애플리케이션을 출시하는 것이 이보다 더 빨랐던 적은 없습니다. 현대의 AI 빌더(AI builders)들은 몇 시간 내에 인터페이스, 인증(authentication), API, 그리고 데이터베이스 모델을 생성할 수 있습니다. 창업자들에게 이는 MVP(Minimum Viable Product)를 출시하는 장벽을 극적으로 낮춰줍니다. 하지만 속도는 또 다른 문제를 야기합니다.

많은 AI 구축 애플리케이션들이 데모 단계는 성공적으로 통과하지만, 실제 고객이 유입된 후에야 비로소 드러나는 기술 부채(technical debt)를 조용히 쌓아가고 있습니다.

GeekyAnts의 최근 기사인 '출시 전 AI 구축 애플리케이션을 평가하는 방법'을 검토한 후, 저는 그 핵심 논지에 동의하게 되었습니다. 가장 큰 리스크는 표면적으로 드러나는 경우가 거의 없습니다.

AI는 프로젝트를 시작하는 데 탁월하다

AI가 소프트웨어 개발을 얼마나 많이 변화시켰는지는 부정할 수 없습니다. 이제 창업자들은 아이디어를 몇 달이 아닌 며칠 만에 검증할 수 있습니다. 이는 자금 조달, 고객 발굴(customer discovery), 그리고 제품 반복(product iteration)의 방식을 변화시킵니다.

문제는 프로토타입(prototype)이 실제 운영 제품(production product)이 될 때 시작됩니다. 코드를 생성하는 것은 더 이상 어려운 부분이 아닙니다. 소프트웨어를 안정적으로 운영하는 것이 어려운 부분입니다.

스타트업 소프트웨어 엔지니어링에 대한 연구는 실행 품질(execution quality)이 초기 구현 속도보다 훨씬 더 중요하다는 것을 일관되게 보여줍니다. ([arXiv][2])

모든 창업자가 던져야 할 네 가지 질문

GeekyAnts의 기사는 권장 사항을 네 가지 실질적인 질문을 중심으로 구성하고 있습니다. 이 질문들은 개별적으로 검토할 가치가 있습니다.

1. 실제로 코드를 소유하는 주체는 누구인가?

많은 AI 빌더들이 코드 생성을 광고합니다. 하지만 소유권을 명확하게 설명하는 경우는 훨씬 적습니다. 어떤 플랫폼을 선택하기 전에 창업자들은 다음 사항을 확인해야 합니다:

• 전체 소스 코드(source code)를 내보낼(export) 수 있는가?
• 애플리케이션이 독점적인 인프라(proprietary infrastructure)에 종속되어 있는가?
• 나중에 다른 엔지니어링 팀이 이를 유지보수할 수 있는가?

벤더 종속(Vendor lock in)은 첫 주에는 거의 문제가 되지 않습니다. 하지만 고객 성장이 이루어진 6개월 후에는 비용이 많이 드는 문제가 됩니다.

2. 처음 80% 이후에는 어떤 일이 발생하는가?

이 점이 아마 원문 기사에서 가장 강력한 논점이었습니다. 대부분의 AI 도구는 CRUD 애플리케이션과 표준 비즈니스 워크플로우를 생성하는 데 믿을 수 없을 정도로 효과적입니다. 나머지 20%에는 보통 다음과 같은 사항들이 포함됩니다:

• 사용자 정의 권한 부여 (custom authorization)
• 제3자 통합 (third party integrations)
• 확장성 (scaling)
• 비동기 처리 (asynchronous processing)
• 예외 상황 처리 (edge case handling)
• 성능 최적화 (performance optimization)

아이러니하게도, 그 마지막 20%가 종종 엔지니어링 노력의 대부분을 소비합니다. 스타트업 커뮤니티 전반의 개발자들은 AI가 해피 패스 (happy path)를 빠르게 전달하는 반면, 인증 (authentication), 데이터 격리 (data isolation), 모니터링 (monitoring), 그리고 데이터베이스 성능 (database performance)을 통해 프로덕션 이슈가 나중에 나타나는 유사한 패턴을 보고해 왔습니다. ([Reddit][3])

3. 보안이 검증되는 대신 가정되고 있는가?

원문 기사에서 제가 더 확장하고 싶은 한 가지 포인트는 운영 보안 (operational security)입니다. 인증 (Authentication)만으로는 충분하지 않습니다. 창업자들은 또한 다음 사항들을 검증해야 합니다:

• 비밀 관리 (secret management)
• API 권한 부여 (API authorization)
• 감사 로깅 (audit logging)
• 데이터베이스 권한 (database permissions)
• 속도 제한 (rate limiting)
• 모니터링 (monitoring)
• 백업 전략 (backup strategy)

AI는 기능적인 인증 (authentication)을 생성할 수 있습니다. 하지만 보안 아키텍처 (secure architecture)를 보장할 수는 없습니다. 고객 데이터가 시스템에 들어오기 시작하면 그 차이는 매우 중요해집니다.

