에이전트 시대에 풀스택으로 전환해야 될까라는 고민을 들어서 조사했다 by 클로드 코드

에이전트 시대에 풀스택으로 전환해야 하는지를 묻는 고민을 듣고 관련 공개 자료를 모았습니다. 코딩 에이전트가 보급되면서 프런트엔드, 백엔드, 인프라, 디자인, 기획으로 나뉘어 있던 직군의 경계가 달라지고 있는지를 다룬 자료가 있습니다. AI 개발사 Anthropic이 자사 엔지니어와 연구자를 조사한 2025년 12월 보고서에는 자신의 주 영역 밖에서 일하게 되었다는 응답이 나오고,¹ 2026년 10월 보고서에는 기술 직군 안에서 커밋을 하지 않는 직원의 비중이 1년 사이 거의 절반으로 줄었다는 내용이 있습니다.² 이 글에서 풀스택화, 곧 풀스택으로의 전환은 한 사람이 프런트엔드, 백엔드, 인프라처럼 나뉜 여러 직군의 영역을 맡는 것을 가리킵니다.

AI 도구의 효과를 속도·품질·고용 같은 지표로 측정한 공개 연구와 보고서, 사례는 서로 다른 방향을 가리킵니다. 이 지표들이 직군 경계의 변화를 직접 측정한 것은 아닙니다. 이 글은 그 자료들을 조직, 개인, 조직 규모라는 세 관점으로 나누고, 각 관점 안의 사례와, 관점을 가로지르는 공통 자료(생산성과 속도, 분업 이론, 조직 단위와 개인 단위 자료의 대응)를 각각 하나의 케이스로 보고, 케이스별로 찬성 근거와 반대 근거(AI 도입의 보고된 이득과 부담)를 나란히 정리합니다. 각 자료의 설계, 표본, 수치, 한계를 가능한 한 구체적으로 적었고, 결론은 내리지 않습니다. 각 케이스에는 자료가 답하지 못하는 질문을 남겼습니다.

자료를 읽는 방법

인용한 자료에는 풀스택화에 대한 공통 정의나 측정 지표가 없습니다. 인용한 자료는 생산성, 업무 배분, 고용, 코드 품질처럼 서로 다른 것을 측정합니다. 분류 기준은 다음과 같습니다. 자료가 AI 도입의 결과로 보고한 이득(생산성, 처리량, 성과, 고용, 시간 절약)은 찬성 근거이고, 부담(느려짐, 품질 저하, 불안정성, 숙련 저하, 고용 감소, 신뢰 하락)은 반대 근거입니다. 여기서 찬성과 반대는 풀스택화에 대한 찬반이 아니라 AI 도입에 대해 보고된 이득과 부담을 가리킵니다.

배경 자료로 보는 경우는 다음과 같습니다. 신뢰구간이 0을 포함하거나 저자가 유의하지 않다고 한 추정치, 변화가 없거나 유지된 결과도 배경 자료입니다. 직군 경계가 얼마나 달라졌는지를 보여 주는 현황(비커밋 직원 비중, 부서 이동, 주 영역 밖 작업, 비기술 직원의 사용 비중)과 원문이 이득이나 부담으로 평가하지 않은 수치(시간 배분 등), 방향을 보고하지 않은 이론, 정책, 인식, 평가 문서도 배경 자료입니다.

‘간접’ 표기는 다음과 같습니다. 해당 케이스의 대상(집단, 주제, 규모)과 측정 대상이 다른 자료에는 ‘간접’을 붙이고 괄호에 사유를 적었습니다. 개발 직군이 아닌 집단이나 전 직종·전 산업을 대상으로 한 자료가 대표적입니다.

표기 위치는 다음과 같습니다. 분류는 자료가 아니라 결과 단위로 각 케이스 절의 끝에 ‘이 절의 분류’ 한 줄로만 적었고, 한 자료가 여러 방향의 결과를 보고하면 결과마다 해당하는 곳에 적었습니다. 한 자료가 여러 케이스에 등장할 때는 그 자료가 실제로 측정한 대상(개인, 팀, 저장소, 회사)을 함께 적었습니다.

자료의 성격도 섞여 있습니다. 무작위 배정 실험, 기업 데이터의 관찰 분석, 설문, 벤더가 낸 보고서, AI 개발사의 자체 보고가 모두 들어 있습니다. 벤더와 AI 개발사의 자료는 자사 제품이나 사업과 관련이 있어 본문과 각주, 표에 그렇게 표시했습니다. 수치의 단위는 자료마다 다릅니다. Stanford의 19%는 덜 노출된 직종의 추세를 따랐을 때와의 상대적 격차이지 고용의 절대 감소율이 아니고, 스킬 형성 실험의 50% 대 67%는 퀴즈 점수의 차이이며, METR의 19%는 과제 완료 시간의 증가율입니다. 같은 퍼센트라도 가리키는 대상이 다릅니다.

아래 표는 본문에서 인용하는 주요 자료의 설계와 규모를 정리한 것이며, ‘설계’ 열은 각 자료가 쓴 방법입니다.

표의 용어를 풀이합니다. 이중차분은 처치군과 대조군의 변화를 비교하는 방법이고, 회귀불연속은 처치 기준선 바로 위와 아래를 비교하는 방법입니다. 사전등록은 연구 설계를 데이터 수집 전에 공개해 두는 방식이고, 텔레메트리는 개발 도구에서 자동 수집한 로그 데이터입니다. QJE는 Quarterly Journal of Economics, ADP는 미국의 급여 처리 회사, DORA는 DevOps Research and Assessment의 약자입니다. NBER는 미국의 민간 비영리 경제 연구 기관이고, HBS는 하버드 경영대학원(Harvard Business School)이며, METR은 AI 모델의 능력과 위험을 평가하는 비영리 연구 조직입니다.

통계 용어도 풀이합니다. 준실험은 무작위 배정 없이 처치 효과를 추정하는 설계이고, p값은 처치 효과가 없다고 가정할 때 관측된 정도 이상의 차이가 나올 확률입니다. 신뢰구간은 추정치가 놓일 것으로 보는 범위이고, Cohen’s d는 집단 간 차이를 표준편차 단위로 나타낸 효과 크기입니다.

자료	설계	규모	시기
Peng 외 (Microsoft·GitHub·MIT)	무작위 대조 실험	개발자, 단일 과제(HTTP 서버)	2023년 공개
Brynjolfsson 외 (QJE 2025)	고객지원 현장 데이터 분석	고객지원 상담원 5,179명	2025년 QJE 게재
Cui 외 (Management Science)	무작위 현장 실험 3건	개발자 4,867명	2024년 공개, 2025년 개정
Paradis 외 (Google)	무작위 대조 실험	풀타임 엔지니어 96명	2024년 공개
METR	무작위 대조 실험	개발자 16명, 과제 246개	2025년 2~6월
Dell’Acqua 외 (P&G)	사전등록 무작위 현장 실험	전문가 776명	2025년 NBER, 2026년 게재
Hoffmann 외 (HBS)	회귀불연속 준실험	개발자 약 18만 명	2022~2024
Humlum·Vestergaard	이중차분, 행정·설문 자료	근로자 25,000명, 사업장 7,000곳	2025년 공개
Brynjolfsson·Chandar·Chen (Stanford)	급여 행정 자료 관찰 분석	ADP 수백만 명	~2026년 6월
Lichtinger·Hosseini	이중차분, 이력서·채용공고 자료	6,500만 명, 28만 개 이상 기업(2026년 5월 6일 판)	2015~2025
He 외 (카네기멜런)	이중차분, 오픈소스 저장소	도입 806곳, 대조 1,380곳	2024년 1월~2025년 3월 도입분
DORA 2025 (Google Cloud)	설문, 군집 분석(Google Cloud 발표)	약 5,000명	2025년
Faros AI	벤더 텔레메트리 상관 분석	2025년 판 개발자 1만 명 이상, 2026년 판 개발자 2.2만 명	2026년 2분기 판은 2년치
Anthropic 스킬 형성 실험	무작위 대조 실험(AI 개발사 자체 연구)	52명, 대부분 주니어	2026년 1월 공개
Anthropic 내부 보고 두 건	설문, 인터뷰, 로그(AI 개발사 자체 보고)	2025년 12월 보고서의 설문 132명, 2026년 10월 보고서는 한 회사 자료	2025년 12월, 2026년 10월
Stack Overflow 2025	설문	49,000명 이상, 177개국	2025년

생산성과 속도 추정치의 범위

AI 도구가 속도와 생산성을 얼마나 바꾸는지는 연구마다 부호가 다릅니다. 이 절은 개발자를 대상으로 한 연구와 고객지원 상담원·여러 직종의 근로자를 대상으로 한 연구를 함께 놓고, 수치와 함께 어떤 조건에서 측정됐는지를 먼저 나란히 적습니다.

Peng 외의 2023년 실험에서는 개발자들에게 JavaScript로 HTTP 서버를 구현하게 했고, GitHub Copilot을 쓴 집단이 쓰지 않은 집단보다 55.8% 빠르게 끝냈습니다. 95% 신뢰구간은 21%에서 89%입니다.³

Google에서 풀타임 엔지니어 96명(조건당 48명, 93명 완료)을 대상으로 한 무작위 대조 실험은 10개 파일, 474줄 규모의 기존 변경 묶음(change list)에서 시작해 서비스 하나를 구현하고 빌드·테스트를 통과시키는 과제를 맡겼습니다. AI 집단은 코드 자동 완성, 스마트 붙여넣기, 자연어-코드 변환 기능을 썼고 평균 소요 시간은 96분으로 쓰지 않은 집단의 114분보다 짧았습니다. 통제 변수를 반영한 모형의 추정치는 약 21% 단축이며 p = 0.086으로 5% 수준에서 유의하지 않고, 로그 척도의 95% 신뢰구간은 -0.51에서 0.03입니다. 코드 관련 활동에 하루 더 많은 시간을 쓰는 개발자일수록 AI의 이득이 컸습니다.⁴

Cui 외의 세 현장 실험은 Microsoft, Accenture, 익명의 Fortune 100 기업에서 개발자 4,867명을 대상으로 했고, 무작위로 AI 도구를 배정받은 집단의 완료 과제가 배정받지 않은 집단보다 26.08%(표준오차 10.3%) 많았습니다. 논문 초록은 개별 실험마다 추정치가 불확실하다고 밝힙니다. 경력이 낮은 개발자가 도구를 더 많이 채택했고 이득도 컸습니다.⁵

