AI 도구 덕분에 개발 생산성은 크게 올랐지만, 세부 구현을 들여다보지 않고 자연어로 코드를 만드는 흐름도 거세졌다. 이 방식은 프로토타입을 빨리 만들게 해 주는 대신, 개발자가 내부 구조를 모르게 되는 이해 부채를 남긴다. 대규모 데이터셋 분석에서도 AI 생성 코드에 기술 부채와 결함이 많이 쌓여 있다는 결과가 나왔다.

바이브 코딩: 편의성 뒤에 숨겨진 그림자

바이브 코딩은 코드를 직접 쓰거나 구조를 분석하지 않고 자연어 프롬프트로 대규모 언어 모델에 생성을 맡기는 방식이다. 2025년 2월 전 테슬라 AI 총괄이자 오픈AI 공동창업자인 안드레이 카파시가 이 개념을 내놓았다.

프로그래밍 초보자가 프로토타입을 빨리 만들 때는 쓸모가 있다. 하지만 개발자가 시스템 내부 동작과 아키텍처를 제대로 파악하지 못하는 이해 부채가 생긴다는 한계가 분명하다.

AI 생성 코드의 낮은 품질과 기술 부채

대규모 저장소를 대상으로 한 실증 연구에서, AI 생성 코드에서 나온 문제의 89.1%는 잠재적 결함인 코드 스멜이었다. 주요 AI 코딩 어시스턴트가 만든 커밋 가운데 15% 이상에서 결함이나 이슈가 최소 1개 이상 나왔다.

AI가 쓴 코드는 코드 스멜과 중복 코드 비중이 높아 프로덕션 환경에서 위험 요인이 된다. 연구진은 AI 작성 커밋 데이터셋을 크게 구축해 실제 운영 환경에서 기술 부채와 문제가 얼마나 쌓이는지 추적했다.

대규모 저장소 분석 결과, AI 생성 코드는 높은 비율의 코드 스멜과 결함을 포함하며, 이는 장기적인 기술 부채로 이어진다.

프로젝트 복잡성과 AI 코드의 악영향

연구진이 실제 프로덕션의 AI 기술 부채를 분석하려고 만든 데이터셋은 AI 작성 커밋 304,362건, 저장소 6,275개 규모다. 분석해 보니 로그인, 결제, 알림처럼 여러 기능을 한꺼번에 넣으면 비동기 처리, 상태 관리, 의존성이 복잡하게 얽혔다.

그렇게 되면 시스템 안에서 오류를 따로 떼어 내기가 사실상 불가능해진다. AI 생성 코드는 그 자체로 잠재적 결함을 많이 품고 있어서, 기능이 늘수록 디버깅 난이도가 지수적으로 오른다. AI가 버그를 고치다 다른 버그를 만드는 순환 수정에 빠지는 일도 있다.

AI 생성 코드는 기존 기능 추가의 복잡성에 잠재적 결함을 더해, 디버깅을 어렵게 하고 오류 격리 문제를 악화시킨다.

AI 코딩으로 인한 장기적 기술 부채

AI 보조 코딩 도구를 들인 뒤 단기적인 코드 수정률은 크게 늘었지만, 구조를 손보는 리팩터링 비율은 오히려 줄었다. 그 사이 들어온 결함은 그대로 방치된다.

연구에서는 AI 코딩 도구가 들여온 결함의 22.7%가 최신 저장소 버전까지 고쳐지지 않고 남아 있었다. 이렇게 남은 결함은 유지보수 비용을 계속 올리고 시스템 안정성을 떨어뜨린다. 개발자가 내부 구조를 제대로 모를수록 이런 기술 부채는 더 깊어진다.

AI 시대, 개발자 역량 강화의 중요성

AI 코딩 도구는 개발 생산성을 크게 끌어올릴 수 있다. 다만 생성된 코드의 품질 문제와 장기적인 기술 부채를 막으려면 개발자가 직접 코드를 여러 각도에서 검토해야 한다.

시스템 내부 구조를 깊이 이해하고 꾸준히 리팩터링해야 프로젝트가 오래 버틴다. 개발자는 AI를 보조 도구로 쓰되, 코드를 꼼꼼히 검증하고 아키텍처를 설계하는 능력을 길러야 한다.

참고