무언가 달라졌는데, 대부분의 기업은 놓쳤습니다
한 가지 생각해 볼 질문이 있습니다. 귀사의 엔지니어링 팀이 스프린트 한 번을 통째로 써서 처음부터 코드를 작성한 것은 언제였습니까?
무언가를 설정하는 일도, 다른 사람이 만든 API를 연동하는 일도, 의존성 충돌을 디버깅하는 일도 아닙니다. 빈 파일에서 시작해 새 비즈니스 로직을 한 줄씩 직접 작성하는 일을 말합니다.
대부분의 엔터프라이즈 팀에게 솔직한 답은 "거의 없다"일 것입니다. 이는 AI 도구가 등장하기 전에도 마찬가지였습니다. 현대 소프트웨어 엔지니어의 하루는 이미 기존 코드를 읽고, 복잡한 시스템을 파악하고, 요구사항을 맞추려고 회의에 들어가고, 배포 파이프라인과 씨름하는 일이 대부분이었습니다. 실제로 "코드를 쓰는" 시간은 업무의 30% 정도였습니다.
이제 AI가 그 30%를 크게 줄였습니다. GitHub Copilot, Cursor, Claude 같은 도구는 동작하는 구현을 몇 초 만에 생성합니다. 작성하고 테스트하고 다듬는 데 45분이 걸리던 함수가 잘 쓴 프롬프트 하나로 3분 만에 끝납니다. 데이터베이스 마이그레이션 스크립트는 커피를 다 마시기도 전에 나옵니다.
반가운 소식처럼 들리고, 실제로 그렇습니다. 다만 대부분의 조직이 아직 다루지 못한 문제도 함께 생깁니다. 코드 작성이 더 이상 병목이 아니라면 병목은 무엇일까요? 견적 체계, 팀 구조, 벤더 계약까지 납품 모델 전체가 "코드 작성은 느리고 비싸다"는 전제 위에 세워져 있었다면, 그 전제가 깨질 때 무슨 일이 일어날까요?
진짜 병목은 코드가 아니었습니다
엔터프라이즈 소프트웨어 프로젝트를 실제로 늦추는 것이 무엇인지 이야기해 보겠습니다. 업계에 오래 계셨다면 이미 답을 아실 것입니다. 타이핑 속도가 아닙니다. 대개는 기술적 복잡성도 아닙니다.
바로 인식의 일치입니다.
이해관계자들이 실제로 원하는 것에 합의하게 만드는 일입니다. "고객 유지율을 높여야 한다" 같은 비즈니스 요구를 구체적인 기능, 데이터 흐름, 사용자 경험으로 옮기는 일입니다. 제품 오너가 회의에서 설명한 내용과, 사흘 뒤 개발자가 마침내 티켓에 착수하며 이해한 내용 사이의 간극을 관리하는 일입니다.
소프트웨어 프로젝트 실패에 관한 업계 연구, 그중에서도 Standish Group의 CHAOS 연구는 오래전부터 같은 근본 원인을 가리켜 왔습니다. 실패의 과반은 부실한 엔지니어링이 아니라 부실한 요구사항에서 비롯된다는 것입니다. 코드는 문제가 없었습니다. 팀이 엉뚱한 것을 만들었거나, 맞는 것을 잘못된 순서로 만들었거나, 6개월짜리 프로젝트의 넷째 달이 되어서야 핵심 제약을 발견한 것입니다.
AI의 영향이 흥미로워지는 지점이 여기입니다. AI는 개발자를 더 빠른 타이피스트로 만드는 데 그치지 않습니다. "원하시는 바를 이렇게 이해했습니다"와 "직접 눌러 볼 수 있는 동작하는 프로토타입이 여기 있습니다" 사이의 피드백 루프를 무너뜨립니다. 그 루프가 몇 주에서 몇 시간으로 줄면 이후 모든 단계가 달라집니다.
실제로는 어떤 모습인가
작년에 진행한 프로젝트의 구체적인 사례를 들겠습니다.
