바이브 코딩이 안고 있는 '6개월 후 문제'

AI 코딩 에이전트의 보급으로 데이터 엔지니어링 현장은 빠르게 변화하고 있다. 자연어 프롬프트에서 데이터 변환 처리, 파이프라인, 오케스트레이션 워크플로우, 검증 테스트, 인프라 설정까지 자동 생성할 수 있게 되었으며, 개발 속도는 비약적으로 향상되었다. '바이브 코딩'이라고 불리는 이러한 AI 활용 방식은 개별 구현을 빠르게 만드는 데 매우 탁월하다.

그러나 심각한 문제가 대두되고 있다. 프롬프트는 본질적으로 일시적인 것이다. 엔지니어가 AI와의 대화 중에 공유하는 아키텍처상의 판단, 비즈니스 로직, 스키마의 전제 조건, 다운스트림 의존성 같은 중요한 맥락 정보는 그 대화 속에만 남아 있으며 시스템 자체에는 기록되지 않는다. 현실의 개발 현장에서 엔지니어는 AI가 유효한 출력을 내도록 하기 위해 방대한 배경 지식을 계속 입력해야 한다. 이러한 운영 지식은 결국 Jira 티켓, 채팅 기록, 흩어진 문서, 생성된 코드 조각에 분산된 채로 방치된다.

이 문제는 엔터프라이즈 데이터 기반에서 특히 심각하다. 현대의 데이터 플랫폼은 인제스션 파이프라인, 데이터 웨어하우스, 오케스트레이션 프레임워크, 시맨틱 레이어, API, 대시보드, 머신러닝 기반 등 서로 다른 팀이 서로 다른 기술 스택으로 구축한 수많은 시스템에 걸쳐 운영된다. 원래부터 단편화되기 쉬운 이 환경에서 바이브 코딩은 비즈니스 로직 불일치, 중복 구현, 영향 범위 파악 어려움, 숨겨진 의존성 같은 기존 과제를 더욱 악화시킬 위험이 있다.

이러한 배경에서 주목받고 있는 것이 '사양 주도 개발(Spec-Driven Development, SDD)'이라는 접근 방식이다. SDD에서는 프롬프트, 비즈니스 규칙, 검증 로직, 오케스트레이션의 동작, 구현 워크플로우를 실행 가능하고 버전 관리되는 '사양'으로 변환하여 시스템 자체의 일부로 내장한다. 이 사양은 인간과 AI 에이전트 모두에게 '영구적인 운영 메모리'로 기능하며, 릴리스를 거쳐도 팀이 바뀌어도, AI 지원 워크플로우 속에서도 일관된 시스템 진화를 가능하게 한다고 알려져 있다.

엔터프라이즈 데이터 엔지니어링은 원래부터 재사용 가능한 패턴, 메타데이터 주도 파이프라인, 표준화된 운영 워크플로우에 대한 의존도가 높은 영역이다. 따라서 SDD와의 친화성이 높으며, AI 지원에 의한 생성과 결정론적·재사용 가능한 시스템 계약을 결합함으로써 증가하는 AI 생성 코드로 인한 데이터 플랫폼의 단편화를 억제하는 새로운 운영 계층이 될 수 있을 것으로 기대된다.

바이브 코딩이 개발의 진입 장벽을 획기적으로 낮춘 반면, '6개월 후에 그 시스템을 설명할 수 있는가'라는 질문에 대한 답은 아직 충분히 준비되지 않았다. AI에 의한 코드 생성이 당연해지는 중에 생성된 시스템을 어떻게 지속 가능한 형태로 관리하고 계승할 것인가가 엔터프라이즈 AI 활용의 다음 초점이 될 것 같다.