Contents
제품·서비스: 고객 가치와 경쟁력
1) 이미 팔리는 제품에 AI 더하기
2) AI로 없던 제품·수익 만들기
3) 자기 데이터로 방어벽 쌓기
무엇부터 바꿀 것인가 (시리즈를 마치며)
생성형 AI가 소프트웨어 개발 생산성을 높인다는 사실은 이제 기대가 아니라 실제 변화로 확인되고 있습니다. GitHub가 전문 개발자를 대상으로 진행한 실험에서, AI 코딩 도구를 사용한 집단은 같은 과제를 사용하지 않은 집단보다 평균 55.8% 빠르게 끝냈습니다(GitHub, 2023, 링크 확인 필요). Google도 2024년 3분기 실적 발표에서 새로 작성되는 코드의 25% 이상이 AI로 생성되고 있다고 밝혔습니다(Google/Alphabet, 2024.10.29, 링크 확인 필요).
이러한 변화가 곧바로 인력 운영의 답을 뜻하는 것은 아닙니다. AI가 코드를 더 빨리 쓰는 만큼 개발자도 덜 필요할 것이라는 기대 아래, 여러 기업이 개발·엔지니어링 조직의 채용 방식과 인력 규모를 바꾸고 있습니다. 다만 인력을 줄이거나 채용을 멈춘 뒤에도 개발 속도와 품질을 유지하면서 실제 비용을 낮출 수 있는지를 보여주는 자료는 아직 충분하지 않습니다.
이번 108호에서는 기업들이 어떻게 움직이고 있는지, 지금까지 확인된 성과와 위험은 무엇인지 살펴보고, 신중한 판단을 위해 무엇을 먼저 준비해야 하는지 짚어봅니다.
1. AI가 바꾸고 있는 개발 조직과 채용
✅ 기업들의 움직임은 이미 시작됐습니다
협업 소프트웨어 기업 Atlassian이 먼저 움직였습니다. 2026년 3월 전체 인력의 10%인 1,600명 규모로 인력을 조정하며, CEO 마이크 캐넌-브룩스는 AI와 기업영업 투자를 확대하기 위한 결정이라고 밝혔습니다. (Bloomberg, 2026) 두 달 뒤에는 가상자산 거래소 Coinbase가 뒤따랐습니다. 전체 인력의 14%인 700명을 조정하며, CEO 브라이언 암스트롱은 “AI가 소규모 엔지니어링팀을 훨씬 빠르게 일하게 만들었다”고 이유를 밝혔습니다. (CNBC, 2026)
같은 달 Salesforce는 한 걸음 더 나갔습니다. 엔지니어 조직 약 1만 5천 명 규모는 그대로 두되, 신규 채용만 완전히 멈춘 것입니다. (Fortune, 2026) 마이크로소프트도 이미 2025년 5월과 7월, 만 5천 명 규모의 인력을 조정하면서 AI 도입에 따른 비용 부담을 배경으로 들었습니다. 워싱턴주에서 조정된 인원의 40% 이상이 엔지니어링 직군이었습니다. (Bloomberg, 2025)
같은 시기 한국에서는 다른 신호가 감지됩니다. “AI 때문”이라고 공식적으로 밝힌 개발 조직의 인력 조정 사례는 아직 없습니다. 그런데 신규 채용의 속도만큼은 눈에 띄게 느려지고 있습니다. 소프트웨어정책연구소에 따르면 국내 소프트웨어 인력 규모의 증가율은 2023~2024년 7.3%에서 2025년 0.2%로 꺾였고, 신규 채용으로 인력을 확보하겠다는 기업의 비율도 62.6%에서 24.0%로 줄었습니다. (한국경제, 2026)
몇 달 사이 해외에서는 조직의 규모와 채용 방식이 실제로 바뀌었고, 국내에서는 채용의 문이 조용히 좁아졌습니다. 변화는 이미 시작됐습니다. 그렇다면 인력을 줄여도 개발 속도와 품질을 유지하면서 비용을 낮출 수 있다는 기대는 어디까지 확인됐을까요?
2. 인력 변화의 성과와 함께 살펴야 할 품질 과제
✅ 효과는 아직 더 지켜봐야 합니다
가트너가 2026년 5월 내놓은 조사가 이 간극을 가장 선명하게 보여줍니다. 연매출 10억 달러 이상 기업의 경영진 350명을 조사한 결과, “인력 조정과 AI 투자 성과 사이에 뚜렷한 연결고리가 보이지 않는다”는 결론이 나왔습니다.
