대형 코드 마이그레이션이 몇 주짜리 작업이 아니라 몇 시간짜리 작업처럼 보이기 시작했다. 그러나 핵심은 AI가 코드를 더 빨리, 더 많이 쓴다는 점이 아니다. 진짜 변화는 마이그레이션을 단순한 “수작업 번역”이 아니라 계획, 변환, 검증을 반복하는 변경 관리 프로세스로 다룰 수 있게 됐다는 데 있다.
AI-assisted code migration이 의미하는 것
AI-assisted code migration은 오래된 프레임워크, API, 언어, 타입 체계 등을 새 구조로 옮기는 과정에 AI를 활용하는 방식이다. 일반적인 코드 자동완성과 다른 점은 범위다. 마이그레이션은 한 파일의 수정으로 끝나지 않는다. 여러 파일의 의존성, 빌드 가능 여부, 테스트 결과, 기존 동작과의 동등성까지 함께 다뤄야 한다.
Google의 TensorFlow에서 JAX로의 모델 이전 사례가 이를 잘 보여준다. 이 작업은 단순 문법 변환이 아니라 수천 줄의 코드, 여러 파일의 상태, 수학적 동등성을 유지해야 하는 장기 작업이었다.1 Google은 이 문제에 특화된 멀티 에이전트 AI 시스템을 적용했고, 수동 작업 대비 6.4배에서 8배 빠른 속도를 보였다고 설명했다.1 기존에는 수개월 규모의 소프트웨어 엔지니어링 작업이 필요했던 일을 몇 주의 AI 코드 생성과 전문가 리뷰로 줄일 수 있다는 설명도 덧붙였다.1
즉, AI 마이그레이션의 가치는 “코드를 대신 써준다”보다 “큰 변경을 작게 나누고, 검증 가능한 단위로 진행한다”에 가깝다.
단일 에이전트보다 중요한 것은 작업 구조다
대형 마이그레이션을 한 개의 AI 코딩 에이전트에 맡기고 “전체를 바꿔줘”라고 지시하는 방식은 위험하다. Google은 단일 에이전트가 장기 작업에서 컨텍스트를 잃거나, 존재하지 않는 API를 만들어내거나, 빌드되지 않는 코드를 생성할 수 있다고 설명했다.1
그래서 Google 사례의 핵심은 멀티 에이전트 자체보다 역할 분리와 검증 루프에 있다.
Planner는 컴파일러 기반 정적 분석으로 코드베이스의 의존성 트리를 매핑하고, 의존성이 없는 리프 노드부터 단계적인 마이그레이션 계획을 만든다.1
Orchestrator는 계획을 관리 가능한 청크로 묶고, 작업 실패 시 복구를 처리한다.1
Coder는 파일을 읽고 코드를 작성한 뒤 빌드와 단위 테스트를 실행한다. 컴파일 가능하고 검증 가능한 컴포넌트를 만들 때까지 테스트-수정 루프를 반복한다.1
이 구조가 주는 교훈은 명확하다. AI 마이그레이션의 성패는 모델 성능만으로 결정되지 않는다. 변경 범위를 어떻게 쪼갤지, 어떤 순서로 적용할지, 실패를 어떻게 감지하고 복구할지, 검증을 어디까지 자동화할지가 함께 설계되어야 한다.
실제 적용 전에 봐야 할 기준
AI-assisted code migration을 도입할 때는 “얼마나 빨리 PR을 만들 수 있는가”보다 “그 PR을 안전하게 받아들일 수 있는가”를 먼저 봐야 한다.
첫째, 테스트가 준비돼 있어야 한다. AI가 빠르게 바꾼 코드는 빠르게 깨질 수도 있다. 기존 동작을 확인할 테스트가 부족하면 속도는 곧 리스크가 된다. 특히 마이그레이션은 겉보기 동작이 비슷해도 내부 의미가 달라질 수 있으므로, 빌드 성공만으로 충분하다고 보기 어렵다.
둘째, 반복 가능한 플레이북이 필요하다. AWS는 대규모 마이그레이션에서 실행 기록, 에러, 해결 전략을 모아 플레이북으로 만들면 결과의 일관성을 높일 수 있다고 설명했다.2 단순히 “이 코드를 새 API로 바꿔라”라고 지시하는 것과, 검증된 변경 순서와 예외 처리 방법을 함께 제공하는 것은 전혀 다르다.
셋째, PR 통합 비용을 고려해야 한다. AI가 만든 PR도 팀의 협업 흐름 안에서는 충돌을 만든다. AgenticFlict 연구는 AI 코딩 에이전트 PR 중 처리 가능한 표본에서 27.67%가 머지 충돌을 보였다고 보고했다.3 생성 속도가 빨라질수록 리뷰, 충돌 해결, 롤백 전략의 중요성도 커진다.
결론: 마이그레이션은 사라지지 않고 역할이 바뀐다
AI는 마이그레이션을 없애지 않는다. 대신 엔지니어의 역할을 “직접 변환”에서 “계획, 검토, 검증”으로 옮긴다.
따라서 AI-assisted code migration을 평가할 때 가장 중요한 질문은 “얼마나 큰 PR을 얼마나 빨리 만들었는가”가 아니다. 더 중요한 질문은 이것이다.
그 변경을 작은 단위로 이해할 수 있는가. 테스트로 검증할 수 있는가. 실패했을 때 되돌릴 수 있는가.
이 세 가지에 답할 수 있을 때, AI는 대형 마이그레이션을 단순히 빠르게 만드는 도구를 넘어 안전하게 운영 가능한 변경 관리 시스템이 된다.
2Reproducible Code Migration at Scale with AI-Generated Playbooks
3AgenticFlict: A Large-Scale Dataset of Merge Conflicts in AI Coding Agent Pull Requests on GitHub
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.