금융 서비스 고객사가 컴플라이언스 보고 모듈을 필요로 했습니다. 예전 방식이라면 3주 동안 요구사항을 수집하고, 아무도 끝까지 읽지 않을 40쪽짜리 명세서를 만들고, 다시 6주를 들여 구현하면서 그 사이 최소 두 차례 "그런 뜻이 아니었는데요" 하는 수정을 거쳤을 종류의 기능입니다.
저희 팀은 다르게 접근했습니다. 고객사 컴플라이언스 담당자와 진행한 작업 세션 한 번으로, 대화를 녹음하고 녹취록을 AI 시스템에 입력해 한 시간 안에 인수 기준이 포함된 구조화된 사용자 스토리를 만들었습니다. 중요한 것은 그다음입니다. 같은 날 클릭해 볼 수 있는 프로토타입도 만들었습니다. 완성된 제품이 아니라, 담당자가 직접 조작해 볼 수 있는 거칠지만 동작하는 목업이었습니다.
담당자는 프로토타입을 직접 눌러 보고 저희가 잘못 짚은 가정 세 가지를 바로 찾아냈으며, 이렇게 말했습니다. "이 필드에는 현재 상태만이 아니라 과거 감사 이력이 표시되어야 합니다." 이 수정 하나를 첫날 잡아낸 덕분에, QA 테스트 중에 발견했다면 2주짜리 재작업이 되었을 일을 피했습니다. 프로토타입은 그 자리에서 바로 고쳤고, 그 주가 끝날 때는 모두가 동의한 검증된 설계가 나왔습니다.
최종 모듈의 전체 구현 기간은 테스트와 배포를 포함해 3주였습니다. 같은 범위에 대한 기존 견적은 10–12주였습니다.
코드를 더 빨리 작성한 것은 맞습니까? 어느 정도는 그렇습니다. 하지만 시간을 실제로 줄인 것은 모호함의 루프를 없앤 일이었습니다. 오해가 오가며 반복되는 이 순환이 엔터프라이즈 프로젝트 일정의 대부분을 잡아먹습니다.
견적에 관한 불편한 진실
엔지니어링 예산을 관리하는 분께 해당하는 이야기입니다.
대부분의 엔터프라이즈 소프트웨어 계약은 여전히 투입 공수를 기준으로 가격이 정해집니다. 투입한 시간, 소진한 스토리 포인트, 완료한 스프린트가 기준입니다. 공수가 많을수록 가치도 크다는 가정이 깔려 있습니다. 시간을 사는 것이고, 숙련된 개발자는 비싸기 때문에 시간도 비쌉니다.
AI는 이 모델을 곤란한 방식으로 흔듭니다. 시니어 개발자가 예전에 12시간 걸리던 일을 이제 2시간에 해낼 수 있다면, 고객은 2시간치를 내야 합니까, 12시간치를 내야 합니까? 벤더가 12시간으로 견적하고 2시간에 끝낸다면 10시간치 마진을 챙기는 것입니까? 2시간으로 견적한다면, 그 2시간을 생산적으로 만든 아키텍처 설계의 가치를 낮게 평가하는 것은 아닙니까?
업계 전반에서 이 긴장이 나타나고 있습니다. 일부 벤더는 내부적으로 AI 도구를 쓰면서 청구는 예전 단가로 합니다. 다른 벤더는 가격 경쟁에 뛰어들어 견적을 50% 깎고 물량으로 메우기를 기대합니다. 두 방식 모두 지속될 수 없습니다.
정직한 답은 가치의 단위가 바뀌어야 한다는 것입니다. 엔터프라이즈 고객은 시간이 아니라 성과를 사야 합니다. 동작하는 컴플라이언스 모듈, 마이그레이션을 마친 데이터 파이프라인, 새로 설계한 체크아웃 흐름이 그 예입니다. 벤더가 할 일은 그 성과를 안정적으로, 빠르게 납품하는 것입니다. 사람이 모든 줄을 손으로 쓰든 AI가 보일러플레이트의 80%를 생성하든 구매자에게는 중요하지 않아야 합니다. 중요한 것은 품질, 안정성, 속도입니다.
