OpenAI의 Git 확장 사례가 Hacker News에 올라가며 187점과 104건의 댓글을 얻었다.
이번 논의의 핵심은 Git 성능에만 있지 않다. 여러 AI Agent가 코드를 병렬로 수정한 뒤 저장소, CI, 리뷰 시스템까지 압박을 받는 구조가 문제로 떠올랐다.
공식 글: https://openai.com/index/scaling-git-at-openai/
Hacker News 토론: https://news.ycombinator.com/item?id=50345924
현재까지 공개된 요약은 주제를 ‘초대규모 코드 저장소와 고동시성 환경에서의 Git 확장 문제’으로 정리했지만, 구체적인 아키텍처, 변경 범위, 성능 수치는 공개하지 않았다.
지금은 방향만 확인할 수 있고, 이를 구현하는 구체적인 방법은 알 수 없다.
187점背后: Git이 병목이 되기까지
이번 이슈가 높은 관심을 끊은 것은 아무 이유가 없었다.
OpenAI는 Git의 규모와 동시 처리能力 확장을 다루는 글 Scaling Git at OpenAI를 공개했다. 이 글이 Hacker News 홈에 올라왔을 때 187점과 104건의 댓글을 모았다.
두 숫자가 의미하는 바는 커뮤니티가 또 하나의 유행을 지켜봤다는 데 있지 않다. 187점은 이 주제가 충분한 엔지니어링 매력을 갖췄다는 뜻이고, 104건의 댓글은 논쟁과 질문도 매우 많았다는 의미다.
지난 2년간 AI 프로그래밍의 주요 화제는 코드 생성 속도였다. Copilot, Cursor, Claude Code 같은 제품은 모두 ‘요구사항부터 초기 코드까지’의 시간을 줄였다.
하지만 코드가 더 빨리 생긴다고 저장소가 자동으로 관리하기 쉬워지지는 않는다.
Agent 하나가 여러 개의 분기와 수십 개의 커밋, 한 번의 자동 재작성, 리뷰를 기다리는 변경 사항을 만들어낼 수 있다. 개발자가 시간 단위로 처리하던 작업이 이제 분 단위로 Git에 들어온다.
그 결과 병목의 위치가 바뀌었다.
모델은 여전히 코드를 작성하는 동안 Git의 인덱스, 오브젝트 스토리지, 참조 갱신, push와 fetch가 이미 대기열에 들어갈 수 있다. 코드 리뷰 시스템과 CI, 병합 큐에도 훨씬 많은 동시 작업이 몰린다.
이번 글에서 Git에 집중한 이유가 있다. Git이 낡아서가 아니라, 백그라운드 도구에서 핵심 경로의 구성 요소로 suddenly 바뀐 있기 때문이다.
버전 관리 시스템부터 바꾸지 말자
‘Git 규모가 부족하다’를 보면 가장 먼저 나오는 결론은 Git을 교체하라는 것이다.
하지만 이 판단은 성급하다.
Git의 문제는 특정 명령이 부족해서 생기기보다, 표준 구현에 어울리지 않는 작업 부하가 몰려서 발생하는 경우가 많다. 초대규모 저장소, 높은 동시성 clone/fetch/push, 막대한 오브젝트 수, 빈번한 참조 갱신은 오브젝트 스토리지, 네트워크 전송, 잠금 경쟁, 인덱스 유지 비용을 키운다.
협업 프로토콜 전체를 새로 만들지 않고도 기존 시스템을 확장해 이런 문제를 해결할 여지는 있다.
적어도 현재 공개된 요약만으로는 ‘Git을 교체한다’는 증거를 찾을 수 없다. OpenAI의 제목은 replacing Git이 아니라 scaling Git이다. 둘의 차이는 크다.
AI Agent 팀에는 이 차이가 중요하다.
Git의 의미를 유지하면서 오브젝트 스토리지, 전송, 캐시, 동시성 제어를 다시 구현한다면 마이그레이션 비용과 호환성 위험, 개발자의 기존 습관 변화가 모두 더 관리 가능한 범위에 머문다. Agent는 익숙한 git diff, git fetch, git commit을 그대로 사용할 수 있고, 엔지니어링 시스템도 모든 훅을 다시 작성할 필요가 없다.
