AI는 팀을 고치지 않는다 — DORA 2025가 말하는 '증폭기' 테제

같은 AI 코딩 도구를 두 팀에 붙였다. 한 팀은 배포가 빨라지고 제품 성과가 올라갔다. 다른 팀은 변경량이 늘어난 만큼 장애도 함께 늘었다. 도구는 같았다. 무엇이 결과를 갈랐을까.

DORA(Google의 소프트웨어 딜리버리 연구 조직) 2025 "State of AI-assisted Software Development"는 약 5,000명의 응답과 100시간이 넘는 정성 인터뷰를 바탕으로 이 질문에 답한다. 이제 개발자의 90%가 업무에 AI를 쓴다 — 1년 전보다 14%p 늘었다. 도입은 이미 끝난 논쟁이다. 남은 질문은 "그 도입이 성과로 전환되는가"이고, 리포트의 답은 명료하다. 그것을 가르는 건 도구가 아니라 조직이다.

AI의 생산성 효과는 도구가 아니라 그것을 감싸는 조직의 플랫폼 품질이 가른다. DORA의 결론은 한 문장으로 요약된다 — "AI는 증폭기다." 강한 팀은 더 강해지고, 통제 시스템이 약한 팀은 변경량 증가가 곧 불안정성으로 돌아온다. 그래서 AI 투자의 레버는 모델 선택이 아니라 내부 플랫폼과 워크플로우다.

주목할 반전이 하나 있다. 2024년 DORA에서 AI는 처리량(throughput)과 음의 관계였다. 코드를 더 빨리 뽑는데 오히려 딜리버리 처리량은 나빠졌다. 그런데 2025년엔 이 관계가 뒤집혔다. AI가 처리량, 그리고 제품 성과와 양의 관계로 돌아섰다. 조직이 AI를 다루는 법을 1년 사이 배운 것이다. 다만 딜리버리 불안정성(instability)과의 관계는 여전히 양의 관계로 남았다 — 속도가 오르면 불안정성도 함께 온다.

증폭기 모델

증폭기라는 말의 핵심은 이것이다. AI는 팀을 고치지 않는다. 이미 있는 것을 키운다. 성숙한 통제 시스템 위에 얹으면 그 강점을 키우고, 취약한 기반 위에 얹으면 그 취약함을 키운다.

다이어그램 설명. 리포트의 뼈대다. 같은 "AI 도입"이라는 입력이 두 갈래로 갈린다. 강한 자동 테스트, 성숙한 버전 관리, 빠른 피드백 루프 같은 통제 시스템이 갖춰진 팀에서는 늘어난 변경량이 처리량과 제품 성과로 흐른다. 특히 느슨하게 결합된 아키텍처를 가진 팀이 가장 큰 이득을 본다 — AI가 만들어낸 변화를 안전하게 흡수할 여유가 있기 때문이다. 반대로 통제가 약한 팀에서는 늘어난 변경량이 그대로 불안정성으로 돌아온다. 도구가 나쁜 게 아니라, 도구가 기존의 약점을 확대해 보여줄 뿐이다.

그래서 레버는 플랫폼이다

증폭기 테제를 실무 언어로 옮기면 이렇게 된다. AI 성과를 올리는 개입점은 "더 좋은 모델"이 아니라 "변경을 안전하게 흡수하는 조직 역량"이다. DORA는 이 역량의 구체적 형태로 내부 개발자 플랫폼(IDP, Internal Developer Platform — 조직 내부 개발자에게 배포·인프라·도구를 표준화해 제공하는 셀프서비스 플랫폼)을 지목한다. 조직의 90%가 최소 한 개의 내부 개발자 플랫폼을 도입했고, 76%가 전담 플랫폼팀을 두고 있다. 그리고 고품질 IDP와 "조직이 AI 가치를 실현하는 능력" 사이에 직접적인 상관이 관찰된다. 리포트의 표현을 빌리면, AI 투자의 최대 수익은 도구가 아니라 내부 플랫폼 품질, 워크플로우 명료성, 팀 정렬에서 나온다.

