에이전트형 AI 도입에 따른 아키텍처 품질 마이닝: Java 저장소에 대한 인과 연구

AI 코딩 도구는 이제 대다수의 개발자에 의해 사용되고 있으며, 이러한 도구의 에이전트형 (Agentic) 사용은 흔히 "바이브 코딩 (vibe coding)"이라 불리는 관행을 대중화했습니다. 그러나 소프트웨어 아키텍처에 미치는 영향에 대한 인과적 증거는 부족한 실정입니다. 이전의 인과 연구들은 코드 수준의 결과물(복잡도, 정적 분석 경고)을 측정해 왔으나, 이러한 저하가 아키텍처 수준의 결과물로 전파되는지 여부는 아직 알려지지 않았습니다. 본 연구에서는 151개의 오픈 소스 Java 저장소를 마이닝하였으며, 이 중 74개는 에이전트형 AI 도입이 감지된 저장소(설정 파일 및 Co-Authored-By 커밋 트레일러를 통해 식별)이고, 77개는 성향 점수 매칭 (Propensity-matched)을 통한 대조군입니다. 저장소당 13개월의 기간 동안 총 1,811개의 월별 Arcan 스냅샷을 확보했습니다. 우리는 최근 코드 수준의 지표에 사용된 인과 설계 방식을 아키텍처 수준에 적용하여, 시차 이중차분법 (Staggered difference-in-differences) 설계와 Borusyak 대체 추정량 (Borusyak imputation estimator)을 통해 AI 도입이 아키텍처 스멜 밀도 (Architectural Smell Density, ASD)에 미치는 인과적 효과를 추정합니다. 분석 결과, 코드 라인 수(LOC)가 12.8% 증가(p = 0.003)하는 동안 전체 스멜(smell) 수는 실질적으로 변하지 않았으나(+1.1%, p = 0.82), 결과적으로 나타난 6.7%의 ASD 감소(p = 0.004)는 아키텍처의 개선이라기보다는 분모 효과 (Denominator effect)에 해당합니다. 유형별 추정치 및 강건성 검정 (Wild cluster bootstrap, Lee bounds, stale-observation sensitivity) 결과 또한 이러한 패턴을 뒷받침합니다. 사전 추세 (Pre-trends)는 평탄하며 (Wald p = 0.90), 이는 평행 추세 (Parallel trends) 가정과 일치합니다. 처치 (Treatment)가 시스템 크기에 영향을 미칠 때 밀도 정규화된 결과는 오해를 불러일으킬 수 있습니다. 따라서 AI 도구 도입에 대한 인과적 마이닝 연구에는 원시 카운트 (Raw counts)와 명시적인 분해 (Decomposition)가 반드시 필요합니다. 선별된 151개 저장소의 월별 패널을 포함한 전체 재현 패키지는 공개적으로 사용 가능합니다.