조사 대상 기업의 80%가 업무 자동화 이후 평균 1~15%의 인력을 조정했다고 답했지만, AI 투자 성과가 높은 기업과 낮은 기업 사이에 인력 조정 비율의 차이는 없었습니다 (Gartner, 2026). 인력을 줄인 회사와 그대로 둔 회사가 성과 면에서 다르지 않았다는 뜻입니다.
다른 조사들도 같은 곳을 가리킵니다. HR 컨설팅 기업 Careerminds가 최근 1년 사이 인력을 조정한 미국 HR 전문가 600명을 조사했을 때, AI가 별다른 운영 문제 없이 해당 업무를 완전히 대체했다고 답한 비율은 21.4%뿐이었습니다. 54.6%는 오히려 예상보다 더 많은 사람의 관리·감독이 필요했다고 답했습니다.
조사기업 Orgvue가 경영진 1,163명에게 물었을 때는 39%가 AI 도입을 이유로 인력을 조정한 적이 있다고 답했는데, 그중 55%는 스스로 그 결정이 잘못됐다고 인정했습니다 (Orgvue, 2025).
서로 다른 세 곳이 독립적으로 조사했는데도 결론은 같습니다. 인력을 줄인 만큼 성과가 났다고 증명하는 자료는 아직 없습니다.
한편, 개발 현장에서는 AI가 만든 코드의 품질과 유지보수 문제가 나타나고 있습니다. 인력 조정의 효과가 충분히 확인되지 않은 상황에서 검토할 사람까지 서둘러 줄이면, AI가 만든 코드의 오류와 보안 취약점을 발견하고 고칠 역량도 함께 약해질 수 있습니다.
보안업체 Veracode의 2026년 조사에서, AI가 생성한 코드의 보안 검사 통과율은 56%에서 멈춰 있었고 약 44%의 과업에서 위험한 보안 취약점이 나왔습니다 (Veracode, 2026). 코드 분석기업 GitClear가 6억 2천만 건의 커밋을 들여다봤을 때도, 복사·붙여넣기한 코드는 41%, 코드 중복은 81% 늘었고, 작성한 지 2주 안에 다시 고쳐 써야 했던 코드도 15% 늘었습니다 (GitClear). AI가 코드를 더 빨리 쓸수록, 그 코드를 다시 들여다봐야 할 일도 함께 늘고 있는 셈입니다.
변화는 시작됐지만, 인력 조정이 실제 성과로 이어졌다는 근거는 아직 충분하지 않습니다. 오히려 품질과 비용을 함께 살펴야 한다는 신호가 쌓이고 있습니다. 그렇다면 기업은 무엇을 먼저 준비해야 할까요?
3. 신중한 전환을 위한 품질보증과 개발자 역량
✅ 지금 필요한 준비를 살펴보겠습니다
코드를 검증해야 할 필요가 커지고 있다는 것은, 코드 작성 속도와 회사에 필요한 생산성이 서로 다른 문제라는 뜻입니다. 코드 작성은 개발의 중요한 일부이지만 전부는 아닙니다. 요구사항을 이해하고, 기존 시스템과 연결하고, 오류와 보안 문제를 검토하는 과정이 함께 필요합니다.
AI가 코드를 빠르게 만들수록 검토해야 할 코드도 함께 늘어나기 때문에, 검토와 시험 역량이 그대로라면 병목은 사라지지 않고 뒤로 이동할 뿐입니다. 신중하게 인력 운영을 판단하려면 두 가지를 먼저 세워야 합니다.
1) 품질보증 체계 세우기
AI가 제공하는 속도를 활용하되, 오류와 비용까지 함께 커지지 않도록 어떤 업무를 AI에 맡길지 정하는 순간부터 실제 운영 이후까지 관리해야 합니다.
출발점은 위험 수준의 구분입니다. 사내 참고용 도구와 고객의 금융정보나 생산설비, 안전에 영향을 미치는 시스템을 같은 기준으로 관리할 수는 없습니다. 실패했을 때 영향이 큰 업무일수록 사용할 수 있는 AI 도구와 데이터, 자동 생성 범위를 좁히고 검토자와 승인자를 더 엄격하게 정해야 합니다.
AI가 참고할 회사의 맥락도 관리해야 합니다. 업무 규칙과 기존 시스템의 구조, 보안 요구사항, 과거 장애의 원인을 최신 상태로 유지해야 AI의 결과가 실제 업무와 어긋나지 않습니다. AI가 만든 코드는 서비스에 반영되기 전에 기본 기능과 기존 기능의 훼손 여부, 보안 취약점, 개인정보와 기밀정보 노출 위험을 자동으로 점검받아야 합니다.
