AI 뉴스

구글 연구에 따르면 90%의 개발자들이 AI 도구 사용

페이지 정보

작성자 xtalfi
작성일 2025.09.24 04:33
3,000 조회
0 추천
0 비추천

본문

d40c277eeec90c0476ea1f46714e7f1dzbnS.png

(퍼플렉시티가 정리한 기사)

오늘 공개된 Google Cloud의 최신 DORA 연구 보고서에 따르면, 인공지능 도구의 소프트웨어 개발자들 사이의 광범위한 도입률이 2025년에는 놀랍게도 90%에 달한다고 합니다. 이는 전년 대비 14%의 급격한 증가를 나타내며, AI가 현대 소프트웨어 개발에서 거의 보편적인 존재로 자리 잡았음을 보여줍니다.


전 세계 약 5,000명의 기술 전문가 설문 응답을 바탕으로 한 연례 “AI 지원 소프트웨어 개발 현황(State of AI-assisted Software Development)” 보고서에 따르면, 개발자들은 이제 하루 평균 두 시간씩 AI 기반 작업에 투자하며, 코드 생성부터 테스트 및 보안 리뷰에 이르기까지 핵심 워크플로우에 이러한 도구들을 통합하고 있습니다. 

Google의 연구팀은 조사 대상 전문가의 65%가 소프트웨어 개발 작업에 AI에 크게 의존하고 있다고 밝혔습니다.


생산성 향상이 대중적 채택을 이끈다


AI 도입의 급증은 상당한 생산성 이점에 의해 주도되고 있는 것으로 보이며, 응답자의 80% 이상이 AI가 업무 효율성을 향상시켰다고 답했습니다. 또한 59%는 코드 품질에 긍정적인 영향을 보고하여 이러한 도구들이 단순한 속도 향상을 넘어 측정 가능한 개선을 제공한다고 시사합니다.


구글의 Gemini Code Assist를 포함한 코딩 도구를 총괄하는 Ryan Salva는 구글의 “대다수” 팀이 워크플로우에 AI를 도입하고 있다고 언급했습니다. 그는 CNN과의 인터뷰에서 “구글의 엔지니어라면 매일의 업무에서 AI를 사용하는 것은 피할 수 없는 일”이라고 전했습니다.


구글 CEO 순다 피차이는 올해 초, AI 도구들이 구글 엔지니어링 팀의 생산성을 10% 향상시켰다고 공개했으며, 현재 회사의 신규 코드 중 25% 이상이 AI 시스템에 의해 생성되고 있다고 밝혔습니다.


많은 이용에도 불구하고 신뢰는 여전히 완고하게 낮다


광범위하게 도입되고 보고된 이점에도 불구하고, 상당한 신뢰 격차가 여전히 존재합니다. 개발자의 24%만이 AI가 생성한 코드에 대해 높은 신뢰를 표명하고 있으며, 20%는 “많이” 신뢰한다고, 4%는 “매우 많이” 신뢰한다고 답했습니다. 반면 30%는 AI의 출력 결과를 “약간” 또는 “전혀” 신뢰하지 않는다고 응답했습니다.


이러한 “신뢰의 역설”은 AI가 인간의 판단을 대체하기보다는 주로 보조 도구로 활용되고 있음을 나타냅니다. 이 결과는 업계의 더 넓은 동향과도 일치하는데, Stack Overflow의 2025년 설문조사에 따르면 개발자의 46%가 AI 출력의 정확성을 신뢰하지 않는다고 답했으며, 이는 전년도 31%에서 크게 증가한 수치입니다.


산업 전반에 걸친 도전 과제 등장


급속한 AI 통합은 초급 소프트웨어 엔지니어들에게 어려운 시기에 발생하고 있습니다. 뉴욕 연방준비은행에 따르면, 최근 컴퓨터 공학 졸업생들의 실업률이 이제 예술사나 영어와 같은 전공보다 더 높아졌습니다. Indeed의 소프트웨어 엔지니어링 직무 공고는 2022년 2월부터 2025년 8월까지 71% 감소했습니다.


