요즘 개발자들 사이에서는 “코드는 이제 AI가 다 짠다”는 말이 농담이 아닙니다. 클로드 코드, 코덱스, 커서 같은 AI 코딩 도구에 “로그인 화면 만들어 줘”라고 말하면 몇 분 만에 그럴듯한 코드가 나오니까요. 그런데 최근 해외 개발자 커뮤니티 해커뉴스에서 정반대 경고를 담은 글 하나가 640점 넘는 추천과 600개 넘는 댓글을 받으며 크게 화제가 됐습니다. 제목은 “AI 사용은 깨지기 쉬운 코드베이스를 만든다(AI usage generates a fragile codebase)”입니다.
글쓴이는 스스로 “메타(Meta)에서 일하다 5월에 해고됐고, 지금은 다른 대형 테크 기업에서 코드의 100%를 AI로 만든다”고 소개한 개발자 에반 X. 머즈(Evan X. Merz)입니다. AI를 안 쓰자는 사람이 아니라, 매일 AI로 코딩하는 사람이 직접 본 문제를 적었다는 점에서 많은 공감과 반박을 함께 불렀습니다. 오늘은 이 글이 말하는 ‘깨지기 쉬운 코드’가 무슨 뜻인지, 실제 연구 숫자는 어떤지, 그리고 AI로 코딩하거나 AI가 만든 앱을 쓰는 우리가 무엇을 챙기면 좋은지 차근차근 정리해 보겠습니다.

1. 한눈에 보는 오늘 이야기
| 질문 | 짧은 답 |
|---|---|
| 무슨 일인가요? | 개발자 에반 머즈가 11월 7일 블로그에 “AI로 짠 코드는 깨지기 쉽다”는 글을 올렸고, 해커뉴스에서 크게 토론됐습니다. |
| 핵심 주장은? | AI는 눈앞의 문제는 잘 풀지만, 몇 달·몇 년 뒤에 터질 장기적인 문제는 잘 보지 못한다는 것입니다. |
| 원인 4가지 | ① 얕은 테스트 ② 과하게 복잡한 코드 ③ 사람이 코드를 이해 못 함 ④ 리뷰가 따라가지 못하는 속도 |
| 증상 4가지 | ① 장애(사고)가 늘어남 ② 복구가 오래 걸림 ③ 사용자만 보는 오류 ④ 나빠지는 사용 경험 |
| 연구로도 맞나요? | 일부는 비슷한 방향의 데이터가 있습니다. 구글 DORA 2024 보고서는 AI 도입이 25% 늘 때 배포 안정성이 약 7.2% 줄어든다고 추정했습니다. 다만 반대 방향 결과도 있어 단정은 금물입니다. |
| 나와 무슨 상관? | AI로 업무 자동화나 ‘바이브 코딩’을 해 보는 분, AI로 만든 서비스를 쓰는 분 모두에게 “빨리 만든 것 = 튼튼한 것”은 아니다라는 교훈을 줍니다. |
2. ‘코드베이스’와 ‘깨지기 쉽다’, 단어부터 정리
프로그래밍을 몰라도 괜찮습니다. 코드베이스는 ‘건물’, 코드 한 줄 한 줄은 ‘벽돌’이라고 생각해 보세요. 벽돌을 빨리 쌓는 기계(AI)가 생겼는데, 설계도를 잘 모르는 상태로 쌓다 보면 겉보기엔 멀쩡해도 작은 지진(사용자 급증, 새 기능 추가)에 금이 가기 쉽겠죠. 이것이 ‘깨지기 쉬운(fragile) 코드베이스’의 느낌입니다.
