AI를 쓰면 개발 속도가 빨라지고, 엔지니어는 더 창의적인 일에 집중할 수 있다는 기대가 커지고 있다.
앤트로픽의 ‘Claude Code’와 오픈AI의 ‘Codex’, GitHub Copilot 같은 AI 프로그래밍 지원 도구가 빠르게 확산된 배경도 여기에 있다.
하지만 개발 현장에서는 정반대의 목소리도 나온다. AI 도입 이후 오히려 피로가 늘었다는 것이다. 효율화의 상징으로 여겨졌던 AI가 왜 엔지니어의 부담을 키우고 있을까.
핵심은 AI가 일을 없앤 것이 아니라, 일의 성격을 바꿨다는 데 있다.
■ 코드를 쓰는 일에서 고치는 일로
기존 소프트웨어 개발은 사람이 설계하고, 코드를 작성하고, 테스트하는 방식으로 진행됐다. 그러나 생성형 AI가 도입되면서 이 전제가 크게 달라졌다.
이제는 AI가 코드를 작성하고, 사람이 이를 검토하고 수정하는 방식이 늘고 있다. 겉으로 보기에는 효율화처럼 보인다.
하지만 현장의 체감은 다르다. AI가 만든 코드는 어느 정도 품질을 갖추고 있지만, 문맥 이해가 얕거나 사양을 잘못 반영하는 경우가 있다. 보안 취약점을 포함하는 사례도 적지 않다.
결국 엔지니어는 AI가 만든 코드를 꼼꼼히 읽고, 기존 시스템과 맞는지 확인하고, 문제가 있으면 다시 고쳐야 한다.
한 대형 IT 기업의 테크 리드는 AI가 만든 코드를 “블랙박스화된 타인의 사고”라고 표현했다. 자신이 쓴 코드는 사고 흐름을 알고 있지만, AI가 만든 코드는 왜 그렇게 작성됐는지 다시 해석해야 한다는 것이다.
즉 AI는 단순 작업량을 줄이는 대신, 인지 부담을 키우고 있다. 창의적으로 코드를 작성하는 시간은 줄고, 대신 리뷰와 수정에 쫓기는 구조가 생기고 있다.
■ AI와 사람의 속도 차이가 병목을 만든다
또 다른 문제는 AI와 사람의 처리 속도 차이다. AI는 몇 초 만에 수백 줄의 코드를 만들 수 있다. 개선안이나 리팩터링 방안도 여러 개씩 제시한다.
하지만 그중 무엇을 받아들일지 판단하는 일은 결국 사람의 몫이다.
이 속도 차이가 개발 현장에 새로운 부담을 만들고 있다.
첫째는 코드 리뷰의 한계다. 기존에도 코드 리뷰는 병목이 되기 쉬운 작업이었다. AI 도입 이후에는 리뷰해야 할 코드 양이 폭발적으로 늘었다. 시니어 엔지니어와 프로젝트 리더는 짧은 시간 안에 훨씬 많은 코드를 평가해야 한다.
둘째는 의사결정 피로다. AI는 여러 선택지를 제시하지만, 최적의 답을 고르는 일은 고도의 집중력을 요구한다. 선택을 계속 반복하면 집중력이 떨어지고, 의사결정의 질까지 낮아질 수 있다.
IT 저널리스트 고다이라 다카히로는 생성형 AI가 선택지의 폭발을 가져왔다고 분석한다. 문제는 이를 평가하는 사람의 인지 자원이 무한하지 않다는 점이다.
그 결과 의사결정 비용은 겉으로 잘 드러나지 않은 채 커지고 있다.
프로젝트 전체에서 가장 느린 존재가 사람이 되는 역전 현상도 생긴다. AI가 코드를 빠르게 쏟아내지만, 사람이 검토하고 판단하는 속도는 그만큼 빨라지지 않는다. 이 차이를 메우기 위해 노동시간이 늘어나는 일이 벌어진다.
■ 생산성 향상이 기대치 상승으로 바뀐다
더 큰 문제는 경영진과 고객의 기대치 변화다. AI 도입은 흔히 생산성 향상의 상징처럼 받아들여진다. 그러나 실제 개발 과정은 단순히 시간이 줄어드는 문제가 아니다.
