실전

Cisco의 무한 Token, 코드 작성량은 줄지만 책임은 커진다

Cisco는 일부 엔지니어에게 무제한 AI Token을 제공해 레거시 코드 재작업을 지원한다. 비용 병목은 사라졌지만, 변경의 정확성을 판단하고 검증할 역량이 새로운 병목으로 떠올랐다.

글자 크기

Cisco의 무한 Token, 코드 작성량은 줄지만 책임은 커진다

Cisco는 일부 엔지니어에게 무제한 AI Token을 제공하며, 핵심 활용처 중 하나는 레거시 코드 재작업이다.

AI에게 새로운 기능을 하나 더 작성하게 하는 방식은 아니다. 레거시 시스템 이전, 테스트 보완, 프레임워크 API 전환처럼 반복적인 작업의 비용 구조가 바뀐다는 의미에 가깝다.

다만 Token이 무료라고 해서 엔지니어링 결과까지 무료가 되는 것은 아니다. 누락된 맥락, 암묵적인 비즈니스 규칙, 테스트 사각지대는 그대로 남아 있다. 더 troublesome한 점은 AI가 한 번에 대량의 변경을 제출할 수 있다는 것이다. 오류도 함께 대량으로 복제된다.

Cisco 사장 Jeetu Patel은 이 제안을 Gen Z 엔지니어 양성과 입문자리 변화와 연결해 설명했다. Fortune 보도에 따르면 핵심은 단순히 더 많은 코드를 생성하는 것이 아니라 레거시 코드 재작업이다.

이 소식은 Hacker News 메인 페이지에도 올라가 101점을 받았고 112개의 댓글을 모았다. 엔지니어들이 가장关注한 것은 분명히 ‘무제한’이라는 표현 자체가 아니었다. 무한한 사용량이 실제 개발 과정에 적용됐을 때 코드 검토, 검증, 사고 책임을 누가 질 것인가가 핵심 논점이다.

원문 보도: Fortune

무한 Token은 정확히 무엇을 해결하는가

Token은 모델이 텍스트를 처리할 때 사용하는 계산 단위다. 입력과 출력 모두 계산에 포함된다.

새 함수 하나를 생성하는 데는 몇천 Token이면 충분할 수 있다. 하지만 수년간 운영된 모듈을 새 API로 이전하면서 호출부, 설정, 테스트, 문서까지 함께 수정하려면 훨씬 많은 Token이 필요하다. 오래된 코드에는 보통 수년간 쌓인 패치가 들어 있어 아무도 직접 삭제하고 다시 작성하기를 꺼린다.

Cisco의 방식은 다음과 같은 작업에 적합하다.

  • 레거시 프레임워크 API를 새 API에 매핑한다.
  • 의존성 및 호출 지점을 일괄 갱신한다.
  • 테스트가 없는 모듈에 초기 테스트 케이스를 추가한다.
  • 수천 줄에 이르는 중복 로직을 분해한다.
  • 서로 다른 실행 환경 사이에서 설정과 스크립트를 전환한다.

여기서 얻는 이익은 코드 줄 수가 아니다. 어떤 모듈을 이전하는 데 원래 12인일이 필요했고 그중 7인일이 호출 관계 확인, 코드 이동, 형식 조정에 사용됐다면 AI가 기계적인 작업 시간을 줄일 수 있다.

하지만 나머지 5인일은 사라지지 않는다.

  1. 기존 동작을 실제로 유지해야 하는지 확인한다.
  2. 문서에 기록되지 않은 경계 조건을 찾는다.
  3. 테스트가 요구사항을 검증하는지, 아니면 기존 구현을 그대로 모방하는지 판단한다.
  4. 어떤 호환성 위험을 감수할 수 있는지 결정한다.

무한 Token은 주로 앞부분의 비용을 해결한다. 비즈니스 지식을 자동으로 보완하지 않으며 롤백 책임까지 대신하지는 않는다.