| 용어 | 쉬운 뜻 | 비유 |
|---|---|---|
| 코드베이스 | 한 서비스를 이루는 코드 전체 묶음 | 건물 전체 |
| 깨지기 쉬운(fragile) 코드 | 조금만 바꿔도 다른 곳이 고장 나는 코드 | 벽돌 하나 빼면 흔들리는 탑 |
| 테스트 코드 | 프로그램이 제대로 동작하는지 자동으로 확인하는 코드 | 건물 안전 점검표 |
| PR(풀 리퀘스트) | “이 코드 고쳤으니 검토 후 합쳐 주세요”라는 요청 | 공사 변경 결재 서류 |
| 머지(merge) | 검토를 통과한 코드를 본 코드에 합치는 것 | 결재 후 실제 시공 |
| 기술 부채 | 지금 대충 처리해서 나중에 더 큰 비용으로 갚아야 하는 문제 | 임시로 테이프 붙인 누수 |
| 장애(인시던트) | 서비스가 멈추거나 오류를 내는 사고 | 엘리베이터 고장 |
| 컨텍스트 윈도 | AI가 한 번에 읽고 기억할 수 있는 글(코드)의 양 | 한 번에 볼 수 있는 설계도 면적 |
3. 글쓴이는 누구이고, 왜 이 글이 화제였나
이 글이 많이 읽힌 이유는 ‘AI 반대론자’의 글이 아니기 때문입니다. 글쓴이는 메타 시절 마지막 몇 달 동안 “코드의 최소 90%를 AI로 만들었다(그게 좋은 평가를 받기 위한 최소 기준이었다)”고 적었습니다. 지금 다니는 회사에서는 그것이 기대치라서 코드의 100%를 AI로 생성한다고 합니다. 그러면서도 “AI가 내 코드 양을 10배로 늘려 주지 않았고, 2배도 안 됐다. 나는 코드 품질에 집중했다”고 말합니다.
| 항목 | 글쓴이가 밝힌 내용 | 읽을 때 주의점 |
|---|---|---|
| 경력 | 메타에서 일하다 2026년 5월 해고, 현재 다른 대형 테크 기업 근무 | 본인 설명이며 회사명·사정은 확인되지 않음 |
| AI 사용량 | 메타 마지막 몇 달 코드의 90% 이상, 현재 100% AI 생성 | ‘90%가 최소 기준’이라는 말도 본인 경험담 |
| 관찰 | AI에 많이 기대는 동료들의 코드가 “부서지기 쉬웠다” | 한 사람의 현장 관찰이지 통계 연구는 아님 |
| 구체 사례 | 마우스를 올렸을 때 효과를 CSS의 :hover 대신 자바스크립트 이벤트로 처리하려던 코드 |
잘하는 개발자도 AI 결과를 그대로 넘기기 쉽다는 예 |
| 글 작성 방식 | “이 글은 한 단어도 빠짐없이 사람이 썼다(이미지만 AI)” | AI 글 홍수 속에서 일부러 밝힌 부분 |
쉽게 말해 :hover 사례는 “버튼 위에 마우스를 올리면 색이 바뀌게 하기”를 할 때, 원래 한 줄짜리 기본 기능이 있는데 굳이 복잡한 장치를 새로 만든 셈입니다. 당장은 잘 돌아가지만, 버튼이 수백 개가 되면 관리가 어려워지죠.
4. AI가 코드를 ‘깨지기 쉽게’ 만드는 4가지 이유
글쓴이가 꼽은 핵심 문장은 이것입니다. “AI는 컨텍스트 윈도 안에 들어오는 문제는 아주 잘 풀지만, 그 좁은 틀 안에서 이해할 수 없는 장기적인 문제는 전혀 모른다.” 이 생각을 바탕으로 네 가지 원인을 듭니다.
| 원인 | 글쓴이 설명 | 일상 비유 |
|---|---|---|
| ① 얕은 테스트 | 값을 넣고 꺼내는 사소한 기능만 잔뜩 테스트하고, 실제 사용자 흐름은 한 종류만 확인. ‘코드 몇 줄이 테스트됐나’ 숫자로는 빈틈이 안 보임 | 시험 범위에서 쉬운 문제만 백 번 풀어 보고 “준비 끝!” |
| ② 과한 복잡도 | 함수 하나면 될 일을 도우미 함수 두세 개로 쪼갬. ‘중복 금지(DRY)’ 같은 원칙을 지나치게 지켜 오히려 이해·디버깅이 어려워짐 | 라면 끓이는 법을 열 단계 매뉴얼로 쪼개 놓기 |
| ③ 이해 부족 | AI에 오래 맡길수록 코드를 아는 사람이 줄고, 새 구조가 기존 구조와 안 맞아도 알아채지 못함 | 집안일을 다 맡겼더니 두꺼비집 위치를 아무도 모름 |
| ④ 너무 빠른 속도 | PR이 점점 빨리 쏟아지고 검토 시간은 더 짧아져 ‘훑어보기’가 되고, 작은 문제가 쌓여 스파게티 코드가 됨 | 결재 서류가 산더미라 도장만 찍는 상황 |

5. “우리 코드가 위험하다”는 신호 4가지
글쓴이는 원인뿐 아니라 증상도 정리했습니다. 처음엔 별 차이가 없어 보이다가, 시간이 지나면서 ‘이번 달엔 사고가 한 번, 다음 달엔 두 번…’ 하는 식으로 늘어난다는 겁니다. 그는 “에이전트 코딩을 1~2년 하고 나니 주말마다 장애가 나는 것 같다”고 표현했습니다(본인 경험담).