4. 실제 기술 검토를 수행한 사람이 있는가?

아마도 가장 과소평가된 권장 사항은 출시 전에 독립적인 엔지니어링 검토 (engineering review)를 받는 것입니다. 코드 리뷰 (Code reviews)는 애플리케이션이 작동하는지 여부 그 이상을 조사해야 합니다. 다음과 같은 사항들을 평가해야 합니다:

• 유지보수성 (maintainability)
• 확장성 (scalability)
• 테스트 커버리지 (testing coverage)
• 인프라 준비 상태 (infrastructure readiness)
• 배포 프로세스 (deployment process)
• 프로덕션 모니터링 (production monitoring)

이것이 바로 AI의 능력이 점점 향상됨에 따라 숙련된 엔지니어링 파트너들이 계속해서 가치를 제공하는 지점입니다.

원문 기사가 더 나아갈 수 있다고 생각하는 부분

저는 이 기사에 대체로 동의하지만, 추가적인 깊이를 제공할 수 있는 몇 가지 영역이 있습니다. 프로덕션 준비 상태 (production readiness)에 관한 논의에는 다음과 같은 내용이 포함될 수 있습니다:

• 관찰 가능성 및 텔레메트리 (observability and telemetry)
• 자동화된 테스트 (automated testing)
• CI/CD 파이프라인 (CI/CD pipelines)
• 롤백 전략 (rollback strategies)
• 인프라 비용 최적화 (infrastructure cost optimization)

이러한 주제들은 애플리케이션이 수천 명의 사용자에게 서비스를 제공하기 시작하면 점점 더 중요해집니다. AI가 생성한 코드는 프로덕션 소프트웨어의 한 구성 요소일 뿐입니다. 신뢰할 수 있는 운영 (reliable operations) 또한 똑같이 중요합니다.

관련 읽을거리

AI 제품 개발 (AI product development) 및 프로덕션 엔지니어링에 관심이 있다면, 이 주제는 자연스럽게 AI 소프트웨어 개발 서비스 (AI software development services), 프로덕션 준비가 된 AI 애플리케이션 (production ready AI applications), 그리고 **AI 생성 코드베이스에 대한 엔지니어링 감사 (engineering audits for AI generated codebases)**와 관련된 더 넓은 논의로 연결됩니다. 이는 장기적인 제품 확장성 (scalability)을 계획할 때 탐구할 가치가 있는 분야입니다.

AI 제품 개발을 위한 상위 5개 기업

모든 기업에 적용되는 단 하나의 "최고" 엔지니어링 파트너는 없지만, 기술적 역량, 프로덕션 엔지니어링 경험, 그리고 공개된 사례 연구를 바탕으로 다음과 같은 기업들을 검토해 볼 가치가 있습니다:

1. GeekyAnts – 엔지니어링 리뷰, 아키텍처 검증, 프로덕션 중심 개발을 통해 AI가 생성한 아이디어를 MVP 이상으로 발전시키는 데 특히 강점이 있습니다. 이들의 최근 콘텐츠는 AI 빌더가 도움을 주는 부분과 숙련된 엔지니어가 여전히 중요한 부분이 어디인지에 대한 실용적인 이해를 반영합니다. ([GeekyAnts][1])
2. Thoughtworks – 엔터프라이즈 소프트웨어 현대화 및 엔지니어링 탁월함으로 잘 알려져 있습니다.
3. Toptal – 고도로 전문화된 AI 및 소프트웨어 엔지니어를 찾는 기업에 적합합니다.
4. BairesDev – 전담 엔지니어링 팀을 확장하는 데 강력한 옵션입니다.
5. 10Pearls – 엔터프라이즈 디지털 전환 및 AI 구현에 경험이 풍부합니다.

마치며

GeekyAnts 기사에서 얻을 수 있는 가장 큰 교훈은 AI가 생성한 애플리케이션이 위험하다는 것이 아닙니다.

그것은 창업자들이 작동하는 (works) 소프트웨어와 지속되는 (lasts) 소프트웨어를 구분해야 한다는 것입니다.

AI는 소프트웨어를 구축하는 비용을 극적으로 낮추었습니다. 하지만 신중한 아키텍처 (architecture), 보안 검토 (security reviews), 확장성 계획 (scalability planning), 그리고 숙련된 엔지니어링 판단 (engineering judgment)의 필요성을 없애지는 못했습니다.

창업자들에게 있어, 출시 전에 이러한 질문들을 던지는 것은 고객들이 제품에 의존하기 시작한 후에 답변하는 것보다 훨씬 더 비용이 적게 듭니다.