그렇지만 무시할 수 없는 질문도 있다. Git의 기본 모델이 Agent의 협업 방식 자체를 제한하게 될까?
대량의 Agent가 같은 저장소를 동시에 수정한다면 시스템에는 더 강한 작업 격리, 가상 분기, 롤백 가능한 작업 공간, 세분화된 권한 경계가 필요할 수 있다. 이런 요구를 전부 Git에 집어넣는 것은 적절하지 않을 수도 있다.
더 현실적인 접근은 계층을 나누는 것이다.
- Git은 버전과 이력의 의미를 계속 담당한다.
- 병합 큐와 리뷰 시스템은 변경 사항을 조직한다.
- Agent 스케줄링 시스템은 작업 배정, 재시도, 격리를 담당한다.
- 전용 관측성 계층은 누가 무엇을, 왜 수정했고 어디에서 막혔는지 기록한다.
먼저 감당 가능한 처리량을 늘린 뒤, 프로토콜 교체 여부를讨论해야 한다. 순서를 바꿀 수 없다.
AI 프로그래밍이 협업 압력을 앞당겨 만든다
AI가 생성한 코드는 단순히 ‘파일을 쓰는’ 결과를 넘어 코드 변경의 조직 방식 자체를 바꾼다.
‘로그인 타임아웃 수정’ 작업을 받은 Agent는 저장소를 검색하고, 분기를 만든 뒤 구현과 테스트를 수정하고, 포맷터를 실행하고, 두 번 커밋한 다음 병합을 요청할 수 있다.
세 Agent가 서로 인접한 모듈을 병렬로 처리하면 작업 수는 그만큼 배수로 늘어난다.
예전에는 개발자가 코드 작성에 가장 많은 시간을 썼다. 이제 코드 생산량이 늘면서 다음과 같은 작업에 시간이 더 많이 쓰일 수 있다.
- CI를 기다리는 시간
- 리뷰 대기열에 머무는 시간
- 충돌을 처리하는 시간
- 어떤 Agent가 어느 줄을 바꿨는지 추적하는 시간
- 봇이 제출한 대규모 기계적 변경을 검토하는 시간
- 실험용 분기와 임시 커밋을 정리하는 시간
코드를 더 빨리 작성한다고 소프트웨어 인도가 빨라지는 것은 아니다.
Git이 한 원인이다. 더 어려워지는 부분은 리뷰 처리량이다.
사람 리뷰어의 인원은 무한히 늘릴 수 없고, 주의력도 선형으로 확장되지 않는다. 한 PR에 600줄의 기계적 재작성과 12줄의 핵심 로직 변경이 섞여 있는데 리뷰 화면에서는 둘을 구분하기 어렵다면, 사람의 검토가 빠르게 승인 버튼을 누르는 동작으로 퇴화할 수 있다.
이에 따라 코드 협업 인프라에는 다음과 같은 변화가 필요하다.
- Agent가 생성한 소규모 커밋에는 더 정확한 출처 정보가 필요하다.
- 기계적 변경과 고위험 로직 변경을 계층적으로 보여줘야 한다.
- 병합 큐는 위험도와 의존 관계를 기준으로 작업을 스케줄링해야 한다.
- CI는 단순히 성공과 실패만 반환하지 말고 어디가 느린지 설명해야 한다.
- 분기, 커밋, review 사이의 추적 가능한 관계가 필요하다.
결국 AI 프로그래밍의 병목은 추론 처리량에서 변경 처리량으로 이동하고 있다.
전자는 GPU 수, batch size, 스케줄링 최적화로 개선할 수 있지만, 후자는 사람, 저장소, CI, 권한, 감사 추적을 모두 포괄한다. Git 확장은 이 중 가장 먼저 드러난 계층일 뿐이다.
실제로 이전할 수 있는 것은 엔지니어링의 선택
공개된 정보만으로 OpenAI의 구체적인 구현을 재현할 수는 없지만, 이 사례에서 바로 적용할 수 있는 부분은 몇 가지 있다.
첫째, 관측성은 확장에 앞서야 한다.