| 신호 | 무슨 뜻인가 | 비개발자가 느끼는 모습 |
|---|---|---|
| 장애가 늘어남 | AI 코딩 도입 뒤 고객에게 영향을 주는 사고가 서서히 늘어남 | 앱이 자주 멈추거나 “일시적 오류” 안내가 잦아짐 |
| 복구가 오래 걸림 | 사람이 코드를 잘 몰라서 원인을 찾는 데 시간이 걸림 | “복구 중입니다” 공지가 몇 시간씩 이어짐 |
| 사용자만 보는 오류 | 테스트에서 안 잡히고 실제 사용자 환경에서만 생기는 오류 | “나만 안 되나?” 싶은 이상한 버그 |
| 나빠지는 사용 경험 | 사람이 아닌 AI 기준으로 만들어져 쓰기 불편해짐 | 메뉴가 이상하게 배치되고 흐름이 어색함 |
6. 실제 연구 숫자는 어떨까? (그대로 믿기 전에 확인)
블로그 글은 한 사람의 경험입니다. 그래서 비슷한 질문을 다룬 연구·보고서를 함께 보는 게 좋습니다. 결과는 생각보다 엇갈립니다.

| 자료 | 무엇을 봤나 | 핵심 숫자 | 해석 주의점 |
|---|---|---|---|
| 구글 DORA 2024 보고서 | 전 세계 개발 조직 설문 기반 분석 | AI 도입이 25% 늘 때 배포 처리량 약 1.5%↓, 배포 안정성 약 7.2%↓(추정) | 같은 조건에서 문서 품질 7.5%↑, 코드 품질 3.4%↑, 코드 리뷰 속도 3.1%↑도 함께 나옴 |
| 구글 DORA 2025 보고서 | 약 5,000명 설문 + 인터뷰 | AI 사용 응답자 90%(전년 76%), AI 도입이 이제 처리량엔 긍정적, 하지만 불안정성은 여전히 증가 | “팀은 빨라졌지만 시스템은 아직 AI 속도를 안전하게 감당할 준비가 안 됐다”는 해석 |
| 깃클리어(GitClear) 2025 분석 | 2020~2024년 바뀐 코드 2억 1,100만 줄 | 중복 코드 블록이 2022년 대비 약 10배, 정리(이동) 코드 비율 24.8%(2021)→9.5%(2024), 복사·붙여넣기 8.4%→12.3% | AI만의 영향이라고 딱 잘라 증명한 건 아니고, 같은 시기 흐름을 본 것 |
| METR 2025년 초 실험 | 숙련 오픈소스 개발자 16명, 실제 과제 246개 무작위 배정 | AI를 쓰면 작업 시간이 19% 더 걸림. 본인들은 “20% 빨라졌다”고 느낌 | METR 스스로 “이제는 오래된 결과”라고 밝힘 |
| METR 2026년 2월 후속 | 2025년 8월부터 개발자 57명으로 다시 실험 | 기존 참가자 약 18% 빨라짐, 새 참가자 약 4% 빨라짐(신뢰구간 넓음) | “AI 없이 일하기 싫다”며 빠진 사람이 많아 결과를 믿기 어렵다고 METR가 직접 경고 |
정리하면, “AI가 코딩을 빠르게 한다”는 쪽도, “AI가 코드를 불안정하게 만든다”는 쪽도 각각 근거가 있습니다. 특히 DORA는 2024년 보고서에서 “AI 덕분에 코드를 많이 만들수록 한 번에 바꾸는 양(배치)이 커지고, 큰 변경은 더 느리고 불안정해지기 쉽다”는 가설을 내놨습니다. 머즈의 ④번 ‘속도’ 이야기와 통하는 부분이죠.
