최근 인공지능(AI) 코딩 에이전트가 생성한 데이터베이스 인덱스가 개별 쿼리 성능 향상에는 기여했지만, 전체 시스템 관점에서는 오히려 성능 저하를 일으킬 수 있다는 연구 결과가 나왔습니다. 특히 쓰기(write) 작업이 빈번한 테이블에 과도하게 인덱스를 추가할 경우, 데이터베이스의 WAL(Write-Ahead Log) 기록량과 데이터 업데이트 시간이 크게 증가하는 문제가 확인되었습니다. 이는 AI가 단일 쿼리 최적화에 집중하면서 인덱스 누적 비용을 간과할 수 있음을 시사합니다.
이번 실험은 고객 지원 도구, 체육관 예약 시스템 등 6가지 가상 SaaS(Software as a Service) 시나리오에서 3개 공급사의 AI 모델 4개를 대상으로 진행되었습니다. AI 에이전트가 생성한 스키마 30개 중 12개 테이블에 있는 838개의 인덱스를 분석한 결과, 대부분의 인덱스는 개별 요구사항에 부합했지만, 쓰기 작업이 집중되는 핵심 테이블에 인덱스가 과도하게 몰리는 경향을 보였습니다. 예를 들어, 지원 도구의 'tickets' 테이블에는 10~16개의 인덱스가 생성되었고, 이는 수작업으로 최적화된 스키마 대비 WAL 기록량을 1.8배, 업데이트 시간을 1.9배 증가시켰습니다. 또한, 자주 수정되는 컬럼에 인덱스가 추가될 경우 PostgreSQL의 HOT(Heap-Only Tuples) 업데이트를 방해하여 다른 인덱스의 유지 비용까지 늘리는 부작용도 나타났습니다.
이러한 결과는 AI 기반 개발 도구가 발전함에 따라 데이터베이스 설계 및 최적화 과정에서 발생할 수 있는 새로운 도전 과제를 보여줍니다. AI는 특정 기능 요구사항에 맞춰 인덱스를 추가하는 데 능숙하지만, 전체 시스템의 쓰기 빈도, WAL 전송 및 보관 비용, 메모리 사용량 등 복합적인 요소를 종합적으로 고려하는 데는 아직 한계가 있습니다. 따라서 AI가 제안하는 인덱스 스키마를 무비판적으로 수용하기보다는, 읽기(read) 성능 향상과 쓰기 성능 저하 사이의 균형점을 찾기 위한 개발자의 면밀한 검토와 벤치마크 테스트가 필수적입니다. 특히 대규모 트래픽을 처리하는 서비스에서는 인덱스 하나가 추가될 때마다 발생하는 누적 비용이 시스템 전체의 안정성과 운영 비용에 막대한 영향을 미칠 수 있음을 인지해야 합니다.