세 줄 요약

• 대기업의 80% 이상이 AI를 활용해 구식 코드 분석과 문서화 작업을 수행하고 있습니다.
• 실제 운영 환경의 코드 생성 정확도는 25~34% 수준이며, 도입 조직의 51%가 정확성 부족을 과제로 꼽습니다.
• 레거시 데이터의 벡터화와 인간 개발자의 검증을 병행하는 점진적 리팩토링이 핵심 전략입니다.

현황

2026년 기준 대기업의 80% 이상이 AI 기반 현대화 도구를 실무에 도입했습니다. 기업은 구식 코드의 실행 경로를 분석하고 소실된 문서를 생성하는 데 LLM(대규모 언어 모델)을 활용합니다. AI 에이전트는 레거시 시스템의 의존성 관계를 파악하여 클라우드 네이티브 전환을 지원합니다.

기술적 한계는 존재합니다. 특정 벤치마크에서 LLM은 8489%의 정확도를 보이지만, 실제 운영 환경의 클래스 단위 코드 생성 정확도는 2534% 수준입니다. SWE-bench 기준 문제 해결률은 약 50%를 기록했으나, 복잡한 아키텍처에서는 오류가 발생합니다. 현대화 도구를 도입한 조직의 약 51%가 생성된 코드의 낮은 정확도를 주요 문제로 보고했습니다.

기업들은 기술 부채를 해결하고자 레거시 데이터의 벡터화에 집중하고 있습니다. 오래된 문서와 코드를 AI가 처리할 수 있는 벡터 형태로 변환하여 데이터 마이그레이션의 기초를 마련합니다. 이를 통해 기존 비즈니스 로직을 보존하며 시스템 이전을 진행합니다.

분석

AI 에이전트는 레거시 아키텍처를 파악하는 능력을 갖추고 있습니다. 실행 경로를 추적하고 의존성을 파악하는 속도는 인간 개발자보다 빠릅니다. 이는 담당자 퇴사 등으로 내부 구조를 알 수 없게 된 시스템을 파악하는 데 도움을 줍니다. AI는 과거 시스템의 지식을 현재로 전달하는 가교 역할을 수행합니다.

다만 25~34% 수준의 실무 정확도는 주의가 필요합니다. 이는 AI에게 시스템 리팩토링 전체를 위임하기에는 위험 요소가 있음을 시사합니다. AI 에이전트가 제안한 코드가 예외 처리를 누락하거나 보안 취약점을 만들 가능성도 있습니다. 현재 기술 수준에서 AI는 독립적인 수행자보다 분석 보조자의 역할에 적합합니다.

실전 적용

IT 의사결정권자는 AI를 단계적으로 도입해야 합니다. 먼저 기존 레거시 코드와 내부 문서를 벡터화하여 지식 베이스를 구축합니다. AI 에이전트가 시스템의 맥락을 파악할 수 있는 환경을 조성하는 것이 우선입니다.

리팩토링 시에는 전면 교체보다 점진적 전환을 권장합니다. 위험도가 낮은 모듈부터 마이크로서비스 아키텍처(MSA)로 분리하는 작업을 시도할 수 있습니다. 생성된 코드는 반드시 개발자의 검토와 유닛 테스트를 거쳐야 합니다. AI 작성 코드의 검증에 필요한 비용을 예산 수립 단계에서 고려해야 합니다.

FAQ

Q: MUMPS, ALC 등 특수 레거시 언어도 AI가 분석할 수 있습니까? A: 해당 언어들에 대한 벤치마크 수치는 구체적으로 확인되지 않았습니다. 일반적인 코드 생성 모델이 주류 언어에서 더 높은 성능을 보인다는 점을 고려할 때, 특수 언어 분석 정확도는 추가 확인이 필요합니다.

Q: 아키텍처 이해와 코드 생성은 어떻게 다릅니까? A: 아키텍처 이해는 함수 간 호출 관계나 데이터 흐름을 파악하는 과정입니다. 코드 생성은 이를 바탕으로 실제 작동하는 프로그램을 만드는 단계입니다. 현재 AI는 구조 파악에는 능숙하지만, 코드 생성의 정확도는 개선이 필요한 상태입니다.

Q: 정확도 문제가 있다면 도입을 보류해야 합니까? A: 도입 보류보다는 활용 범위 조정이 적절합니다. 코드 생성 대신 분석, 문서화, 테스트 케이스 생성 등에 우선 활용하면 리스크를 관리하며 현대화 속도를 높일 수 있습니다.

결론

AI 에이전트는 레거시 시스템 분석에 유용한 도구입니다. 대기업의 80%가 이를 도입했으나 실무에서의 낮은 정확도는 해결해야 할 과제입니다. 기업은 AI의 분석 능력을 활용하되 결과물에 대해서는 철저한 검증 과정을 거쳐야 합니다. 향후 AI가 복잡한 비즈니스 로직을 정밀하게 재구현하는 능력이 현대화의 성패를 결정할 것입니다.

참고 자료

• 🛡️ Source
• 🏛️ Beyond Synthetic Benchmarks: Evaluating LLM Performance on Real-World Class-Level Code Generation - arXiv