GTEMAS는 바로 이 이유로 성과 기반 계약 모델로 옮겨 가고 있습니다. 저희의 AI-native 납품 파이프라인인 FastDX의 상업적 논리이기도 합니다. 저희는 인원 수와 시간이 아니라 산출물과 마일스톤으로 작업 범위를 정합니다. 고객이 인원 수를 세는 데 익숙해서 팔기는 더 어려운 모델이지만, 인센티브가 제대로 맞춰집니다. 저희는 느려서가 아니라 효율적이어서 보상을 받습니다.
엔지니어링 팀에게 달라지는 것
충분히 논의되지 않는 사실이 있습니다. AI 도구는 시니어 엔지니어의 필요를 줄이지 않고 늘립니다.
직관에 반하는 말로 들리니 설명하겠습니다. AI가 코드를 빠르게 생성하면 하루에 만들어지는 코드의 양이 크게 늘어납니다. 누군가는 그 코드를 리뷰해야 합니다. AI의 아키텍처 선택이 더 큰 시스템의 맥락에서 타당한지 누군가는 판단해야 합니다. AI가 만들어 내는 미묘한 버그, 즉 코드가 컴파일되고 기본 테스트도 통과하지만 운영 부하에서만 드러나는 레이스 컨디션 같은 버그를 누군가는 잡아내야 합니다.
주니어 개발자도 개별 작업에서는 AI에 프롬프트를 효과적으로 줄 수 있습니다. 하지만 결과물이 더 큰 시스템의 맥락에서 올바른지 평가하는 일에는 깊은 경험이 필요합니다. AI가 내놓은 것이 그저 "동작하는" 수준임을 알아보려면, "좋은 것"이 어떤 모습인지 알고 있어야 합니다.
저희는 이 현실에 맞춰 팀을 재편했습니다. 소수의 시니어가 다수의 주니어를 감독하는 전통적인 피라미드 대신, 모든 엔지니어가 아키텍처 수준에서 일하기를 기대하는 더 평평한 팀을 운영합니다. 주니어 개발자가 하던 일, 즉 보일러플레이트 작성, 테스트 골격 생성, 일상적인 마이그레이션은 AI가 처리합니다. 사람은 시스템 설계, 보안 리뷰, 성능 최적화, 그리고 AI가 안정적으로 내릴 수 없는 판단에 집중합니다.
채용에도 실질적인 영향이 있습니다. 지금은 보는 것이 다릅니다. 5년 전의 코딩 면접은 후보자가 이진 탐색 트리를 외워서 구현할 수 있는지 시험했을 수 있습니다. 지금은 생성된 코드베이스를 보고 무엇이 빠졌는지 짚어낼 수 있는지에 더 관심이 있습니다. AI가 건너뛴 오류 처리, 고려하지 않은 엣지 케이스, AI가 고른 의존성에 숨어 있는 보안 취약점 같은 것들입니다.
"가장 위험한 코드는 테스트에서는 완벽하게 동작하고 운영에서는 조용히 실패하는 코드입니다. AI는 테스트를 통과하는 코드를 아주 잘 씁니다. 그것을 불신해야 할 때를 아는 것은 사람의 기술입니다."
아무도 말하고 싶어 하지 않는 거버넌스 문제
이 모든 변화에는 업계가 대체로 외면하는 어두운 면이 있습니다.
AI가 코드를 생성했다면 그 책임은 누구에게 있습니까? AI가 생성한 함수가 보안 취약점을 만들고 그것이 데이터 유출로 이어졌다면, 책임은 제안을 수락한 개발자에게 있습니까, 풀 리퀘스트를 승인한 팀 리드에게 있습니까, 아니면 그 도구를 배포한 벤더에게 있습니까?
대부분의 기업 법무 체계는 아직 이 질문을 따라잡지 못했습니다. 의료, 금융, 공공처럼 규제가 있는 산업에서 이것은 추상적인 걱정이 아닙니다. 감사인은 누가 코드를 작성했는지, 자격을 갖춘 사람이 리뷰했는지 알고 싶어 합니다. "AI가 썼고 개발자가 승인 버튼을 눌렀다"는 설명은 SOC 2 감사인을 만족시키지 못합니다.
