소프트웨어 개발 단계별 인공지능 기술 활용 방안 연구

Abstract

Since OpenAI released ChatGPT, a large language model （LLM）– based service, in November 2022, generative artificial intelligence has been rapidly adopted in the workplace. In its early stages, limitations such as the training-data cutoff and the phenomenon of hallucination led many to expect that considerable time would pass before the technology could be used in practice. However, as new models were released in succession, both the user base and the scope of application expanded. Software development has been no exception: developers who use generative AI for writing source code and documentation are now a common sight. Yet empirical research on how this technology is used at each stage of development and how it affects productivity in the field remains insufficient. This study analyzes the actual use and productivity effects of generative AI across the entire Software Development Life Cycle （SDLC）, from requirements analysis to deployment and maintenance. First, a literature review was conducted to organize the relationship between the level of AI use and productivity at each stage. Next, a survey of 200 practicing developers who use generative AI in real projects was carried out to measure and compare the level of use and the perceived productivity improvement at each stage. Finally, three field experts at the project-manager （PM） level or above reviewed the survey results, thereby cross-validating （triangulating） the quantitative analysis with practitioners' interpretations of the field. The analysis found that, across all SDLC stages, the perceived productivity improvement reported by developers consistently exceeded the level of tool use. The size of this gap, however, varied by stage. In the requirements analysis stage, although the level of use was relatively low, the gap between the two indicators was the largest at 0.37 points, indicating that a substantial effect was perceived from use alone. By contrast, the implementation and testing stages showed the narrowest gaps, at 0.13 and 0.09 points respectively, which is presumably because the cost of verifying and correcting AI-generated code offsetting the benefits. Among the barriers to adoption, technical uncertainty arising from hallucination （33.0%） and the opacity of return on investment （27.0%） were most frequently cited, while concerns about the erosion of professional expertise and over-reliance on tools were prominent at the job-competency level. This study is significant in that it divides the SDLC into stages and compares the level of use and the productivity effects of generative AI across them. It is hoped that these findings will serve as a reference for practitioners who commission, perform, and supervise projects in managing them on the basis of generative AI.|2022년 11월 OpenAI가 대규모 언어 모델（Large Language Model, LLM） 을 기반으로 한 ChatGPT를 내놓은 뒤, 생성형 인공지능（Generative AI, 이하 생성형 AI）은 빠르게 업무 현장에 활용되고 있다. 초기에는 학습 데이터의 시점에 대한 한계와 환각（hallucination） 현상 탓에 실무에서 활용되기까지 오랜 시간이 걸릴 것으로 예상되었으나, 새로운 모델이 잇따라 나오면서 사용자층과 활용 범위가 함께 넓어졌다. 소프트웨어 개발 영역도 예외가 아니어서, 소스코드 작성과 문서 작성에 생성형 AI 기술을 쓰는 개발자를 어렵지 않게 볼 수 있다. 그러나 개발 현장에서 이 기술이 단계별로 어떻게 쓰이고 생산성에 어떤 영향을 주는지에 관한 실태 연구는 아직 충분하지 않다. 이 연구는 요구사항 분석에서 배포·유지보수에 이르는 소프트웨어 개발 생명주기（SDLC） 전 단계를 대상으로 생성형 AI 기술의 활용 실태와 생산성 효과를 분석하였다. 먼저 문헌조사로 단계별 활용 수준과 생산성의 관계를 정리하였다. 이어 실제 프로젝트에서 생성형 AI 기술을 사용하는 현업 개발자 200명을 대상으로 설문조사를 실시하여 단계별 활용 수준과 생산성 향상도를 측정·비교하였다. 끝으로 프로젝트 관리자（PM）급 이상의 현장 전문가 3인에게 설문 결과를 검토받아, 정량 분석과 현장 해석을 교차 검증（Triangulation）하였다. 분석 결과, SDLC 모든 단계에서 도구의 활용 수준보다 개발자가 체감하는 생산성 향상도가 높게 나타났다. 다만 그 차이는 단계마다 달랐다. 요구사항 분석 단계에서는 활용 수준이 상대적으로 낮은데도 두 지표의 격차가 0.37점으로 가장 커, 활용만으로도 효과를 더 크게 체감할 수 있었다. 반면 구현과 테스트 단계는 격차가 각각 0.13점, 0.09점으로 가장 좁았는데, 이유는 생성된 코드를 검증하고 수정하는 비용이 효과를 상쇄하기 때문으로 예상된다. 도입을 가로막는 요인으로는 환각 현상에 따른 기술적 불확실성（33.0%）과 투자 대비 효과의 불투명성（27.0%）이 높게 지목되었고, 직무 측면에서는 전문성의 저하와 도구 의존에 대한 우려가 컸다. 이 연구는 SDLC의 단계별로 나누어 생성형 AI 기술의 활용 수준과 생산성 효과를 비교했다는 데 의의가 있다. 이 연구의 결과가 프로젝트를 발주·수행·감리하는 실무 담당자들이 생성형 AI 기반으로 프로젝트를 진행하는 데 참고 자료로 쓰이기를 기대한다.