머신을 추가할지 결정하기 전에 병목이 git fetch, 오브젝트 압축 해제, 인덱스 갱신, 잠금 대기, 서버 측 스토리지 중 어디에 있는지 확인해야 한다. Git 작업을 공통 진입점으로 감싸 소요 시간, 오브젝트 수, 캐시 적중률, 실패 유형을 기록할 수 있다.
‘어디가 느린지’ 먼저 답한 다음, ‘무엇을 추가할지’ 결정해야 한다.
둘째, 큐와 속도 제한은 핵심 구성 요소로 다루어야 한다.
Agent 동시 실행 수가 곧바로 Git 동시 실행 수로 이어져서는 안 된다. 작업 계층에서 50개의 Agent를 동시에 시작하더라도 저장소 쓰기는 저장소, 분기, 리소스 그룹별로 대기열을 두어야 한다. 빈번한 자동 커밋에는 token bucket을 적용해 단시간의 급증으로 스토리지와 인덱스가 포화되지 않도록 해야 한다.
셋째, 캐시는 읽기와 쓰기 경로를 구분해야 한다.
정적 Git 오브젝트는 콘텐츠 주소 기반 캐시에 적합하지만, 저장소 참조와 인덱스는 일관성 전략에 따라야 한다. clone에서 캐시가 적중되었다고 해서 fetch도 같은 방식으로 동작한다고 가정할 수는 없다.
넷째, 스토리지는 계층적으로 구성해야 한다.
핫 데이터는 로컬 SSD나 고속 캐시에 두고, 온디맨드 데이터는 오브젝트 스토리지에 저장하며, 아카이브 데이터의 보관 비용은 낮춰야 한다. 동시에 오브젝트 체크섬을 유지해 Agent가 코드를 다시 작성하면서 이력의 무결성을 조용히 훼손하는 일을 막아야 한다.
다섯째, 특화 최적화는 실제 작업 부하를 기준으로 해야 한다.
AI Agent 환경에서 흔한 작업은 사람이 Git 이력을 읽는 것이 아니라 대량의 fetch, diff, 부분 커밋, 자동 병합이다. 이 경로들을 대상으로 benchmark를 수행하는 편이 git clone을 포괄적으로 최적화하는 것보다 가치가 있다.
최소한의 모니터링 대시보드는 다음 항목을 포함해야 한다.
- Git 작업의 P50 / P95 / P99 지연 시간
- 명령 유형별 실패율
- clone, fetch, push의 전송량과 오브젝트 수
- CI 대기 시간과 리뷰 대기 시간
- 활성 Agent 수, 동시 커밋 수, 충돌률
지표는 실제 워크플로에 연결되어야 한다. Git 서비스의 CPU 사용률만 보면 진짜 병목을 놓치기 쉽다.
편집자 생각
이 사건이 중요한 이유는 AI 프로그래밍의 기반 인프라 병목이 다른 계층으로 이동하고 있을 수 있다는 신호이기 때문이다. 모델은 이제 코드를 빠르게 생산할 수 있지만, 저장소, 리뷰, CI, 감사 시스템은 여전히 전통적인 개발 속도에 맞춰 설계돼 있다. 코드가 더 많이 생성될수록 Git과 리뷰가 먼저 한계에 부딪힐 가능성이 커진다.
제 판단으로는 앞으로 Agent 팀의 처리량을 확장할 때 가장 먼저 늘리는 것은 GPU가 아니라 관측성, 큐, 캐시, 계층형 스토리지일 가능성이 크다. 동시에 Git이 대체될 필요도 없다. 버전 관리의 의미는 유지하되, 하위 구현을 실제 작업 부하에 맞춰 다시 작성하는 방식이 될 수 있다.
이번 상황의 다른 점은 병목이 단일 개발자가 아니라 여러 Agent의 커밋 빈도와 동시 실행 방식에 의해 결정된다는 데 있다. 다만 공개 글과 Hacker News 토론만으로 OpenAI가 어떤 구성 요소를 변경했는지, 어떤 수준의 성능 개선을 달성했는지는 아직 확인할 수 없다. 분명한 것은 문제가 공개됐다는 사실이고, 답은 더 자세한 구현 자료가 공개돼야 알 수 있다.