DORA: AI 보조 소프트웨어 개발의 ROI*

Google Cloud와 DORA의 공동 보고서는 AI를 '증폭기'로 규정한다. 내부 플랫폼, 배포 파이프라인, 팀 역량이 탄탄한 조직은 AI로 속도와 전달력을 키우지만, 기반이 약한 조직은 기술부채와 검증 비용을 더 크게 떠안는다.

도입 직후에는 J-curve가 생긴다. 새 워크플로 학습, AI 산출물 검증 부담인 Verification Tax, 빨라진 코드 생성 속도를 따라가지 못하는 테스트·승인·배포 병목이 겹치면서 초반 생산성이 오히려 떨어질 수 있다.

• 성숙한 IDP와 자동화된 가드레일, AI가 읽을 수 있는 내부 데이터가 있으면 ROI가 빠르게 커진다.
• 수동 테스트와 관료적 승인 절차, 분절된 데이터에 의존하면 AI는 유지보수 비용과 기술부채를 가속할 수 있다.
• 보고서는 Greenfield 작업에서 35~40% 생산성 향상, 복잡한 Brownfield 코드에서는 10% 이하 개선을 인용했다.
• 추론 비용은 2022년 11월 대비 2024년 10월 기준 280배 낮아졌고, 실제 부담은 모델 비용보다 검증·거버넌스·교육 비용으로 이동했다.

ROI는 Headcount Reinvestment Capacity, Extra Feature Deployment Revenue, Downtime Impact의 3축으로 계산한다. 500명 기준 샘플에서는 hard cost $5.1M과 J-curve 비용 $3.3M을 합친 1년차 투자 $8.4M, 1년차 리턴 $11.6M, ROI 39%, 회수기간 약 8개월을 제시했고, 고객 실데이터 기준 3년 평균 727% ROI도 언급했다. 2년차부터는 코딩 어시스턴트에서 자율 에이전트로 전환하며 복리 효과가 난다고 본다.

실행 로드맵은 두 단계다. 먼저 CapEx로 Context Layer, 즉 IDP와 AI-accessible data를 구축하고, 이어 OpEx로 개발자를 AI 에이전트의 고수준 오케스트레이터로 키우는 검증·교육 역량에 투자하라고 권한다. 핵심 성과지표는 커밋 수가 아니라 Experiment Frequency이며, 불확실성은 보수적·현실적·낙관적 시나리오로 나눠 CFO를 설득해야 한다.

부록에서는 METR의 숙련 오픈소스 개발자 RCT에서 AI 사용이 작업 시간을 19% 늘린 결과를 J-curve 관점으로 재해석한다. 신뢰할 가드레일, 내부 데이터, IDP가 없는 환경에서는 AI의 속도보다 검증 부담이 더 커질 수 있다는 메시지다.