자주 간과되는 비용도 있다. AI가 만든 변경이 많아질수록 사람의 검토 비용은 커진다.

500줄이 생성되고 핵심 분기 몇 개만 확인하면 충분하다면 효과적일 수 있다. 그러나 5만 줄짜리 diff가 생성되면 생성 시간이 0초가 되어도 검토가 병목이 된다. 검토자는 시스템에 대한 이해를 다시 쌓아 올리지 않고 표면적인 테스트 통과 상태에만 의존할 수밖에 없다.

Token은 무한한 엔지니어링 역량을 뜻하지 않는다

레거시 코드에서 가장 어려운 부분은 코드가 무엇을 작성했는지가 아니라 왜 그렇게 작성됐는지에 있다.

결제 API가 대표적이다. 코드에 추가된 재시도 한 번은 과거 장애 대응에서 비롯됐을 수 있다. 어떤 필드가 null을 허용하는 것은 특정 고객의 특수 계약과 관련됐을 수 있다. 오류 처리가 표준 경로를 우회한 것도 하위 서비스 장애를 피하기 위한 장치일 수 있다.

AI는 코드와 주석에서 이런 단서를 찾을 수 있지만, 조직이 이미 잃어버린 의사결정의 맥락을凭空 확인할 수는 없다.

위험은 네 단계로 나눌 수 있다.

맥락 누락

저장소에는 README, 설계 문서, Issue, 채팅 기록, 사고 보고서가 있다. 이들은 보통 불완전하고 통일된 형식도 없다.

모델이 한 번에 읽을 수 있는 맥락이 많아져도 관련 지식이 모두 저장소에 있다는 뜻은 아니다. 빠진 정보는 Token이 무제한이라는 사실로 자동 생성되지 않는다.

암묵적인 비즈니스 규칙

많은 규칙은 한 번도 코드에 기록되지 않는다.

‘주문 상태는 일곱 단계를 정해진 순서로만 전환할 수 있다’는 규칙이 PM의 머릿속에만 있을 수 있다. ‘유럽 고객 환불은 반드시 사람이 검토해야 한다’는 조건이 운영팀 공유 문서에만 존재할 수도 있다.

AI가 코드를 재작업하면서 로직이 완전하고 타입이 정확하며 테스트도 통과하는 코드를 생성했지만 비즈니스 의미만 조용히 바꿀 가능성이 있다.

테스트 커버리지 부족

구형 모듈에 테스트가 없다는 것은 동작이 없다는 뜻이 아니다.

AI가 추가한 테스트는 현재 구현을 기준으로 생성되고, 같은 모델이 구현을 수정한 뒤 그 테스트도 통과할 수 있다. 테스트와 구현이 함께 잘못된 방향으로 표류하는 현상이다.

더 안전한 방법은 과거 티켓, 운영 데이터, 경계 조건으로 독립적인 assertion을 먼저 만든 뒤 모델에게 구현을 수정하게 하는 것이다. 테스트의 출처와 구현의 출처가 완전히 같아서는 안 된다.

오류의 대규모 복제

사람이 조건 하나를 잘못 추가하면 영향 범위는 보통 한 모듈로 제한된다. AI Agent는 같은 오류를 dozens개의 호출 지점, 나아가 생성한 테스트 안까지 복제할 수 있다.

따라서 Token이 많아질수록 작은 배치 단위의 변경이 더 중요하다. 병합 요청은 의존관계에 따라 나눠每一 배치마다 독립적으로 검증하고 롤백할 수 있어야 한다.

무한 사용량의 합리적인 활용법은 Agent를 며칠 동안 실행한 뒤 한 번에 검토하는 것이 아니다. Agent가 작은 diff를 계속 제출하도록 하는 것이다. 한 번에 API 하나를 이전하거나 경계 테스트 한 묶음을 추가하거나 호출부 하나를 갱신하는 식이다.

