성이 증가했다고 보고했으며, 61.8%가 프로토 타이핑이 더 빠르다고 보고했으며, 58.5%가 문서화가 더 잘되었다고 보고했으며, 48.4%가 개발 비용이 줄었다고 보고했다. 그러나 보고서는 또한 품질에 대한 기대와 현실 사이에 간격이 있음을 보여준다. AI 생성 코드를 사용하지 않는 사용자 중 47.6%가 AI 생성 코드가 오류를 줄일 것이라고 기대하지만, 현재 사용자 중 34.6%만 실제로 오류가 줄었다고 보고했다.

병목은 코드 작성에서 코드 검토로 이동했다

AI는 코드 생성을 더 쉽게 만들었지만, 이는 검토, 테스트, 위험 관리에 더 많은 압력을 가했다. 거의 80%의 응답자가 코드 검토에 최소 10%의 시간을 소비하고 있으며, 약 10%의 응답자가 41% 이상의 시간을 코드 검토에 소비한다.

이것이 중요한 이유는 AI 생성 코드가 소프트웨어 개발의 리듬을 변경하기 때문이다. 더 많은 코드를 생성할 수 있으며, 풀 요청의 볼륨이 증가하고, 검토자가 코드가 생성된 방법이나 이유에 대한 컨텍스트를 적게 가질 수 있다. 보고서는 코드베이스 변경을 이해하는 데 가장 큰 어려움은 복잡한 코드(53.7%), 다른 개발 팀이 다른 접근 방식을 사용하는 경우(46.3%), 문서화가 부족한 경우(43.0%), 변경의 볼륨이 크면(37.9%)이라고 보고했다.

이것은 위험이 이론적인 것이 아니라 실제적인 위험이다. 주간별로 가장 어려운 변경 사항은 무엇인지 묻는 질문에 응답자는 보안 문제(49.2%), 의존성 변경(47.7%), 성능 영향(44.1%)을 가리켰다. 이것들은 사소한 문제가 아니다. 생산 환경에서 발생할 수 있는 문제, 규정 준수 노출, 또는 장기적인 기술 부채를 생성할 수 있는 변경 사항이다.

AI 생성 코드는 명확히 더 좋거나 나쁘지 않지만 다르다

더 흥미로운 발견 중 하나는 응답자가 AI 생성 코드가 인간이 작성한 코드보다 더 많은 문제를 생성하는지 여부에 대해 분열되어 있다는 것이다. 32.9%의 응답자가 AI 생성 코드가 약간 또는 상당히 더 많은 문제를 생성한다고 말했으며, 33.4%의 응답자가 약간 또는 상당히 더 적은 문제를 생성한다고 말했으며, 29.7%의 응답자가 약간도 더 적은 문제를 생성한다고 말했다.

이 분열은 AI 생성 코드의 영향이 주변 환경에 크게 의존한다는 것을 시사한다. AI 코드는 강한 검토 관행, 테스트 범위, 보안 도구, 거버넌스와 결합할 때 잘 작동할 수 있다. 그러나 조직이 속도를 위해 시스템을 업그레이드하지 않고 AI를 채택할 때 더 많은 문제를 생성할 수 있다.

보고서에서 보고된 부정적인 영향은 마찰이 발생하는 곳을 보여준다. 41.1%의 응답자가 주니어 개발자에게 학습 기회가 줄었다고 말했으며, 32.6%의 응답자는 AI 생성 코드가 요청된 기능을 제공하지 않는다고 말했으며, 31.6%의 응답자는 의도하지 않은 의존성이 발생한다고 말했으며, 31.6%의 응답자는 보안 취약성이 발생한다고 말했으며, 29.5%의 응답자는 AI 생성 코드를 디버깅하기 어렵다고 말했다.

AI 코드 위험은 엔지니어링을 넘어섰다

보고서는 또한 AI 생성 코드가 더 이상 엔지니어링 관리 문제만이 아니라는 것을 보여준다. 그것은 기업 위험 주제가 되었다.

보안 팀은 가장 우려되는 이해관계자 그룹으로, 62.5%의 응답자가 이를 언급했다. 규정 준수는 51.5%로 뒤를 이었으며, 46.9%의 응답자는 CTO 또는 CIO 리더십을 언급했으며, 40.8%의 응답자는 법률 팀을 언급했다. 우려는 또한 운영, QA, 제품 관리, CEO, 고객 성공, 마케팅까지 확장된다.

