실전

AI 코딩이 CI를 폭주시켰을 때, Linear가 살려낸 방법

AI agent가 하룻밤에 수십 개 PR을 쏟아내면서 기존 CI runner 풀이 마비되었고, Linear는 동시성 모델을 통째로 다시 짜며 해결 과정을 공개했다.

글자 크기

linear.app/now/ci-bottleneck-reworked
Hacker News 토론 (73점, 댓글 61개)


진짜 문제는 CI가 느린 게 아니라 PR이 너무 많은 것

Linear 엔지니어링 팀이 최근 블로그를 하나 올렸다. AI 코딩 agent 때문에 CI 시스템이 터져버린 사연과, 어떻게 복구했는지에 대한 내용이다. 지난주 Hacker News 1면에 올라왔고 73점을 받으며 댓글 61개가 달렸는데, 댓글이 거의 전부 "우리도 똑같다"는 눈물의 외침이었다.

모순적인 지점이 뭔가 하면, 단일 테스트 실행이 느린 게 아니라 PR 수가 폭발한 것이다.

개발자 한 명이 하루에 PR 3-5개를 올리던 시절, Claude Code나 Cursor 같은 agent를 쓰면 한밤중에 30-50개를 뽑아내는 것도 일이다. PR마다 CI를 돌려야 하니 runner 풀이 순식간에 꽉 찬다. 큐가 40분씩 쌓이고, 개발자가 아침에 컴퓨터 켜서 PR을 열어봐도 아직 CI 대기 중, 점심 지나서야 겨우 review에 들어간다.

전통적인 CI 모델은 이런 가정을 깔고 있었다.

  • PR 하나당 독립 runner 하나
  • runner가 끝나면 반납, 다음 작업이 대기
  • 단위 테스트가 느리면? 테스트를 최적화하자. runner가 부족하면? 머신을 늘리자.

AI 코딩은 이 가정을 통째로 뒤집었다. 머신을 아무리 늘려도 PR 증가 속도를 못 따라가고, 테스트가 아무리 빨라도 수십 배 요청량을 못 버텨낸다.

Linear의 수치를 보면, 피크 시간에 개발자 1인당 시간당 4-6개의 CI run을 트리거한다. AI agent가 보편화되기 전보다 8배 많다.

그들은 테스트가 아니라 runner 스케줄러를 다시 짰다

Linear의 해법이 흥미로운 점이 있다. "테스트를 더 빠르게" 하거나 "머신을 더 늘리는" 쪽으로 가지 않고, 스케줄링 로직을 바꿨다.

핵심思路는 세 가지다.

  1. 병렬 가능한 job을 묶어 실행. 같은 PR 안의 lint + typecheck + unit test가 서로 의존성이 없고 workspace를 공유할 수 있다면, runner 세 개를 띄워 세 번 돌릴 필요가 없다. Linear는 job bundling 방식으로 바꿔서, 단일 runner가 호환되는 작업 묶음을 순차 실행하게 했다.
  2. workspace 재사용. 이전에는 CI run마다 repo를 새로 clone하고 의존성을 설치했다. Linear는 workspace 캐시 풀을 도입해서, 같은 commit hash를 가진 run이 들어오면 기존 디렉토리를 그대로 mount한다. pnpm이나 node_modules 설치하는 90초가 통째로 사라진다.
  3. 우선순위와 영향 범위에 따라 동적 할당. 핵심 파일(monorepo root, shared lib) 변경 PR은 높은 우선순위를 받고, 문서나 typo PR은 뒤로 밀린다. Linear는 GitHub의 CODEOWNERS와 경로 매칭으로 "영향 가중치"를 계산한다.

이 세 가지 적용만으로 runner 풀 용량 요구량이 60% 줄었다.

스케줄링 로직 일부를 의사 코드로 공개했다 (단순화 버전이며 프로덕션 코드는 아니다).

