LLM (Large Language Model) 지원 코딩의 급격한 도입과 함께, 이러한 시스템이 유발하는 기술 부채 (Technical Debt)를 관리해야 할 필요성이 시급해졌습니다. 본 논문에서 우리는 104개의 출처 (정식 문헌 31개, 회색 문헌 73개)를 대상으로 다성적 문헌 고찰 (Multivocal Literature Review)을 수행하여, LLM 지원 개발이 기술 부채에 어떻게 기여하는지, 그리고 이를 완화하기 위해 어떤 전략, 지표 및 벤치마크가 존재하는지 조사했습니다. 연구 결과, LLM은 전통적인 형태의 기술 부채, 특히 코드 (Code), 설계 (Design), 문서화 (Documentation) 부채를 증폭시키는 동시에, LLM 특유의 새로운 부채를 도입한다는 것을 발견했습니다. 특히, 우리는 품질보다 속도를 우선시하여 빠르게 생성된 코드가 거버넌스 부채 (Governance Debt)와 장기적인 유지보수 비용 증가로 이어지는 도미노 효과를 일으키는 '빠른 통합 부채 (Fast-integration debt)'를 식별했습니다. 추가적으로 나타나는 범주로는 프롬프트 (Prompt), 윤리 (Ethical), 데이터 (Data), 출처 (Provenance) 부채가 있으며, 이는 LLM 도입에 따른 고유한 새로운 과제들을 반영합니다. 이를 해결하기 위해 문헌에서 제안된 전략으로는 인간 참여형 (Human-in-the-loop) 프레임워크, 프롬프트 엔지니어링 (Prompt Engineering), 데이터 품질 정렬 (Data Quality Alignment) 등이 있습니다. 실제 현장에서는 기술 부채 지표를 탐지하기 위해 SonarQube와 같은 도구들이 흔히 사용되며, LLM이 부채에 어떻게 기여하는지 평가하기 위해 CodeSmellEval과 같은 연구 프로토타입들이 등장하고 있습니다. 그러나 아직 표준화된 벤치마크나 LLM 특화 지표는 존재하지 않아 중요한 공백으로 남아 있습니다. 본 연구의 결과를 바탕으로, 우리는 소프트웨어 공학 워크플로에 LLM을 신뢰성 있게 통합하기 위한 통찰과 향후 방향을 제시합니다.