7. 반대 의견도 있습니다
해커뉴스 댓글에는 공감만 있었던 건 아닙니다. 대표적인 반론과 함께 균형 있게 보는 법을 정리해 봤습니다.
| 반론 | 요지 | 함께 생각해 볼 점 |
|---|---|---|
| “사람도 원래 엉망인 코드를 짰다” | 나쁜 코드는 AI 이전에도 흔했다 | 맞는 말이지만, AI는 그 속도를 훨씬 빠르게 만든다는 점이 다름 |
| “쓰는 방법의 문제다” | 테스트·리뷰 규칙을 잘 세우면 AI로도 튼튼한 코드 가능 | DORA도 ‘작은 배치·탄탄한 테스트’ 같은 기본기를 강조 |
| “모델이 빠르게 좋아진다” | 1년 전 문제를 지금 모델에 그대로 적용하긴 어렵다 | METR 결과가 2025→2026에 달라진 것도 이런 변화를 보여 줌 |
| “한 사람 경험일 뿐” | 회사·팀마다 상황이 다르다 | 그래서 연구 숫자와 내 팀 데이터(장애 수·복구 시간)를 함께 봐야 함 |
8. 예시로 이해하기: AI에게 ‘회원가입 기능’을 맡겼다면
작은 쇼핑몰을 운영하는 A씨가 AI에게 “회원가입 기능 만들어 줘”라고 했다고 해 봅시다. 몇 분 만에 화면과 코드, 테스트까지 나왔습니다. 어디서 문제가 생길 수 있을까요?
| 단계 | AI가 잘한 것 | 놓치기 쉬운 것 | 사람이 챙길 질문 |
|---|---|---|---|
| 화면 | 입력 칸·버튼이 깔끔하게 나옴 | 휴대폰 작은 화면, 시각장애인 화면 낭독기 | “모바일에서도 눌러 봤나?” |
| 테스트 | 정상 이메일 가입 테스트 통과 | 이미 가입한 이메일, 한글 이름, 특수문자 비밀번호 | “이상한 입력도 넣어 봤나?” |
| 구조 | 기능별 도우미 함수가 잔뜩 | 기존 로그인 코드와 비슷한 코드가 중복됨 | “이미 있는 기능을 다시 만든 건 아닌가?” |
| 보안 | 비밀번호 입력 처리 | 비밀번호를 안전하게 저장(해시)하는지 | “비밀번호가 그대로 저장되진 않나?” |
| 운영 | 바로 배포 가능 | 오류가 나면 기록이 남는지 | “문제가 생기면 어떻게 알 수 있나?” |
9. AI로 코딩할 때 챙길 5가지
개발자든, 회사에서 AI로 간단한 자동화 스크립트를 만들어 보는 직장인이든 아래 다섯 가지만 기억해도 ‘흔들리는 탑’을 꽤 막을 수 있습니다.

