검색 결과

확률적 엔지니어링과 24/7 직원

확률적 엔지니어링과 24/7 직원

소프트웨어 개발이 결정론적 작업에서 확률적 작업으로 이동하고 있음. AI 에이전트가 밤새 코드를 생성·리뷰·병합하는 운영 방식이 현실화되는 흐름.

버그를 환자처럼, 코딩 에이전트를 의료팀처럼 다룬 5개월

버그를 환자처럼, 코딩 에이전트를 의료팀처럼 다룬 5개월

Cockroach Labs가 계획 검토, 독립 코드 리뷰, 인계·병합 감사를 포함한 교육병원형 코딩 파이프라인 MOLT Sinai를 약 5개월간 운영함. IBM Db2 마이그레이션 지원 실험에서 사람이 코드를 작성하지 않고 이틀 미만에 작업을 마쳤으며, 토큰 비용은 4,172달러였음.

GPT-5.6 Luna vs. GPT-6 Astra: 1.20달러 모델로 코드 리뷰를 해도 충분할까?

GPT-5.6 Luna vs. GPT-6 Astra: 1.20달러 모델로 코드 리뷰를 해도 충분할까?

공개 PR 50개를 검토한 GPT-5.6 Luna는 검증된 버그 69개를 찾아 GPT-6 Astra 실적의 75%를 비용 3.6%로 달성함. 일반적인 정확성 버그 검토에서는 높은 비용 효율을 보였지만 오탐과 탐지 성능 차이는 뚜렷함.

Yap - LLM이 코드에 남기는 ‘주석 슬롭’

Yap - LLM이 코드에 남기는 ‘주석 슬롭’

LLM이 만든 코드에는 읽는 데 도움이 되지 않는 장황한 주석이 늘어나고 있으며, 이를 Yap이라는 형태의 slop으로 지칭함. 코드 리뷰와 유지보수 관점에서 AI 생성 주석의 품질 문제가 드러남.

AI 코드 리뷰는 몇 번 돌려야 할까.. 약 400번 돌려보고 알게 된 것

AI 코드 리뷰는 몇 번 돌려야 할까.. 약 400번 돌려보고 알게 된 것

약 400회의 LLM 호출로 AI 코드 리뷰 반복 횟수와 품질 변화를 측정한 실험. 초반 리뷰에서 놓친 문제를 여러 차례 재검토로 줄일 수 있지만, 반복이 늘수록 효율은 급격히 떨어진다.

코드는 다 읽을 수 없고, 코드 리뷰가 맡아온 책임은 사라지지 않는다

코드는 다 읽을 수 없고, 코드 리뷰가 맡아온 책임은 사라지지 않는다

AI로 코드 생산 속도는 빨라졌지만 사람이 읽고 검토할 수 있는 속도는 따라가지 못한다고 지적함. 이 격차가 코드 리뷰의 병목과 책임 문제로 드러난다고 설명함.

AI에게 채점을 맡겼더니 내 채점기의 버그를 찾아냈다

채점을 AI한테 시켰더니 내 채점기의 버그를 잡았다

AI 채점관과 코드 채점기를 대조해 29개 답안을 재검증함. 27개는 일치했고, 엇갈린 2개는 채점 규칙 자체의 문제를 드러내며 기존 채점기의 버그를 잡아냈다.

에이전틱 코드 리뷰에서 인간-AI 시너지: 인간과 AI는 다르게 리뷰한다

에이전틱 코드 리뷰에서 인간-AI 시너지 : 인간과 AI는 다르게 리뷰한다

300개 GitHub 프로젝트의 27만여 개 인라인 코드 리뷰 대화를 분석해 인간과 AI의 피드백 패턴을 비교함. AI는 문제를 찾아 즉시 수정안을 제시하는 경향이 강했고, 인간은 구현 이유와 테스트, 프로젝트 관례를 묻는 상호작용에 더 집중함.

AI가 소프트웨어 엔지니어링의 중산층을 없애고 있음

AI가 소프트웨어 엔지니어링의 중산층을 없애고 있음

AI가 구현 속도의 병목을 크게 줄이면서, 복잡한 프로젝트가 붕괴 가능한 수준의 난이도에 더 빨리 도달함. 사람의 검토·이해 속도는 그대로여서 잘못된 설계와 추상화가 더 쉽게 누적됨.

AI 코드 검토가 타당한 반론이 될 수 없는 이유

AI 코드 검토가 타당한 반론이 될 수 없는 이유

LLM 코딩 도구의 오류를 사람이 전부 리뷰하면 된다는 주장은 코드 리뷰의 처리 한계를 무시한다는 비판. 효과적인 리뷰는 시간과 분량에 상한이 있어 품질과 생산성을 동시에 보장하기 어렵다는 점을 지적함.

AI와 함께한 모험

AI와 함께한 모험

개인 프로젝트에서 여러 AI 모델을 써본 경험을 정리한 글. 코드 리뷰, 리팩터링, 단발성 스크립트에는 유용했지만 자율 개발 작업은 판단 품질과 검증 비용이 한계로 남았음.

Tokenomics: 에이전트형 소프트웨어 엔지니어링에서 토큰이 어디에 사용되는지 정량화

Tokenomics: 에이전트형 소프트웨어 엔지니어링에서 토큰이 어디에 사용되는지 정량화

LLM 기반 다중 에이전트 개발 시스템의 실행 추적을 SDLC 단계에 매핑해 토큰 소비를 분석한 연구. 초기 생성보다 코드 리뷰와 검증 단계에 토큰이 더 많이 쓰이는 패턴을 보여줌.