💻 computer science

Comprehension Debt in GenAI-Assisted Software Engineering Projects

본 논문은 207 명의 학생과 621 개의 일지를 분석하여 생성형 AI 가 소프트웨어 프로젝트에서 코드 이해도 격차인 '이해 부채 (Comprehension Debt)'를 축적시키는 네 가지 패턴과 이를 완화하는 한 가지 패턴을 규명하고, 이를 해결하기 위한 교육적 전략의 필요성을 강조합니다.

원저자: Muhammad Ovais Ahmad

게시일 2026-04-16

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Muhammad Ovais Ahmad

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"생성형 AI(챗봇 등) 가 소프트웨어 개발을 도와줄 때, 우리가 진짜로 이해하지 못한 채 코드를 받아들이면 생기는 위험"**에 대해 이야기합니다.

저자는 이를 **'이해 부채 (Comprehension Debt)'**라고 부릅니다. 마치 돈을 빌려서 급하게 집을 지었는데, 나중에 그 집을 고치거나 수리할 때 "이 벽이 왜 이렇게 생겼지? 이 배관은 어디로 가는 거지?"라고 몰라서 당황하는 상황과 비슷합니다.

이 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

🏠 비유: "요리사 vs. 레시피 복사기"

상상해 보세요. 여러분이 요리를 배우는 학생이고, AI 는 요리를 대신 해주는 **'요리 비서'**라고 가정해 봅시다.

1. 이해 부채 (Comprehension Debt) 란?

요리 비서가 "오늘 저녁 메뉴는 파스타예요!"라고 말해주고, 완성된 파스타를 그대로 가져다주면 여러분은 배불리 먹을 수 있습니다. 하지만 그 파스타가 어떻게 만들어졌는지, 어떤 재료가 들어갔는지, 소스를 어떻게 섞었는지 전혀 모릅니다.

나중에 비서가 없거나, 파스타가 맛이 없었을 때 직접 고쳐야 한다면? 여러분은 당황하게 됩니다. "왜 소스가 떫은지 모르겠어", "어떻게 다시 맛을 내지?"라고요.
이때 **"나중에 이걸 고치기 위해 알아야 할 지식의 부족"**이 바로 **'이해 부채'**입니다. 코드를 빨리 짤수록 이 부채는 더 빨리 쌓입니다.

2. AI 가 만들어낸 4 가지 '부채' 쌓이는 패턴

논문은 학생들이 AI 를 어떻게 쓰다가 이 부채를 쌓게 되는지 4 가지 경우를 발견했습니다.

① 블랙박스 코드 수용 (Black-Box Code Acceptance)
- 상황: AI 가 만들어준 코드를 "왜 이렇게 작동하는지"도 모른 채 그냥 복사해서 붙여넣습니다.
- 비유: 요리 비서가 만든 파스타를 그대로 먹는데, "이 소스 레시피가 뭐였지?"라고 묻지 않는 거죠. 나중에 파스타를 고쳐야 할 때, "이게 무슨 소스인지 모르겠는데 어떻게 고치지?"라고 당황합니다.
- 결과: 코드는 작동하지만, 나중에 수정할 때 막힙니다.
② 문맥 불일치 부채 (Context-Mismatch Debt)
- 상황: AI 에게 프로젝트 전체를 설명하지 않고, 조각난 코드만 보여주고 "이거 고쳐줘"라고 합니다.
- 비유: 비서에게 "이 파스타 소스 좀 짜게 해줘"라고 하는데, 비서는 전체 요리의 맛을 모르고 소스만 따로 만들어서 줍니다. 나중에 이 소스를 파스타에 넣으니 전체 맛이 망가집니다.
- 결과: AI 가 만든 코드는 혼자서는 완벽해 보이지만, 우리 프로젝트 전체에는 맞지 않아서 다시 고치는 데 시간이 더 걸립니다.
③ 의존성으로 인한 두뇌 위축 (Dependency-Induced Atrophy)
- 상황: AI 가 모든 걸 해결해주니까, 학생들은 직접 고민하거나 문서를 읽는 노력을 게을리합니다.
- 비유: 비서가 모든 요리를 해주니까, 여러분은 "내가 요리를 어떻게 하는지"를 잊어버리고 근육이 약해집니다. 비서가 없으면 아무것도 못 하게 됩니다.
- 결과: AI 가 없으면 스스로 문제를 해결할 능력이 사라집니다.
④ 검증 우회 (Verification Bypass)
- 상황: AI 가 틀린 정보를 줘도, 학생들은 "AI 가 틀릴 리 없지"라고 믿고 확인을 안 합니다.
- 비유: 비서가 "이 소금 10kg 넣으면 맛있어요"라고 거짓말을 해도, 소금에 대한 지식이 없는 학생은 그대로 넣습니다. 나중에 음식이 너무 짜서 망가졌을 때야 깨닫습니다.
- 결과: AI 의 실수가 나중에 발견되어 고치는 비용이 훨씬 커집니다.

