AI boosts worker productivity — but does that translate to final outputs?

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

AI는 개발자의 코딩 활동을 최대 180% 늘렸지만, 후속 단계의 인간 중심 병목으로 출시 증가폭은 30%에 그쳤고 앱 다운로드·리뷰의 상응하는 증가로 이어지지 않았다.

📌 핵심 요약

• 연구진은 GitHub 개발자 10만 명 이상의 데이터를 바탕으로 자동완성 도구, 동기식 에이전트, 비동기식 에이전트가 소프트웨어 개발의 여섯 단계에 미치는 영향을 분석했다.
• 코딩 활동은 자동완성 도구 사용으로 40% 증가했으며, 동기식 에이전트를 포함한 누적 효과는 140%, 비동기식 에이전트까지 추가한 누적 효과는 180%였다.
• AI 도구 사용 개발자는 미사용 개발자보다 프로젝트가 50%, 실제 출시가 30% 증가했다. 비동기식 에이전트는 직접 출시할 수 없도록 설계되어 출시 영향 계산에서 제외됐다.
• 인기 앱스토어 네 곳에서는 에이전트형 코딩 AI가 널리 제공되기 시작한 2025년 초 이후 신규 앱이 전반적으로 늘었지만, 다운로드나 리뷰는 이에 상응해 증가하지 않았다.
• 연구진은 변경되지 않은 인간 중심 업무 절차를 성과 격차의 원인으로 지목했으며, 팀 규모 축소, 후속 단계 병목에 대한 자원 재배치, 인간 업무 흐름에 대한 AI 지원을 제안했다.

🧩 주요 포인트

1. 코딩 활동 최대 180% 증가와 실제 출시 30% 증가의 격차 → 초기 작업의 생산성 향상을 최종 제품 성과와 구분해 평가할 필요가 있다.
2. 신규 앱 증가에도 다운로드·리뷰의 상응하는 증가 부재 → 공급 확대가 사용자 확보로 연결됐다는 근거는 없으며, 연구진은 사용자 기반이 작거나 없는 앱이 늘어난 것으로 해석했다.
3. 후속 단계의 인간 중심 병목 지속 → AI의 생산성 효과는 개별 작업 자동화뿐 아니라 팀 구성과 업무 흐름이 후속 제약을 얼마나 완화하는지에 달려 있다.

🧠 상세 정리

1. 코딩 생산성과 최종 성과를 구분한 연구

기업들은 AI가 직원의 생산성을 높이는지 확인하려 하며, 회계사와 제조기업을 대상으로 한 선행 연구에서는 긍정적인 결과가 나타났다. MIT 슬론의 메르트 데미레르와 리온 무솔프, 리위안 양의 연구는 소프트웨어 개발에서도 생산성 향상이 나타나지만 최종 성과로 전달되는 정도는 다르다는 점에 주목했다. 연구진은 AI 도구가 코드 작성 활동을 크게 늘려도 실제 소프트웨어 출시에 이르면 효과가 약해진다고 밝혔다. 따라서 이 연구의 핵심은 코드를 얼마나 많이 작성했는지와 완성된 제품을 얼마나 더 내놓았는지를 구분해 살피는 데 있다.

2. 여섯 개발 단계와 세 종류의 AI 도구

연구진은 GitHub 개발자 10만 명 이상의 데이터를 살펴보고 AI 도구 사용이 소프트웨어 개발의 각 단계에 미치는 영향을 분석했다. 개발 과정은 코드 작성, 파일 단위 정리, 변경 사항 커밋, 변경 검토를 위한 풀 리퀘스트 제출, 프로젝트에 변경 사항 병합, 완성된 제품 출시의 여섯 단계로 나뉜다. 자동완성 도구는 개발자가 입력하는 동안 코드를 제안하고, 동기식 에이전트는 개발자와 함께 실시간으로 코드를 작성하고 수정한다. 비동기식 에이전트는 작업을 배정받으면 개발자의 감독 없이 자율적으로 수행한다. 이 구분은 도구마다 개발자와 협업하는 방식과 후속 단계에서 요구되는 인간의 관여가 다름을 보여준다.

3. 코딩 활동의 큰 증가와 출시 효과의 감소

자동완성 도구를 사용하면 코딩 활동이 40% 늘었고, 동기식 에이전트를 포함한 누적 증가 효과는 140%에 달했다. 여기에 비동기식 에이전트 사용까지 추가하면 누적 효과는 180%로 커졌다. 그러나 생산 과정 전체를 따라가면 증가폭이 줄어 AI 도구 미사용 개발자 대비 프로젝트는 50%, 실제 출시는 30% 늘어나는 데 그쳤다. 연구진은 변경 사항 검토와 앱 출시 등 후속 단계의 인간 중심 병목이 초기 생산성 향상을 약화시켰다고 설명했다. 또한 비동기식 에이전트는 설계상 소프트웨어를 직접 출시할 수 없기 때문에 해당 도구의 출시 영향은 계산하지 않았다.

