
불편한 질문 하나
'브레이드'와 '더 위트니스'를 만든 게임 개발자 조너선 블로우가 한 영상에서 이런 질문을 던졌어요. 'AI가 코딩을 해결했다면, 왜 내가 쓰는 소프트웨어는 그대로인가?' 제목이 곧 논지인 셈이에요.
요즘 분위기를 생각하면 꽤 도발적이죠. 코드의 상당 부분을 AI가 쓴다는 빅테크의 발표가 이어지고, 며칠 걸릴 일을 에이전트가 몇 시간 만에 끝냈다는 후기도 넘쳐나니까요. 그런데 사용자 입장에서 한번 떠올려 보세요. 매일 쓰는 메신저, 브라우저, 업무 도구가 지난 1~2년 사이에 눈에 띄게 빨라졌거나, 버그가 줄었거나, 기다리던 기능이 쏟아져 나왔나요? 이 질문은 바로 그 간극을 찌르고 있어요.
블로우는 원래 이런 얘기를 해 온 사람이에요
갑자기 나온 얘기는 아니에요. 블로우는 2019년 '문명의 붕괴 막기(Preventing the Collapse of Civilization)'라는 강연에서 이미 비슷한 주장을 했어요. 소프트웨어 품질은 해마다 나빠지고 있는데 하드웨어가 빨라진 덕에 티가 덜 날 뿐이라는 거죠. 추상화 계층을 계속 쌓다 보면 밑바닥을 이해하는 사람이 줄고, 그러다 기술 자체를 잃어버릴 수도 있다는 경고였어요. 그래서 본인은 'Jai'라는 프로그래밍 언어와 컴파일러를 직접 만들어서 게임을 개발해 왔고요.
이런 시각에서 보면 AI 코딩 도구는 '제대로 이해하지 못한 코드를 더 빨리, 더 많이 쌓는 기계'로 보일 수 있어요. 코드 생산량이 늘어난 건 맞는데, 그게 곧 더 좋은 소프트웨어를 뜻하느냐는 거죠.
병목은 원래 타이핑이 아니었어요
이 질문이 왜 날카로운지 조금 풀어볼게요. 컴퓨터 공학에 암달의 법칙이라는 게 있어요. 이게 뭐냐면, 전체 작업 중 일부만 빨라지면 전체 속도는 나머지 느린 부분에 묶인다는 얘기예요. 요리로 치면 칼질이 10배 빨라져도 육수 우리는 시간이 그대로면 음식 나오는 시간은 별로 안 줄어드는 것과 같아요.
제품 개발에서 코드를 타이핑하는 시간은 원래 큰 비중이 아니었어요. 무엇을 만들지 정하고, 기존 시스템을 이해하고, 리뷰하고, 테스트하고, 배포하고, 장애에 대응하는 시간이 훨씬 길죠. 프레드 브룩스가 1986년 '은탄환은 없다'에서 쓴 구분을 빌리면, AI가 주로 줄여주는 건 문법이나 반복 코드, API 찾아보기 같은 부수적 복잡성이고, 문제 자체가 어려워서 생기는 본질적 복잡성은 그대로 남아요.
데이터는 뭐라고 할까
느낌만의 문제는 아니에요. 2025년 METR이라는 연구 기관이 숙련된 오픈소스 개발자 16명을 대상으로 무작위 대조 실험을 했는데요, AI 도구를 쓴 경우에 작업 완료까지 오히려 19% 더 오래 걸렸어요. 더 흥미로운 건 참가자들은 자기가 20%쯤 빨라졌다고 느꼈다는 점이에요. 체감과 실측이 반대 방향이었던 거죠. 구글 DORA 팀의 2024년 보고서도 AI 도입이 늘수록 개인이 느끼는 생산성은 좋아지지만 배포 안정성과 처리량은 오히려 떨어지는 경향을 보고했어요.
물론 이 결과를 'AI는 쓸모없다'로 읽으면 곤란해요. 특정 시점의 도구와 특정 조건에서 나온 결과이고, 도구는 그 뒤로도 빠르게 발전했으니까요. 처음 보는 코드베이스 파악, 프로토타입, 테스트 작성, 마이그레이션처럼 효과가 분명한 영역도 있고요. '코드 생산 속도와 제품 품질은 서로 다른 축'이라는 정도로 받아들이는 게 맞아요.
반론도 들어봐야죠
블로우식 질문에 대한 반론도 만만치 않아요. 첫째, 변화는 기존 대형 제품이 아니라 다른 곳에서 일어나고 있을 수 있어요. 예전 같으면 만들어지지 않았을 사내 도구, 1인 개발 서비스, 비개발자가 만든 자동화처럼요. 둘째, 큰 조직의 제품은 코드보다 의사결정과 우선순위가 병목이라 코드가 싸져도 겉으로 드러나는 데 시간이 걸려요. 셋째, 전기나 PC가 생산성 통계에 잡히기까지 오랜 시간이 걸렸던 것처럼 범용 기술의 효과는 늦게 나타나곤 해요.
다만 이 반론들도 핵심을 뒤집지는 못해요. '코딩이 해결됐다'는 표현이 과장이라는 점이요. 해결에 가까워진 건 코드 작성의 일부이지, 좋은 소프트웨어를 만드는 일 전체가 아니니까요.
한국 개발자에게 주는 시사점
실무에서 당장 챙겨볼 건 세 가지예요.
- 측정 기준 바꾸기. 'AI로 PR이 몇 개 늘었나'보다 리드 타임, 장애율, 사용자가 체감하는 성능 같은 결과 지표를 보세요. 체감 생산성이 믿을 만한 지표가 아닐 수 있다는 건 실험으로 확인됐으니까요.
- 이해의 부채 관리하기. AI가 쓴 코드도 결국 누군가는 새벽에 디버깅해야 해요. 리뷰할 때 '왜 이렇게 동작하는지 설명할 수 있는가'를 기준으로 삼으면 좋아요.
- 남는 역량에 투자하기. 문제 정의, 시스템 설계, 성능과 품질에 대한 감각은 코드 생성이 싸질수록 값이 올라가요. 이제 막 시작한 분들은 AI에게 답만 받지 말고 '왜 그런지'를 캐묻는 용도로 써 보세요.
마무리
한 줄로 정리하면, 코드를 쓰는 비용은 내려갔지만 좋은 소프트웨어를 만드는 비용까지 내려갔는지는 아직 증명되지 않았어요. 여러분이 매일 쓰는 소프트웨어는 최근 2년 사이에 나아졌나요? 그리고 여러분 팀에서 AI 도입 후 실제로 달라진 '결과'는 무엇이었나요?
🔗 출처: Hacker News