초급 엔지니어의入门 과업이 바뀌었다

Jeetu Patel은 무한 AI Token을 Gen Z 엔지니어 양성과 입문자리 변화와 함께 논의했다.

문제는 ‘年轻人이 아직 코드를 배울 수 있는가’가 아니다. 대부분의 보일러플레이트 코드를 AI가 생성하더라도 프로그램을 이해하려면 직접 작성하고 실행하고 디버깅하고 수정해야 한다.

변한 것은 첫 엔지니어링 업무의 내용이다.

예전에는 신입이 CRUD API 구현이나 단위 테스트 작성으로 시작할 수 있었다. 지금은 이 작업들이 LLM에 맡기기 가장 적합한 영역일 수도 있다. 신입은 AI가 수정한 모듈을 인계받고 더 어려운 질문에 답해야 한다.

  • 이번 변경은 어떤 요구사항을 해결했는가?
  • 어떤 기존 동작을 유지했고 어떤 동작을 바꿨는가?
  • 테스트는 왜 변경이 올바름을 증명하는가?
  • 의존 서비스가異常 상태라면 코드는 어떻게 동작을 조정하는가?
  • 이 로직에 문제가 생기면 누가 얼마나 빠르게 원인을 찾을 수 있는가?

이러한 검토 업무에는 시스템, 제약, 장애模式的를 이해해야 한다. 명세를 따라 보일러플레이트 코드를 작성하는 것보다 경력 많은 엔지니어의 업무에 가깝지만, 기본 훈련을 생략할 이유는 없다.

위험한 신호는 AI가 코드를 생성할 수 있다는 이유로 팀이 더 이상 신입에게 작고 완전한 구현 과제를 맡기지 않는 것이다. 신입은 ‘수락’ 버튼을 누르고 테스트를 실행하는 역할만 맡는다. diff를 제출할 수는 있지만 시스템 동작을 독립적으로 설명하지 못한다.

더 합리적인 양성 방식은 AI가 반복 노동은 맡되 두 종류의 연습을 유지하는 것이다.

  1. 먼저 작은 모듈을 직접 작성해 디버깅 직관과 코드 읽기 능력을 기른다.
  2. 그다음 AI의 전체 변경을 검토하며 자신의 접근 방식과 생성된 방식을 비교한다.

전자는 실행력을, 후자는 판단력을 기른다. 둘은 서로 대체할 수 없다.

AI 재작업이划算한지 어떻게 측정할까

‘몇 줄의 코드를 생성했는가’를 주 지표로 삼기는 어렵다. 코드 생성량을 부풀리고 검토 비용을 가릴 수 있기 때문이다.

모듈별로 이전 현황표를 만들고 최소한 다음 다섯 가지를 기록하는 것이 좋다.

지표통계 방식주요하게 답하는 질문
이전 소요 시간시작부터 인수까지 걸린 사람의 工時AI가 실제로 시간을 절약했는가
결함 이탈률배포 후 발견된 결함 수 / 전체 결함 수검증이 충분했는가
회귀 테스트 통과율CI 실행 중 통과 횟수 / 전체 실행 횟수변경이 안정적인가
수동 검토 비용코드와 로그 검토에 걸린 분생성 속도가 검토 부담에 상쇄됐는가
롤백률 및 소요 시간롤백 횟수, 롤백 원인 파악 시간위험을 관리할 수 있는가

기준값도 함께 보존해야 한다.

유사한 모듈을 골라 수동 이전과 AI 보조 이전 데이터를 각각 기록한다. 그렇지 않으면 팀은 ‘요즘 빨라졌다’는 감각만 갖게 될 뿐, 절약된 것이 이전 시간인지 테스트와 배포 이후로 비용이 뒤로 밀린 것인지 설명할 수 없다.