3. 부채를 갚는 방법: "AI 를 스승으로 쓰기"

반대로, AI 를 잘 활용하면 부채를 갚을 수도 있습니다. 바로 AI 를 '스승'이나 '조교'처럼 사용하는 것입니다.

비유: 요리 비서에게 "이 파스타를 어떻게 만들었는지 설명해 줘. 그리고 내가 직접 다시 만들어 볼게. 내가 이해했는지 확인해 줘"라고 말합니다.
효과: AI 가 만들어준 코드를 그대로 쓰지 않고, 직접 다시 작성하거나 설명을 듣고 이해한 뒤 사용합니다. 이렇게 하면 AI 가 지식을 가르쳐주는 '발판 (Scaffold)'이 되어, 학생의 실력이 진짜로 늡니다.

💡 이 연구가 우리에게 주는 교훈

이 논문의 결론은 매우 간단합니다.

"AI 는 마법 지팡이가 아니라, '학습의 방향'을 결정하는 증폭기입니다."

속도만 쫓으면 (Acceleration): AI 가 코드를 빨리 짜주지만, 우리는 이해하지 못해 나중에 큰 문제를 겪습니다. (이해 부채 발생)
이해에 집중하면 (Exploration): AI 가 코드를 짜주는 대신, "왜?"라고 물어보고 설명을 듣고 다시 써보며 실력을 키웁니다. (이해 부채 해소)

교사나 리더들이 해야 할 일:
단순히 "AI 를 쓰지 마"라고 하거나 "AI 가 틀릴 수 있으니 조심해"라고 말하는 것만으로는 부족합니다. 대신 **"AI 가 준 코드를 이해했는지 설명해 봐", "직접 다시 써봐", "팀원들과 함께 이 코드가 왜 작동하는지 토론해 봐"**와 같은 과제를 줘야 합니다.

한 줄 요약:

AI 가 코드를 대신 짜주는 건 좋지만, 우리가 그 코드를 '이해'하지 못하면 나중에 그 코드를 고칠 때 더 큰 대가를 치르게 됩니다. AI 는 '대리 요리사'가 아니라, '요리법을 가르쳐주는 요리 선생님'으로 써야 합니다.

논문 요약: GenAI 지원 소프트웨어 공학 프로젝트에서의 이해도 부채 (Comprehension Debt)

1. 문제 제기 (Problem Statement)

배경: 생성형 인공지능 (GenAI) 도구 (ChatGPT, Claude 등) 가 소프트웨어 개발에 광범위하게 도입되면서, 학생과 개발자들의 인지 부하 (Cognitive Load) 를 줄여주는 매력적인 도구가 되었습니다.
핵심 문제: GenAI 의 무분별한 사용은 **'이해도 부채 (Comprehension Debt, CD)'**라는 새로운 형태의 위험을 초래합니다.
- CD 의 정의: 개발 팀이 코드베이스를 효과적으로 유지보수하고 수정하기 위해 필요한 이해 수준과 팀이 실제로 보유한 이해 수준 사이의 격차가 누적되는 현상입니다.
- 기술 부채 (Technical Debt, TD) 와의 차이: TD 는 코드 아티팩트나 아키텍처 결정에 존재하는 반면, CD 는 팀의 **집단적 인지 (Collective Cognition)**와 공유된 정신 모델 (Shared Mental Models) 에 존재합니다. 정적 분석 도구나 자동화된 테스트로는 감지할 수 없으며, 개발자가 시스템을 변경할 때 "무엇을 모르는지"에 관한 문제입니다.
연구 질문: 소프트웨어 공학 프로젝트에서 GenAI 코딩 어시스턴트는 어떻게 CD 를 유발하거나 완화하는가?

2. 연구 방법론 (Methodology)

연구 대상: 스웨덴 칼스타드 대학교 (Karlstad University) 의 소프트웨어 공학 과정에 참여한 207 명의 학부생 (팀당 4~6 명).
프로젝트 환경: 8 주 동안 4 개의 2 주 스프린트로 구성된 애자일 (Scrum 기반) 프로젝트. 기능 요구사항 (인증, 모드 추적, 리더보드 등) 을 충족하는 안드로이드 앱 개발.
데이터 수집: 프로젝트 기간 동안 작성된 621 개의 성찰 일지 (Reflective Diaries). 학생들은 ChatGPT, Google Gemini, GitHub Copilot 등 GenAI 도구 사용에 제한이 없었으며, 일지는 성적 평가에 포함되지 않아 솔직한 기록을 유도했습니다.
분석 방법: Braun 와 Clarke 의 6 단계 주제 분석 (Thematic Analysis) 기법을 적용하여 AI 관련 일지 내용을 코딩하고 패턴을 도출했습니다.