그러나 책임까지 자동화되는 것은 아닙니다. AI가 코드를 만들었더라도 서비스에 반영되는 순간 그것은 회사의 결과물입니다. 누가 어떤 기준으로 검토하고 승인했는지 분명해야 합니다. 성과 역시 코드 생산 속도가 아니라 출시 후 결함과 재작업, 장애 복구 시간, 유지보수 비용과 고객 만족도까지 포함해 측정해야 합니다.
2) 증강 개발자로 전환하기
여러 조사에서 공통적으로 확인되는 것은 회사의 업무 맥락과 도메인 지식을 갖춘 사람이 AI와 결합했을 때 생산성이 높아진다는 점입니다. 앞으로 필요한 개발자는 AI에게 정확한 문제를 맡기고 결과를 검증하며 품질을 책임지는 사람입니다. 개발자의 역할을 코드 생산자에서 문제 해석자, 회사 맥락의 제공자, 품질 검증자, 위험과 비용의 판단자로 넓혀야 합니다.
신입에게는 AI 도구 사용법만 가르쳐서는 안 됩니다. 같은 과제를 직접 구현한 결과와 AI가 만든 결과를 비교하고, 오류를 찾고, 왜 특정 결과가 위험한지를 설명하는 훈련을 함께 시켜야 합니다. 기초 프로그래밍과 디버깅 능력은 AI 시대에 덜 중요해지는 것이 아니라, AI의 결과를 검증하기 위해 더 중요해집니다.
경력 개발자에게는 회사의 업무 맥락과 제약 조건을 AI에 정확히 제공하고, 여러 결과를 비교해 안전한 대안을 고르는 역량이 필요합니다. 시니어 개발자와 아키텍트는 업무의 위험 수준과 승인 기준을 정하고, 후배가 그 판단 과정을 배우도록 코칭해야 합니다.
관리자와 경영진도 AI로 줄어든 반복 업무 시간을 곧바로 인력 감축으로 환산하기보다 보안과 시험 자동화, 데이터 품질 향상과 새로운 서비스 개발에 다시 투자해야 합니다.품질보증 체계가 있어야 증강 개발자가 판단할 기준이 생기고, 증강 개발자가 있어야 그 체계가 현장에서 작동합니다. 인력 운영은 이 두 가지를 세우고 AI가 품질과 총비용을 개선했다는 증거를 확인한 다음 판단해야 합니다.
지금 필요한 것은 AI를 얼마나 빨리 도입할지 정하는 일이 아닙니다. 우리 조직이 AI에 맡길 수 있는 업무와 사람이 책임져야 할 판단을 구분하고, 그에 맞게 품질 기준과 개발자의 역할을 함께 설계하는 일입니다.
이런 준비 없이 인력 규모부터 바꾸면 AI가 만든 결과를 검토하고 책임질 역량까지 약해질 수 있습니다.
반대로 품질보증 체계와 증강 개발자 역량을 함께 갖추면, AI가 줄여준 시간을 보안과 데이터 품질 향상, 오래된 시스템의 개선과 새로운 서비스 개발처럼 조직에 더 필요한 일로 옮길 수 있습니다.
결국 AI 시대의 인력 운영은 ‘몇 명을 줄일 수 있는가’보다 ‘AI와 사람이 어떤 일을 나누어 맡고, 그 결과를 어떻게 책임질 것인가’에서 시작해야 합니다. 그 답은 회사마다 다릅니다. 조직의 전략과 현업 과제를 기준으로 필요한 역할과 역량, 전환 방식을 구체적으로 설계해야 하는 이유입니다.
지금까지 AI가 개발·엔지니어링 조직에 미치는 영향을 살펴봤습니다. 여러 기업이 빠르게 움직이고 있지만, 인력 운영의 효과는 아직 충분히 검증되지 않았습니다. 지금은 품질과 비용을 함께 확인하며 다음 단계를 준비할 때입니다.
불확실한 시기일수록 우리 조직의 준비 수준부터 확인할 필요가 있습니다. 이노핏파트너스는 조직과 개인의 역량을 진단하고, 그 결과를 바탕으로 현업 부서와 개발 조직이 함께 참여하는 맞춤형 프로그램을 설계합니다. AI 활용의 효과를 차근차근 확인하고 싶다면, 이 진단부터 시작할 수 있습니다.
🤝 이노핏파트너스는 이렇게 함께합니다
이노핏파트너스는 기업의 전략과 현업 과제를 바탕으로 필요한 역량을 정의하고,
조직·개인 역량 진단부터 문제해결형 교육, 워크숍,
코칭과 맞춤형 프로그램 설계·운영까지 함께합니다.
AI와 사람이 함께 일하는 방식을 우리 조직에 맞게 설계하고 싶다면,
기업맞춤형 교육컨설팅에서 시작해 보세요.