다음 단순 스크립트로 CI 결과를 기록할 수 있다. 완전한 평가 체계를 대체하지는 않지만, 수동 이전 때 사용한 데이터 형식을 표준화할 수 있다.

import json
from pathlib import Path

results = []

for path in Path("ci-results").glob("*.json"):
    data = json.loads(path.read_text())
    results.append({
        "module": data["module"],
        "passed": bool(data["passed"]),
        "review_minutes": int(data["review_minutes"]),
        "rollback": bool(data.get("rollback", False)),
    })

passed = sum(item["passed"] for item in results)
pass_rate = passed / len(results) if results else 0.0
review_minutes = sum(item["review_minutes"] for item in results)
rollback_rate = (
    sum(item["rollback"] for item in results) / len(results)
    if results else 0.0
)

summary = {
    "runs": len(results),
    "regression_pass_rate": round(pass_rate, 4),
    "review_minutes": review_minutes,
    "rollback_rate": round(rollback_rate, 4),
}

Path("migration-summary.json").write_text(
    json.dumps(summary, ensure_ascii=False, indent=2) + "\n"
)
print(json.dumps(summary, ensure_ascii=False, indent=2))

실행 방법:

python summarize_migrations.py

이 스크립트를 사용하려면 프로젝트에서 직접 CI 데이터를 ci-results/*.json 형식으로 내보내야 한다. 필드를 단순하게 유지한 이유는 지표를 먼저 작동시킨 뒤 점진적으로 보완하기 위해서다.

수치뿐 아니라 오류 유형도 살펴야 한다. AI 재작업에서 흔히 발생하는 문제는 문법 오류가 아닐 수 있다. 예를 들면 다음과 같다.

  • 기존에 던져지던 예외를 삼킨다.
  • 타임아웃과 재시도 정책을 바꾼다.
  • 트랜잭션 경계를 잃는다.
  • 비동기 호출을 동기 호출로 잘못 작성한다.
  • 반드시 명시적으로 전달해야 하는 파라미터를 기본값으로 대체한다.

이러한 문제는 최종 테스트만으로는 잡기 어렵다. 기존 구현과 비교해 동작 차이 분석을 수행하고, 운영 지표로 함께 확인해야 한다.

편집자의 생각

Cisco의 무한 Token은 성숙한 구매 기준이라기보다 조직 운영 방식에 대한 실험에 가깝다. 모델 비용이 낮아지면서 AI 프로그래밍의 병목은 ‘생성할 수 있는가’에서 ‘검증할 수 있는가’로,确实히 이동했다. 하지만 무한한 사용량은 호출이 많을수록 전환이 빨라진다는 잘못된 인상을 만들 수도 있다.

더 중요한 것은 과거와 달라진 점이다. AI 프로그래밍은 주로 엔지니어가 새 코드를 작성하는 데 도움을 줬지만, Cisco는 이번에 이전, 테스트, 역할 분담이라는 핵심 영역에 직접 손댔다. 코드 검토는 보조 단계에서 핵심 생산 단계로 바뀌었고, 엔지니어링 책임 역시 모델이 대신 맡아 주지 않았다.

앞으로 팀에서는 순수 보일러플레이트 코드는 줄어들겠지만 시스템 동작에 대한 이해는 줄지 않을 것으로 본다. 초급 엔지니어는 첫 변경을 더 빨리 제출할 수 있지만 장애 원인을 독립적으로 판단하는 능력은 여전히 시간을 들여 쌓아야 한다. Cisco가 이전 비용, 결함 이탈률, 신입 교육 기간을 동시에 줄여 낼 수 있다면 이 사례는 반복할 가치가 있다. 현재 Hacker News의 112개 댓글에서 벌어지는 논쟁은 ‘무한 Token’이 해결하는 것이 비용이지 책임이 아니라는 점을 잘 보여 준다.

출처: https://fortune.com/2026/10/30/cisco-president-jeetu-patel-gen-z-27-year-old-unlimited-ai-tokens-rewrite-legacy-code-entry-level-jobs/