스페이스리프트의 AI 준비도 차이 보고서: 인프라 관리와 거버넌스 간의 확대되는 격차

인공지능은 소프트웨어 개발을 급격하게 변화시키고 있지만, 스페이스리프트의 새로운 보고서는 많은 조직이 인프라 관행을 인공지능 채택 속도와 일치시키는 데 어려움을 겪고 있음을 시사한다. 스페이스리프트의 2026 인프라 자동화 조사 보고서의 일부인 AI 준비도 차이 보고서에서, 스페이스리프트는 406명의 IT 의사결정자와 플랫폼 엔지니어링 리더를 조사하여 인프라 관리, 거버넌스, 자동화를 어떻게 인공지능이 재정의하고 있는지 조사했다. 조사 결과는 인공지능 지원 개발의 급속한 채택과 조직이 그 결과를 관리하고 거버넌스하는 시스템 사이의 확대되는 불일치를 보여준다.

인공지능은 인프라 팀이 대응할 수 있는 속도보다 개발을 가속화하고 있다

보고서는 스페이스리프트가 “인공지능-인프라 격차”라고 부르는 것을 강조한다. 인공지능 지원 코딩이 보편화된 반면, 코드를 배포, 관리, 유지하는 책임을 지는 인프라 팀은 그 속도를 따라가기 위해 어려움을 겪고 있다. 조사에 따르면, 89%의 조직은 개발 속도가 인공지능으로 인해 증가했다고 보고하며, 82%의 조직은 코드의 4분의 1에서 거의 3분의 1까지가 인공지능 지원 코드라고 한다. 그러나 이러한 이점에도 불구하고, 조직의 25%만이 인공지능을 최상위 전략적 우선순위로 간주한다.

그 결과는 이미 나타나고 있다. 응답자의 6명 중 3명 이상이 애플리케이션 개발이 인프라보다 인공지능 채택 측면에서 앞서고 있다고 말하며, DevOps와 플랫폼 팀에 대한 압박이 증가하고 있다. 인공지능 생성 코드가 생산 환경으로 점점 더 많이 유입됨에 따라, 인프라 팀은 운영 복잡성과 위험이 증가하는 것을 경험하고 있다.

인공지능 준비도 4단계

이 전환을 관리하는 방법을 더 잘 이해하기 위해, 스페이스리프트는 인공지능 성숙도 지수를 도입했으며, 응답자를 4개의 그룹으로 분류한다: 노출, 조각, 앞서나가기, 개척자. 분류는 인공지능 통합, 거버넌스 성숙도, 인프라 자동화, 위험 노출, 플랫폼 준비도 등을 포함한 요인에 기반한다.

조직의 거의 4분의 1은 노출 카테고리에 속하며, 이는 인공지능을 사용하고 있지만 안전하게 관리하기 위한 거버넌스 프레임워크가 없다는 것을 의미한다. 또 다른 32%는 조각 카테고리에 속하며, 여기서 인공지능 채택은 있지만 팀 간에 일관성이 없다. 25%는 앞서나가기 조직으로 분류되며, 여기서 인공지능을 적극적으로 채택하지만 거버넌스를 뒤쳐지게 한다. 19%만이 개척자로 자격을 얻으며, 거버넌스와 자동화 관행을 확립한 후에 인공지능 채택을 가속화한다.

이 보고서의 가장 주목할 만한 결론 중 하나는 조직의 크기가 결정적 인자가 아니라는 것이다. 대규모 기업과 더 작은 회사 모두가 어떤 카테고리에도 속할 수 있다. 구별은 예산이나 헤드카운트가 아니라 행동, 거버넌스 규율, 운영 관행에 달려 있다.

거버넌스 신뢰 문제

조사는 인공지능 거버넌스에 대한 조직의 인식에서 주목할 만한 모순을 발견했다. 86%의 응답자가 조직의 인공지능 거버넌스 능력에 대해 자신감을 표명했지만, 30%만이 공식적인 인공지능 거버넌스 정책을 가지고 있다.

