AI 시대에는 커스터마이징이 다시 쉬워질까?
커스터마이징이 누적될수록 개발과 유지보수가 어려워지는 문제를 돌아보며, AI 코딩 도구가 이 비용 구조를 어떻게 바꿀 수 있는지 생각해봤습니다.
소프트웨어를 오래 운영하다 보면 커스터마이징이 계속 쌓이는 경우가 있습니다.
고객마다 요구가 다르고, 도입 환경이 다르고, 기존 업무 방식도 다릅니다.
처음에는 작은 수정 하나였습니다.
고객 A
→ 화면 하나 변경
고객 B
→ 승인 절차 추가
고객 C
→ 별도 데이터 항목 필요
하나씩 보면 큰 문제가 아닙니다.
그런데 시간이 지나면 제품 안에 여러 갈래의 흐름이 생기기 시작합니다.
그리고 어느 순간 이런 문제가 나타납니다.
- 어떤 기능이 표준인지 알기 어렵다
- 특정 고객만 사용하는 코드가 늘어난다
- 하나를 수정하면 다른 곳에 영향이 갈까 걱정된다
- 개발자가 전체 구조를 이해하는 데 시간이 오래 걸린다
- 테스트와 배포 비용이 계속 커진다
- 새로운 기능 하나를 만드는 속도도 점점 느려진다
이런 상황에서는 자연스럽게 표준화가 중요하다는 결론에 도달합니다.
저도 그렇게 생각해왔습니다.
하지만 여기서 한 가지는 빼놓고 싶지 않습니다.
커스터마이징은 누군가에게 분명한 강점이었다
커스터마이징이 많이 쌓였다는 사실만 보면 정리가 덜 된 제품처럼 보일 수 있습니다.
그런데 그 반대편에는 분명 다른 이야기도 있었을 겁니다.
표준 제품이 고객의 실제 업무를 다 담지 못할 때, 그 차이를 빠르게 받아주고, 현장에 맞춰 기능을 바꾸고, 고객이 원하는 방식에 가까이 맞춰주는 능력.
이건 어떤 조직에게는 분명한 경쟁력이었을 수 있습니다.
표준 제품으로는 부족함
→ 고객 요구를 빠르게 반영
→ 실제 업무에 더 잘 맞음
→ 고객 만족과 신뢰
→ 다음 선택의 이유
즉 문제는 “왜 이렇게 커스터마이징을 많이 했을까”만은 아닙니다.
그 유연함이 있었기 때문에 고객을 얻고 관계를 유지했을 수도 있습니다.
그래서 표준화만을 정답처럼 말하면 그동안의 강점을 같이 없애버릴 수도 있습니다.
중요한 질문은 오히려 이것에 가깝습니다.
고객에게 맞춰주는 강점은 유지하면서, 그 차이를 관리하는 비용만 낮출 수는 없을까?
그런데 AI 코딩 도구를 실제 개발 과정에 사용하기 시작하면서 바로 이 질문을 다시 생각하게 됐습니다.
AI 때문에 개발 비용이 크게 낮아진다면, 커스터마이징도 다시 생각해볼 수 있지 않을까?
커스터마이징이 어려웠던 이유
커스터마이징 자체가 항상 나쁜 것은 아닙니다.
고객마다 업무가 다르고, 정말 필요한 차이가 있을 수 있습니다.
문제는 그 차이를 만드는 비용보다 그 차이를 계속 이해하고 유지하는 비용이 더 컸다는 점입니다.
예전에는 작은 변경 하나를 하더라도 개발자가 먼저 해야 할 일이 많았습니다.
현재 코드 확인
→ 관련 기능 탐색
→ 영향 범위 파악
→ 수정
→ 테스트
→ 기존 커스터마이징 확인
→ 배포
코드베이스가 오래되고 고객별 차이가 많을수록 앞부분의 탐색 비용이 커집니다.
“버튼 하나 바꾸는 일”이 실제로는 버튼 하나만 바꾸는 일이 아닌 이유입니다.
AI 코딩 도구는 이 비용을 어디에서 줄일까
AI 코딩 도구를 사용하면서 가장 크게 줄어드는 비용 중 하나가 탐색이라고 느꼈습니다.
