AI 코딩 에이전트가 코드는 늘려도 소프트웨어 산출은 못 늘린다

AI 코딩 에이전트를 도입하면 코드 생산량은 확실히 늘어난다. 문제는 그렇게 늘어난 코드가 소프트웨어 산출량으로 이어지지 않는다는 점이다. 하버드대 연구진이 실제 기업들의 개발 데이터를 대규모로 분석한 결과, 코드 생성 단계에서 얻은 효율이 이후 코드 리뷰 단계에서 거의 그대로 상쇄되는 것으로 나타났다.

연구진은 엔지니어링 팀의 세부 산출물을 측정하는 젤리피시(Jellyfish)의 집계 데이터를 활용했다. 2021년부터 2026년 3월까지 700개 이상 소프트웨어 개발 기업, 70만 명이 넘는 직원이 남긴 3억 건 규모의 개별 작업 이벤트(커밋, 풀 리퀘스트 등)와 이슈 관리 소프트웨어 데이터가 분석 대상이다. 각 기업이 AI 코딩 어시스턴트와 AI 코딩 에이전트를 언제 워크플로에 들여왔는지는 직접 측정한 사용량과 GitHub 활동 분석을 함께 활용해 추정했고, 도입 전후를 비교하는 이중차분 회귀 분석을 적용했다.

수치는 뚜렷하다. AI 코딩 에이전트를 도입한 기업에서는 전체 생성 코드 라인 수가 평균 30% 늘었고, 커밋 수는 20%, 풀 리퀘스트 수는 23% 증가했다. 반면 Jira 같은 도구로 추적되는 이슈와 에픽, 즉 실제 소프트웨어 기능 단위의 해결률은 통계적으로 유의미한 변화를 보이지 않았다. 이슈의 규모나 복잡도 구성이 달라진 흔적도 없었다.

격차의 원인은 코드 리뷰에 있다. 풀 리퀘스트가 제출된 뒤 코드베이스에 병합되기까지 걸리는 평균 리뷰 시간은 AI 에이전트 도입 후 49% 늘어났다. 세부 지표도 같은 방향을 가리킨다. 수정을 요구받은 풀 리퀘스트의 비중은 거의 두 배로 뛰었고, 풀 리퀘스트당 코멘트 수는 35% 증가했다. 리뷰를 담당하는 인력의 비중은 14% 늘었지만, 전체 활성 인력과 링크드인 데이터를 교차 확인한 결과 AI로 인한 유의미한 고용 변화는 확인되지 않았다.

AI가 리뷰 자체를 도울 여지도 있지만 현재로서는 영향이 미미하다. 2026년 3월 기준으로 측정 대상 기업의 80%가 어떤 형태로든 AI 코드 리뷰를 쓰고 있었으나, AI 에이전트가 작성한 리뷰 코멘트는 전체의 23.3%, AI가 처리한 풀 리퀘스트는 10.8%에 그쳤다. 리뷰 작업의 대부분은 여전히 사람이 맡고 있다는 뜻이다.

개발자 입장에서 달라지는 것은 병목의 위치다. 코드를 타이핑하는 시간이 줄어든 만큼 검토하고 판단하는 시간이 늘어나면서, 리뷰가 전체 파이프라인의 처리량을 결정하는 단계로 부상한다. 에이전트가 만든 코드를 그대로 통과시키지 않으려면 리뷰어의 부담이 커질 수밖에 없고, 리뷰 자동화나 정적 분석, 테스트 커버리지 같은 하류 장치에 투자하지 않으면 생성 속도 향상이 팀 단위 성과로 전환되기 어렵다.

다만 이 결과를 현재 시점의 스냅샷으로 읽을 필요는 있다. 분석 데이터는 2026년 3월에 끊겼고, 그 이후에도 코딩 에이전트의 출력 품질은 여러 차례 개선됐다. 연구에 포함된 기업의 95%가 에이전트를 도입한 상태지만, 어떤 문제에 어떻게 투입할지에 대한 학습은 진행 중이다. 코딩 시간과 리뷰 시간 사이의 맞교환이 팀의 경험 축적에 따라 개선될 여지도 남아 있다.