이 신뢰와 운영 현실 사이의 격차는 보고서에서 “인공지능-거버넌스 역설”이라고 설명한다. 많은 조직은 성숙한 거버넌스 프로그램과 관련된 정책, 제어, 감독 메커니즘이 없尽管에도 불구하고 인공지능 관련 위험을 효과적으로 관리하고 있다고 믿고 있다. 이 불일치는 특히 노출 카테고리의 조직에서 두드러지며, 여기서 공식적인 거버넌스 정책이 거의 없에도 불구하고 자신감이 크다.

조사 결과는 거버넌스가 기업의 인공지능 채택에서 가장 성숙도가 낮은 측면 중 하나임을 시사한다. 회사들은 인공지능 도구와 워크플로우를 구현하기를 원하지만, 안전하고 일관되게 작동하는 시스템을 보장하기 위한 제어가 덜 마련되어 있다.

인프라 팀은 이미 인공지능 주도 인시던트를 경험하고 있다

보고서는 약한 거버넌스의 결과가 더 이상 이론적이지 않다고 주장한다. 조사에 참여한 조직의 93%가 지난 1년 동안 적어도 하나의 인공지능 관련 인프라 인시던트를 경험했다고 보고했다.

가장 일반적인 문제는 인공지능 생성 변경으로 인한 리워크, 생산 환경에 도달한 보안 미구성, 규정 위반, 인공지능 생성 수정과 관련된 인프라 드리프트, 에이전트 시스템을 포함한 인시던트였다. 각 범주는 약 3분의 1의 응답자에게 영향을 미쳤다.

거버넌스 리더와 후발주자 사이의 차이는 크다. 노출 카테고리에 속한 조직은 인공지능 관련 인시던트의 비율이 훨씬 더 높았으며, 개척자 조직은 그러한 문제를 경험할 가능성이 훨씬 더 낮았다. 보고서에 따르면, 거버넌스와 자동화된 검증 시스템은 문제가 생산에 도달하기 전에 이를 포착하여 운영 중단을 줄이고 비용이 많이 드는 복구 작업의 필요성을 제한한다.

“바이브 코딩”이 인프라에 도달하고 있다

보고서는 또한 소위 “바이브 코딩”의 영향이 증가하고 있음을 탐구한다. 여기서 개발자는 검토나 감독 없이 인공지능 생성 코드를 많이 사용한다. 이 개념은 주로 소프트웨어 개발의 맥락에서 논의되었지만, 스페이스리프트의 데이터는 인프라 관리로 빠르게 확장되고 있음을 시사한다.

응답자의 거의 80%가 인프라-코드 구성, 거버넌스 정책 또는 관련 인프라 아티팩트를 생성하기 위해 인공지능을 사용한다고 보고했다. 더욱 우려스러운 것은 인프라 팀의 상당한 수가 거의 검토나 감독 없이 인공지능 생성 인프라 코드를 승인할 것이라고 나타났다.

애플리케이션 버그와 달리 인프라 오류는 보안, 규정, 네트워킹, 클라우드 리소스에 영향을 미치는 광범위한 운영 결과를 초래할 수 있다. 따라서 보고서는 인공지능 생성 인프라 변경에는 배포되기 전에 검증하고 제어를 적용할 수 있는 거버넌스 메커니즘이 필요하다고 주장한다.

다음 도전: 에이전트 인공지능

조직이 현재 인공지능 지원 개발에 어려움을 겪고 있다면, 보고서는 에이전트 인공지능이 이러한 도전을 증폭시킬 수 있음을 시사한다. 응답자의 89%가 인프라 운영을 위해 에이전트 인공지능을 채택할 계획이라고 하며, 거의 4분의 1은 6개월 이내에 그렇게 할 것이라고 한다.