저희 고객사가 바로 이런 환경에서 일하기 때문에 이 문제를 진지하게 다룹니다. 납품 파이프라인에 들어오는 AI 생성 코드는 모두 사람이 쓴 코드와 같은 리뷰 절차를 거칩니다. 동료 리뷰, 자동화된 보안 스캔, 시니어 엔지니어의 명시적 승인입니다. 완전한 추적성도 유지합니다. 코드베이스의 어느 부분에 AI의 도움이 있었고 누가 리뷰했는지 정확히 확인할 수 있습니다.
이것은 형식을 위한 관료주의가 아닙니다. 신뢰의 토대입니다. AI의 도움을 받은 코드를 사람이 쓴 코드와 같은 엄격함으로 감사할 수 없다면, 운영 환경에서 AI를 써서는 안 됩니다.
이 모든 것이 향하는 곳
아직은 초기입니다. 지금 쓸 수 있는 AI 도구는 인상적이지만 1세대입니다. 앞으로 나아질 것입니다. 모델은 맥락을 더 잘 파악하고, 대규모 코드베이스를 더 잘 이해하며, 아키텍처 제안도 더 믿을 만해질 것입니다. "AI 지원"과 "AI-First" 개발 사이의 간격은 좁아질 것입니다.
그래도 기본은 바뀌지 않습니다. 소프트웨어 납품은 본질적으로 늘 커뮤니케이션 문제였습니다. 어려운 부분은 사람이 원하는 것을 이해하고 그것을 기계가 실행할 수 있는 형태로 옮기는 일입니다. AI는 실행의 비용을 낮추고 있지만, 이해는 여전히 비싸고 여전히 사람의 몫입니다.
바뀌는 것은 성공적인 납품 파트너십의 모습입니다. 살아남는 벤더는 AI를 마케팅용 장식이 아니라 달러당 더 많은 가치를 내는 구조적 강점으로 실제 업무 흐름에 통합한 곳입니다. 이런 벤더는 성과를 기준으로 가격을 매기고, 시니어 비중이 높은 팀을 꾸리며, 엔터프라이즈 고객이 요구하는 거버넌스 체계를 유지할 것입니다.
밀려나는 벤더는 여전히 인력을 팔고 시간을 세면서, AI 도구를 쓰는 5명 팀이 도구 없는 15명 팀보다 나은 성과를 낼 수 있다는 사실을 고객이 알아채지 못하기를 바라는 곳입니다.
GTEMAS는 방향을 정했습니다. FastDX를 기반으로 하는 납품 조직은 AI가 사라질 수 있는 유행이 아니라 엔지니어링 환경의 영구적인 일부라는 전제 위에서 만들고 있습니다. 팀, 프로세스, 상업 모델 모두 사람의 판단과 기계의 능력이 함께 일하는 세상에 맞춰 설계했습니다. 제안서에서 그럴듯하게 들려서가 아니라, 직접 숫자를 놓고 계산해 보면 실제로 작동하는 모델이 이것뿐이기 때문입니다.
이 점을 먼저 파악하는 기업은 의미 있는 우위를 갖게 됩니다. 속도만이 아닙니다. 물론 더 빠르겠지만, 품질에서, 예측 가능성에서, 그리고 프로젝트 중반에 요구사항이 어김없이 바뀔 때 적응하는 능력에서 그렇습니다. 요구사항은 반드시 바뀝니다. 늘 그랬습니다. 문제는 귀사의 납품 모델이 이를 매끄럽게 감당하도록 만들어졌는지, 아니면 누군가 "사실 조금 다르게 동작했으면 합니다"라고 말할 때마다 무너지는지입니다.
이것이 엔터프라이즈 납품에서 AI가 약속하는 진짜 가치입니다. 더 빠른 타이핑이 아니라 더 나은 사고입니다.