반대 방향의 결과도 있습니다. METR은 자신의 프로젝트를 평균 5년 다뤄 온 숙련된 오픈소스 개발자 16명에게 246개의 실제 과제를 무작위로 배정해 AI 허용 여부를 바꿨습니다. 주로 Cursor Pro와 Claude 3.5/3.7 Sonnet을 썼고, AI를 허용한 과제가 19%(신뢰구간 +2%~+39%) 더 오래 걸렸습니다. 개발자들은 사전에 24% 단축을 예상했고 사후에도 20% 단축되었다고 인식했습니다. 경제학 전문가들은 39%, ML 전문가들은 38% 단축을 예측했습니다. 저자들은 실험 설계의 영향을 완전히 배제할 수 없다고 밝힙니다. 다만 프로젝트 규모와 품질 기준, 개발자의 AI 도구 경험 같은 20가지 속성을 검토했고 분석 전반에서 느려짐이 일관되게 나타나 실험 설계가 주된 원인일 가능성은 낮다고 주장합니다.⁶

고객지원 상담원 5,179명을 분석한 Brynjolfsson 외는 AI 도우미 도입 후 시간당 해결 건수가 평균 14% 늘었고, 초보·저숙련 상담원은 34% 늘었다고 보고했습니다. 숙련자에게는 효과가 거의 없었습니다. 같은 연구는 고객 감정 개선과 직원 유지율 상승도 보고합니다.⁷ 덴마크의 11개 직종 근로자 25,000명과 사업장 7,000곳을 분석한 Humlum과 Vestergaard는 ChatGPT 출시 2년 뒤 시점에서 챗봇 도입이 소득과 근로시간에 미친 효과가 2%를 넘는 수준은 배제된다고 보고했습니다. 같은 초록에 따르면 노출된 직종의 고용주 대부분이 챗봇 도입을 추진했고 근로자는 생산성 이득을 보고했습니다. 고용주는 주로 업무를 재구성하는 방식으로 챗봇을 흡수했고, 콘텐츠 생성, AI 감독, AI 통합 같은 새 과제가 생겼다고 합니다. 챗봇을 도입한 근로자는 챗봇과 더 관련된 고임금 직종으로 옮겨 갔지만 평균 소득을 움직일 만큼은 아니었다고 합니다.⁸

Anthropic이 자사 직원을 대상으로 한 2025년 12월 조사에서 자기 보고 기준 평균 생산성 향상은 1년 사이 20%에서 50%로 올랐습니다. 이 설문은 비익명이고 선택 편향이 있다고 저자들이 밝혔습니다. 별도로 내부 사용 자료에서는 엔지니어당 하루 병합 PR(코드 변경 제안인 풀 리퀘스트 가운데 병합된 것)이 67% 늘었으며, 비교 기간은 인용한 내용에 적혀 있지 않습니다.¹

정리하면 연구마다 과제 유형(HTTP 서버 구현, 복잡한 기업용 과제, 성숙한 프로젝트의 실제 이슈), 참가자의 숙련도(초보, 자신의 프로젝트 평균 5년 경험), 측정 대상(완료 시간, 완료 과제 수, 해결 건수, 소득)이 다릅니다. 같은 도구를 같은 사람이 서로 다른 과제에서 쓸 때 측정값은 어떻게 달라질까요.

연구마다 측정한 도구도 다릅니다. Peng 외의 실험은 GitHub Copilot을,³ METR은 Cursor Pro와 Claude 3.5/3.7 Sonnet을 썼고,⁶ 카네기멜런 연구는 2024년 1월부터 2025년 3월 사이에 Cursor 설정 파일을 저장소에 커밋한 프로젝트를 도입으로 정의합니다.⁹ Anthropic의 2025년 12월 보고서는 Claude Sonnet 4와 Opus 4가 최신 모델이던 시기에 수집되었다고 밝히고,¹ 2026년 10월 보고서는 조직 전체의 대화형 에이전트 작업 시간이 사람의 작업 시간을 넘어선 시기를 다룹니다.² Stack Overflow 설문은 도구가 아니라 도입 비율을 물었고, AI 에이전트를 쓴다는 개발자는 31%였습니다.¹⁰

이 절의 분류는 다음과 같습니다. 찬성 근거: Peng 외의 55.8% 단축, Cui 외의 경력이 낮을수록 채택·이득이 큼(주니어 절에서도 다룸), Google 실험의 코드 관련 활동 시간이 많을수록 큰 이득, Cui 외의 완료 과제 +26.08%, Anthropic 2025년 12월 보고서의 자기 보고 생산성과 병합 PR +67%, 고객지원 연구의 해결 건수 +14%·초보 +34%와 고객 감정·직원 유지율(간접: 개발자가 아님), Humlum·Vestergaard의 근로자 생산성 이득 보고(간접: 개발자에 한정되지 않은 11개 직종). 반대 근거: METR 2025년 연구의 완료 시간 +19%. 배경 자료: METR 2025년 연구의 사전 예상 24%·사후 인식 20% 단축과 전문가 예측 39%·38% 단축(혼자 만드는 사람 절에서도 다룸), Google 실험의 약 21% 단축(p = 0.086, 유의하지 않음), 고객지원 연구의 숙련자 효과 거의 없음(간접: 개발자가 아님), Humlum·Vestergaard의 소득과 근로시간에 2%를 넘는 효과 배제·업무 재구성·새 과제·고임금 직종 이동(간접: 개발자에 한정되지 않은 11개 직종), Stack Overflow의 에이전트 사용 비율, Anthropic 2025년 12월 보고서와 Anthropic 2026년 10월 보고서의 시기 서술, 카네기멜런 연구의 도입 정의(결과는 조직 수준 지표 절에서 분류).

분업 이론이 말하는 것

Becker와 Murphy는 분업의 정도를 조정 비용과 일반 지식의 양이 좌우한다고 설명합니다. 전문가가 늘수록 서로 맞추는 비용이 커지고, 일반 지식이 풍부할수록 분업이 더 깊어질 수 있다는 것입니다.¹¹ Lazear는 한 가지에 뛰어난 사람보다 여러 기술을 균형 있게 갖춘 사람이 창업으로 나아갈 가능성이 높다는 균형 스킬 이론을 세우고, 스탠퍼드 졸업생 자료로 분석했습니다.¹²

Becker와 Murphy의 틀을 AI에 적용한 2023년 초안이 있습니다. 이 초안은 동료심사를 거치지 않았으며, AI가 조정과 일반 지식을 대신하면 전문화가 더 깊어질 수 있다고 봅니다.¹³

이 절의 분류는 다음과 같습니다. 배경 자료: Becker·Murphy, Lazear, 동료심사를 거치지 않은 초안(Isztin).

조직 관점

실험과 기업 사례

P&G의 현장 실험이 있습니다. 전문가 776명을 사전등록 설계로 무작위 배정해 AI 사용 여부와 개인·팀 여부를 바꿔 본 결과, AI를 쓴 개인이 AI 없는 팀(전문가 두 사람)과 비슷한 성과를 냈고, AI 없이는 R&D 직군이 더 기술적인 해법을, 상업 직군이 더 상업적인 제안을 내는 경향이 있었습니다. AI를 쓰면 직군과 무관하게 균형 잡힌 해법이 나왔다고 합니다.¹⁴ 과제는 신제품 아이디어였고, 구현과 운영 책임은 측정하지 않았습니다. 이 논문은 2026년 6월 Organization Science에 온라인 게재되었습니다.

업무 배분을 다룬 자료도 있습니다. Hoffmann 외의 연구는 Copilot 접근 권한 부여 프로그램의 자격 기준선 바로 위와 아래에 있는 GitHub 개발자 약 18만 명을 비교하는 준실험 설계입니다. 이 연구는 Copilot 접근 권한을 받은 개발자의 시간이 프로젝트 관리 같은 협업 업무에서 개인 코딩으로 옮겨 갔다고 보고했습니다. 이 이동은 숙련도가 낮은 개발자에게서 가장 컸습니다.¹⁵

AI 사용과 인력 계획을 연결한 사례도 있습니다. Shopify는 2025년 4월 공개한 메모에서 AI 사용을 기본 기대 수준으로 두고, 인력과 자원을 더 요청하기 전에 팀이 AI로 원하는 일을 할 수 없는 이유를 보여야 한다고 했으며, 성과·동료 평가 설문에 AI 사용 문항을 넣겠다고 밝혔습니다.¹⁶

Anthropic의 2026년 10월 보고서에는 조직 전체의 대화형 에이전트 작업 시간이 2026년 3월에 처음으로 사람의 작업 시간을 넘었고, 직원이 직접 운용한 대화형 에이전트만 보면 2026년 8월에 에이전트의 작업 시간이 해당 직원 본인 작업 시간의 약 6배라는 내용이 있습니다. 같은 보고서에서 기술 직군 안에서 커밋을 하지 않는 직원의 비중은 1년 사이 거의 절반으로 줄었습니다. 보고서는 엔지니어 대 PM(제품 관리자) 비율이 약 17:1이고 이 비율이 2025년 이후 높아졌다고 적었습니다. 엔지니어 한 명당 커밋 수는 6개월 전의 약 5배입니다. 입사 1년 이상 직원이 한 달에 부서를 옮길 가능성은 2026년에 2025년보다 50% 높았습니다.²

같은 보고서의 채용 평가 항목에서 후보의 AI 도구 사용을 언급하는 평가 문서의 비율은 2024년 기준 기술 직군 약 5%, 비기술 직군 약 7%였습니다. 이 비율은 각각 약 3배, 약 4배로 늘었다고 합니다(종료 시점은 인용한 자료에 없습니다). 기술 직군 후보 평가에서는 자율성과 판단에 대한 언급이 가장 크게 늘었고 도메인 전문성이 평가에서 차지하는 비중은 줄었으며, 채용 담당자들은 후보가 여러 도메인을 오갈 수 있기를 바란다고 보고서는 전합니다(원문 표현은 fungible across domains). 비기술 직군 후보 평가에서는 고객·미션 지향이 늘고 실행 기술에 대한 언급이 줄었습니다.²

2025년 12월 보고서는 같은 회사의 변화를 더 세부적으로 보여 줍니다. 자기 보고 기준으로 1년 사이 Claude를 쓰는 비중은 업무의 28%에서 59%로, 평균 생산성 향상은 20%에서 50%로 올랐고, 응답자의 14%는 100%를 넘는 향상을 보고했습니다. 내부 트랜스크립트 분석에서 6개월 사이 작업 복잡도 평균은 1~5점 척도에서 3.2에서 3.8로, 한 번에 이어지는 도구 호출 수는 9.8회에서 21.2회로 늘었습니다. 직군 경계와 관련된 항목도 있습니다. 비기술 직원은 Claude Code를 디버깅(51.5%)과 데이터 과학(12.7%)에 쓰고 있었습니다. 이 비중은 비기술 직원의 Claude Code 사용 중 작업 유형 비중으로 읽히며, 전체 분모는 제시되지 않았습니다. 보안 팀은 낯선 코드를 분석하는 데 썼습니다. 팀별로 비교하면 Claude Code 작업 중 프런트엔드 비중이 가장 큰 팀은 Alignment & Safety(7.5%)와 Post-training(7.4%) 팀이었고, 두 팀도 비중 자체는 한 자릿수입니다.¹ 같은 보고서에는 주니어의 멘토링 영향과 감독 숙련의 유지에 관한 응답도 있으며, 이는 개인 관점에서 다시 다룹니다.