에이전트 시스템은 전통적인 인공지능 도구와 달리 자율적으로 결정과 실행을 할 수 있다. 인프라 환경에서 이는 리소스를 프로비저닝하거나, 구성 변경, 또는 인시던트에 대한 반응을 직접적인 인간의 승인 없이 수행할 수 있다. 이러한 기능은 상당한 효율성 향상을 약속하지만, 또한 거버넌스의 중요성을 증가시킨다. 왜냐하면 인공지능 결정과 생산 배포 사이에 인간 검토자가 있을 수 없기 때문이다.

보고서는 이미 에이전트 시스템을 사용하고 있는 조직이 인시던트를 보고하고 있음을 지적한다. 이는 거버넌스 프레임워크가 이러한 점점 더 자율적인 기술과 함께 진화해야 함을 시사한다.

플랫폼 엔지니어링이 잠재적인 해결책으로 등장

보고서의 가장 강력한 발견 중 하나는 플랫폼 엔지니어링과 관련이 있다. 플랫폼 엔지니어링을 채택한 조직은 인공지능 주도 인프라 환경에 대해 전통적인 접근 방식을 사용하는 조직보다 훨씬 더 준비가 잘되어 있는 것으로 나타났다.

응답자의 80% 이상이 플랫폼 엔지니어링으로의 전환을 고려하고 있으며, 개척자 조직은 이미 전환한 경우가 훨씬 더 많다. 보고서에 따르면, 플랫폼 엔지니어링은 규정, 보안, 운영 제어가 건드리지 않고 개발자가 빠르게 이동할 수 있는 거버넌스된 셀프 서비스 경로를 만든다.

거버넌스는 속도와 경쟁하는 대신 워크플로우에 직접적으로 통합되려고 시도한다. 여기서 규정 준수하는 행동은 비준수 행동보다 더 쉽다. 데이터는 인공지능 채택에 성공하는 조직이 점점 더 이러한 모델을 따르고 있음을 시사한다.

잘못된 것을 측정하는 것

보고서는 조직이 구식 지표에 집중하고 있을 수 있음을 주장한다. 많은 인프라 팀은 생산성, 배포 빈도, 보안 인시던트를 추적하지만, 상대적으로 적은 수의 조직이 인공지능 관련 지표를 모니터링한다. 예를 들어, 파이프라인에 들어오는 인공지능 생성 인프라 코드의 볼륨이나 인공지능 생성 변경의 오류율.

이러한 인공지능 관련 신호에 대한 가시성이 없으면, 조직은 거버넌스 제어가 실제로 작동하는지 여부를 결정하기 위해 어려움을 겪을 수 있다. 인공지능 생성 인프라가 더 일반화됨에 따라, 전통적인 운영 결과만을 측정하는 것은 새로운 위험에 대한 충분한 통찰력을 제공하지 않을 수 있다.

인공지능 준비도는 인프라 도전이 되고 있다

조사 결과는 인공지능 준비도가 더 이상 모델 채택이나 개발자 생산성의 문제가 아니며, 점점 더 거버넌스, 자동화, 플랫폼 엔지니어링, 운영 규율을 중심으로 하는 인프라 도전이 되고 있음을 시사한다. 이미 이러한 기능에 투자한 조직은 인공지능 도입에 더 잘 적응하는 것으로 나타나며, 다른 조직은 인공지능이 이미 존재하던 약점을 노출하고 있음을 발견한다.

조직이 인공지능 지원 및 궁극적으로 에이전트 운영으로 이동함에 따라, 채택과 거버넌스 사이의 격차는 다음 10년 동안 가장 중요한 기술 도전 중 하나가 될 수 있다. 스페이스리프트의 AI 준비도 차이 보고서는 많은 조직이 이미 인공지능 주도 인프라의 임계값을 넘었지만, 효과적으로 관리하기 위한 거버넌스 기반을 구축한 조직은 훨씬 더 적음을 시사한다.