AI가 쓴 코드 늘수록 검증 부담 커진다… 해법은 "적게 생성하고 재사용"

[디지털투데이 홍진주 기자] 생성형 인공지능(AI)이 소프트웨어 개발 생산성을 끌어올리고 있지만, AI가 작성한 코드가 늘어날수록 검수와 수정, 유지보수 비용도 함께 증가할 수 있다는 지적이 나왔다. 단순히 AI가 얼마나 많은 코드를 생성하느냐보다, 얼마나 적게 생성하고 검증된 자산을 재사용하느냐가 앞으로의 핵심 과제가 될 수 있다는 분석이다.

29일(현지시간) 온라인 매체 기가진에 따르면, 웨이브메이커(WaveMaker)의 공동창업자 겸 최고기술책임자(CTO) 디팍 아누팔리는 최근 AI 코드 생성 도구의 한계를 지적하며 "문제는 생성된 코드를 어떻게 검사할 것인가가 아니라, 애초에 얼마나 적게 생성할 것인가"라고 밝혔다.

그는 AI 코딩 도구가 반복적인 개발 작업에서는 분명한 생산성 향상을 가져오고 있다고 평가했다. 입력 폼, 데이터 테이블, API 연동용 기본 구조 등 정형화된 코드를 빠르게 생성할 수 있어 시제품 개발이나 사내 업무용 애플리케이션 구축 과정에서 큰 도움이 된다는 설명이다.

하지만 생성되는 코드의 양이 늘어날수록 사람이 검토하고 수정해야 할 대상도 함께 늘어난다는 점을 문제로 지적했다.

실제 개발 현장에서도 AI가 작성하는 코드 비중은 빠르게 증가하고 있다. 소프트웨어 품질 플랫폼 소나(Sonar)가 발표한 2026년 개발자 조사에 따르면 저장소에 반영된 코드의 42%가 AI 지원을 받아 작성됐다. 이 가운데 약 29%는 사람의 수동 검토 없이 곧바로 병합된 것으로 나타났다.

코드 생산 속도는 빨라졌지만, 품질 검증 체계가 그 속도를 따라가지 못할 가능성이 커지고 있다는 의미다. 현재 기업들이 사용하는 일반적인 대응 방식은 AI가 생성한 코드를 사후 검증하는 것이다. 정적 분석 도구와 린터(Linter), 보안 스캔, 접근성 검사, 화면 비교 테스트 등을 통해 문제를 찾아내는 구조다.

그러나 아누팔리는 이러한 방식이 근본적인 해결책이 되기 어렵다고 주장한다. 애플리케이션 수가 적을 때는 검수가 가능하지만, 수십 개의 서비스가 동시에 운영되기 시작하면 검토해야 할 코드 규모도 기하급수적으로 늘어나기 때문이다. AI를 통해 개발 속도를 높였지만, 결국 검수와 유지보수 부담이 다시 개발자의 시간을 잠식하게 된다는 설명이다.

그가 제시한 대안은 'AI 조립 모델'(Assembly Model)이다. AI가 매번 새로운 코드를 처음부터 작성하는 대신, 이미 검증된 컴포넌트와 라이브러리를 우선 재사용하도록 만드는 접근 방식이다. 예를 들어 사용자가 "검색 기능이 있는 고객 목록 화면을 만들어 달라"고 요청할 경우, AI가 새로운 테이블 코드를 생성하는 대신 회사 내부에서 이미 검증된 테이블 컴포넌트를 선택하고 필요한 설정만 적용하는 방식이다.

핵심은 새로 작성해야 하는 코드 자체를 줄이는 데 있다. 버튼, 입력 폼, 인증 화면, 데이터 목록처럼 이미 보안과 접근성 검증을 마친 구성 요소를 반복 활용하면 애플리케이션마다 동일한 검사를 반복할 필요가 없어진다. AI는 데이터 연결이나 화면 이동 같은 최소 범위의 작업만 담당하고, 실제 비즈니스 로직과 외부 시스템 연동처럼 반드시 필요한 부분만 새롭게 생성하게 된다.

이 같은 원칙은 백엔드 시스템에도 적용될 수 있다. 아누팔리는 데이터 저장 구조, API, 인증 체계, 접근 권한 관리 등은 설계 오류의 영향이 큰 영역인 만큼, 코드 생성보다 구조적 통제가 더 중요하다고 강조했다. 비밀정보 관리, 역할 기반 접근 제어(RBAC), 표준화된 API 계약 등을 사전에 구축해야 한다는 것이다.

물론 이러한 방식도 비용이 전혀 없는 것은 아니다. AI가 기업 내부 규칙과 컴포넌트 구조를 이해하기 위해서는 추가적인 문맥 정보와 토큰 사용량이 필요하다.

그러나 아누팔리는 전체 코드를 계속 생성한 뒤 수정과 재생성, 보안 점검을 반복하는 방식과 비교하면 장기적인 총비용은 오히려 낮아질 수 있다고 주장했다. 무엇보다 검토 대상 코드 자체가 줄어들기 때문에 치명적인 버그가 검수 과정을 통과할 가능성도 낮아진다는 설명이다.

특히 금융, 의료, 공공 부문처럼 규제 요구사항이 높은 산업에서는 이런 접근법이 더욱 중요해질 수 있다. 모든 생성 코드를 일일이 검증했다고 입증하는 것보다, 검증된 부품을 활용하고 새롭게 생성된 부분만 추가 검토했다는 구조가 설명 책임 측면에서 더 유리하기 때문이다.

결국 AI 코딩의 다음 단계는 생성 능력 경쟁이 아니라 생성 범위 최적화가 될 가능성이 커지고 있다. AI가 얼마나 많은 코드를 작성할 수 있느냐보다, 기업이 무엇을 새로 만들고 무엇을 재사용할지를 먼저 결정하는 능력이 개발 생산성과 비용 효율을 좌우할 새로운 경쟁력으로 떠오르고 있다.

AI가 쓴 코드 늘수록 검증 부담 커진다… 해법은 "적게 생성하고 재사용"

가격대별 인기 장기 렌트카

장기렌트 인기TOP