비기술 직원이 Claude Code를 디버깅과 데이터 과학에 쓰는 조직에서 그 작업의 검증은 누가 맡게 될까요.

이 절의 분류는 다음과 같습니다. 찬성 근거: P&G 실험의 개인+AI가 AI 없는 팀과 비슷한 성과·직군 편향 완화(간접: 기업 전문가), Anthropic 2025년 12월 보고서의 생산성 향상(자기 보고)과 응답자 14%의 100% 초과 향상 보고, Anthropic 2026년 10월 보고서의 엔지니어당 커밋 약 5배. 배경 자료: Hoffmann 외의 업무 배분 변화, Shopify 메모의 정책, Anthropic 2026년 10월 보고서의 현황 수치(에이전트 작업 시간, 비커밋 직원 비중, 엔지니어 대 PM 비율, 부서 이동, 채용 평가의 AI 언급·자율성과 판단·도메인 전문성 비중·후보가 여러 도메인을 오가는 능력)와 비기술 후보 평가 서술, Anthropic 2025년 12월 보고서의 현황 수치(Claude 사용 비중, 작업 복잡도, 도구 호출 수, 비기술 직원의 Claude Code 작업 유형 비중, 보안 팀과 팀별 프런트엔드 비중), 멘토링 영향과 감독의 역설 응답은 개인 관점 절에서 분류합니다.

조직 수준 지표와 품질·보안 자료

속도 자료가 갈린다는 점은 앞서 보았습니다. 조직 수준의 지표도 한쪽으로 모이지 않습니다. DORA 2025 조사는 약 5,000명의 설문에서 응답자의 90%가 업무에 AI를 쓰고 80% 넘는 응답자가 생산성이 올랐다고 믿으며 30%는 AI가 만든 코드를 거의 또는 전혀 신뢰하지 않는다고 보고했습니다. 조직 성과 쪽에서는, 2024년 조사와 달리 AI 도입이 배포 처리량 및 제품 성과와 양의 관계를 보였지만 배포 안정성과는 여전히 음의 관계였습니다. 보고서는 변경량이 늘어나는데 자동 테스트, 버전 관리, 빠른 피드백 같은 통제 장치가 약해서 이를 감당하지 못하는 것으로 설명합니다. 느슨하게 결합된 아키텍처와 빠른 피드백 루프를 가진 팀은 이득을 보고, 강하게 결합된 시스템과 느린 절차에 묶인 팀은 이득이 거의 없다고도 합니다.¹⁷

Faros AI의 텔레메트리 분석은 판마다 수치가 다릅니다. 2025년 판(개발자 1만 명 이상, 팀 1,255개)에 대한 요약은, AI 도입이 높은 팀의 개발자는 완료 작업이 21%, 병합된 PR이 98% 더 많았고 리뷰 시간이 91%, PR 크기가 154%, 개발자당 버그가 9% 늘었으며(비교 집단은 요약에 명시되지 않았습니다) 회사 수준에서는 AI 도입과 핵심 성과 지표의 상관이 사라진다고 전합니다. 2026년 2분기 판(개발자 약 2.2만 명, 팀 약 4,000개, 2년간 텔레메트리)은 같은 조직 안에서 도입이 낮은 구간과 높은 구간을 비교해 완료된 에픽(여러 작업을 묶은 큰 단위) +66.2%, 작업 처리량 +33.7%, PR 병합률 +16.2%, 주간 배포 -11.7%를 보고합니다(차트 설명은 PR 병합률의 단위를 증가율인지 퍼센트포인트인지 적지 않았습니다). 품질과 안정성 쪽으로는 코드 이탈(churn, 정의는 인용한 페이지에 적혀 있지 않음) +861%, PR 크기 +51%, PR당 버그 +28.7%, PR당 장애 +242.7%, 월간 장애 +57.9%, 리뷰 시간 중앙값 5배를 제시합니다. 두 판의 정의와 표본이 달라 수치를 섞을 수 없고, 어느 쪽도 상관 분석이며 벤더 자료입니다. 2026년 판은 도입 현황도 함께 소개하는데, 개발자의 60%가 주 1회 이상 AI 도구를 쓰고, 팀의 80%가 주간 활성 사용자 비율 50%를 넘으며, PR의 25%를 AI 에이전트가 리뷰한다고 합니다.¹⁸

코드 품질 쪽에서는 카네기멜런 연구가 있습니다. 저장소에 Cursor 설정 파일을 커밋한 806개 오픈소스 저장소를 매칭된 1,380개 대조 저장소와 비교한 결과, 추가된 코드 줄(논문이 개발 속도의 지표로 쓴 값)은 평균 처치 효과 추정치(Borusyak 외 추정량) 기준으로 28.58% 늘었고, 다른 두 추정량은 53.60%와 82.74%였습니다. 증가율은 첫 달 281.3%, 둘째 달 48.4%였고 약 두 달 지속된 뒤 유의한 증가가 사라졌습니다. 정적 분석 경고는 같은 추정량으로 30.26%, 코드 복잡도는 41.64% 늘었고 이 증가는 이후에도 남았습니다.

저자들의 동적 패널 GMM 추정(과거 값을 도구변수로 쓰는 패널 회귀)에서 복잡도가 100% 늘면 추가된 코드 줄이 64.5% 줄었고, 경고가 100% 늘면 50.3% 줄었습니다. 저자들은 자신의 모형에서 경고가 약 5배가 되거나 복잡도가 약 3배가 되면 Cursor 도입으로 늘어난 추가 코드 줄의 이득이 상쇄된다고 계산합니다. 이 임계를 이 글이 증가율로 환산하면 경고는 약 400%, 복잡도는 약 200%이고, 관측된 증가는 각각 30.26%, 41.64%입니다. 저자들은 한계로, 이 분석이 도입 여부만으로 비교한 것(의도-처치)이라 사용 강도를 알 수 없고 대조군에서도 다른 AI 도구를 썼을 수 있다고 밝힙니다.⁹

GitClear는 2020~2024년 변경된 코드 2.11억 줄을 분석해, 5줄 이상 중복 코드 블록이 2024년에 크게 늘고 복사·붙여넣기 줄이 처음으로 이동(리팩터링) 줄을 넘어섰다고 보고했습니다.¹⁹

보안 쪽 자료로 Veracode는 100개 이상의 모델에 80개 코드 완성 과제를 실행해, 과제의 45%에서 모델이 안전하지 않은 방식으로 완성했다고 보고했습니다. 언어별로는 각 언어 과제 중 Java가 70%를 넘고 Python, C#, JavaScript가 38~45%였으며, 취약점 유형별로는 해당 유형 과제 중 크로스사이트 스크립팅이 86%, 로그 인젝션이 88%에서 안전하지 않은 쪽을 택했습니다. 과제는 미국의 비영리 연구 조직 MITRE가 관리하는 소프트웨어 취약점 유형 분류(CWE, Common Weakness Enumeration)상 취약해질 가능성이 알려진 코드 완성 상황으로 설계되었고, 모델이 안전한 방식과 안전하지 않은 방식 중 어느 쪽으로 완성하는지를 Veracode Static Analysis로 분석했습니다. 보도자료는 큰 모델이 작은 모델보다 유의하게 낫지 않았고 모델 출시 시기별 보안 통과율도 거의 변하지 않았다고 설명합니다. 벤더가 설계한 합성 과제의 결과이며 실제 코드베이스의 비율은 아닙니다.²⁰

개발자 설문도 있습니다. Stack Overflow 2025 설문(49,000명 이상, 177개국)에서 AI 도구를 쓰거나 쓸 계획인 개발자는 84%(2024년 76%)지만, 신뢰도 질문에 답한 응답자 중 출력의 정확도를 신뢰하지 않는다는 비율은 46%로 2024년의 31%보다 높아졌고, AI 도구를 쓰며 겪은 불만을 고르는 복수 선택 질문에서는 전체 응답자의 45%가 “AI 생성 코드 디버깅이 시간이 더 든다”를 골랐습니다. AI 에이전트를 쓰는 개발자는 31%이고, 에이전트 사용자의 69%가 에이전트가 생산성을 높였다는 데 동의했습니다. AI가 대부분의 코딩을 하게 된다면 어떤 상황에서 여전히 다른 사람에게 도움을 구하겠느냐는 복수 선택 질문(전체 응답자 대상)에서는 “AI의 답을 신뢰하지 못할 때”가 75.3%였습니다. AI 출력의 정확도를 매우 또는 다소 신뢰한다는 응답(신뢰도 질문 응답자 중 합산)은 인도 56%, 우크라이나 41%, 이탈리아 31%, 네덜란드와 미국 28%, 폴란드 26%, 캐나다와 프랑스 25%, 영국 23%, 독일 22%로 나라별 차이가 컸습니다.¹⁰

개발자 경험 조사도 있습니다. Atlassian의 2025년 조사는 개발자와 관리자 3,500명(6개국)을 대상으로 했고, 아래 비율은 원문이 개발자를 기준으로 적은 것입니다. 개발자의 99%가 AI로 시간을 절약한다고 했고 68%는 주 10시간 넘게 절약한다고 답했습니다. 동시에 50%는 조직의 비효율 때문에 주 10시간 이상을 잃는다고 답했고(90%는 주 6시간 이상), 63%는 리더가 개발자의 어려움을 이해하지 못한다고 답해 2024년의 44%보다 늘었습니다.²¹ 위 항목 가운데 조직 비효율로 인한 손실 시간과 리더의 이해 부족은 Atlassian이 AI가 아니라 조직 요인으로 설명한 항목입니다.

통제 쪽에서는 작성자와 승인자를 분리하는 직무 분리를 다룬 한 벤더 블로그가 있습니다. 해당 블로그는 에이전트가 만들고 같은 에이전트가 검증한 변경을 독립 검토로 보기 어렵다고 논의하며, 감사 기준의 공식 해석은 인용한 자료에 없습니다.²²

처리량 지표가 오른 팀과 안정성 지표가 나빠진 팀은 같은 팀일까요, 다른 팀일까요.

이 절의 분류는 다음과 같습니다. 찬성 근거: DORA의 생산성 향상 인식 80% 넘음·처리량과 제품 성과의 양의 관계, Faros 2025년 판의 완료 작업·병합 PR 증가, Faros 2026년 판의 에픽·작업 처리량·PR 병합률 증가, 카네기멜런 연구의 추가 코드 줄 증가(약 두 달), Stack Overflow의 에이전트 사용자 69%의 생산성 향상 동의, Atlassian의 AI 시간 절약 응답 99%와 주 10시간 넘게 절약 68%. 반대 근거: DORA의 안정성 음의 관계와 코드 신뢰 낮음 30%, Faros 2025년 판의 리뷰 시간·PR 크기·버그 증가, Faros 2026년 판의 주간 배포 감소·코드 이탈·PR 크기·버그·장애·리뷰 시간 증가, 카네기멜런 연구의 경고·복잡도 증가와 속도 이득 상쇄 임계, GitClear의 중복·복사 붙여넣기 증가와 이동 코드 감소, Veracode의 안전하지 않은 완성 45%, Stack Overflow의 불신 46%·디버깅 부담 항목 선택 45%·AI 답을 신뢰하지 못할 때 사람에게 도움을 구하겠다는 응답 75.3%. 배경 자료: DORA의 AI 사용 90%·아키텍처 서술, Faros 2025년 판의 회사 수준 상관 없음과 2026년 판의 도입 현황, Stack Overflow의 사용 비율 84%·에이전트 사용 31%·국가별 신뢰율, Atlassian의 조직 비효율 손실과 리더 이해 부족(AI 요인이 아님), 직무 분리를 다룬 벤더 블로그.

