AI 코딩 도구의 예시는 새 서비스나 앱을 처음부터 만드는 경우가 많다. 하지만 실제 엔지니어링은 사용자가 있고 오랜 결정과 제약이 쌓인 기존 시스템을 바꾸는 일이 대부분이다. Loopsfinity는 이런 간극을 ‘그린필드 편향’이라고 부르며, 기존 코드에 맞춰 변경하는 도구가 더 중요하다고 주장한다.
새 프로젝트에서는 제약을 직접 정하고 가장 깔끔한 접근법을 선택할 수 있다. 반면 기존 시스템에서는 현재 구조에 의존하는 코드와 사용자가 기대하는 동작, 다른 코드가 전제로 삼는 계약을 지켜야 한다. 따라서 기존 시스템을 다루는 일은 코드를 많이 생성하는 것보다, 선택하지 않은 제약을 고려해 맞는 코드를 만드는 데 가깝다.
그린필드 편향이 있는 도구는 기존 코드가 마음에 들지 않을 때 최소 수정 대신 통째로 다시 쓰려 하거나, 변경이 어디까지 영향을 미치는지 따지지 않은 채 주변 기능을 깨뜨릴 수 있다. 코드베이스의 관례를 배우기보다 일반적인 방식을 강요하고, 테스트나 구조의 빈틈을 먼저 보완하지 않은 채 그 위에 코드를 생성하는 문제도 생긴다. 변경 전에 영향 범위를 분석하는 방법은 코드를 수정하기 전 영향 분석에서 다룬다.
Loopsfinity는 그린필드 편향이 모델 성능만의 문제가 아니라 도구의 설계 방향이라고 본다. 새 프로젝트에서 인상적인 결과를 만드는 도구와 기존 제품의 제약을 존중하며 변경하는 도구는 서로 다른 목표에 맞춰 만들어져야 한다는 설명이다. 다만 기존 시스템에 맞춘 도구도 모든 제약을 알아낼 수는 없다. 문서화되지 않은 가정은 여전히 위험으로 남으며, 중요한 결정에는 사람의 판단이 필요하다.
기존 코드베이스를 에이전트가 다루기 좋은 상태로 준비하는 방법은 코드베이스를 에이전트가 작업하기 좋게 만들기에서 확인할 수 있다. 데모와 실제 운영 환경 사이의 간극은 데모에서 프로덕션까지의 절벽, 재작업 비용은 AI 코딩의 재작업 비용과 예상치 못한 비용, 운영 단계에서 에이전트가 실패하는 유형은 AI 코딩 에이전트가 프로덕션에서 실패하는 이유에서 다룬다.
댓글 (0)
로그인하면 이 기사에 내 생각을 남길 수 있어요