AI 2분 소요

AI와 개발하게 된 뒤 GitHub 활동량은 어떻게 바뀌었나. 2024년 하반기는 월 20〜40건, 2025년 5월은 약 300건

GitHub 기여 수는 2024년 하반기에 월 20〜40건 정도, 2025년 5월에 약 300건이었습니다. Issue, PR, 리뷰를 포함하는 GitHub 표준 집계이며, 2025년 5월 30일 그래프에 근거합니다. 개발 속도나 납품량의 배율이 아닙니다.

Terisuke
Share this article:

GitHub 기여 수(Issue·PR·리뷰를 포함하는 GitHub 표준 집계)는 2024년 하반기에 월 20〜40건 정도였습니다. 2025년 5월에는 약 300건이 되었습니다(2025년 5월 30일에 올린 그래프).

초판의 『7배』는 AI를 쓰기 전을 월 약 50건으로 두었을 때의 반올림입니다.

이 건수는 개발 속도나 납품량이 몇 배가 되었는지를 나타내는 숫자가 아닙니다.

이 글에서는 당시 어떤 작업을 AI에 맡겼고, 무엇이 진행하기 쉬워졌는지를 돌아봅니다. 품질, 재작업, 실제 작업 시간은 같은 조건으로 비교하지 않았습니다. 그 개선율은 주장하지 않습니다.

비교하는 것은 2024년 하반기의 월별 건수와 2025년 5월의 건수입니다. 비공개 저장소의 건수를 포함하는지는 공개 정보로는 알 수 없습니다. 과거 숫자에 맞추려고 새로운 분모나 품질 지표를 만들지 않았습니다.

당시 작업을 나눈 방식

코드를 만드는 작업

코드는 Claude Code가 썼습니다. 먼저 Claude Desktop과 대화하며 지시서를 다듬고, 그 내용을 터미널에서 Claude Code에 전달했습니다. 몇 분 만에 기본 골격이 되는 코드가 나왔습니다. 그다음 「이 클래스에 메서드를 추가하고 유닛 테스트도 작성해」처럼 구체적인 지시를 겹쳤습니다.

리뷰

PR을 만들면 CodeRabbit이 리뷰를 시작하고, 버그 가능성, 보안상의 지적, 코딩 규약과의 차이를 PR에 댓글로 남겼습니다. 지적된 곳은 Cursor의 Agent 기능으로 고쳤습니다. 지적이 전부를 찾는다는 뜻은 아닙니다.

센 것

센 것은 GitHub 기여 수입니다. 2024년 하반기는 월 20〜40건 정도였습니다. 2025년 5월은 약 300건이었습니다. 둘 다 2025년 5월 30일에 올린 그래프의 범위입니다.

기여는 커밋 수가 아닙니다. GitHub의 정의에서는 커밋 외에 Issue, Pull Request, 리뷰도 수에 들어갑니다.

쓰던 도구

  • Cursor: AI가 들어간 편집기. 지적된 곳을 Agent 기능으로 고친다
  • Claude Desktop: 대화하면서 지시서를 다듬는다
  • Claude Code: 지시서를 바탕으로 코드를 쓴다
  • CodeRabbit: PR에 대한 자동 리뷰

당시 느낌으로는 코드를 한 줄씩 쓰기보다 AI와 대화하며 문제를 푸는 일에 가까워졌습니다. 이것은 느낌이지, 작업 시간이나 납품량을 잰 결과가 아닙니다.

참고 자료

2025년 6월 1일 note 글의 제목에는 개발 속도 7배가 있습니다. 회사의 이 글의 숫자는 2025년 5월 30일 그래프에 맞춥니다. 속도나 납품량의 배율로는 다루지 않습니다.

2025년 5월 30일 게시물에는 월별 기여 그래프가 있습니다.

이 글의 내용을 회사에서 진행하고 싶다면

AI 수탁 개발 상담은 AI 접수 「Cloudia」에서 받고 있습니다.

AI 기반 구축・AI 수탁 자세히 보기

Support this article

If this article was helpful, please support us with a tip. You can choose any amount.

Secure payment via Stripe
마지막 업데이트: 2026년 10월 29일

관련 글

글 읽기
가는 선으로 연결된 점이 두 갈래 길로 나뉘고, 한쪽에는 파란색 체크, 다른 한쪽에는 X 표시가 놓여 있는 다이어그램
AI

예시를 추가하면 오히려 나빠지는 문제도 있다. 소형 LLM으로 확인한 생성형 AI 테스트 방법

2026년 10월 29일, 대표 데라다 코스케가 강사를 맡은 한 기업의 사내 스터디에서 소형 언어 모델(Qwen2.5-3B-Instruct)에 '예시 추가하기', '재검토 요청하기'라는 두 가지 방식을 시험해 보았습니다. 개선된 문제, 나빠진 문제, 오류를 옳다고 단언한 문제의 사례를 통해 생성형 AI를 업무에서 테스트할 때의 비교 방법을 소개합니다.

#生成AI #ローカルLLM +3
글 읽기
서버와 단말기를 투명한 테두리로 구분한 설명용 일러스트
AI

수정 버전 출시부터 적용까지. LiteLLM 사례로 살펴보는 업데이트 담당·기한·기록

LiteLLM의 비공개 레지스트리를 통한 수정 배포 사례를 바탕으로 로컬 LLM의 업데이트 담당, 적용 기한, 기록 관리 방안을 살펴봅니다. 수정 사항의 공개와 사내 환경으로의 적용을 구분하여 점검하기 위한 기업 대상 해설입니다.

#LiteLLM #ローカルLLM +2
글 읽기
AI

사내에서 로컬 추론 API를 쓰기 전에. 인증, 허가 목록, 단말 퇴역의 설계

사내에서 로컬 추론 API를 쓰기 전에 인증, 허가 목록, 단말 퇴역을 나누어 설계합니다. 허가 목록이 보여주는 것은 통신을 통과시켜도 되는 상대입니다. 누가 어떤 업무에 써도 되는지는 따로 정합니다.

#ローカルLLM #Ollama +2