발표에서 확인된 핵심 사실

장애 탐지와 완화 정확도가 60%에서 90% 이상으로 급증했다. 인스타카트가 일반적인 장애 데이터가 아니라 수년간 쌓인 내부 사고 사례와 RCA(근본 원인 분석, 고장의 진짜 이유를 찾는 과정) 데이터를 학습시킨 에이전트 기반 SRE(사이트 신뢰성 공학, 시스템 안정성 관리) 시스템을 도입한 결과다. 시스템이 구체적으로 어떤 지점에서 고장이 났고 사람이 이를 어떻게 진단해 수정했는지 직접 학습하며 해결 능력을 키웠다. 외부의 일반적인 데이터가 아닌 기업 내부의 실제 실패 기록이 AI의 정확도를 높이는 핵심 재료가 됐다.

코드 리뷰라는 기존의 검토 방식 대신 의도 모델 중심의 평가 체계로 전환하고 있다. 개발자가 코드를 한 줄씩 읽으며 오류를 찾는 대신, 의도 관점에서 모델에 올바른 질문을 던지도록 훈련시키는 방향이다. 현재 매달 약 7,000건의 자동 평가를 수행하고 있으며, 8,000건 이상의 실시간 개발자 쿼리에 대해 약 99.9%의 정확도를 기록하고 있다. 엔지니어의 역할이 코드를 직접 작성하고 검증하는 단계에서 AI가 수행할 작업의 목표와 의도를 설계하는 영역으로 이동하고 있다.

확인해야 할 핵심 지점

장애가 발생했을 때 수백 개의 대화방을 일일이 확인해야 하는 엔지니어들에게 200여 개의 슬랙(Slack) 채널을 동시에 감시하는 도구가 투입됐다. 내부 도구인 Blueberry(블루베리)가 AI SRE(시스템 안정성을 유지하는 소프트웨어 엔지니어링) 동료로서 사람들의 대화와 경고 신호 사이의 패턴을 분석해 인간보다 빠르게 원인을 찾아낸다. 한 사례에서 엔지니어들이 AWS 디스크 문제를 의심하며 혼란을 겪을 때, Blueberry는 roulette(룰렛)이라는 기능 플래그 시스템의 결함을 정확히 지목했다. 기능 플래그는 코드를 다시 배포하지 않고도 특정 기능을 껐다 켰다 하는 스위치다. AI가 흩어진 대화 속에서 구체적인 이상 징후를 연결해 엉뚱한 곳을 찾는 시간을 줄였다.

코드 수정 권한을 소수 팀이 독점하던 방식에서 벗어나 정의와 사양에 도메인 지식(특정 분야의 전문 지식)을 내장하는 방식으로 전환했다. 이전에는 코드를 직접 만지는 특정 엔지니어링 팀만이 수정 권한을 가져 작업이 밀리는 병목 현상이 잦았다. 이제는 어떤 팀이라도 즉시 사용할 수 있는 명세서에 전문 지식을 포함시켜 그룹 전체가 코드를 수정할 수 있는 환경을 만든다. 특정 개인의 경험이나 기억에 의존하지 않고 시스템 전체가 지식을 공유해 코드 수정 권한을 모든 그룹으로 확산시킨다.

개발자의 97%가 더 이상 코드를 읽지 않으며, AI

97%의 개발자가 더 이상 코드를 직접 읽지 않는 환경이 만들어졌다. AI 에이전트가 반복적이고 양이 많은 단순 작업이나 보일러플레이트(기본 틀이 되는 표준 코드)를 대신 처리하기 때문이다. 개발팀은 이제 정답을 맞히는 일보다 판단과 의도, 예외 상황을 처리하는 문제에 집중한다.

기술 부채(과거의 잘못된 설계로 인해 나중에 치러야 할 비용)에 대한 걱정도 사라졌다. 쓰지 않는 코드는 그냥 버리고 필요할 때 다시 구축하는 방식을 택했다. 과거에 어셈블리 코드(기계어와 일대일로 대응되는 저급 언어)나 오브젝트 코드를 만들던 방식과 비슷하다.

다만 레거시 시스템(오래된 낡은 시스템)이나 법적 준수 사항, 지연 시간에 민감한 작업 등 전체의 3% 영역은 여전히 인간의 세밀한 주의가 필요하다. 이제 코드 리뷰의 기준을 단순한 문법 검토에서 AI 결과물이 비즈니스 의도와 제약 조건을 충족했는지 판단하는 의도 중심 검증 체계로 바꿔야 한다.