구현상의 어려움을 해결하기 위해 구글은 DORA AI 역량 모델을 도입하여, AI의 조직적 영향력을 증대시키는 일곱 가지 기술적 및 문화적 실천법을 제시했습니다. 이 프레임워크는 성공적인 AI 도입을 위해 사용자 중심의 초점, 명확한 소통 프로토콜, 그리고 소규모 일괄 작업 방식을 필수 요소로 강조합니다.


Salva는 AI가 개발 속도를 가속화하더라도 소프트웨어 품질 유지를 위해 팀에는 여전히 견고한 피드백 메커니즘이 필요하다고 경고했습니다. 그는 “AI의 도움을 받는다고 해도, 팀은 이루어지고 있는 코드 변경사항에 대해 빠른 피드백을 받을 수 있는 방법이 여전히 필요합니다.”라고 말했습니다.


연구 결과에 따르면, AI의 궁극적인 영향력은 도입률보다는 조직이 AI 지원 개발이 효과적으로 자리 잡을 수 있는 적절한 기술적 및 문화적 환경을 조성하는 능력에 더 달려 있는 것으로 나타납니다.

댓글 0
전체 1,366 / 310 페이지
손목밴드에서 조정을 하는 것 같고 전작과 많이 달라졌습니다.AI 기능으로 번역도 가능하네요..https://www.meta.com/kr/ai-glasses/meta-ray-ban-display/
3230 조회
0 추천
2025.09.18 등록
조금 전 메타가 AI 기능이 있는 안경을 비롯하여 중요한 키노트를 진행하였습니다.CNET이 준비한 키노트 요약입니다.RAYBAN 과 새로 제작한 안경이 큰 화제입니다.
3280 조회
0 추천
2025.09.18 등록
마이크로소프트가 코파일럿 메모장과 그림판 연동기능을 제공하기 시작했으며이 기능은 오피스365를 사용하지 않아도 코파일럿을 이욯하면 이용할 수 있다.예를 들어 메모장은 다음과 같은 기능을 갖게 된다.-요약: 긴 텍스트를 간략하게 요점만 추려내고, 문서의 핵심을 빠르게 파악할 수 있습니다.- 쓰기: 프롬프트나 선택한 텍스트를 활용해 새로운 문장을 AI로 쉽고 빠르게 작성합니다.- 다시 쓰기: 선택한 내용을 AI가 어투, 길이, 명확성 등 다양한 스타일로 변환해 줍니다.또한 그림판은 다음과 같은 기능을 추가하게 된다.- 프로젝트 파일 저장 기능: 그림판에서 작업을 .paint 파일로 저장해 언제든 이어서 편집이 가능.- 불투명도(Opacity) 슬라이더: 연필 및 브러시 도구의 투명도를 원하는 대로 조절해 더 섬세한 혼합이나 레이어링 효과 주기.- 크기 및 불투명도 슬라이더 병행 사용: 두 슬라이더를 활용해 부드럽게 배합하고 다양한 질감의 그림 그리기.
3182 조회
0 추천
2025.09.18 등록
(퍼플렉시티가 정리한 기사)중국 AI 스타트업 DeepSeek은 획기적인 R1 모델 훈련 방식에 관한 새로운 세부 정보를 세계적인 권위지 네이처(Nature)의 동료검토 논문을 통해 발표했습니다. 이 논문에서는 기존 경쟁 모델 대비 극히 적은 비용으로 순수 강화학습만을 사용해 첨단 추론 능력을 달성한 방법을 공개했습니다.항저우에 본사를 둔 이 회사는 자사의 R1 추론 모델 훈련 비용이 단 29만 4천 달러에 불과하며, 기반 베이스 모델의 개발 비용은 약 600만 달러였음을 처음으로 공개했습니다. 총 630만 달러가 소요된 것으로, 이는 미국의 기술 기업들이 개발한 경쟁 모델이 수천만 달러에 달하는 것과는 극명한 대조를 이룹니다.순수 강화학습의 획기적인 발전DeepSeek의 주요 혁신은 연구자들이 “순수 강화 학습(pure reinforcement learning)“이라고 부르는 방식을 사용해 R1을 개발한 점에 있으며, 이는 인간이 만든 예시에 의존하는 기존의 감독 학습(supervised learning) 방식과는 다른 접근법입니다. 