| 습관 | 이렇게 해 보세요 | 왜 도움이 되나 |
|---|---|---|
| 1. 작게 나눠 맡기기 | “쇼핑몰 만들어 줘” 대신 “장바구니 수량 바꾸는 기능만”처럼 작게 요청 | 변경이 작을수록 검토가 쉽고 사고가 줄어듦(DORA의 ‘작은 배치’ 원칙) |
| 2. 테스트는 사람이 정하기 | “빈 값, 아주 긴 값, 한글, 중복 가입도 테스트해 줘”처럼 확인할 상황 목록을 직접 주기 | AI가 쉬운 테스트만 쓰는 버릇을 보완 |
| 3. 설명 못 하면 머지 금지 | 합치기 전에 “이 코드가 뭘 하는지 내가 남에게 설명할 수 있나?” 자문 | ‘아무도 모르는 코드’가 쌓이는 걸 막음 |
| 4. 중복 코드 찾아 합치기 | 가끔 AI에게 “비슷한 코드가 여러 곳에 있는지 찾아서 합칠 방법을 제안해 줘”라고 요청 | 깃클리어가 지적한 ‘복붙 코드’ 증가에 대응 |
| 5. 장애 기록 지켜보기 | AI 도입 전후로 오류·장애 횟수와 복구 시간을 간단히 기록 | 느낌이 아니라 숫자로 “우리 팀은 괜찮은가”를 판단 |
상황별 추천 사용법
| 누구 | AI 활용 추천 | 조심할 점 |
|---|---|---|
| 코딩 처음 배우는 학생 | 코드 설명 듣기, 오류 메시지 해석 부탁하기 | 정답 코드만 받아 쓰면 실력이 안 늚. 한 줄씩 이유를 물어보기 |
| 엑셀·업무 자동화하는 직장인 | 반복 작업 스크립트 초안 만들기 | 회사 데이터로 돌리기 전 복사본으로 먼저 시험 |
| 1인 창업자·소규모 팀 | 시제품(프로토타입) 빠르게 만들기 | 결제·개인정보 부분은 전문가 검토 필수 |
| 현업 개발자 | 반복 코드, 테스트 초안, 리팩터링 제안 | PR 크기 제한, 리뷰 시간 확보, 테스트 시나리오는 사람이 설계 |
30초 체크리스트
| 번호 | 확인할 것 | 예/아니오 |
|---|---|---|
| 1 | 이번에 AI에게 맡긴 일이 한 번에 검토할 수 있는 크기인가요? | □ |
| 2 | 정상 상황 말고 이상한 입력도 테스트했나요? | □ |
| 3 | 새 코드가 하는 일을 내 말로 설명할 수 있나요? | □ |
| 4 | 이미 있는 기능을 중복으로 다시 만든 건 아닌가요? | □ |
| 5 | 문제가 생기면 알 수 있게 오류 기록이 남나요? | □ |
10. 자주 묻는 질문
| 질문 | 답 |
|---|---|
| 그럼 AI로 코딩하지 말라는 건가요? | 아닙니다. 글쓴이도 코드의 100%를 AI로 만든다고 했습니다. 핵심은 “AI가 만든 걸 사람이 이해하고 검증하는 과정”을 빼먹지 말자는 것입니다. |
| AI 코드가 사람 코드보다 무조건 나쁜가요? | 그렇지 않습니다. DORA 2024는 AI 도입이 코드 품질·문서 품질을 조금 높인다는 결과도 냈습니다. 문제는 주로 ‘속도와 양’이 검토 능력을 앞지를 때 생깁니다. |
| “7.2% 감소”는 AI 쓰면 사고가 7.2% 는다는 뜻인가요? | 정확히는 아닙니다. 설문 기반 분석에서 “AI 도입 수준이 25% 높아질 때 배포 안정성 지표가 약 7.2% 낮아지는 경향”을 추정한 값입니다. 인과를 확정한 숫자로 보면 안 됩니다. |
| 비개발자도 알아 둘 필요가 있나요? | 네. 우리가 쓰는 앱·은행·쇼핑 서비스도 점점 AI로 만든 코드가 많아집니다. 회사가 AI 코딩을 도입할 때 테스트·리뷰 체계도 함께 갖추는지가 서비스 안정성과 연결됩니다. |
| 바이브 코딩으로 만든 내 앱, 괜찮을까요? | 개인용 도구라면 큰 문제는 없을 수 있습니다. 다만 다른 사람의 돈·개인정보를 다루는 순간부터는 테스트와 보안 검토를 꼭 거치세요. |
마무리: 빨리 쌓은 탑일수록 기초를 한 번 더
AI는 벽돌을 아주 빨리 쌓아 주는 든든한 조수입니다. 하지만 탑이 오래 서 있으려면 누군가는 설계도를 이해하고, 흔들리는 곳을 점검하고, 쌓는 속도를 조절해야 합니다. 이번 글이 많은 개발자에게 울림을 준 것도 “AI를 쓰지 말자”가 아니라 “AI가 빨라진 만큼 사람의 확인도 더 꼼꼼해져야 한다”는 메시지였기 때문일 겁니다. 오늘 AI에게 무언가를 만들어 달라고 했다면, 마지막에 “이거 내가 설명할 수 있나?” 한 번만 물어보세요. 그 질문 하나가 튼튼한 탑의 첫 번째 기초가 됩니다.