// Linear CI 스케줄러 단순화 버전
interface CIRun {
  prId: string
  commitSha: string
  changedPaths: string[]
  jobs: Job[]
  priority: number // 영향 가중치 기반 계산
}

function scheduleRun(runs: CIRun[], runners: Runner[]) {
  // 1. priority 기준 정렬
  const sorted = runs.sort((a, b) => b.priority - a.priority)

  // 2. workspace 캐시 히트 확인
  for (const run of sorted) {
    const cached = workspaceCache.find(r => r.sha === run.commitSha)
    if (cached) {
      run.workspace = cached.path // 재사용, clone + install 생략
    }
  }

  // 3. Job bundling: 호환 job 묶기
  const bundles = bundleCompatibleJobs(sorted)

  // 4. runner 할당, 병목 시 비중요 job 강등
  assignToRunners(bundles, runners, {
    onContention: degradeNonCritical,
  })
}

이 코드가 얼마나 우아한지가 중요한 게 아니다. 이 코드가 드러내는 사실이 중요하다. AI 시대의 CI 최적화 핵심은 "단일 실행을 빠르게"에서 "배치를 밀도 있게"로 이동했다.

Git workflow와 깊게 묶여 있다

Linear는 본래 issue tracking과 Git workflow 도구厂商다. 그래서 CI 개조와 브랜치 전략을 강하게 결합해서 구현했다.

핵심 설계 몇 가지.

  • AI agent commit 패턴 인식. AI가批量으로 올리는 commit message는 패턴이 다르다. 연속 5-10개가 feat:로 시작하고 타임스탬프가 클러스터링된다. Linear는 이 신호로 "앞으로 30분 동안 PR이 쏟아진다"를 예측하고 runner 풀을 미리 워밍업한다.
  • Merge queue 통합. 이들의 merge queue는 "PR이 main에 merge되어야 CI가 돌는다"가 아니라, "PR이 큐에 들어오자마자 테스트를 미리 돌린다". merge하는 순간 결과가 이미 나와 있으니 마지막 대기가 사라진다.
  • Branch stacking 최적화. 개발자가 기능 하나당 브랜치 하나를 쓰던 방식에서, 하나의 stack에 PR 5-6개를 줄 세워 순차 merge하는 방식으로 바뀌었다. Linear 스케줄러가 stack 관계를 인식해서 연속 PR이 이전 PR의 workspace 캐시를 재사용하게 한다.

이 부분은 Linear가 코드를 완전히 공개하지는 않았지만, 블로그에 꽤 직관적인 플로우 차트를 올려뒀다.

Linear만의 문제가 아니다

HN 댓글 61개를 대충 훑어봐도 최소 30개는 "같은 피해자"였다. 몇 가지 구체 사례를 골라보자.

사용자 devops_at_scale: self-hosted runner를 50개에서 200개로 늘렸는데도 부족했다. 알고 보니 용량 문제가 아니라, runner끼리 같은 monorepo lock을 잡아서 싸우고 있었다. workspace 재사용으로 바꾸자마자 해결됐다.

사용자 agent_pm: 우리 회사는 개발자 8명인데, Claude Code 도입 후 PR이 하루 12개에서 150개로 뛰었다. CI 월 비용이 4배 뛰어서 사장이 왜 IT 비용이 폭주하냐고 물어봤다.

사용자 platform_eng_lead: 측정해봤는데, PR당 CI 실행 시간은 사실 변하지 않았다 (평균 8분). 다만 동시에 도는 PR 수가 20에서 200으로 뛰었다. 병목은 테스트가 아니라 스케줄링이다.

세 번째 코멘트에 주목하자. Linear의 핵심 판단을 그대로 검증한다. 문제는 CI가 느린 게 아니라 동시성 모델이 안 맞는 것이다.

그 외에 언급된 사례들.