AI가 프로젝트 전체를 읽을 수 있다면 사람이 파일을 하나씩 찾아가며 구조를 파악하는 일을 상당 부분 보조할 수 있습니다.
요구사항
→ 관련 코드 탐색
→ 영향 파일 확인
→ 수정 제안
→ 구현
→ 테스트
물론 모든 결과가 정확한 것은 아닙니다.
하지만 코드가 어디에 있는지 찾고, 연관된 부분을 확인하고, 반복적인 수정까지 이어가는 시간이 줄어듭니다.
그렇다면 예전에는 비용 때문에 포기했던 작은 고객별 요구도 다시 검토할 수 있는 여지가 생깁니다.
그럼 다시 고객마다 다 만들어줘도 될까
여기서 가장 위험한 결론은 이것입니다.
AI가 빨리 개발하니까 이제 고객마다 다 만들어줘도 되겠다.
저는 그렇게 보지는 않습니다.
AI가 낮춰주는 것은 주로 개발 실행 비용입니다.
복잡성 자체를 없애주지는 않습니다.
고객마다 다른 코드가 계속 쌓이면 여전히 이런 문제가 남습니다.
어느 고객이 어떤 기능을 쓰는가
어떤 버전에 어떤 차이가 있는가
표준 기능 수정 시 어디까지 반영해야 하는가
버그가 표준 코드 문제인지 커스텀 코드 문제인지
몇 년 뒤 누가 이 차이를 이해할 것인가
AI가 코드를 빨리 바꿔준다고 해도 제품이 열 갈래로 갈라져 있다면 제품 자체의 복잡성은 그대로입니다.
커스터마이징의 비용 구조가 달라질 수는 있다
그럼에도 생각이 바뀐 부분은 있습니다.
예전에는 커스터마이징 여부를 판단할 때 개발 비용이 가장 큰 기준 중 하나였습니다.
이 기능 하나 때문에
개발자를 며칠 투입해야 하는가?
앞으로는 이 질문의 비중이 조금 줄어들 수 있습니다.
대신 이런 질문이 더 중요해질 것 같습니다.
이 차이를 제품 구조 안에서 관리할 수 있는가?
업데이트할 때 같이 따라갈 수 있는가?
설정으로 흡수할 수 있는가?
AI가 반복 유지보수를 충분히 줄여줄 수 있는가?
즉 만드는 비용보다 관리하는 방식이 더 중요한 문제가 됩니다.
표준과 커스터마이징 사이에는 넓은 영역이 있다
제품을 운영하다 보면 모든 요구를 둘 중 하나로만 나누기 쉽습니다.
표준 기능
vs
커스터마이징
그런데 실제로는 중간이 있습니다.
표준 코어
→ 설정
→ 옵션
→ 확장 모듈
→ 개별 커스터마이징
예를 들어 고객마다 다른 승인 단계를 원한다면 고객별로 코드를 따로 만드는 대신 승인 단계를 설정할 수 있게 만들 수 있습니다.
화면 구성이 다르다면 레이아웃을 옵션화할 수도 있습니다.
기능 차이가 있다면 Feature Flag나 모듈 구조로 분리할 수도 있습니다.
AI가 개발 비용을 낮출수록 오히려 이런 확장 가능한 구조를 만드는 비용도 낮아질 수 있습니다.
저는 이 부분이 더 중요하다고 봅니다.
AI가 커스터마이징 자체보다 ’제품화’를 쉽게 만들 수도 있다
흥미로운 건 AI가 고객별 코드를 빨리 만드는 데만 쓰일 필요가 없다는 점입니다.
반복되는 커스터마이징을 보면 공통점이 나타납니다.
고객 A 요청
고객 B 요청
고객 C 요청
↓
비슷한 패턴 발견
↓
설정 기능으로 제품화
예전에는 “이걸 공통 기능으로 다시 만들 시간이 없다”고 넘어갔던 것도 AI가 개발 속도를 높이면 정리할 여지가 생깁니다.