운영 책임을 개발자에게 넘긴 사례

개발자에게 운영 책임을 넘긴 사례로 Amazon이 내세운, 만든 사람이 운영한다는 원칙(2006년 인터뷰)이 있습니다.²³ Netflix는 2018년 글에서 풀사이클 개발자 모델을 설명하며, 운영 책임을 개발자에게 넘기는 동시에 교육, 셀프서비스 도구, 그리고 클라우드 플랫폼·성능·엔지니어링 도구를 맡는 중앙 팀을 함께 제공했다고 밝혔습니다. 도입 이유로는 개발과 운영, 사이트 신뢰성 엔지니어(SRE) 사이의 소통과 지식 전달에서 정보가 손실되고 디버깅과 파트너 질문에 왕복이 늘었다는 점을 듭니다. 풀사이클 개발자는 소프트웨어 엔지니어, 테스트 개발 엔지니어(SDET), SRE처럼 생각하고 행동하는 사람으로 정의되며, 신규 입사자를 포함한 개발자에게 부트캠프와 지속 교육을 제공했다고 합니다.²⁴ 이와 별개로 DORA 2025는 자체 데이터에서 조직의 90%가 플랫폼을 하나 이상 도입했다고 보고하며(약 5,000명의 설문 응답 기반), 고품질 내부 플랫폼이 조직이 AI의 가치를 끌어내는 능력과 직접 상관된다고 설명합니다.¹⁷

범위를 넓힌 개인에게 조직이 기대하는 것과 교육·도구·플랫폼 같은 지원 사이의 관계를 보고한 자료는 인용한 자료에 없습니다. 직군 경계를 조정한 조직에서 개발자가 맡은 운영 책임은 어떤 지원과 함께 설계될 수 있을까요.

이 절의 분류는 다음과 같습니다. 배경 자료: Amazon의 원칙, Netflix 사례, DORA의 플랫폼 도입 현황과 플랫폼 품질-AI 가치 상관.

개인 관점

주니어

초보 상담원과 경력이 낮은 개발자의 효과, 주니어의 업무 범위를 다룬 자료가 있습니다. 고객지원 연구에서 초보 상담원의 시간당 해결 건수는 34% 늘었고, Cui 외의 개발자 실험에서는 경력이 낮을수록 채택과 이득이 컸습니다. Anthropic 내부 조사(설문 132명, 인터뷰 53명, 내부 트랜스크립트 20만 건)는 주니어에 한정되지 않은 엔지니어와 연구자 전반의 응답이며, 응답자 선택 편향을 저자들이 밝혔습니다. 이 조사에서 엔지니어들은 자신의 주 영역 밖인 프런트엔드와 데이터베이스, API 코드 쪽 작업을 하게 됐다고 답했고, 직원들은 Claude를 쓴 작업의 27%가 Claude 없이는 하지 않았을 작업이라고 추정했습니다.¹

학습과 고용을 다룬 자료도 있습니다. Anthropic은 주 1회 이상 1년 넘게 파이썬을 써 온 52명(대부분 주니어)을 무작위로 나눠 낯선 비동기 라이브러리 Trio로 두 가지 기능을 구현하게 한 뒤 이해도 퀴즈를 풀게 했습니다. 실험은 워밍업, 본 과제, 이해도 퀴즈의 세 부분이었고, AI 집단에는 참가자의 코드에 접근할 수 있고 요청하면 정답 코드를 만들어 주는 사이드바 AI 도우미가 주어졌습니다. AI를 쓴 집단의 퀴즈 평균은 50%, 쓰지 않은 집단은 67%였고(효과 크기 Cohen’s d = 0.738, p = 0.01), 두 평균의 차는 17점이며 원문은 이를 17% 낮다고 표기합니다. 격차는 디버깅 문항에서 가장 컸습니다. AI 집단은 평균 약 2분 빨리 끝냈지만 통계적으로 유의하지 않았습니다. 일부 참가자는 최대 11분(원문 표기로는 전체 허용 시간의 30%)을 AI 도우미에 보낼 최대 15개의 질문을 작성하는 데 썼다고 합니다.

저자들은 AI 집단 참가자 중 유형으로 분류된 24명의 상호작용 방식을 화면 녹화로 질적 분석했습니다. 퀴즈 평균이 40% 미만인 낮은 점수 유형은 전적인 위임(n=4), 점진적 의존(n=4), 반복적 AI 디버깅(n=4)입니다. 평균 65% 이상인 높은 점수 유형은 생성 후 이해(n=2), 코드 설명 혼합(n=3), 개념 질문(n=7)입니다. 전적인 위임 유형이 과제를 가장 빠르게 끝냈고, 개념 질문 유형은 높은 점수 유형 중 가장 빠르며 전체로는 전적인 위임 다음으로 빨랐다고 합니다. 저자들은 이 질적 분석이 상호작용 유형과 학습 결과 사이의 인과를 주장하지 않는다고 밝힙니다.

저자들은 한계로 표본이 비교적 작고, 퀴즈가 과제 직후의 이해도를 측정했으며, 직후 퀴즈 성적이 장기적인 숙련 발달을 예측하는지는 이 연구로 알 수 없다고 밝힙니다. 또 이 실험의 설정이 Claude Code 같은 에이전트형 제품과 다르며, 그런 제품이 숙련 발달에 미치는 영향은 더 클 것으로 예상한다고 적었습니다.²⁵

고용 자료로는 Stanford 연구가 있습니다. ADP 급여 자료를 쓴 이 연구의 2026년 8월 개정판은 생성형 AI 보급 이후 AI에 노출된 직종에서 22~25세 고용이 덜 노출된 직종의 동년배 추세를 따랐을 때보다 19% 낮다고 보고합니다(2025년 11월 판은 16%). 경력자에게서는 비슷한 격차가 없습니다. 격차는 퇴사 증가가 아니라 청년 신규 채용 감소를 통해 나타나며, AI가 주로 업무를 대체하는 직종에서 집중됩니다. AI가 업무를 보완하는 직종에서는 고용이 유지되거나 늘었습니다. 기술 기업과 컴퓨터 직종을 제외해도, 금리 노출과 원격근무 가능성을 통제해도, AI 노출 지표를 바꿔도 격차는 유지됩니다. 저자들은 이 결과가 초기의 서술적(descriptive) 지표이며 인과 추정이 아니고, 교육 수준을 통제하면 패턴이 약해지며 일부는 생성형 AI 이전부터의 추세와 겹친다고 밝힙니다.²⁶

Lichtinger와 Hosseini는 이력서와 채용공고 자료로 AI 통합 직무 공고를 낸 기업을 도입 기업으로 분류하고, 2023년 1분기부터 도입 기업의 주니어 고용이 비도입 기업보다 크게 줄었고 시니어 고용 추세는 대체로 변하지 않았다고 보고했습니다. 이 감소는 이직 증가보다 채용 둔화에서 나오고 생성형 AI에 가장 많이 노출된 직종에 집중됩니다. 출신 대학의 명성 수준별로는 중간 수준 대학 출신 주니어의 상대적 감소가 가장 크고 가장 높은 수준과 가장 낮은 수준 대학 출신은 가장 작았다고 합니다.²⁷

Anthropic의 2026년 10월 보고서에서는 2025년 초 이후 기술 직군의 주니어 비중이 21%에서 14%로, 기술 직군 채용 중 주니어 비중이 27%에서 9%로 내려갔습니다.² 2025년 12월 보고서의 설문과 인터뷰에는 주니어가 질문을 덜 가져와 멘토링에 영향이 있다는 시니어의 응답도 있습니다.¹

학습 경로 자료도 있습니다. Stack Overflow 설문에서 지난 1년 사이 코딩을 어떻게 배웠는지 묻는 복수 선택 질문에 AI 도구라고 답한 비율은 44%로 2024년의 37%보다 늘었고, 학습 자원으로는 기술 문서(68%), 온라인 자료(59%), Stack Overflow(51%)가 여전히 상위지만 모두 2024년보다 낮아졌습니다. 18~24세 응답자는 코딩 챌린지(39%)와 사람과의 채팅(37%)을 전체 평균(각각 30%, 27%)보다 많이 쓴다고 합니다.¹⁰

이 절의 자료는 서로 다른 대상과 방법을 쓰고, 자료들 사이의 인과를 분석한 연구는 인용한 자료에 없습니다. 주니어와 경력자의 기준도 자료마다 달라 공통 정의가 없고, Stanford 자료에서 22~25세와 비교한 경력자 집단의 연령 기준은 인용한 요약에서 확인하지 못했습니다. 주니어의 업무 범위와 숙련 형성 경로는 어떤 기준으로 정해질까요.

이 절의 분류는 다음과 같습니다. 찬성 근거: 고객지원 연구의 초보 상담원 +34%(간접: 개발자가 아님), Cui 외의 경력이 낮을수록 큰 이득, Anthropic 2025년 12월 보고서의 27% 추정(간접: 엔지니어와 연구자 전반). 반대 근거: 스킬 형성 실험의 퀴즈 50% 대 67%, Stanford의 22~25세 고용 격차(간접: 전 직종), Lichtinger·Hosseini의 주니어 고용 감소(간접: 전 직종), Anthropic 2026년 10월 보고서의 주니어 비중과 채용 비중 감소, Anthropic 2025년 12월 보고서의 멘토링 영향 응답. 배경 자료: Anthropic 2025년 12월 보고서의 주 영역 밖 작업 응답(현황, 간접: 경력 구분 없는 엔지니어·연구자 전반), Stanford의 경력자 고용 격차 없음·AI 보완 직종 고용 유지·증가(시니어 절에서 분류)와 강건성 확인(간접: 전 직종), Lichtinger·Hosseini의 시니어 고용 불변과 대학 수준별 차이(간접: 전 직종, 시니어 절에서도 다룸), 스킬 형성 실험의 작업 시간(비유의)과 상호작용 유형, Stack Overflow의 학습 경로 조사.