3. 주요 기여 및 발견된 패턴 (Key Contributions & Results)

연구는 GenAI 사용이 CD 를 **누적 (Accumulate)**시키는 4 가지 패턴과 **완화 (Mitigate)**시키는 1 가지 패턴을 규명했습니다.

A. CD 누적 패턴 (4 가지)

블랙박스 코드 수용 (Black-Box Code Acceptance):
- AI 가 생성한 코드가 작동하는 이유를 이해하지 못한 채 바로 코드베이스에 통합하는 행위.
- 초기에는 속도가 빠르지만, 추후 수정이나 디버깅이 필요할 때 문법이나 로직을 이해하지 못해 막히게 됨.
컨텍스트 불일치 부채 (Context-Mismatch Debt):
- GenAI 도구가 실제 프로젝트의 코드베이스, 네이밍 컨벤션, 아키텍처를 알지 못한 상태에서 단편적인 코드 조각을 생성함.
- 생성된 코드를 프로젝트에 맞게 수정하고 이해하는 데 추가적인 시간과 노력이 소요되며, 때로는 오히려 비효율적임.
의존성 유발 위축 (Dependency-Induced Atrophy):
- GenAI 에 대한 지속적 의존으로 인해 문서 읽기, 오류 추적, 로직 분석 등 독립적인 이해 노력이 줄어들어 인지 능력이 위축됨.
- 초기 학습에는 도움이 되지만, 장기적으로는 문제 해결 능력이 저하되고 심층적인 이해가 결여됨.
검증 우회 (Verification Bypass):
- GenAI 가 생성한 부정확하거나 불완전한 코드를 발견할 수 있는 도메인 지식이 부족하여 오류를 검증하지 않고 통과시킴.
- 지식의 부재가 AI 오류를 감지하지 못하게 만들고, 이는 런타임 오류로 이어져 더 높은 수정 비용을 초래함.

B. CD 완화 패턴 (1 가지)

이해도 발판으로서의 GenAI (GenAI as Comprehension Scaffold):
- 코드 생성 자체보다는 학습과 이해를 목적으로 GenAI 를 사용.
- 코드 로직 설명 요청, 어려운 개념 명확화, API 기능 탐색, 그리고 **AI 코드를 커밋하기 전에 직접 재작성 (Rewrite-before-commit)**하여 이해를 확인하는 행위.
- 이 방식은 인지 부하 (Germane Load) 를 줄이는 것이 아니라, 정신 모델 구축을 지원하여 CD 를 방지합니다.

4. 논의 및 시사점 (Discussion & Implications)

인지 부하 이론 관점:
- 가속화 지향 (Acceleration Orientation): GenAI 를 생산성 도구로만 사용. '적합한 인지 부하 (Germane Load)' 투자를 줄여 정신 모델 구축을 지연시킴 $\rightarrow$ CD 누적.
- 탐색 지향 (Exploration Orientation): GenAI 를 학습 발판으로 사용. 설명 요청, 검증, 재작성 등을 통해 인지 투자를 유지/증가시킴 $\rightarrow$ CD 완화.
교육적 시사점:
1. 구체적인 AI 리터러시 교육: 단순한 경고가 아닌, AI 코드를 검토하고 검증하는 '내적 사고 과정'을 모델링하는 교육 필요.
2. 구조화된 회고 (Retrospectives): 팀이 "이해하지 못하는 코드 부분"을 명시적으로 식별하고 공유하는 세션 도입.
3. 평가 방식의 변화: 기능 전달 (Artifact) 만 평가하는 것이 아니라, 코드 작성 과정과 논리 설명 (Process & Explanation) 을 평가하여 '이해'를 장려해야 함.
4. 도구 선택의 주의: 컨텍스트 인식 기능이 뛰어난 도구라도 자동화 편향 (Automation Bias) 을 유발할 수 있으므로, 도구 사용 시에도 인지적 경계심을 유지해야 함.

5. 연구의 의의 (Significance)

개념적 확장: 기존의 기술 부채 (TD) 논의에 '인지적/사회적' 측면인 **이해도 부채 (CD)**를 추가하여, GenAI 시대의 소프트웨어 유지보수 리스크를 새로운 렌즈로 조명했습니다.
실무 및 교육적 가치: GenAI 도구가 본질적으로 나쁜 것이 아니라, 사용자의 **인지적 태도 (Epistemic Orientation)**에 따라 학습을 증진시키거나 저해할 수 있음을 입증했습니다.
미래 방향: 소프트웨어 공학 교육에서 학생들에게 코드를 빠르게 생성하는 능력뿐만 아니라, 생성된 코드를 깊이 있게 이해하고 유지할 수 있는 **검증 역량 (Verification Competence)**을 의도적으로 함양해야 할 필요성을 강조합니다.

이 연구는 GenAI 가 소프트웨어 공학 교육과 실무에 통합될 때, 단순한 생산성 도구를 넘어 학습자의 인지 구조에 미치는 영향을 체계적으로 분석한 선구적인 사례로 평가됩니다.