이러한 확장된 이해관계자 지도는 더 큰 변화를 반영한다. 한 번 AI 생성 코드가 생산 환경에 도달하면, 그 결과는 데이터 보호, 고객 경험, 보안 태세, 감사 가능성, 계약 의무에 영향을 미칠 수 있다. 코드는 엔지니어링 조직 내에서 작성되었지만, 위험은 비즈니스 전반에 걸쳐 분산된다.

안전 장치는 핵심 생산 인프라가 되고 있다

기업은 이미 새로운 안전 장치를 투자하여 대응하고 있다. 보고서는 45.6%의 기업이 코드 품질 분석 도구에 투자했으며, 39.0%의 기업이 자동화된 코드 검토 도구를 사용하고 있으며, 38.5%의 기업이 정적 애플리케이션 보안 테스트를 추가했으며, 35.9%의 기업이 소프트웨어 구성 분석을 채택했으며, 32.3%의 기업이 상호작용형 애플리케이션 보안 테스트를 사용하고 있으며, 31.3%의 기업이 특정 코딩 어시스턴트에 대한 교육 클래스를 구현했다.

프로세스 변경도 광범위하다. 57.4%의 기업이 AI 생성 코드 사용을 정의하는 정책을 도입했으며, 49.2%의 기업이 AI 생성 코드 사용에 대한 교육을 요구하며, 45.1%의 기업이 코드 검토를 더 강화했으며, 40.5%의 기업이 코드 검토에 집중할 개발자를 더 할당했다.

이러한 투자는 공백이 아니다. 3.6%의 응답자는 AI 도입된 문제가 생산 환경에 도달하지 않는다고 말했으며, 4.6%의 응답자는 종종 도달한다고 말했으며, 30.3%의 응답자는 때때로 도달한다고 말했으며, 31.8%의 응답자는 가끔 도달한다고 말했으며, 23.6%의 응답자는 드물게 도달한다고 말했다. 즉, AI 생성 코드를 사용하는 대부분의 조직에서 생산 환경에 미치는 영향은 이미 반복되는 현실이다.

AI 코딩의 다음 단계는 제어에 관한 것이다

보고서는 또한 역설을 포착한다. 많은 엔지니어링 리더가 코드 검토의 부담을 증가시키는 AI가 코드 검토의 일부 측면에서 인간을 능가할 수 있다고 믿는다. 64.9%의 응답자가 AI가 코드 검토의 일부 측면에서 인간을 능가할 수 있다고 믿으며, 21.1%의 응답자는 이의를 제기하며, 14.0%의 응답자는 의견이 없다.

응답자는 AI가 코드베이스 전반에 걸쳐 일관된 표준을 적용하고 더 철저한 분석을 제공할 수 있다고 본다. 또한 코드베이스 전반에 걸쳐 패턴을 식별하고, 더 빠른 피드백을 제공하고, 더 많은 문제를 감지하고, 24/7 가용성을 제공할 수 있다고 본다.

이것은 소프트웨어 개발에서 기업의 AI 채택의 다음 단계를 가리킨다. AI는 더 이상 코드를 작성하는 것만이 아니다. 코드 변경을 검사하고 분류하고 우선순위를 정하고 거버넌스하는 데 점점 더 많이 사용될 것이다. 승자는 가장 많은 코드를 생성하는 팀이 아니라, 무엇이 변경되었는지, 어디에 위험이 누적되는지, 어떤 인간의 결정이 여전히 중요한지에 대한 가장 분명한 그림을 구축하는 팀이 될 것이다.

AI 코드 생성 현실성 확인은 실제 기업의 도전을 보여준다

Flux의 보고서는 궁극적으로 엔지니어링에서 AI 채택의 더 성숙한 단계를 가리킨다. 코드 자체는 더 이상 어려운 문제가 아니다. 더 어려운 문제는 가시성, 검토 능력, 거버넌스, 신뢰이다.

AI 생성 코드는 이미 조사된 조직의 거의 절반에서 생산 환경에 도달했지만, 그 주변의 지원 시스템은 여전히 따라오고 있다. 엔지니어링 리더에게는 명확한 의미가 있다. AI 코딩은 개발을 가속화할 수 있지만, 조직이 생산 시스템을 신뢰할 수 있게 유지하기 위해 필요한 안전 장치, 컨텍스트, 책임성을 확대할 수 있어야 한다. AI 코드 생성 현실성 확인이 분명히 보여주듯이, AI 지원 소프트웨어 개발의 미래는 AI가 얼마나 많은 코드를 생성할 수 있는지에 의해 정의되는 것이 아니라, 회사가 코드를 이해하고 배포할 수 있는 정도에 의해 정의된다.