개발자가 코드를 직접 쓰는 데 들이는 시간은 하루의 14%입니다. 나머지 86%를 그대로 둔 채 그 14%만 두 배 빨라진다면, 하루에서 줄어드는 시간은 7%뿐이죠.

ACM Queue에 실린 논문이 이 계산에서 출발합니다. Microsoft 연구자 다섯 명과 빅토리아대 교수 한 명이 대규모 연구와 인터뷰, 현장 관찰을 모아 생성형 AI와 소프트웨어 공학을 둘러싼 통념 여덟 가지를 검증했죠. 회의적인 글은 아니고, 증거가 어디까지 말해주는지를 정리한 쪽에 가깝습니다.

출처: Eight Myths on Software Engineering and GenAI – ACM Queue

코딩은 하루의 14%다

2025년 Microsoft에서 450명 넘는 엔지니어를 관찰한 연구가 이 숫자를 냈습니다. 좋은 날에는 18%, 나쁜 날에는 11%였죠. 좋은 하루와 나쁜 하루를 가르는 폭이 그만큼 얇다는 얘기입니다.

나머지 시간은 설계와 회의, 스탠드업, 계획, 코드 리뷰로 가죠. 논문이 인용한 한 개발자의 말이 상황을 요약합니다. 코딩은 한 축일 뿐이고 설계와 회의에 더 많은 시간이 간다는 것.

병목은 타이핑이 아니었다

그래서 두 번째 통념이 흔들립니다. 코드 작성이 병목이라는 전제죠. 개발 주기는 가장 느린 단계의 속도로 흐르는데, 코딩은 대체로 그 단계가 아닙니다.

숫자를 놓고 보면 한계가 분명해집니다. 코딩이 하루의 14%라면, 그 시간을 통째로 0으로 만들어도 줄어드는 건 14%가 전부죠. 나머지 86%는 AI가 손대지 않는 영역이라 그렇습니다. 두 배 빨라지는 정도라면 절감은 그 절반인 7% 안팎에 그치죠.

오히려 부작용이 생깁니다. 코드가 빨리 나오면 리뷰하고 테스트하고 통합해야 할 코드도 그만큼 늘죠. 압력이 사라지는 게 아니라 하류로 옮겨 가는 겁니다. 논문은 이를 두고 IDE 안쪽 고리는 건드렸지만 바깥 고리는 그대로 남았다고 표현하죠.

줄 수로 재면 벌어지는 일

세 번째는 측정 문제입니다. AI가 쓴 코드 줄 수를 성과 지표로 삼는 관행이죠. 2014년 연구가 이미 줄 수는 타당성 검증을 통과하지 못한다고 결론지었는데도 그렇습니다.

빌 게이츠의 비유가 논문에 인용돼 있죠. 코드 줄 수로 생산성을 재는 건 비행기 제작 진척을 무게로 재는 것과 같다는 말입니다.

진짜 문제는 지표가 행동을 바꾼다는 데 있죠. 줄 수를 좇으면 협업보다 분량이 우선되고, 설계 품질이 밀리고, 기술 부채와 보안 취약점이 함께 늘어난다는 것.

누구에게나 똑같이 듣지는 않는다

네 번째와 다섯 번째 통념은 효과의 균질성을 겨냥합니다. 연구 결과가 제각각인 이유가 여기 있죠. 큰 향상을 보고한 연구가 있는가 하면 효과가 없다는 연구도, 심지어 마이너스라는 연구도 나왔습니다.

조건이 결과를 가르죠. 익숙하고 잘 이해하는 작업일수록 이득이 크고, 낯선 작업에서는 줄어듭니다. 2025년 오픈소스 숙련 개발자를 대상으로 한 연구에서는 AI 도구가 구현 시간을 평균 18% 늘렸죠.

프롬프트 자체도 변수죠. 뜻이 같은 문장으로 바꿔 썼을 뿐인데 46%의 경우 다른 코드가 나왔고, 28%는 정답 여부까지 달라졌습니다. 경력이 길수록 프롬프트를 잘 쓴다는 자신감이 오히려 낮아진다는 관찰도 함께 실렸죠.

10배 개발자 신화도 같은 자리에서 걸립니다. 통제된 실험에서 나온 55% 향상 같은 숫자는 고립된 작업의 결과죠. 실제 개발은 조율과 협업, 지식 공유 위에서 돌아가는데 그 부분은 측정에 들어오지 않습니다.

도구를 쥐여줘도 손이 안 가는 이유

일곱 번째 통념은 채택에 관한 것입니다. 성능이 좋으면 알아서 쓰게 된다는 생각이죠. 숫자는 다른 얘기를 합니다. 개발자의 80%가 이 도구들을 쓰지만, 정확도를 신뢰한다는 응답은 29%에 그쳤죠.

AI 출력을 디버깅하는 데 직접 쓰는 것보다 시간이 더 든다는 보고도 나옵니다. 약속된 생산성이 인지 부담으로 되돌아오는 셈.

사회적 장벽도 있습니다. 최근 연구는 여성과 나이 많은 엔지니어가 AI를 쓸 때 역량 페널티를 겪는다고 보고했죠. 결과물이 똑같아도 AI를 썼다는 이유로 더 박한 평가를 받는다는 겁니다. 여기에 탈숙련 우려와 학습 시간 부족이 겹칩니다.

이 논문이 개인에게 남기는 것

논문의 뒷부분은 조직 쪽을 향합니다. 도구를 사주는 것만으로는 생산성이 오르지 않고 시스템과 절차를 다시 짜야 한다는 주장이죠. 스타트업 속도를 대기업이 낼 수 있다는 기대도 규제와 레거시, 신뢰성 요구를 빼놓은 계산이라고 봅니다.

개인 입장에서 건질 건 다른 쪽입니다. AI를 쓰는데 왜 내 생산성은 기대만큼 안 오르나, 이 질문에 논문이 구체적인 답을 주죠. 애초에 AI가 닿는 면적이 하루의 14%였고 그 바깥은 그대로였던 겁니다.

판단 기준도 하나 남죠. 지금 AI에 맡기는 작업이 익숙한 반복 작업인가, 아니면 낯설고 창의적인 쪽인가. 연구가 말하는 이득의 크기는 그 자리에서 갈립니다.