대형 언어 모델이 소프트웨어 유지보수와 진화성에 미치는 영향 조사

초록

본 연구는 2020‑2024년 사이에 발표된 87편의 논문을 체계적으로 분석하여, 대형 언어 모델(LLM)이 소프트웨어 유지보수와 진화성에 미치는 긍정적·부정적 영향을 정리하고, 위험 완화를 위한 전략을 제시한다.

상세 분석

이 논문은 유지보수와 진화성이라는 두 개의 핵심 품질 속성을 기준으로 LLM의 영향을 다각도로 탐색한다. 먼저, 유지보수·진화성 속성을 분석가능성, 변경가능성, 안정성, 테스트가능성, 이식성, 확장성 등 12가지 세부 항목으로 구분하고, 각 항목이 기존 연구에서 얼마나 다루어졌는지를 정량적으로 매핑한다. 긍정적 효과(‘Good’)로는 코드 분석·디버깅 지원, 자동화된 결함 수정, 테스트 케이스 자동 생성, 문서·요약 자동화 등을 통해 분석가능성·테스트가능성이 향상되고, 개발자의 인지 부하가 감소한다는 점을 강조한다. 특히, LLM 기반 코드 완성 도구가 반복적인 보일러플레이트 코드를 대체함으로써 변경가능성과 이식성을 높이는 사례가 다수 보고되었다.

반면 ‘Bad’ 영역에서는 LLM이 생성하는 코드가 종종 사실과 다르거나 불완전한 ‘hallucination’ 현상을 보이며, 이는 유지보수 시 오류 전파 위험을 높인다. 또한, 프롬프트와 컨텍스트에 민감해 동일 작업에서도 결과가 크게 변동하는 ‘brittleness’ 문제가 지적된다. 이러한 불안정성은 시스템 아키텍처의 일관성을 해치고, 장기적인 진화성을 저해한다.

‘Ugly’ 단계에서는 LLM 자체의 근본적인 한계—도메인 지식 부족, 추론 불안정성, 학습 데이터 편향, 보안·프라이버시 위험—가 강조된다. 특히, 모델이 설계 의도를 파악하지 못하고 표면적인 코드만 생성함으로써 구조적 무결성(integrity)과 확장성(extensibility)이 손상될 가능성이 제기된다. 논문은 이러한 구조적 약점이 누적될 경우 새로운 형태의 기술 부채가 발생한다는 점을 경고한다.

‘Remedy’ 섹션에서는 인간‑인‑루프 검증, 프롬프트 엔지니어링, 하이브리드 파이프라인(LLM + 정적 분석·형식 검증), 모델 거버넌스(데이터 정제·버전 관리) 등 다층적인 완화 전략을 제시한다. 또한, 평가 방법론의 표준화와 재현성 확보를 위해 베이스라인 비교, 다중 도메인 베치마크, 장기 유지보수 시나리오 테스트 등을 권고한다.

연구 방법론 측면에서는 다중 연구자 간 캘리브레이션을 통한 데이터 추출, LLM 보조 분석 툴 활용, 인간 검증을 결합한 하이브리드 테마 분석을 적용해 편향을 최소화했다. 위협 요소(선택 편향, 출판 편향, 도구 의존성 등)도 투명하게 기술하였다.

전체적으로, 이 논문은 LLM이 단기 생산성 향상에 기여하지만, 장기적인 소프트웨어 지속 가능성을 위해서는 체계적인 위험 관리와 인간 중심의 검증 프로세스가 필수임을 설득력 있게 제시한다.