다이어그램 설명. 투자 레버를 짧은 것부터 긴 것 순으로 늘어놓은 그림이다. "모델 선택"은 가장 눈에 띄지만 영향은 가장 작다. 그다음에 골든패스(golden path, 조직이 검증해 둔 표준 개발·배포 경로)와 IDP, 자동 테스트로 대표되는 내부 플랫폼 품질이 있고, 가장 긴 지렛대 자리에 워크플로우 명료성과 팀 정렬, 즉 조직이 변경을 안전하게 흡수하는 역량이 있다. 이 순서는 조직론과도 맞닿는다. Team Topologies는 이미 "플랫폼팀 = 스트림 정렬(제품) 팀의 인지 부하를 줄이는 1급 팀 유형"이라는 어휘를 제시했고, 그 골든패스/IDP 개념이 AI 시대에 그대로 재활용되고 있다.

반론과 조건

증폭기라는 은유가 "그러니 AI만 깔면 좋아진다"로 읽히면 정반대다. 세 가지 조건을 함께 봐야 한다.

첫째, 높은 사용률과 성숙한 활용은 다르다. 개인 AI 사용률은 90%로 높지만, 실제 활용은 대체로 전술적 수준(코드 자동완성, 단발성 질의)에 머물러 있다. 조직 성과로의 전환은 아직 미성숙하다는 갭이 함께 지적된다.

둘째, 신뢰 갭이 있다. 개발자의 30%는 AI가 생성한 코드를 거의 또는 전혀 신뢰하지 않는다. 증폭기가 자동으로 좋은 방향만 향하지 않는다는 방증이다. 신뢰받지 못하는 산출물은 검토 부담이라는 새로운 마찰을 만든다.

셋째, 불안정성은 사라지지 않았다. 처리량과의 관계는 역전됐지만 불안정성과의 양의 관계는 그대로다. 즉 통제 시스템에 대한 투자를 게을리하면 속도의 대가를 반드시 치른다.

정리 — 증폭기는 신호를 가리지 않는다

실무 체크리스트는 세 줄이다. AI 도입 계획서의 첫 줄을 "어떤 모델"이 아니라 "우리 통제 시스템은 늘어날 변경량을 흡수할 수 있는가"로 시작한다 — 테스트 커버리지, 피드백 루프 속도, 아키텍처 결합도가 진짜 병목이다. IDP를 AI의 전제 조건으로 다룬다 — 골든패스가 없으면 AI가 만든 변경은 각 팀에서 제각각의 방식으로 배포되고, 그만큼 불안정성이 증폭된다. 신뢰 갭을 측정 대상으로 삼는다 — 30%의 불신은 도구 문제가 아니라 검증 워크플로우의 부재 신호일 수 있다.

결국 AI 시대의 경쟁 우위는 "누가 더 좋은 모델을 쓰느냐"가 아니라 "누가 그 출력을 안전하게 흡수하는 플랫폼을 갖췄느냐"에서 갈린다. 증폭기는 좋은 신호든 나쁜 신호든 가리지 않고 키운다.

---

참고한 공개 자료:

• Announcing the 2025 DORA Report — Google Cloud (https://cloud.google.com/blog/products/ai-machine-learning/announcing-the-2025-dora-report)
• Balancing AI tensions — DORA (https://dora.dev/insights/balancing-ai-tensions/)
• DORA State of AI-assisted Software Development 2025 요약 — InfoQ (https://www.infoq.com/news/2025/09/dora-state-of-ai-in-dev-2025/)
• In 2026, AI is merging with platform engineering — The New Stack (https://thenewstack.io/in-2026-ai-is-merging-with-platform-engineering-are-you-ready/)
• State of AI in Platform Engineering 2025 — platformengineering.org (https://platformengineering.org/reports/state-of-ai-in-platform-engineering-2025)

---

이 글은 생성형 AI의 도움을 받아 작성되었습니다. 원본 자료를 기반으로 AI가 초안을 생성하고, 작성자가 검토·편집하였습니다.