시니어

이 절은 경력과 근속을 기준으로 한 자료와 에이전트 산출물을 판정하는 숙련에 관한 자료를 다룹니다. 이 절에서 인용하는 경력 구분 자료는 고객지원 연구, Cui 외의 개발자 실험, Stanford 분석, Lichtinger·Hosseini의 분석이고, Anthropic의 이동 수치는 근속 1년 이상 기준입니다. 고객지원 연구에서 숙련 상담원에게는 효과가 거의 없었습니다.⁷ Cui 외는 경력이 낮을수록 채택과 이득이 컸다고 보고했습니다.⁵ Stanford 자료에서 경력자는 청년과 같은 격차를 보이지 않았고, AI가 업무를 보완하는 직종에서는 고용이 유지되거나 늘었는데 특히 경력자에게서 그랬다고 합니다.²⁶ Lichtinger·Hosseini는 도입 기업에서 시니어 고용 추세가 대체로 변하지 않았다고 보고했습니다.²⁷ 고객지원 연구는 숙련자에게 효과가 거의 없었다는 측정을, Stanford 자료는 경력자 고용의 유지를 보여 주며, 두 자료 모두 판정 능력을 직접 측정한 것은 아닙니다. Anthropic의 부서 간 이동 수치와 채용 담당자 서술은 조직 관점 절에서 다룬 같은 보고서의 내용입니다.²

감독 숙련의 유지에 관한 자료가 있습니다. 경력 구분 없이 엔지니어와 연구자 전반을 대상으로 한 Anthropic의 내부 조사에서 엔지니어들은 “감독의 역설”을 지적했습니다. 에이전트를 감독하려면 코딩 실력이 필요한데 위임이 늘수록 그 실력이 줄 수 있다는 것입니다. 일부는 일부러 AI 없이 연습하고, 다른 일부는 필요하면 되찾을 수 있다고 답했습니다.¹ 해설에 따르면 Bainbridge의 1983년 자동화 연구는 두 가지를 지적했습니다. 자동화가 많은 일을 맡을수록 사람은 드물고 어려운 예외만 다루게 되고, 쓰지 않는 숙련은 퇴화한다는 것입니다.²⁸ 숙련자를 대상으로 한 측정으로는 METR 실험이 있고, 이 실험은 감독 숙련이 아니라 완료 시간을 측정했습니다. 참가자는 자신의 프로젝트를 평균 5년 다뤄 온 숙련자였고 AI를 허용한 과제의 완료 시간이 19% 늘었습니다.⁶

시간 배분 자료도 있습니다. 아래 수치는 전 직원, 비기술 직원, 대화형 세션 전체에 대한 것이며 시니어에 한정되지 않습니다. Anthropic 2026년 10월 보고서에서 대화형 세션 시간의 약 80%는 사람의 입력을 기다리는 유휴 시간이었고, 보고서는 사람이 에이전트의 병목이 되고 있다고 설명합니다. 보고서는 비기술 직원도 자신의 Claude 에이전트가 낸 대화형 세션 출력을 전부 읽으려면 일주일 근무 시간의 절반 이상이 든다고 추산합니다. 이와 별개로 중앙값 직원의 회의 시간은 1년 전보다 20% 늘었습니다. 같은 보고서의 세션 분석에서 도구 제작·에이전트 감시·지시문 작성 같은 메타 작업의 비중은 평균 직원의 대화형 세션 가운데 10%(2025년 가을)에서 22%(2026년 봄)로 늘었습니다. 2026년 4월 설문의 주관식 답변 중 20%는 자신의 역할이 직접 일하는 것에서 Claude를 관리하는 것으로 옮겨 갔다고 서술했습니다.²

에이전트 산출물을 판정하는 데 필요한 숙련이 어떻게 형성되고 유지되는지를 직접 측정한 연구는 인용한 자료에 없습니다. 판정에 필요한 숙련은 무엇으로 유지될 수 있을까요.

이 절의 분류는 다음과 같습니다. 반대 근거: Anthropic 2025년 12월 보고서의 감독의 역설(간접: 경력 구분 없는 엔지니어·연구자 전반), METR 실험의 완료 시간 +19%(간접: 감독이 아니라 완료 시간을 측정). 찬성 근거: Stanford의 AI 보완 직종 고용 증가(간접: 전 직종). 배경 자료: 고객지원 연구의 숙련 상담원 효과 거의 없음(간접: 개발자가 아님), Cui 외의 경력별 비교, Stanford의 경력자 고용 격차 없음과 보완 직종 고용 유지(간접: 전 직종), Lichtinger·Hosseini의 시니어 고용 대체로 불변(간접: 전 직종), Anthropic 2026년 10월 보고서의 부서 이동(근속 1년 이상 기준), 채용 담당자 서술·시간 배분 수치(간접: 경력 구분 없는 전 직원과 비기술 직원), Anthropic 2025년 12월 보고서의 연습 응답(간접: 경력 구분 없는 엔지니어·연구자 전반), Bainbridge의 이론.

깊은 전문 영역

보안, 인프라, 데이터, 접근성 같은 깊은 전문 영역에 풀스택화가 미치는 영향을 직접 측정한 연구는 인용한 자료에 없습니다. 이 절에서 인용하는 관련 자료는 다음과 같고, 모두 특정 전문 영역이 아니라 합성 코드 완성 과제(Veracode), 설문 약 5,000명(DORA), 팀 약 4,000개의 텔레메트리 로그(Faros)를 대상으로 한 것입니다. Veracode의 합성 과제 중 모델이 안전하지 않은 방식으로 코드를 완성한 과제의 비율은 45%였습니다. 이 비율은 모델 크기에 따라 유의하게 나아지지 않았고 출시 시기별로도 거의 변하지 않았다고 합니다.²⁰ DORA는 AI 도입과 배포 안정성의 음의 관계를,¹⁷ Faros의 2026년 판은 PR당 장애 증가를 보고했습니다.¹⁸ 이론 쪽에서는 AI가 조정과 일반 지식을 대신하면 전문화가 더 깊어질 수 있다는, 동료심사를 거치지 않은 초안이 있습니다.¹³

일반 영역의 구현을 에이전트가 맡게 될 때 전문 영역에서 처리해야 할 검토 요청이 어떻게 변하는지를 다룬 자료는 인용한 자료에 없습니다. 이 영역에 들어오는 검토 요청의 양과 처리 방식은 어떻게 측정될 수 있을까요.

이 절의 분류는 다음과 같습니다. 반대 근거(간접: 특정 전문 영역이 아니라 합성 과제, 설문, 텔레메트리): Veracode의 안전하지 않은 완성 45%, DORA의 안정성 음의 관계, Faros 2026년 판의 장애 증가. 배경 자료: 동료심사를 거치지 않은 초안(Isztin).

혼자 만드는 사람

혼자 제품을 만드는 경우에 대한 직접 자료는 인용한 자료에 없습니다. 관련 근거로는 Lazear의 균형 스킬 이론과, 기업 전문가를 대상으로 신제품 아이디어를 낸 P&G 실험에서 개인이 AI와 함께 AI 없는 팀의 성과에 도달했다는 결과가 있습니다.¹²¹⁴

관련 자료로는 METR 실험과 역할 스트레스 연구가 있습니다. METR 실험은 1인 제품 제작자가 아니라 오픈소스 프로젝트를 유지해 온 개발자를 대상으로 했고, 체감과 측정이 어긋난 결과를 보고했습니다.⁶ 개발자의 사전 예상(24% 단축)과 사후 인식(20% 단축)은 측정 결과(19% 증가)와 반대였습니다. 조직심리학에는 역할이 모호하거나 한 사람이 감당하기 어려운 범위를 맡을 때 스트레스가 커진다는 오래된 연구 흐름이 있습니다. 이 흐름은 역할 모호성(역할에 대한 정보 부족), 역할 갈등(충돌하는 기대), 역할 과부하(주어진 시간과 능력에 비해 많은 책임)를 구분하며, AI나 1인 제품 제작자를 대상으로 한 연구가 아니라 조직 구성원의 역할 인식을 다룬 일반 연구입니다.²⁹

작성자와 검토자가 같은 사람이거나 같은 에이전트일 때 놓치는 오류가 서로 독립인지를 다룬 자료는 인용한 자료에 없습니다. 혼자 일하는 사람의 산출물에 대한 독립 검증은 어떻게 이루어질 수 있을까요.

이 절의 분류는 다음과 같습니다. 찬성 근거(간접: 기업 전문가의 개인 대 팀 비교): P&G 실험의 개인+AI가 AI 없는 팀과 비슷한 성과. 반대 근거(간접: 1인 제작자가 아닌 숙련 개발자): METR 실험의 완료 시간 +19%. 배경 자료: METR 실험의 체감과 측정의 어긋남(간접: 1인 제작자가 아닌 숙련 개발자), Lazear의 이론, 역할 스트레스 연구.

개발 밖 직군과의 경계

개발 직군 밖의 직군을 다룬 자료도 있습니다. Anthropic의 2025년 12월 보고서에서 비기술 직원의 Claude Code 사용 중 작업 유형 비중은 디버깅 51.5%, 데이터 과학 12.7%였고, 2026년 10월 보고서에서는 법무팀의 계약 처리와 영업팀의 계약 체결 같은 비기술 직군의 산출도 늘었다고 합니다. 2026년 10월 보고서의 비기술 직군 후보 평가에서는 고객·미션 지향에 대한 언급이 늘고 실행 기술에 대한 언급이 줄었습니다.² P&G 실험에서는 AI를 쓰면 R&D와 상업 직군의 제안 편향이 줄었고, 설계는 AI 사용 여부와 개인·팀 여부를 교차한 네 가지 조건이었습니다.¹⁴

개발자의 인식을 물은 자료도 있습니다. Stack Overflow 설문에서 개발자의 64%는 AI가 자신의 일자리에 위협이 아니라고 답해 2024년의 68%보다 낮아졌고, 약 77%는 이른바 바이브 코딩(AI에 지시해 코드를 만들게 하는 방식)이 전문 개발 업무에 포함되지 않는다고 답했습니다.¹⁰ 경계가 넘어오는 방향(다른 직군이 개발 영역으로)과 넘어가는 방향(개발 직군이 다른 영역으로)의 속도를 비교한 자료는 인용한 자료에 없습니다. 두 방향은 같은 속도로 움직일까요.

이 절의 분류는 다음과 같습니다. 찬성 근거: P&G 실험의 직군 편향 완화, Anthropic 2026년 10월 보고서의 법무·영업 산출 증가. 배경 자료: Anthropic 2025년 12월 보고서의 비기술 직원의 Claude Code 작업 유형 비중, Anthropic 2026년 10월 보고서의 비기술 후보 평가 서술, Stack Overflow의 일자리 위협 인식과 바이브 코딩 인식.

조직 규모 관점: 자료의 성격별 배치

자료에서 조직 규모를 직접 구분해 비교한 연구는 인용한 자료에 없습니다. 아래 소제목은 인원 구간이 아니라 각 자료가 다룬 조직의 성격(개인·소규모 팀, 팀 구조 이론과 규모를 구분하지 않은 조사, 기업 사례와 기업 밖 자료)을 가리킵니다.

