AI가 코드를 빨리 쓰면, 리뷰는 어디서 막히는가

제일 먼저 든 생각

AI 코딩 도구를 조직에 넣을 때 가장 유혹적인 숫자는 “생산성이 몇 배가 됐는가”다. 이 논문은 그 숫자가 실제로 커질 수 있음을 보여주지만, 동시에 숫자 뒤의 병목이 어디로 이동하는지도 같이 보여준다. 코드는 더 빨리 쓰이는데, 사람이 읽고 판단해야 하는 리뷰 흐름은 같은 속도로 늘어나지 않는다.

논문은 한 중견 B2B 소프트웨어 기업의 “2× mandate” 사례를 다룬다. 2024년 1월부터 2026년 4월까지 802명의 개발자와 196,212건의 풀 리퀘스트(pull request)를 추적했고, 2026년 4월에는 개발자 1인당 병합 PR 수가 도입 전 기준의 2.09배에 도달했다고 보고한다. 다만 저자들은 사용 강도가 무작위로 배정된 것이 아니므로, 이를 단순한 인과 효과로 읽기보다 AI 채택과 누적 사용이 강하게 관련된 현장 증거로 읽어야 한다고 조심스럽게 말한다.

이 논문의 흥미로운 지점은 “AI가 빨랐다”가 아니라, 빨라진 코드가 리뷰·검토·병합이라는 조직 흐름을 다시 압박했다는 점이다.

2배 성과는 한 지점의 승리가 아니다

논문 초록에서 가장 강한 문장은 이 부분이다.

“1인당 처리량은 결국 두 배가 되었고, 2026년 4월에는 의무 도입 이전 기준의 2.09배에 도달했다.”

“per-capita throughput eventually doubled, reaching 2.09× the pre-mandate baseline in April 2026”

여기서 중요한 것은 “eventually”다. 의무 도입 선언만으로 바로 두 배가 된 것이 아니라, 사용이 누적되고 조직이 AI 코딩 도구를 받아들이는 시간이 지나며 변화가 나타났다는 뜻이다. 논문은 mandate를 직접 원인으로 단정하지 않고, 채택을 촉발한 계기(catalyst)에 가깝게 본다.

업무 설계 관점에서는 이 차이가 크다. “도구를 전사 배포하면 생산성이 오른다”가 아니라, “도구 사용을 실제 업무 루틴에 붙이고, 사람들이 반복해서 쓰는 시간이 쌓일 때 성과 지표가 움직일 수 있다”에 가깝다. 그래서 AI 도입 성과를 볼 때는 라이선스 수나 사용률만이 아니라, 어떤 작업 단위에서 사용이 누적되는지, 기존 품질 게이트가 어디서 버티고 있는지를 같이 봐야 한다.

자동화는 리뷰 업무를 없애지 않고 재배치한다

더 실무적인 대목은 리뷰다. 논문은 AI 채택 이후 코드 리뷰가 자동화 중심으로 재구성되었다고 쓴다. 리뷰어 1인당 부담은 대략 두 배가 되었고, 자동 리뷰가 인간 리뷰를 넘어섰으며, 병합률과 되돌림(revert) 비율은 유지되었다고 보고한다.

“도입은 코드 리뷰를 자동화 중심으로 재구성했다. 리뷰어당 부하는 대략 두 배가 되었고 자동 리뷰가 인간 리뷰를 앞질렀다.”

“Adoption also restructured code review around automation: per-reviewer load roughly doubled and automated review overtook human review”

이 문장을 읽고 나면 AI 도입의 KPI를 조금 바꿔야 한다. PR 수가 늘었다면 그다음 질문은 “리뷰 체계가 견딜 수 있는가”다. 코드 작성 속도만 빠르게 만들면 병목은 작성자에서 리뷰어, 테스트, 릴리즈 승인, 운영 모니터링으로 이동한다. 특히 리뷰어가 늘어난 산출물을 감당하지 못하면 자동 리뷰 품질, 룰셋, 예외 처리, 최종 책임 배분이 새 성과관리 문제가 된다.

원문 첫 페이지. 논문은 AI 코딩 도구의 현장 도입을 단발 실험이 아니라 조직의 다년간 운영 데이터로 따라간다.

내 일에 붙여본다면

Deciflow식으로 옮기면, AI 도입 리포트는 “몇 시간을 아꼈다”에서 끝나면 안 된다. 적어도 네 가지를 같이 봐야 한다.

• 산출량: PR, 문서, 분석 리포트처럼 실제 업무 산출물이 얼마나 늘었는가?
• 검토 부하: 늘어난 산출물이 누구의 리뷰 시간으로 이동했는가?
• 품질 신호: 병합률, 되돌림, 재작업, 장애, 고객 문의가 같이 안정적인가?
• 학습 누적: 처음 쓰는 사람과 오래 쓴 사람 사이에 사용 경험의 차이가 나타나는가?

작게 실험한다면 한 팀의 AI 코딩/문서화 도입을 볼 때, “작성 시간 절감” 대신 “작성-리뷰-수정-승인” 전체 흐름의 리드타임을 재면 좋겠다. AI가 앞단을 빠르게 만들어도 뒤쪽 리뷰가 막히면 조직 전체의 속도는 덜 오른다.

조심해서 읽을 점

이 연구는 한 기업 사례에 기반하고, AI 사용 강도가 무작위로 배정된 실험은 아니다. 그래서 모든 조직에서 두 배 성과가 가능하다고 일반화하기는 어렵다. 또한 PR 수는 개발 생산성의 한 지표일 뿐, 제품 가치나 장기 유지보수성을 모두 설명하지 않는다.

그래도 남는 질문은 선명하다. AI가 일을 빨리 끝내게 만들수록, 조직은 사람이 어디서 판단하고 검토할지를 더 정교하게 설계해야 한다. 생산성 도구를 넣는 일은 곧 리뷰 시스템을 다시 짜는 일이다.

원문 정보

• 제목: AI Writes Faster Than Humans Can Review: A Longitudinal Study of an Enterprise 2x Mandate
• 저자: Hao He, Shyam Agarwal, Yegor Denisov-Blanch, Pavel Azaletskiy, Sanmi Koyejo, Bogdan Vasilescu
• 연도/게시일: 2026
• 게재/출처: arXiv
• arXiv: 2607.01904v1
• PDF: https://arxiv.org/pdf/2607.01904

원문 논문: AI Writes Faster Than Humans Can Review: A Longitudinal Study of an Enterprise 2x Mandate