생성형 AI 코딩 도구의 등장으로 소프트웨어 개발 업계에 큰 기대가 생겼다. 개발자들의 생산성이 크게 향상될 것이라는 예측이 많았다. 그러나 현실은 기대에 미치지 못하고 있다. 베인앤컴퍼니의 최근 조사에 따르면, 이러한 AI 도구를 사용하는 엔지니어링 조직은 평균적으로 10%에서 15% 정도의 효율성 향상만을 경험하고 있다. 더욱이 많은 기업들은 이렇게 절약된 시간과 자원을 생산적으로 활용하지 못하고 있는 실정이다.

베인앤컴퍼니의 보고서에서는 더 포괄적인 접근 방식을 취하는 조직이 30% 이상의 효율성 향상을 달성할 수 있다고 밝혔다. 이는 단순히 AI 코드 생성을 넘어서, AI를 소프트웨어 개발 과정 전반에 활용하고 효율성 개선을 위한 종합적인 전략을 수립함으로써 가능하다.

이러한 종합적인 접근 방식은 크게 세 가지 차원으로 나눌 수 있다: 올바른 작업에 집중하기, 신속하고 높은 품질의 실행 보장하기, 그리고 리소스 비용 최적화하기이다.

첫 번째로, 올바른 작업에 집중하는 것이 효율성을 높이는 가장 빠른 방법이다. 이를 위해서는 제품과 시장 전반에 걸쳐 투자를 전략과 일치시키고, 제품별 비용 대 수익 비율을 고려해야 한다. 또한 새로운 개발, 제품 개선, 유지 보수, 기술 부채, 품질 간의 자원 할당 균형을 맞추고, 제품 전략을 개발자의 일상 업무 우선순위와 연결하는 것이 중요하다.

두 번째로, 신속하고 높은 품질의 실행을 보장하는 것이 필요하다. 여기에는 AI의 잠재력을 최대한 활용하는 것뿐만 아니라, 지속적인 통합과 배포, 그리고 현대적인 아키텍처 유지도 포함된다. 예를 들어, 인튜이트(Intuit)는 AI를 코드 생성 외에도 개발자 지원 문서 분석, 로그 분석 등에 활용하여 개발 속도를 크게 높였다. 또한 자동화된 테스팅을 통해 새 코드의 안전성을 확인하고, 지속적인 통합과 배포로 리스크를 효과적으로 관리할 수 있다. 모듈식 아키텍처를 통해 제품을 쉽게 적응하고 개선할 수 있으며, 이는 기술 부채를 피하는 데 도움이 된다.

세 번째로, 리소스 비용을 최적화하는 것이 중요하다. 비슷한 속도와 품질로 운영되는 두 소프트웨어 개발 조직이라도 각 조직의 모델과 인재 구조에 따라 매우 다른 비용 프로필을 보일 수 있다. 지리적 위치, 외주 수준, 시니어 엔지니어와 다른 팀원의 비율, 다양한 기능의 역할 등이 비용을 결정하는 요소이다.

마지막으로, 이러한 노력의 영향을 측정하는 것도 중요하다. 많은 기업들이 기준 효율성을 이해하고 새로운 이니셔티브의 개선 사항을 측정하는 데 어려움을 겪고 있다. 효과적인 측정 시스템을 구축하려면 맞춤형 접근 방식과 집중된 관심이 필요하다. 과부하를 피하기 위해 고위 경영진 수준에서는 3-5개의 KPI, 엔지니어링 리더십 수준에서는 최대 10개의 KPI를 목표로 하는 것이 좋다. 계층화된 시스템을 통해 다양한 그룹의 다른 요구 사항을 해결할 수 있으며, 효율성을 측정하기 위한 전용 엔지니어링 생산성 도구는 필수적인 요소이다.

결론적으로, 소프트웨어 개발에서 의미 있는 개선이 가능하지만, 이는 단순히 생성형 AI 코딩 도구를 도입하는 것 이상의 노력이 필요하다. 효율성을 높이고, 실행을 개선하며, 비용을 최적화하는 투자는 일관되게 효과를 보이며, 이는 R&D나 기타 소프트웨어 개발 조직에게 가치 있는 노력이 될 것이다.

기사에 인용된 리포트 원문은 링크에서 확인할 수 있다.

기사는 클로드 3.5 Sonnet과 챗GPT-4o를 활용해 작성되었습니다. 

관련 콘텐츠 더보기