4. 앱 공급 확대와 사용자 반응의 간극

연구진이 인기 앱스토어 네 곳의 데이터를 분석한 결과, 에이전트형 코딩 AI 도구가 널리 제공되기 시작한 2025년 초 이후 신규 앱이 전반적으로 증가했다. 하지만 앱 다운로드와 사용자 리뷰에서는 그에 상응하는 증가가 관찰되지 않았다. 연구진은 이를 공급 측 생산성 향상이 주로 사용자 기반이 작거나 없는 애플리케이션의 증가로 이어지고 있음을 시사하는 결과로 해석했다. 코드 작성 비용이 낮아져도 개발자는 여전히 제품을 시험하고 다듬으며 시장 적합성에 도달하도록 반복 개선해야 한다. 이러한 상위 수준의 작업에는 제약이 남아 있어, 앱을 더 많이 만드는 것만으로 사용자 반응까지 확보되는 것은 아니라는 설명이다.

5. 팀 규모 조정과 후속 단계 자원 재배치

데미레르는 연구 결과가 AI 도입 이전 시대에 맞춰 설계된 업무 흐름의 한계를 보여준다고 설명했다. 그는 AI로 개발자의 생산성이 높아지는 만큼 팀 규모를 줄이는 것을 첫 단계로 제안했으며, 작은 팀은 더 민첩하고 협업과 의사소통의 부담이 적다고 보았다. 이어 프로젝트 병합, 완성된 제품 출시, 제품 유지보수와 업데이트처럼 개발 생애주기 후반의 병목을 해결하는 데 자원을 재배치할 수 있다고 말했다. 이때 일부 직원을 재교육해 해당 업무를 맡길지, 신규 인력을 채용하고 기존 개발자는 역할을 유지하며 더 많은 팀이 더 많은 프로젝트를 수행하게 할지 결정해야 한다. 제안의 초점은 초기 코드 작성 능력의 확대를 후속 작업의 처리 능력과 연결하는 데 있다.

6. 인간 업무 흐름의 제약을 줄이는 AI 활용

연구진이 강조한 또 다른 방향은 AI가 인간의 업무 흐름을 어디에서 도울 수 있는지 살피는 것이다. 원문은 시제품 구체화, 회의 요약, 승인 과정의 불필요한 절차 축소를 활용 사례로 제시한다. 한 단계를 자동화해도 이후 단계가 수동 의사결정 때문에 지연된다면 전체 생산성에 미치는 효과는 제한된다. 따라서 AI 도구의 성과를 좌우하는 요인은 초기 작업의 속도뿐 아니라 후속 단계의 제약을 완화할 수 있는지에 있다. 데미레르는 기술적·제도적 지식에 의해 규정되지 않는 절차에서 AI가 해결에 기여할 수 있다고 설명하며, 사람들이 과도한 시간을 쓰는 지점을 찾아 AI의 활용 가능성을 살펴보라고 제안했다.

🧾 핵심 주장 / 시사점

• AI의 효과를 판단하려면 코드 작성량, 프로젝트 수, 실제 출시를 구분해야 하며, 초기 단계의 증가율만으로 전체 성과를 설명하기 어렵다.
• 출시 증가와 사용자 반응은 별개의 성과이며, 다운로드·리뷰의 상응하는 증가가 없다는 결과는 공급 확대만으로 시장 성과를 입증할 수 없음을 보여준다.
• AI 도입의 효과를 확대하려면 도구 성능뿐 아니라 후속 단계의 인간 중심 병목과 팀 구성도 함께 살펴야 한다.

✅ 액션 아이템

• 코딩 활동 최대 180% 증가와 실제 출시 30% 증가를 구분해 AI 생산성 성과 해석.
• 신규 앱 증가와 다운로드·리뷰의 상응하는 증가 부재를 함께 고려해 사용자 확보 성과 평가.
• 후속 단계의 인간 중심 병목 완화를 위한 팀 규모 축소, 자원 재배치, AI 업무 지원 검토.

❓ 열린 질문

• 코딩 활동 최대 180% 증가가 실제 출시 30% 증가로 줄어드는 과정에서 어떤 후속 단계의 인간 중심 병목이 가장 크게 작용했는가?
• 신규 앱 증가에도 다운로드·리뷰가 상응해 늘지 않은 이유는 무엇인가?
• 팀 규모 축소, 자원 재배치, AI 업무 지원 가운데 후속 단계의 인간 중심 병목 완화에 가장 효과적인 접근은 무엇인가?