개인과 소규모 팀 단위 자료

개인과 두 사람 팀을 직접 비교한 자료로 P&G 실험이 있습니다. 이 실험은 전문가를 혼자 일하게 하거나 다른 전문가 1명과 함께 일하게 했고, 기업 전문가의 신제품 아이디어 과제를 대상으로 했습니다. 두 사람 팀의 직군 구성은 인용한 NBER 초록에 나오지 않습니다. 세 사람 이상의 소규모 팀을 측정한 자료는 인용한 자료에 없습니다. 이 절에서 인용하는 관련 자료로 Lazear의 창업 연구(AI 이전의 개인 스킬 구성 연구)도 있습니다.

두 사람보다 큰 팀에서도 개인 대 팀 비교에서 나온 결과가 같을까요.

이 절의 분류는 다음과 같습니다. 배경 자료: P&G 실험의 설계(개인 대 두 사람 팀, 간접: 기업 전문가라서 결과는 실험과 기업 사례 절에서 분류), Lazear의 이론.

팀 구조 이론과 규모 미구분 조사

조직 규모별로 팀 구조를 측정한 실증 자료는 인용한 자료에 없습니다. 아래는 팀 구조를 다룬 고전 이론입니다. Brooks는 인원이 늘면 소통 경로가 n(n-1)/2로 늘어난다고 설명했습니다. 10명이면 45개, 50명이면 1,225개입니다.³⁰ Team Topologies의 팀 유형은 네 가지입니다. 스트림 정렬 팀은 업무 흐름에 정렬되어 가치를 전달하는 팀, 지원(enabling) 팀은 스트림 정렬 팀이 장애물을 넘도록 돕는 팀, 복잡한 하위 시스템 팀은 깊은 전문 지식이 필요한 구성 요소를 맡는 팀, 플랫폼 팀은 전달을 가속하는 내부 제품을 제공하는 팀입니다.

Team Topologies는 인지 부하에 관해 팀이 감당할 수 있는 복잡성에 한계가 있고, 책임이 더해질 때마다 정신적 여력이 소모되며, 과부하가 걸린 팀은 나쁜 결정을 내리고 느려진다고 설명합니다. 플랫폼 팀은 복잡성을 덜어 주는 서비스를 만든다고 합니다.³¹

이 절이 다루는 규모 미구분 자료는 DORA와 Atlassian의 조사, 저장소 단위 분석입니다. DORA는 느슨하게 결합된 아키텍처와 빠른 피드백 루프가 있는 팀에서 이득이 나타나고, 사용자 중심 태도가 이득을 증폭하고 고품질 내부 플랫폼이 AI의 가치를 끌어내는 능력과 직접 상관된다고 보고합니다. 군집 분석에서 7개의 팀 유형이 나오고, 그 가운데 Foundational challenges(성과 낮음, 번아웃과 마찰 높음)가 소개됩니다.¹⁷ Atlassian 조사에서는 개발자의 50%가 조직 비효율로 주 10시간 이상을 잃는다고 답했습니다.²¹ 규모를 구분하지 않은 저장소 단위 분석도 있습니다. 카네기멜런 연구는 GitHub 별 10개 이상의 오픈소스 저장소(팀 구성은 알 수 없음)에서 추가된 코드 줄의 증가가 약 두 달 지속되고 정적 분석 경고 30.26%, 복잡도 41.64% 증가가 남았다고 보고합니다.⁹ GitClear의 코드 이력 분석은 복사·붙여넣기 증가와 이동(리팩터링) 코드의 감소를 보고합니다.¹⁹ 이 두 자료와 팀 규모의 관계는 알 수 없습니다.

팀이 소유하는 범위와 공통 기반의 책임은 조직에서 어떻게 나뉘어 있을까요.

이 절의 분류는 다음과 같습니다. 반대 근거: 카네기멜런 연구의 경고·복잡도 증가, GitClear의 중복 증가와 이동 코드 감소. 찬성 근거: 카네기멜런 연구의 추가 코드 줄 증가. 배경 자료: Brooks, Team Topologies, DORA의 아키텍처·피드백 루프·팀 유형·사용자 중심·플랫폼 서술, Atlassian의 조직 비효율 손실(AI 요인이 아님).

기업 사례와 기업 밖 자료

이 절은 조직 규모를 구분하지 않은 개별 기업 사례와, 기업이 아니라 국가·직종 단위인 노동시장 자료, 이론, 직무 분리를 다룬 벤더 블로그를 함께 다룹니다. 기업 사례로는 Cui 외의 세 실험(Microsoft, Accenture, 익명의 Fortune 100)과 Shopify의 메모, Anthropic의 내부 보고가 있습니다. 이 자료들에는 기업의 인원 규모가 나오지 않습니다(표본 크기와는 별개입니다). Conway는 시스템을 설계하는 조직은 그 조직의 소통 구조를 본뜬 설계를 만들게 된다고 지적했습니다.³² 이 글이 인용한 직무 분리 자료는 앞서 본 한 벤더 블로그 1건이며, 공식 해석은 인용한 자료에 없습니다.²²

노동시장을 다룬 자료는 대상과 측정이 서로 다릅니다. 덴마크의 근로자 25,000명 분석은 ChatGPT 출시 2년 뒤 시점에서 소득과 근로시간에 미친 효과가 2%를 넘는 수준은 배제된다고 보고했고, 업무가 재구성되고 새 과제가 생겼다고 합니다.⁸ 한편 미국 급여 자료의 Stanford 분석은 AI 노출 직종 22~25세 고용의, 덜 노출된 직종 대비 상대 격차 19%를 보고하며, 이 격차는 신규 채용 감소를 통해 나타납니다.²⁶ 두 연구는 국가, 직종, 측정 대상이 다릅니다.

AI 도구가 한 사람이 맡는 설계 범위를 바꾸면 조직의 소통 구조도 그에 따라 바뀌는지를 추적한 자료는 인용한 자료에 없습니다. 설계 범위가 바뀐 뒤 소통 구조는 어떻게 달라질까요.

이 절의 분류는 다음과 같습니다. 반대 근거: Stanford의 22~25세 고용 상대 격차(간접: 전 직종). 배경 자료: Cui 외의 세 기업 실험(결과는 생산성과 속도 절에서 분류), Shopify 메모, Anthropic 내부 보고의 현황, Conway, 직무 분리를 다룬 벤더 블로그, Humlum·Vestergaard의 소득과 근로시간에 2%를 넘는 효과 배제·업무 재구성·새 과제(간접: 개발자에 한정되지 않은 11개 직종).

조직 단위 자료와 개인 단위 자료의 대응

이 글에서 조직·집단 단위와 개인 단위를 나란히 놓아 본 주제는 주니어, 평가와 보상, 감독 능력의 세 가지이고, 두 단위의 자료가 모두 있는 것은 첫째뿐입니다. 둘째는 회사 정책과 산업 집계만, 셋째는 개인 단위 응답과 이론 쪽 자료만 있습니다.

첫째는 주니어입니다. 조직·집단 단위로는 이 절에서 두 자료를 봅니다. Anthropic이라는 한 회사의 기술 직군 채용 중 주니어 비중은 2025년 초 이후 27%에서 9%로 내려갔습니다. ADP 급여 자료를 쓴 Stanford 분석에서는 AI 노출 직종 22~25세 고용의 상대 격차가 19%입니다(직종·연령 집단 단위). 개인 단위로는 AI를 쓴 집단(대부분 주니어)의 이해도 점수가 50% 대 67%로 낮게 나온 실험이 있습니다. 고객지원 연구에서는 초보 상담원의, Cui 외에서는 경력이 낮은 개발자의 이득이 보고되었습니다.

둘째는 평가와 보상입니다. Shopify는 AI 사용을 평가 문항에 넣겠다고 밝혔고, PwC는 AI 기술을 요구하는 일자리가 AI 기술을 요구하지 않는 비슷한 일자리보다 임금이 평균 56%(2024년 기준, 그 전해 25%) 높다고 자체 보도자료에서 밝혔습니다. 같은 자료는 AI에 가장 많이 노출된 직종에서 고용주가 찾는 기술이 66% 더 빠르게 바뀌고 있다고 하며(전년 25%), 비교 기준은 해당 문장에 적혀 있지 않습니다.³³ PwC 수치는 AI 기술을 요구하는 일자리에 대한 것이지 담당 범위를 넓힌 것에 대한 것이 아닙니다. 범위를 넓힌 개인이 어떤 보상을 받는지를 직접 측정한 자료는 인용한 자료에 없습니다.

셋째는 감독 능력입니다. Anthropic 엔지니어들의 응답과 Bainbridge의 분석은 위임이 늘수록 감독에 필요한 숙련이 줄 수 있다는 가설을 제시하지만, 실제 퇴화 정도를 측정한 코딩 에이전트 연구는 인용한 자료에 없습니다.

이 절의 분류는 다음과 같습니다. 주니어와 감독 능력은 앞 절의 분류를 그대로 따릅니다. 찬성 근거(간접: AI 기술을 요구하는 일자리의 전 산업 집계): PwC의 임금 프리미엄 56%. 배경 자료: PwC의 요구 기술 변화 속도, Shopify의 평가 문항 정책.

자료가 시간에 따라 바뀐 지점

같은 자료라도 판이 바뀌거나 후속 조사가 나오면서 수치가 달라진 경우가 있습니다. Stanford 연구의 청년 고용 격차는 2025년 11월 판의 16%에서 2026년 8월 개정판의 19%로 바뀌었고, 개정판의 자료는 2026년 6월까지입니다.²⁶ Faros AI는 2025년 판과 2026년 2분기 판의 표본과 지표가 달라 서로 다른 수치를 냈습니다.¹⁸

METR은 2026년 2월 24일 글에서 후속 실험(개발자 57명, 저장소 143곳, 과제 800개 이상, 원 참가자 10명과 신규 47명)의 결과를 공개했습니다. 원문의 부호는 음수가 속도 향상(시간 감소), 양수가 시간 증가입니다. 원 참가자의 하위 집단은 -18%(신뢰구간 -38%~~+9%), 신규 참가자는 -4%(-15%~~+9%)였고, 2025년 연구의 값은 +19%(+2%~+39%)입니다.

METR은 후속 실험의 값이 현재 AI 도구의 생산성 효과를 알려 주는 신호로서 믿기 어렵다고 평가하며, 그 이유로 네 가지를 들었습니다. 첫째, AI 없이 일하기를 거부하는 개발자가 늘었습니다. 둘째, 설문에서 개발자의 30~50%가 AI 없이 하기 싫어 일부 과제를 제출하지 않았다고 답했습니다. 셋째, METR이 보수를 시간당 150달러에서 50달러로 낮췄습니다. 넷째, 에이전트를 여러 개 동시에 돌리면 시간 측정이 불안정합니다.