  • GitHub Actions의 동시성 제한(무료 계정 20 동시)이 터지자, 팀들이 자체 runner로 전환하기 시작했다
  • 일부 팀은 build matrix(같은 코드를 여러 runner에서 실행)를 "PR 중요도 필터링"용으로 써서, 중요하지 않은 PR은 subset 테스트만 돌리는 방식을 쓴다
  • AI agent 전용 runner 풀을 따로 두는 팀도 있다. 자원 경쟁을 피하려는 목적이다

다른 엔지니어링 팀에 남기는 교훈

Linear 경험에서 옮겨갈 수 있는 포인트가 몇 가지 있다.

1. CI가 터질 때까지 기다리지 말 것. AI 코딩의 확산 속도는 대부분의 엔지니어링 팀 예상보다 빠르다. 지금 runner 풀 용량 가설은 "사람이 코딩하는" PR 리듬에 기반한다. AI agent가 보편화되면 이 가설은 순식간에 무너진다.

2. 하드웨어 늘리기보다 스케줄링 최적화 우선. runner 추가는 가장 손쉬운 해법이지만, 비용이 선형으로 증가하고 ROI는 낮다. 스케줄링 로직 개선(job bundling + workspace 재사용 + 우선순위)은 한 번 투자하면 장기적으로 돌아온다.

3. CI와 Git workflow를 함께 설계할 것. merge queue, branch stacking, AI commit 인식 같은 단계를 CI 스케줄링과 연동시켜야 한다. 따로 노는 일이 없어야 한다. Linear는 본래 issue tracking을 만드는 회사라 이런 깊은 통합이 자연스러운 입장이었다.

4. PR 유입 속도를 모니터링할 것. CI duration, success rate 같은常规 지표에 더해 "PR per hour per developer" 지표를 추가하자. 이 곡선이 지수적으로 증가하기 시작하면 CI 위기가 멀지 않다.

편집자 생각

이 사건에서 가장 흥미로운 점은 반(反)합의다. 모두가 AI 코딩 agent의 생성 품질(제대로 쓰는가, 리뷰 가능한가, 환각 안 하는가)에만 관심이 있고, 생성 속도가 이미 엔지니어링 인프라를 압도한다는 논의는 거의 없다.

Linear 사례는 2026년 AI落地의 병목이 모델 레이어가 아니라 CI/CD, review queue, merge queue 같은 "하수도" 구간일 수 있음을 보여준다. 평소엔 아무도 신경 쓰지 않지만, AI 코딩이 대규모로铺开되는 순간 이런 레거시 시스템이 제일 먼저 터진다.

과거의 어떤 일과 다를까? 클라우드 네이티브 시대에도 "새 패러다임이 인프라를 압도하는" 비슷한 사례가 있었다. 마이크로서비스 전환이 DB connection pool을 터뜨리고, service mesh가 sidecar 자원을 폭주시킨 것. 하지만 그런 케이스는 점진적이고 예측 가능한 확장 곡선이었다. AI 코딩이 가져오는 PR 유입은 계단식이다. 한 팀이 Claude Code를 도입하면 다음 주에 PR이 5배로 뛰고, 점진 과정이 없다.

불확실한 부분: Linear의 해법은 그들 규모(중간 규모 엔지니어링 팀 + 자체 CI 오케스트레이션)에서 효과적이지만, GitHub Actions나 CircleCI 같은 표준 서비스를 쓰는 소규모 팀에는 옮기기 어렵다. 이런 팀의 해법은 여전히 "AI가 PR을 덜 올리게 하기"나 "AI 전용 runner 풀 따로 두기" 같은 단순한 방법에 머무를 가능성이 크다.

또 다른 판단: 앞으로 12개월 안에 "AI-native CI" 도구가 한 무더기 등장할 것이다. workspace 재사용, job bundling, AI commit 인식에 특화된 도구들. 지금 과소평가된 시장이다.

출처: https://linear.app/now/ci-bottleneck-reworked