이 과정에서 모델은 인간이 선택한 추론 방식에 따르도록 학습시키는 대신, 올바른 답변에 도달할 때 보상을 받도록 설계되었습니다.네이처(Nature) 논문에 따르면, DeepSeek의 접근법은 모델이 인간이 제시한 전략을 따르지 않고도 자체적인 추론 전략을 개발하고 자신의 작업을 검증할 수 있는 능력을 갖추게 해주었습니다. 회사는 자체 시도에 대해 별도의 알고리즘을 사용하지 않고 추정치를 활용해 점수를 매길 수 있게 해주는 Group Relative Policy Optimization(GRPO)이라는 기법을 활용했습니다.“이 모델은 AI 연구자들 사이에서 매우 영향력이 컸습니다,“라고 오하이오 주립대(Ohio State University) 콜럼버스 소재 AI 연구원인 Huan Sun은 말했습니다. “2025년 현재까지 LLM에서 강화 학습을 수행하는 거의 모든 연구가 어떻게든 R1로부터 영감을 받았을지도 모릅니다”.5단계 훈련 과정완전한 R1 학습 과정은 감독 학습(fine-tuning)과 강화 학습을 번갈아가며 진행하는 여러 단계로 구성되었습니다. 이 과정은 딥시크(DeepSeek)의 V3-Base 모델을 수천 개의 ‘콜드 스타트’ 데이터 포인트로 파인튜닝하는 것으로 시작했고, 이후 순수 강화 학습을 통해 추론 능력을 향상시켰습니다.수렴에 가까워지면 시스템은 리젝션 샘플링(rejection sampling) 방식을 사용했습니다. 여기서 모델은 강화 학습 실행에서 성공적인 예시 중 최상의 예시를 선택해 자체 합성 훈련 데이터를 생성했습니다. 이 합성 데이터는 이후 글쓰기나 사실 기반 질문응답 등 다양한 영역에서 DeepSeek-V3-Base의 감독 학습 데이터와 통합되었습니다.동료 평가 중인 최초의 주요 LLMR1은 엄격한 동료 평가 과정을 거친 최초의 대형 언어 모델을 의미합니다. Nature 논문을 심사한 허깅페이스의 머신러닝 엔지니어 루이스 턴스톨은 이를 “매우 환영할 만한 선례”라고 평가하며, 훈련 과정이 공개되지 않으면 AI 시스템이 위험을 초래하는지 평가하기 어렵다고 언급했습니다.이 동료 평가 과정에서 DeepSeek는 훈련에 사용된 데이터 유형과 안전 조치를 포함한 기술적 세부 사항에 대한 설명을 추가하게 되었습니다. 이 모델은 오픈소스 특성을 유지하면서도 OpenAI의 o1 모델에 필적하는 추론 벤치마크 성능을 달성하였습니다.성능 및 접근성Hugging Face에서 1월에 출시된 이후, R1은 복잡한 문제 해결을 위한 플랫폼에서 가장 많이 다운로드된 모델이 되었으며, 다운로드 수는 1,090만 회를 넘어섰습니다. 이 모델은 AIME 2024 수학 벤치마크에서 pass@1 점수 79.8%를 기록하여 OpenAI o1의 79.2%를 소폭 앞섰습니다.DeepSeek의 혁신은 AI 개발 비용 및 성능 향상을 위해 모델 크기와 연산 능력을 늘려야 한다는 확장 법칙에 대한 기존의 통념에 도전장을 내밀었습니다. 회사는 비교적 덜 강력한 H800 칩을 사용해 성공을 거두었으며, 이 칩은 2023년 미국의 수출 통제로 중국 내 판매가 금지된 바 있습니다. 이러한 성과는 향후 AI 개발 방향에 대한 논의를 촉진하고 있습니다.
3164 조회
0 추천
2025.09.18 등록
홈으로 전체메뉴 마이메뉴 새글/새댓글
전체 검색
회원가입