AI 코딩 에이전트는 더 많은 코드를 만들지만, 더 많은 소프트웨어를 만들지는 못함

700곳 넘는 기업의 개발 활동을 분석한 연구에서 AI 코딩 에이전트 도입 후 코드 생산량은 늘었지만, 기업 차원의 소프트웨어 산출량 증가를 뒷받침하는 근거는 거의 없었음 에이전트 도입 후 생성된 코드 줄 수는 평균 30% 증가했으나, Jira 등으로 추적한 이슈와 대규모 기능의 해결률에는 통계적으로 유의한 변화가 없었음 풀 리퀘스트 제출부터 병합까지 걸리는 검토 시간이 평균 49% 늘어, 코드 작성 단계의 효율 향상을 후속 검토 병목이 상쇄함 코드 리뷰를 수행하는 직원 비중은 14% 증가했으며, AI 도입에 따른 유의한 고용 변화는 확인하지 못함 연구 데이터는 2026년 3월까지로 이후 도구 개선은 반영하지 못하며, 팀의 활용 경험이 쌓이면서 작성 시간과 검토 시간 사이의 상충 관계가 개선될 가능성은 남아 있음 코드 생성 속도와 소프트웨어 완성량의 차이 AI 코딩 도구는 작동하는 코드를 대량으로 빠르게 생성할 수 있지만, 개발자는 그 정확성을 그대로 신뢰하기 어려워 결과물을 검토하는 데 상당한 노력을 들여야 함 Harvard University의 Fiona Chen과 James Stratton이 수행한 연구에서 사람의 코드 리뷰가 AI 코딩 도구의 전체 효율을 제한하는 주요 병목으로 나타남 코드 작성 단계에서 얻은 효율이 후속 생산 과정의 제약에 흡수돼, 기업의 소프트웨어 산출량 증가나 고용 감소를 뒷받침하는 근거는 거의 없었음 분석 데이터와 도입 효과 측정 엔지니어링 팀의 세부 활동을 측정하는 Jellyfish의 집계 데이터를 활용해 2021년부터 2026년 3월까지의 개발 활동을 분석함 소프트웨어 개발 기업 700곳 이상, 직원 70만 명 이상이 대상임 커밋과 풀 리퀘스트 등 개별 작업 이벤트 3억 건과 이슈 관리 소프트웨어 데이터를 포함함 직접 측정한 AI 사용량과 GitHub 활동 분석을 결합해 기업별 도구 도입 시점을 파악함 코딩 보조 도구는 사람이 주로 작성하는 코드의 자동 완성을 돕는 도구로 구분함 코딩 에이전트는 프롬프트에 따라 코드를 주로 자율적으로 작성하고 제출하는 도구로 구분함 조직마다 다른 도입 시점과 도입 전후의 핵심 지표를 이중차분 회귀분석으로 비교함 코드 활동은 증가했지만 기능 완료는 늘지 않음 AI 코딩 에이전트 도입 후 코드 생산 지표는 평균적으로 모두 증가함 생성된 코드 줄 수는 30%, 전체 커밋 수는 20%, 풀 리퀘스트 수는 23% 늘어남 Jira 같은 도구로 추적한 이슈...