Claude 코드 활용의 90%가 GitHub 스타 2개 미만 저장소에서 일어나고 있다는 의미

AI 코딩 도구의 실제 사용 현장

흥미로운 데이터가 하나 공개됐어요. Claude와 연결된 코드 출력의 약 90%가 GitHub 스타 2개 미만인 저장소에서 발생하고 있다는 거예요. 스타가 2개 미만이라는 건, 사실상 개인 프로젝트이거나 아직 아무도 주목하지 않는 작은 프로젝트라는 뜻이잖아요. 이 숫자가 말해주는 건 생각보다 많아요.

이 데이터가 말해주는 것

우리가 AI 코딩 도구를 생각할 때 머릿속에 떠올리는 이미지가 있어요. 대형 오픈소스 프로젝트에서 핵심 기능을 뚝딱 만들어내는 모습, 혹은 유명 테크 기업의 개발자가 복잡한 시스템을 AI와 페어 프로그래밍하는 모습 같은 거죠.

그런데 현실은 좀 달랐어요. AI 코딩 도구의 실제 사용은 대부분 조용한 곳에서 일어나고 있었던 거예요. 개인 사이드 프로젝트, 막 시작한 스타트업의 MVP(최소 기능 제품), 학습용 토이 프로젝트, 사내 도구 같은 곳에서요. 이건 나쁜 게 아니라 오히려 자연스러운 현상이에요.

왜냐면, GitHub에 있는 저장소의 절대 다수가 스타 10개 미만이거든요. 유명한 오픈소스 프로젝트는 전체의 극히 일부에요. AI 도구가 대중화되면서 원래 코드를 안 쓰거나 조금만 쓰던 사람들이 프로젝트를 시작하게 된 거라고도 볼 수 있어요.

코드 품질에 대한 의문

이 데이터를 보고 한편에서는 우려의 목소리도 나오고 있어요. "AI가 만든 코드가 대량으로 쏟아지는데, 그중 대부분이 리뷰도 안 되고 방치되는 거 아니냐"는 거죠. 스타가 적다는 건 다른 개발자의 리뷰를 받을 기회도 적다는 뜻이니까요.

여기에는 두 가지 관점이 있어요. 비관적으로 보면, 품질이 검증되지 않은 AI 생성 코드가 인터넷에 넘쳐나게 되는 거예요. 이런 코드가 나중에 스택오버플로우나 다른 학습 데이터로 들어가면, AI가 AI의 저품질 출력을 학습하는 악순환이 생길 수 있어요. 이걸 "모델 붕괴(model collapse)"라고 하는데, AI가 만든 데이터로 AI를 학습시키면 품질이 점점 떨어지는 현상이에요.

낙관적으로 보면, 원래 코드를 작성하지 못했을 사람들이 이제 자기 아이디어를 구현할 수 있게 된 거예요. 완벽하지 않더라도 작동하는 무언가를 만들 수 있다는 건 분명한 진전이에요. 초보 개발자가 AI의 도움으로 첫 프로젝트를 완성하고, 거기서 배움을 얻어 성장하는 시나리오도 충분히 가능하죠.

개발자 생태계에 미치는 영향

이 현상을 더 넓은 시각에서 보면, AI 코딩 도구의 역할이 "전문가의 생산성 향상"에서 "코딩의 진입 장벽 낮추기"로 확장되고 있다는 걸 알 수 있어요. GitHub Copilot, Cursor, Claude Code, Windsurf 같은 도구들이 경쟁하면서 이 시장이 빠르게 커지고 있는데, 실제 성장은 "새로운 사용자"에서 오고 있는 거예요.

이건 과거에 WordPress가 "코딩 못 해도 웹사이트 만들기"를 가능하게 했던 것과 비슷한 흐름이에요. WordPress 덕분에 수많은 웹사이트가 생겼고, 그중 대부분은 트래픽이 거의 없는 개인 블로그였지만, 전체 웹 생태계를 폭발적으로 성장시켰잖아요. AI 코딩 도구도 비슷한 역할을 하고 있는 것 같아요.

다만 주의할 점도 있어요. AI가 생성한 코드에 보안 취약점이 포함될 수 있고, 초보자는 그걸 발견하기 어렵거든요. 최근 연구들에서도 AI 생성 코드의 보안 취약점 비율이 사람이 작성한 코드와 크게 다르지 않거나, 경우에 따라 더 높다는 결과가 나오고 있어서 이 부분은 도구 제공자들이 계속 개선해야 할 영역이에요.

한국 개발자에게 주는 시사점

한국에서도 AI 코딩 도구 사용이 빠르게 늘고 있는데, 이 데이터는 몇 가지 생각할 거리를 던져줘요. 먼저, AI 도구를 쓴다고 해서 코드 리뷰를 생략해도 된다는 뜻은 아니에요. 특히 혼자 하는 프로젝트일수록 AI가 생성한 코드를 꼼꼼히 이해하고 검토하는 습관이 중요해요.

또한 주니어 개발자라면, AI 도구에만 의존하기보다는 AI가 만든 코드를 분석하면서 "왜 이렇게 작성됐는지" 이해하는 학습법이 효과적일 수 있어요. AI는 코드를 써주지만, 그 코드를 유지보수하고 디버깅하는 건 결국 사람의 몫이니까요.

시니어 개발자나 팀 리드 입장에서는, AI 생성 코드가 팀의 코드베이스에 유입될 때의 품질 관리 프로세스를 고민해볼 시점이에요. AI가 만든 PR(Pull Request)을 어떻게 리뷰할 것인지, AI 코드의 테스트 커버리지를 어떻게 보장할 것인지 같은 질문들이요.