본문으로 건너뛰기
피드

AI는 더 나은 코드를 만드는 데 도움을 줘야 함

ai-ml 약 6분
vote
0
댓글
북마크

AI 코딩 에이전트가 코드 품질을 떨어뜨린다는 건 도구 탓이 아니라 프로세스 문제임. 리팩토링, 네이밍 변경, 파일 분할 같은 단순하지만 시간 걸리는 기술 부채 해소 작업을 비동기 에이전트에 맡기면 비용이 거의 제로로 떨어짐. 탐색적 프로토타이핑과 Compound Engineering 루프를 통해 품질과 속도를 동시에 잡을 수 있음.

  • 1

    나쁜 코드 배포는 에이전트 탓이 아니라 선택의 문제임

  • 2

    리팩토링·네이밍 변경·파일 분할 등 단순하지만 시간 걸리는 기술 부채 작업이 에이전트의 최적 활용처임

  • 3

    Gemini Jules, OpenAI Codex 웹, Claude Code 웹 같은 비동기 에이전트로 작업 흐름 끊지 않고 병렬 처리 가능

  • 4

    코드 개선 비용이 극도로 낮아져서 코드 스멜에 대한 무관용 원칙 적용 가능

  • 5

    Every의 Compound Engineering 개념: 프로젝트마다 회고해서 에이전트 지시를 계속 발전시키는 복리 효과

AI 코딩 에이전트가 코드 품질을 떨어뜨린다고? 그건 도구 탓이 아니라 프로세스의 문제임. Simon Willison이 에이전트를 활용해서 오히려 코드 품질을 끌어올리는 방법을 정리했음.

나쁜 코드를 만드는 건 선택의 문제임

많은 개발자들이 AI 도구에 코딩을 맡기면 품질이 떨어질 거라고 걱정함. 빠르게 찍어내는 대신 질이 나빠지고, 의사결정권자들은 속도에 눈이 멀어서 그걸 눈감아줄 거라는 우려임.

근데 Willison의 입장은 명확함. "에이전트로 나쁜 코드를 배포하는 건 선택임." 코딩 에이전트 도입 후에 코드 품질이 떨어졌다면, 도구를 탓할 게 아니라 프로세스의 어디가 문제인지 찾아서 고쳐야 함. 더 나은 코드를 배포하는 것도 마찬가지로 선택할 수 있는 일임.

기술 부채, 사실 단순한데 시간이 없었던 것들

기술 부채는 보통 트레이드오프의 결과임. "제대로 하면 시간이 너무 오래 걸리니까" 일단 넘어가는 거임. 근데 실제로 보면, 흔한 기술 부채 수정 작업들은 개념적으로는 단순한데 그냥 시간이 오래 걸리는 것들임:

  • API 재설계: 초기 설계가 나중에 생긴 케이스를 커버 못 해서, 수십 군데를 고쳐야 하니까 그냥 비슷한 새 API를 하나 더 만들어버리는 경우
  • 네이밍 변경: 초기에 잘못 지은 이름(예: groups 대신 teams)을 전체 코드에서 바꾸기 너무 힘들어서 UI에서만 바꾸는 경우
  • 중복 기능 통합: 시간이 지나면서 비슷하지만 미묘하게 다른 기능들이 쌓여서 합치고 리팩토링해야 하는 경우
  • 파일 분할: 수천 줄짜리 파일을 여러 모듈로 쪼개야 하는 경우

다 "해야 하는 건 아는데 당장 급한 일이 있어서" 못 하는 것들임.

코딩 에이전트가 이런 걸 대신 해줌

이런 리팩토링 작업이야말로 코딩 에이전트의 최적 활용처임. 에이전트 하나 띄워놓고, 뭘 바꿔야 하는지 알려준 다음, 별도 브랜치나 worktree에서 백그라운드로 돌려놓으면 됨.

Willison은 특히 비동기 코딩 에이전트를 추천함:

  • Gemini Jules
  • OpenAI Codex (웹)
  • Claude Code (웹)

이런 도구들을 쓰면 로컬 랩탑에서 하던 작업 흐름을 끊지 않고 리팩토링 작업을 병렬로 돌릴 수 있음. 결과는 PR로 확인하고, 괜찮으면 머지하고, 아쉬우면 추가 프롬프트 주고, 완전 별로면 그냥 버리면 됨.

핵심은 이거임: 코드 개선 비용이 극도로 낮아졌기 때문에, 사소한 코드 스멜이나 불편함에 대해 무관용 원칙을 적용할 수 있게 됨. 예전에는 "이거 고치면 좋긴 한데 시간이..." 했던 것들을 이제 바로바로 처리할 수 있다는 얘기임.

탐색적 프로토타이핑에도 활용됨

기술 부채 중에서 가장 큰 건 계획 단계에서 잘못된 선택을 하는 것임. 더 쉬운 방법이 있었는데 모르고 넘어가거나, 나중에 안 맞는 기술을 선택하는 경우.