METR은 AI 없이 일하기를 거부하는 개발자가 늘어난 것이 속도 향상 추정을 낮추는 방향으로 작용했을 가능성이 있다고 설명합니다. 또 실험에서 빠진 개발자와 과제에서는 실제 속도 향상이 훨씬 클 수 있다고 적었습니다.³⁴

이 절의 분류는 다음과 같습니다. 이 절은 수치 개정과 후속 조사를 서술하며 앞 절의 분류를 따릅니다. Stanford의 격차 개정은 반대 근거(간접: 전 직종), METR 2025년 연구의 +19%는 반대 근거, METR 후속의 -18%와 -4%는 신뢰구간이 0을 포함해 통계적으로 유의하지 않아 배경 자료, Faros 두 판은 앞 절의 분류를 따릅니다.

아직 확인되지 않은 것

Anthropic의 2026년 10월 보고서는 스스로 몇 가지 한계를 적고 있습니다. 코드 품질은 삭제, 되돌림, 린트 억제 같은 대리 지표로 평가했고 AI의 오류가 사람의 오류보다 발견하기 어려울 수 있다고 했으며, 완전 자율 에이전트로 옮겨 간 직원들은 도입 이전부터 산출이 가파르게 늘던 사람들이었다고 밝힙니다. 저자들은 한 AI 기업의 사례여서 보고서가 서술한 업무 방식을 경제 전반에 복제하기는 어렵다고 적었습니다.²

풀스택화가 이직, 번아웃, 장애 발생률 같은 장기 지표에 미치는 영향을 추적한 연구와 코딩 에이전트의 감독 숙련 퇴화를 직접 검증한 동료심사 연구는 인용한 자료에 없습니다. METR(2025년 2~~6월), 카네기멜런 연구(2024년 1월~~2025년 3월 도입분), Anthropic의 2025년 12월 보고서(Sonnet 4·Opus 4 시기)는 괄호에 적은 시기의 모델과 도구를 대상으로 합니다. Veracode, Faros, GitClear, Atlassian, Google Cloud의 DORA는 벤더 자료입니다. PwC는 자체 집계이고 Anthropic은 AI 개발사의 자체 보고입니다. 직군 경계 자체(예를 들어 풀스택 개발자의 비중이나 직군별 채용공고 비중의 변화)를 측정한 대규모 공개 자료도 인용한 자료에 없습니다. 표본 크기도 자료마다 다릅니다. METR은 16명, 스킬 형성 실험은 52명, Google 실험은 96명이고, Faros는 개발자 2.2만 명(2026년 판), Stack Overflow는 4.9만 명 이상입니다.

조사 결과 총정리

각 케이스 절 끝의 분류 줄을 한 표로 모았습니다. 새로운 자료나 해석은 더하지 않았고, 분류 기준은 앞 절 “자료를 읽는 방법”의 기준과 같습니다. 찬성과 반대는 풀스택화에 대한 찬반이 아니라 AI 도입에 대해 보고된 이득과 부담이며, 칸이 “해당 없음”이면 그 케이스에서 해당 방향의 결과를 인용하지 않았다는 뜻입니다. 항목 끝의 “간접” 괄호는 그 항목의 대상이나 측정이 케이스와 다르다는 표시이고 괄호 안에 사유를 적었습니다. “자료가 시간에 따라 바뀐 지점” 절은 수치 개정을 다루며 앞 절의 분류를 따르므로 행에서 뺐습니다. “조직 단위 자료와 개인 단위 자료의 대응” 절은 주니어와 감독 능력을 앞 절의 분류대로 두고 있어서, 그 절에서 새로 분류한 항목만 행에 넣었습니다.

케이스	찬성 근거	반대 근거	배경 자료
생산성과 속도 추정치의 범위	Peng 외의 55.8% 단축 Cui 외의 경력이 낮을수록 채택·이득이 큼(주니어 행에서도 다룸) Google 실험의 코드 관련 활동 시간이 많을수록 큰 이득 Cui 외의 완료 과제 +26.08% Anthropic 2025년 12월 보고서의 자기 보고 생산성과 병합 PR +67% 고객지원 연구의 해결 건수 +14%·초보 +34%와 고객 감정·직원 유지율(간접: 개발자가 아님) Humlum·Vestergaard의 근로자 생산성 이득 보고(간접: 개발자에 한정되지 않은 11개 직종)	METR 2025년 연구의 완료 시간 +19%	METR 2025년 연구의 사전 예상 24%·사후 인식 20% 단축과 전문가 예측 39%·38% 단축(혼자 만드는 사람 행에서도 다룸) Google 실험의 약 21% 단축(p = 0.086, 유의하지 않음) 고객지원 연구의 숙련자 효과 거의 없음(간접: 개발자가 아님) Humlum·Vestergaard의 소득과 근로시간에 2%를 넘는 효과 배제·업무 재구성·새 과제·고임금 직종 이동(간접: 개발자에 한정되지 않은 11개 직종) Stack Overflow의 에이전트 사용 비율 Anthropic 2025년 12월 보고서와 Anthropic 2026년 10월 보고서의 시기 서술 카네기멜런 연구의 도입 정의(결과는 ‘조직 관점: 조직 수준 지표와 품질·보안 자료’ 행에서 분류)
분업 이론이 말하는 것	해당 없음	해당 없음	Becker·Murphy Lazear 동료심사를 거치지 않은 초안(Isztin)
조직 관점: 실험과 기업 사례	P&G 실험의 개인+AI가 AI 없는 팀과 비슷한 성과·직군 편향 완화(간접: 기업 전문가) Anthropic 2025년 12월 보고서의 생산성 향상(자기 보고)과 응답자 14%의 100% 초과 향상 보고 Anthropic 2026년 10월 보고서의 엔지니어당 커밋 약 5배	해당 없음	Hoffmann 외의 업무 배분 변화 Shopify 메모의 정책 Anthropic 2026년 10월 보고서의 현황 수치(에이전트 작업 시간, 비커밋 직원 비중, 엔지니어 대 PM 비율, 부서 이동, 채용 평가의 AI 언급·자율성과 판단·도메인 전문성 비중·후보가 여러 도메인을 오가는 능력)와 비기술 후보 평가 서술 Anthropic 2025년 12월 보고서의 현황 수치(Claude 사용 비중, 작업 복잡도, 도구 호출 수, 비기술 직원의 Claude Code 작업 유형 비중, 보안 팀과 팀별 프런트엔드 비중) 멘토링 영향과 감독의 역설 응답(개인 관점의 주니어 행과 시니어 행에서 분류)
조직 관점: 조직 수준 지표와 품질·보안 자료	DORA의 생산성 향상 인식 80% 넘음·처리량과 제품 성과의 양의 관계 Faros 2025년 판의 완료 작업·병합 PR 증가 Faros 2026년 판의 에픽·작업 처리량·PR 병합률 증가 카네기멜런 연구의 추가 코드 줄 증가(약 두 달) Stack Overflow의 에이전트 사용자 69%의 생산성 향상 동의 Atlassian의 AI 시간 절약 응답 99%와 주 10시간 넘게 절약 68%	DORA의 안정성 음의 관계와 코드 신뢰 낮음 30% Faros 2025년 판의 리뷰 시간·PR 크기·버그 증가 Faros 2026년 판의 주간 배포 감소·코드 이탈·PR 크기·버그·장애·리뷰 시간 증가 카네기멜런 연구의 경고·복잡도 증가와 속도 이득 상쇄 임계 GitClear의 중복·복사 붙여넣기 증가와 이동 코드 감소 Veracode의 안전하지 않은 완성 45% Stack Overflow의 불신 46%·디버깅 부담 항목 선택 45%·AI 답을 신뢰하지 못할 때 사람에게 도움을 구하겠다는 응답 75.3%	DORA의 AI 사용 90%·아키텍처 서술 Faros 2025년 판의 회사 수준 상관 없음과 2026년 판의 도입 현황 Stack Overflow의 사용 비율 84%·에이전트 사용 31%·국가별 신뢰율 Atlassian의 조직 비효율 손실과 리더 이해 부족(AI 요인이 아님) 직무 분리를 다룬 벤더 블로그
조직 관점: 운영 책임을 개발자에게 넘긴 사례	해당 없음	해당 없음	Amazon의 원칙 Netflix 사례 DORA의 플랫폼 도입 현황과 플랫폼 품질-AI 가치 상관
개인 관점: 주니어	고객지원 연구의 초보 상담원 +34%(간접: 개발자가 아님) Cui 외의 경력이 낮을수록 큰 이득 Anthropic 2025년 12월 보고서의 27% 추정(간접: 엔지니어와 연구자 전반)	스킬 형성 실험의 퀴즈 50% 대 67% Stanford의 22~25세 고용 격차(간접: 전 직종) Lichtinger·Hosseini의 주니어 고용 감소(간접: 전 직종) Anthropic 2026년 10월 보고서의 주니어 비중과 채용 비중 감소 Anthropic 2025년 12월 보고서의 멘토링 영향 응답	Anthropic 2025년 12월 보고서의 주 영역 밖 작업 응답(현황, 간접: 경력 구분 없는 엔지니어·연구자 전반) Stanford의 경력자 고용 격차 없음·AI 보완 직종 고용 유지·증가(시니어 행에서 분류)와 강건성 확인(간접: 전 직종) Lichtinger·Hosseini의 시니어 고용 불변과 대학 수준별 차이(간접: 전 직종, 시니어 행에서도 다룸) 스킬 형성 실험의 작업 시간(비유의)과 상호작용 유형 Stack Overflow의 학습 경로 조사
개인 관점: 시니어	Stanford의 AI 보완 직종 고용 증가(간접: 전 직종)	Anthropic 2025년 12월 보고서의 감독의 역설(간접: 경력 구분 없는 엔지니어·연구자 전반) METR 실험의 완료 시간 +19%(간접: 감독이 아니라 완료 시간을 측정)	고객지원 연구의 숙련 상담원 효과 거의 없음(간접: 개발자가 아님) Cui 외의 경력별 비교 Stanford의 경력자 고용 격차 없음과 보완 직종 고용 유지(간접: 전 직종) Lichtinger·Hosseini의 시니어 고용 대체로 불변(간접: 전 직종) Anthropic 2026년 10월 보고서의 부서 이동(근속 1년 이상 기준) 채용 담당자 서술·시간 배분 수치(간접: 경력 구분 없는 전 직원과 비기술 직원) Anthropic 2025년 12월 보고서의 연습 응답(간접: 경력 구분 없는 엔지니어·연구자 전반) Bainbridge의 이론
개인 관점: 깊은 전문 영역	해당 없음	Veracode의 안전하지 않은 완성 45%(간접: 특정 전문 영역이 아니라 합성 과제, 설문, 텔레메트리) DORA의 안정성 음의 관계(간접: 특정 전문 영역이 아니라 합성 과제, 설문, 텔레메트리) Faros 2026년 판의 장애 증가(간접: 특정 전문 영역이 아니라 합성 과제, 설문, 텔레메트리)	동료심사를 거치지 않은 초안(Isztin)
개인 관점: 혼자 만드는 사람	P&G 실험의 개인+AI가 AI 없는 팀과 비슷한 성과(간접: 기업 전문가의 개인 대 팀 비교)	METR 실험의 완료 시간 +19%(간접: 1인 제작자가 아닌 숙련 개발자)	METR 실험의 체감과 측정의 어긋남(간접: 1인 제작자가 아닌 숙련 개발자) Lazear의 이론 역할 스트레스 연구
개인 관점: 개발 밖 직군과의 경계	P&G 실험의 직군 편향 완화 Anthropic 2026년 10월 보고서의 법무·영업 산출 증가	해당 없음	Anthropic 2025년 12월 보고서의 비기술 직원의 Claude Code 작업 유형 비중 Anthropic 2026년 10월 보고서의 비기술 후보 평가 서술 Stack Overflow의 일자리 위협 인식과 바이브 코딩 인식
조직 규모 관점: 개인과 소규모 팀 단위 자료	해당 없음	해당 없음	P&G 실험의 설계(개인 대 두 사람 팀, 간접: 기업 전문가라서 결과는 ‘조직 관점: 실험과 기업 사례’ 행에서 분류) Lazear의 이론
조직 규모 관점: 팀 구조 이론과 규모 미구분 조사	카네기멜런 연구의 추가 코드 줄 증가	카네기멜런 연구의 경고·복잡도 증가 GitClear의 중복 증가와 이동 코드 감소	Brooks Team Topologies DORA의 아키텍처·피드백 루프·팀 유형·사용자 중심·플랫폼 서술 Atlassian의 조직 비효율 손실(AI 요인이 아님)
조직 규모 관점: 기업 사례와 기업 밖 자료	해당 없음	Stanford의 22~25세 고용 상대 격차(간접: 전 직종)	Cui 외의 세 기업 실험(결과는 ‘생산성과 속도 추정치의 범위’ 행에서 분류) Shopify 메모 Anthropic 내부 보고의 현황 Conway 직무 분리를 다룬 벤더 블로그 Humlum·Vestergaard의 소득과 근로시간에 2%를 넘는 효과 배제·업무 재구성·새 과제(간접: 개발자에 한정되지 않은 11개 직종)
조직 단위 자료와 개인 단위 자료의 대응	PwC의 임금 프리미엄 56%(간접: AI 기술을 요구하는 일자리의 전 산업 집계)	해당 없음	PwC의 요구 기술 변화 속도 Shopify의 평가 문항 정책