그럼에도 경영진과 클라이언트는 납기 단축과 성과 확대를 당연하게 기대하기 시작한다.
결과적으로 AI가 만들어낸 여유 시간은 휴식이나 역량 강화에 쓰이지 않는다. 그 자리에 더 많은 업무가 들어온다.
엔지니어는 더 높은 집중력을 요구받는 고밀도 노동에 놓인다. 피로는 더 빠르게 쌓인다.
전문가들은 AI 도입을 시간 단축 도구로만 보면 현장에 과도한 압박이 생긴다고 지적한다. AI는 산출물의 성격을 바꾸는 도구이지, 모든 일을 단순히 빨리 끝내는 도구가 아니라는 것이다.
이런 기대치 상승은 특히 수탁 개발이나 시스템 통합 업계에서 두드러진다. 계약 조건과 납기는 예전 기준을 유지한 채, 실제 요구 수준만 올라가는 경우도 적지 않다.
■ 보이지 않는 리뷰 노동이 늘어난다
AI 시대 개발 현장에서는 리뷰 업무가 보이지 않는 노동으로 밀려나는 문제도 생긴다.
AI가 생성한 코드의 검증과 품질 보증은 매우 중요하다. 하지만 많은 조직에서 이 작업은 정식 공수로 잡히지 않는다.
그 결과 리뷰는 눈에 보이지 않는 노동이 된다. 엔지니어의 야근이나 개인 희생으로 흡수되는 경우가 생긴다.
보안과 법규 준수가 중요한 영역에서는 이 문제가 더 심각하다. AI가 만든 코드에 취약점이 포함됐는데 이를 놓치면 기업에는 큰 리스크가 된다.
하지만 이를 점검할 체계가 충분히 정비돼 있다고 보기는 어렵다.
AI가 코드를 더 많이 만들수록, 사람이 확인해야 할 책임도 함께 늘어난다. 그런데 이 책임이 일정표와 평가 지표에 제대로 반영되지 않으면 현장의 부담은 계속 커질 수밖에 없다.
■ 필요한 것은 도구 도입이 아니라 평가 기준 재설계
이 문제를 해결하려면 단순히 AI 도구를 도입하는 데 그쳐서는 안 된다. 평가 기준과 업무 설계를 다시 만들어야 한다.
첫째, 리뷰와 검증 시간을 정식 공수로 반영해야 한다. AI가 만든 코드의 품질을 보장하려면 사람의 판단이 필요하다. 그 비용을 없는 것처럼 취급해서는 안 된다.
둘째, 평가 기준을 양에서 질로 바꿔야 한다. 단순히 얼마나 많은 코드를 만들었는지가 아니라, 적절한 판단이 이뤄졌는지, 위험이 관리됐는지 봐야 한다.
셋째, AI와 사람의 역할을 명확히 나눠야 한다. AI에 맡길 영역과 사람이 책임져야 할 영역을 구분해야 과도한 부담을 막을 수 있다.
전문가들은 AI가 생산성을 높일 가능성을 가진 동시에, 미성숙한 관리 방식을 드러내는 장치이기도 하다고 말한다. 평가 제도와 업무 설계를 바꾸지 않으면 현장의 피로는 오히려 커질 수 있다는 설명이다.
생성형 AI는 소프트웨어 개발 방식을 근본적으로 바꾸고 있다. 하지만 그것은 단순한 효율화가 아니다. 일의 질과 부담이 다시 배분되는 변화다.
AI를 쓰면 일이 편해진다는 환상에만 기대면 현장의 피로는 가려진다. 결국 품질 저하와 인재 이탈이라는 방식으로 기업에 돌아올 가능성이 크다.
AI를 진짜 생산성 향상의 무기로 만들려면, 그 뒤에서 생기는 부담을 정확히 봐야 한다. 그리고 제도와 평가 방식을 함께 바꿔야 한다.
그런 관리 역량이 AI 시대 기업 경쟁력을 가르는 기준이 될 수 있다.