LLM은 우리가 미처 떠올리지 못한 뻔한 해결책을 제안해줄 수 있음. 학습 데이터에 많이 나오는 걸 추천하는 거니까 결국 검증된 "지루한 기술"이 되는데, 그게 오히려 실전에서 제일 잘 작동하는 기술임.

더 중요한 건 탐색적 프로토타이핑임. 예를 들어:

"수천 명이 동시 접속하는 사이트의 활동 피드에 Redis가 괜찮을까?"

가장 확실한 방법은 시뮬레이션을 만들어서 부하 테스트를 돌려보는 건데, 코딩 에이전트한테 잘 짠 프롬프트 하나 던지면 이런 시뮬레이션을 바로 만들어줌. 비용이 거의 제로에 가까우니까 여러 실험을 동시에 돌려서 최적의 솔루션을 고를 수도 있음.

Compound Engineering: 반복할수록 나아지는 루프

에이전트는 지시를 따르는 도구임. 그 지시를 시간이 지나면서 발전시키면 점점 더 나은 결과가 나옴.

Dan Shipper와 Kieran Klaassen이 Every에서 실천하는 "Compound Engineering" 개념이 정확히 이거임. 모든 코딩 프로젝트가 끝나면 회고(retrospective)를 하는데, 이걸 "compound step"이라고 부름. 잘 작동한 것들을 문서화해서 다음 에이전트 실행에 반영하는 것임.

결국 핵심 메시지는 이거임: 작은 개선이 복리처럼 쌓임. 예전에는 시간이 너무 걸려서 못 했던 품질 개선 작업들의 비용이 이제 거의 제로로 떨어졌으니, 새 기능을 배포하면서 동시에 품질에도 투자하지 않을 이유가 없음. 코딩 에이전트 덕분에 드디어 둘 다 가질 수 있게 된 거임.

코딩 에이전트의 가치는 코드를 빠르게 찍어내는 게 아니라, 그동안 '시간이 없어서' 미뤄둔 품질 개선 작업의 비용을 거의 제로로 만들어서 기능 개발과 품질 향상을 동시에 가능하게 하는 데 있음.

댓글

댓글

댓글을 불러오는 중...

ai-ml

오픈AI, 브로드컴과 만든 첫 자체 추론 칩 ‘할라페뇨’ 공개

오픈AI가 브로드컴과 함께 만든 첫 자체 추론 프로세서 ‘할라페뇨’를 공개했다. 아직 테스트 단계지만, 실시간 코딩 모델 같은 추론 워크로드에서 기존 최고 수준 대안보다 전력 대비 성능이 크게 좋다는 초기 결과를 내세웠다.

ai-ml

가트너 “네오클라우드, 2030년 AI 클라우드 시장 20% 먹는다”

생성형 AI 확산으로 GPU 기반 고성능 컴퓨팅 수요가 폭증하면서 AI 전용 클라우드 사업자인 네오클라우드가 커지고 있다는 분석이 나왔어. 가트너는 2030년 약 2,670억 달러 규모 AI 클라우드 시장에서 네오클라우드가 20%를 차지할 수 있다고 봤어. GPU 확보, 가격 경쟁력, 데이터 주권 대응이 핵심 포인트야.

ai-ml

스페이스X, 오픈소스 AI 스타트업에 초대형 컴퓨팅 파워 판다

리플렉션 AI가 스페이스X의 대형 데이터센터 인프라를 쓰기 위해 2029년까지 최대 63억달러 규모 계약을 맺었다는 내용이다. 월 1억5000만달러를 내고 엔비디아 GB300 기반 컴퓨팅 자원을 확보하는 구조이며, 스페이스X는 남는 AI 인프라를 외부 고객에게 파는 플랫폼 사업으로 확장하려는 흐름을 보인다. 오픈소스 AI 모델을 내세우는 리플렉션 AI가 정부·안보 시장에서 빠르게 커지고 있다는 점도 포인트다.

ai-ml

AI가 청소년의 ‘생각 훈련’을 건너뛰게 만든다는 경고

이 글은 생성형 AI가 청소년과 주니어에게 편리한 도구를 넘어 사고력 발달을 약화시킬 수 있다는 우려를 다뤄. 핵심은 AI 사용 자체가 문제라기보다, AI가 단일한 관계와 정보 통로가 되고 글쓰기·판단·고민의 과정을 대신해버릴 때 인지 훈련 기회가 사라진다는 점이야.

ai-ml

성남시, AI로 고독사 위험과 고령자 주차 문제를 같이 실증한다

성남시니어산업혁신센터가 AI 돌봄 자동화 플랫폼과 AI 스마트 주차관리 시스템의 실증기관으로 선정됐어. 각각 14억2500만 원, 30억 원 규모 사업이고, 고령자 돌봄과 교통약자 주차 편의라는 생활밀착형 문제를 AI로 풀어보겠다는 내용이야.