남는 질문

이 자료들을 놓고 열어 둔 질문은 이렇습니다.

풀스택화는 어떤 지표로 정의되고 측정되어야 할까요. 직군 경계 자체를 직접 측정한 자료는 인용한 자료에 없고, AI 도구의 효과를 측정한 결과는 방향이 갈립니다. 작업 시간이 늘어난 결과(METR 2025년 연구)와 짧아진 결과(Peng, Google; Google의 통제 후 추정치는 5% 수준에서 유의하지 않음)가 함께 보고되고, 처리량 지표는 오르고 안정성 지표는 나빠진 보고(DORA의 설문 상관, Faros의 텔레메트리)도 있습니다. 조직은 이득을 어떤 지표로 측정할 수 있을까요. DORA는 고품질 내부 플랫폼을 조직이 AI의 가치를 끌어내는 능력과 상관된 요소로 보고했습니다. 플랫폼이 없는 조직에서는 AI의 가치가 어느 정도 실현될까요.

주니어의 숙련은 어떤 경로로 형성될 수 있을까요. 직군 기준으로 설계된 평가와 보상 체계에서 범위를 넓힌 사람의 기여는 어떻게 다뤄질 수 있을까요. 에이전트가 만든 코드를 같은 에이전트가 검토할 때 그 검토는 어느 수준의 독립성을 갖는 것일까요. 그리고 이 모든 질문의 답은 모델이 한 번 더 바뀌면 같은 모습으로 남아 있을까요.

Anthropic, How AI is transforming work at Anthropic (2025년 12월). 설문 132명(직접 요청한 207명 중 64명이 답해 응답률 31%이고, 사내 메신저 채널에서 받은 68명은 이 비율에 포함되지 않음), 인터뷰 53명, 내부 Claude Code 트랜스크립트 20만 건. AI 개발사의 자체 보고이며 비익명 설문이라는 한계를 저자들이 밝혔습니다. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷
Anthropic, How employment is changing at Anthropic (2026년 10월). 한 회사의 자료이고 상관 관계 중심이라고 저자들이 밝혔습니다. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹
Peng·Kalliamvakou·Cihon·Demirer, “The Impact of AI on Developer Productivity: Evidence from GitHub Copilot” (2023). 단일 과제(HTTP 서버) 실험이며 55.8%의 95% 신뢰구간은 21~89%입니다. ↩ ↩²
Paradis 외, “How much does AI impact development speed? An enterprise-based randomized controlled trial” (ICSE 2025). 조건당 48명, 93명 완료. 평균 96분(AI, N=47) 대 114분(N=46), 통제 후 추정치 약 21%(p = 0.086), 로그 척도 95% 신뢰구간 [-0.51, 0.03]. 수치는 arXiv HTML 판 기준입니다. ↩
Cui 외, “The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers”. Management Science 게재 예정으로 소개됩니다. ↩ ↩²
METR, “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity”와 The Register 보도. ↩ ↩² ↩³ ↩⁴
Brynjolfsson·Li·Raymond, “Generative AI at Work” (QJE 140(2), 2025). 5,179명 기준이며 판에 따라 14~15%로 소개됩니다. ↩ ↩²
Humlum·Vestergaard, “Large Language Models, Small Labor Market Effects”. 사업장·근로자 수(25,000명, 7,000곳)는 요약 자료에서 가져왔고 NBER 초록에는 나오지 않습니다. ↩ ↩²
He 외, “Speed at the Cost of Quality” (arXiv 2511.04427). 오픈소스 저장소 대상 이중차분 설계이며 상용 코드베이스와 다를 수 있습니다. 논문 본문에는 복잡도 수치가 25.1%와 41.64%로 엇갈려 나오기도 합니다. ↩ ↩² ↩³
Stack Overflow 2025 개발자 설문 보도자료. 본문의 비율은 각 질문에 답한 전체 응답자를 분모로 하며(69%만 에이전트 사용자 대상), 질문마다 응답자 수가 다릅니다. ↩ ↩² ↩³ ↩⁴
Gary Becker·Kevin Murphy, “The Division of Labor, Coordination Costs, and Knowledge” (1992). NBER 수록본. ↩
Edward Lazear, “Entrepreneurship” (NBER w9109). ↩ ↩²
Peter Isztin의 2023년 초안을 소개한 Marginal Revolution 글. 동료심사를 거치지 않은 초안입니다. ↩ ↩²
Dell’Acqua 외, “The Cybernetic Teammate” (NBER w33641). 학술지 게재 정보는 Organization Science 논문 페이지 목록에 근거했습니다. 776명 기준이며 일부 자료는 791명으로 소개합니다. 효과 크기는 NBER 요약 페이지에 없어 인용하지 않았습니다. ↩ ↩² ↩³
Hoffmann·Boysel·Nagle·Peng·Xu, “Generative AI and the Nature of Work” (HBS Working Paper 25-021). Marginal Revolution의 소개. 표본은 자료에 따라 약 18만~18.7만 명으로 소개되며 초록과 요약을 통해 확인했습니다. ↩
메모 재수록본(A Letter a Day)과 보도. 메모 작성일은 재수록본에 나오지 않으며 공개는 2025년 4월 7일로 보도되었습니다. ↩
Google Cloud, Announcing the 2025 DORA Report와 RedMonk의 리뷰, AI Capabilities Model 요약. 약 5,000명 설문입니다. ↩ ↩² ↩³ ↩⁴
Faros AI, The Acceleration Whiplash (2026년 2분기 판)와 2025년 판에 대한 요약 자료. 벤더 텔레메트리의 상관 분석이며, 페이지는 ‘높은 도입’을 주간 활성 사용자 50% 기준 외에 정의하지 않습니다. ↩ ↩² ↩³
GitClear, AI Copilot Code Quality 2025. 벤더 자료입니다. 원문 페이지를 열 수 없어 요약 기사로 확인했고, 기사마다 세부 비율이 달라 방향만 인용했습니다. ↩ ↩²
Veracode 2025 GenAI Code Security Report 보도자료. 보안 도구 벤더의 합성 과제 결과입니다. ↩ ↩²
Atlassian, State of DevEx 2025. 벤더 설문입니다. ↩ ↩²
hoop.dev의 직무 분리와 AI 코딩 에이전트 글. 벤더 블로그입니다. ↩ ↩²
Werner Vogels 인터뷰, A Conversation with Werner Vogels (ACM Queue, 2006). ↩
InfoQ의 Netflix 풀사이클 개발자 소개와 Netflix 기술 블로그 원문. ↩
Anthropic, AI assistance and coding skills (2026년 1월 29일). 52명(대부분 주니어)을 대상으로 한 무작위 대조 실험이며, 유형별 n의 합은 24명입니다. AI 개발사의 자체 연구입니다. ↩
Brynjolfsson·Chandar·Chen, “Canaries in the Coal Mine?” (2026년 8월 12일 개정판). ADP 급여 자료 분석이며 2025년 11월 판은 16%로 소개되었습니다. ↩ ↩² ↩³ ↩⁴
Lichtinger·Hosseini, “Generative AI as Seniority-Biased Technological Change” (2026년 5월 6일 판). 초록과 본문을 1차로 확인했습니다. 2025년 판은 표본을 약 6,200만 명·28.5만 개 기업으로 소개했습니다. ↩ ↩²
Lisanne Bainbridge, “Ironies of Automation”, Automatica (1983). 논문 원문은 열람하지 못했고 요지는 해설 글에 근거했습니다. 코딩 에이전트에 적용한 해설로 AI and the ironies of automation이 있습니다. ↩
Kahn 외, Organizational Stress: Studies in Role Conflict and Ambiguity (1964)가 역할 모호성 개념의 출처입니다. 세 개념의 구분과 역할 스트레스 정의는 Tubre·Collins(2000)를 인용한 2차 요약에 근거했습니다. ↩
Frederick Brooks, The Mythical Man-Month (1975). ↩
팀 유형과 인지 부하 설명은 Team Topologies 핵심 개념 페이지와 Skelton·Pais, Team Topologies (2019)에 나옵니다. ↩
Melvin Conway, “How Do Committees Invent?” (1968). ↩
PwC 2025 Global AI Jobs Barometer 보도자료. PwC 자체 집계입니다. 원문 페이지를 열 수 없어 현지판 보도자료 요약으로 수치를 확인했습니다. ↩
METR, We are Changing our Developer Productivity Experiment Design (2026년 2월 24일). 2025년 연구의 신뢰구간 +2%~+39%도 이 글에 실려 있습니다. ↩