즉 AI가 커스터마이징을 늘리는 방향으로만 작용하는 것이 아니라 커스터마이징을 다시 표준 기능으로 흡수하는 비용도 낮출 수 있습니다.
오래된 커스터마이징을 정리하는 데도 쓸 수 있다
AI 코딩 도구의 또 다른 가능성은 새 기능 개발보다 기존 코드를 이해하는 데 있습니다.
커스터마이징이 오래 쌓인 제품이라면 가장 어려운 문제 중 하나가 “왜 이렇게 되어 있는지 아무도 정확히 모른다”는 것입니다.
AI에게 코드 전체를 분석하게 하고 차이를 정리하게 하면 이런 질문을 던질 수 있습니다.
표준 코드와 다른 부분은 어디인가?
특정 조건에서만 실행되는 코드는 무엇인가?
중복 구현된 기능은 없는가?
설정으로 통합할 수 있는 부분은 어디인가?
더 이상 사용하지 않는 분기는 무엇인가?
물론 결과는 사람이 검증해야 합니다.
하지만 예전에는 엄두가 나지 않았던 기존 커스터마이징의 정리 작업 자체가 현실적인 선택이 될 수 있습니다.
요구가 생기면 먼저 어디에 둘지 정해야 한다
커스터마이징 요구가 들어오면 바로 구현 여부부터 판단하기보다 이 차이를 제품의 어느 층에 둘 것인지 먼저 보는 편이 좋습니다.
- 여러 고객에게 공통으로 필요한가
- 설정값으로 해결할 수 있는가
- 선택 기능으로 분리할 수 있는가
- 특정 환경에서만 필요한 확장인가
- 정말 한 고객만을 위한 코드여야 하는가
같은 요구라도 어디에 두느냐에 따라 몇 년 뒤의 유지보수 방식이 완전히 달라집니다.
이 분류가 없다면 AI가 구현을 도와주더라도 고객별 차이는 계속 코드 안에 쌓입니다.
반대로 분류 기준이 있으면 고객 대응의 유연함을 유지하면서도 반복되는 요구를 제품 안으로 흡수할 수 있습니다.
표준화를 포기하는 것이 아니라 기준을 다시 세우는 것
저는 여전히 표준화가 중요하다고 생각합니다.
표준 코어가 무너지면 AI가 아무리 빨리 코드를 만들어도 제품은 점점 관리하기 어려워집니다.
다만 AI 이전과 이후에 커스터마이징을 바라보는 기준은 달라질 수 있다고 생각합니다.
예전에는:
커스터마이징
→ 개발 비용 증가
→ 유지보수 비용 증가
→ 최대한 줄이자
였다면,
앞으로는:
커스터마이징 요구
→ AI로 빠르게 분석
→ 공통 패턴 확인
→ 설정/확장으로 흡수 가능한지 판단
→ 필요한 경우에만 개별 구현
→ AI로 유지보수 비용 보조
처럼 접근할 수 있습니다.
AI 시대의 질문은 조금 달라질 수 있다
그래서 지금은 “표준화냐 커스터마이징이냐”라는 질문보다 이 질문이 더 흥미롭습니다.
표준 코어는 유지하면서, 고객마다 다른 요구를 얼마나 낮은 비용으로 흡수할 수 있을까?
AI는 그 가능성을 꽤 많이 넓혀줄 것 같습니다.
하지만 결국 경계를 정하는 것은 사람입니다.
AI가 커스터마이징을 쉽게 만들어줄수록 오히려 제품 조직은 어디까지 다르게 만들 것인지 더 명확한 원칙을 가져야 합니다.
그래서 제가 기대하는 건 커스터마이징이 다시 무제한으로 늘어나는 미래는 아닙니다.
오히려 과거에 경쟁력이었던 고객 대응의 유연함은 유지하면서, AI로 분석·구현·테스트·정리 비용을 낮추고, 반복되는 차이는 설정이나 표준 기능으로 다시 흡수하는 방식입니다.
커스터마이징의 시대가 다시 온다기보다, 강점이었던 유연함은 살리고 복잡성의 비용은 줄이는 시대가 오는 것에 더 가까울지도 모르겠습니다.