최근 한 실험에서 인공지능(AI) 에이전트가 생성한 대규모 코드베이스를 리팩터링하는 것이 AI 개발 비용 절감에 상당한 효과가 있음을 입증했습니다. 17,155줄에 달하는 러스트(Rust) 데이터 접근 계층 코드를 단계적으로 리팩터링하자, 같은 기능 변경을 수행하는 데 필요한 입력 토큰이 159,564개에서 27,360개로 무려 83% 감소했습니다. 이는 전체 코드량은 거의 변하지 않았음에도 불구하고, 관련 코드를 응집도 높은 파일들로 분리함으로써 AI 에이전트가 변경에 필요한 최소한의 파일만 읽도록 유도한 결과입니다.
이 실험은 약 15만 줄 규모의 업무 지원 애플리케이션 중 17,155줄짜리 러스트 데이터 접근 계층을 대상으로 진행되었습니다. 이 코드는 대부분 클로드 코드(Claude Code)와 커서(Cursor) 같은 AI 에이전트가 작성했으며, 개발자는 거의 개입하지 않았습니다. 리팩터링은 총 15단계에 걸쳐 진행되었는데, 가장 큰 파일의 크기를 17,155줄에서 3,695줄로 줄이고 데이터 접근 계층을 19개의 러스트 파일로 나누는 것이 핵심이었습니다. 흥미롭게도 입력 토큰 감소는 가장 큰 파일이 충분히 작아지기 전까지는 미미했으며, 마지막 파일 분리 단계에서 가장 큰 폭으로 줄어들었습니다. 이는 AI가 작업에 필요한 최소 파일 집합을 식별하여 점점 더 작은 코드 영역만 읽게 되었기 때문입니다.
이번 연구는 리팩터링이 AI 개발 프로세스에서 갖는 경제적 가치를 명확히 보여줍니다. 비록 한 번의 기능 변경당 절감액은 약 39.7센트(Sonnet 5 입력 가격 $3/MTok 기준)에 불과하지만, 이러한 비용 절감은 데이터 접근 계층을 수정할 때마다 반복적으로 발생하여 장기적으로 상당한 누적 효과를 가져올 수 있습니다. 특히 디버깅이나 더 복잡한 기능 구현 시 절감 효과는 더욱 커질 수 있습니다. 하지만 클로드(Claude) 같은 AI는 스스로 적절한 리팩터링을 선택하거나 안정적으로 수행하지 못했기 때문에, 리팩터링 계획 수립과 실행에는 여전히 사람의 적극적인 지침이 필수적이라는 한계점도 드러났습니다. 이는 AI 시대에도 개발자의 코드 품질 관리 역량이 여전히 중요함을 시사합니다.