트렌드

AI가 코드를 쓰는 시대, 확인하는 사람은 더 바빠졌다

2026-11-10

┃AI는 이미 개발 현장의 일상이 되었습니다

AI가 코드를 짜고 테스트케이스를 설계하는 풍경은 이제 낯설지 않습니다. 코드 품질 검증 기업 '소나(Sonar)'의 2026년 1월 설문에 따르면, 개발자가 커밋하는 코드 중 42%가 이미 AI의 손을 거쳤습니다. 이 비중은 2027년 65%까지 늘어날 전망입니다.

쓰는 AI도 하나가 아닙니다. 깃랩(GitLab)의 'AI 책임성 보고서(2026년 6월)'에 따르면, 복수의 AI 코딩 툴을 쓰는 조직이 91%, 3개 이상 활용하는 곳도 54%에 달했습니다. 여러 AI가 동시에 코드를 만들고 있다는 뜻입니다.

만드는 일이 늘어난 만큼 확인해야 할 일도 늘었습니다. 시장조사기관 모도 인텔리전스(Mordor Intelligence)가 글로벌 소프트웨어 테스팅 시장 규모를 2026년 544억 달러에서 2031년 999억 달러로 내다봤습니다. 5년 사이 두 배 가까운 성장입니다.

┃‘만드는 속도’와 ‘확인하는 속도’의 간극

문제는 두 속도가 같지 않다는 데 있습니다. 같은 깃랩 조사에서 응답자의 85%는 AI가 병목을 ‘코드 작성’에서 ‘검토와 검증’으로 옮겨놓았다고 답했습니다. 코드는 빨리 나오는데 배포 과정 전체는 그 속도를 따라가지 못한다는 응답도 79%였습니다. 앞서 소개한 소나 조사에서는 개발자의 96%가 AI 코드를 온전히 신뢰하지 않는다고 답했지만, 커밋 전에 매번 확인한다는 응답은 48%로 절반에 못 미쳤습니다. 믿지는 못하면서도 모두 확인하지는 못하는 것이 지금 현장의 모습입니다.

실제 현장은 대개 이렇습니다. 테스트케이스는 엑셀 시트에, AI가 만든 초안은 채팅창에, 실행 결과는 자동화 도구의 로그에 남습니다. 배포나 심사를 앞두고서야 "그 테스트 결과 어디 있죠?"라는 메신저가 오가고, 사람이 손으로 증빙을 모으는 일이 반복됩니다. 도구 하나하나는 제 역할을 하고 있지만, 이들을 하나로 잇는 연결고리가 없습니다.

이 간극은 결국 추적성의 문제로 이어집니다. 깃랩 보고서가 강조한 추적성의 관점에서 보면, AI가 작성한 코드 한 줄마다 세 가지 질문에 답할 수 있어야 합니다. 출처는 어디인가, 목적은 무엇인가, 그리고 배포 후 누가 책임질 것인가. 테스트 현장도 같은 질문 앞에 서 있습니다.

어떤 요구사항이 실제로 검증됐고, 그 근거는 어디에 있는가
AI가 만든 테스트를 누가 검토하고 승인했는가
모델이나 망 정책이 바뀌면, 지금까지 쌓은 테스트 자산은 어떻게 되는가

산업에 따라 이 질문의 무게는 더 커집니다. 자동차를 비롯한 첨단 제조 분야는 심사와 감사에 대응하기 위해 촘촘한 검증 이력과 증빙을 요구합니다. 금융과 공공 영역은 테스트 자동화가 시급하지만, 폐쇄망 환경 탓에 외부 AI를 들이는 첫 단계부터 막히는 경우가 많습니다.

┃흩어진 결과를 다시 잇는 세 가지 방향

어려움을 들여다보면 공통점이 하나 보입니다. AI 도입이 어딘가에 묶여 있다는 것입니다. 특정 모델에 종속되고, 폐쇄망 환경에 가로막히며, 파편화된 개별 도구에 갇힙니다. 해법 역시 이 세 가지 제약을 푸는 데서 출발해야 합니다.

모델에 묶이지 않기 ┃테스트 생성이 특정 벤더 클라우드 AI에 붙어 있으면, 모델을 바꾸는 순간 프롬프트와 템플릿, 생성 이력이 함께 사라집니다. 그래서 AI가 만든 결과물과 그 이력은 AI 바깥의 관리 체계에 남겨두는 편이 안전합니다. 어떤 엔진이 만든 것인지 함께 기록해 두면, 엔진이 바뀌어도 출처를 잃지 않습니다.

망에 묶이지 않기 ┃금융·공공·제조의 폐쇄망에서는 외부 AI를 호출하는 것 자체가 막혀 있습니다. 이때 현실적인 길은 이미 승인된 사내 모델이나 내부 장비에서 구동하는 오픈 모델을 그대로 연결하는 것입니다. 망 정책이 나중에 바뀌더라도, 운영 방식은 그대로 둔 채 연결할 엔진만 늘릴 수 있어야 합니다.

도구에 묶이지 않기 ┃실행 도구마다 결과가 따로 남으면, 추적성과 심사 증빙은 다시 사람이 엑셀로 만들어야 합니다. 요구사항과 테스트, 실행, 결함이 하나의 흐름으로 이어져 있어야 무엇이 바뀌었을 때 영향받는 범위만 골라 다시 검증할 수 있습니다.

세 방향에 공통된 원칙은 두 가지입니다. ‘AI의 결과물은 초안일 뿐, 최종 결정은 사람이 내린다’는 것, 그리고 ‘그 승인 이력이 곧 가장 확실한 감사 증빙이 된다’는 사실입니다. AI 모델은 환경에 맞춰 골라 쓰되, 품질을 관리하고 운영하는 체계는 하나로 두는 방식입니다.

▲ 여러 AI의 결과물이 하나의 품질 운영으로 모이는 흐름 (제공=플래티어)

┃그 방법 가운데 하나, XGEN TMS

플래티어가 지난 10월 공식 출시한 테스트 관리 솔루션 ‘XGEN TMS’도 이 방향을 택했습니다. 사내 LLM과 오픈소스 모델, 상용 API 가운데 원하는 AI 엔진을 골라 연결할 수 있어, 폐쇄망에서는 데이터를 외부로 내보내지 않고도 AI 기반 테스트 관리를 적용할 수 있습니다.

AI는 테스트케이스 생성과 회귀 테스트 범위 추천을 돕고, 요구사항 관리부터 테스트 설계, 실행 결과 관리, 결함 추적까지 하나의 체계 안에서 관리됩니다. AI가 만든 초안은 사람의 검토와 승인을 거쳐야 실행되며, 엔진을 바꾸더라도 테스트케이스와 추적 이력은 그대로 남습니다. 플래티어의 에이전틱 AI 플랫폼 엑스젠(XGEN)과 연결하면 AI 에이전트와 워크플로까지 활용할 수 있습니다.