AI가 번역한 COBOL이 데이터베이스를 충돌시키는 이유

문제

어느 대형 은행이 AI에게 30년 치 COBOL 코드를 Java로 재작성하라고 요청했습니다. AI는 구문을 완벽하게 번역했습니다. 코드는 컴파일되었고, 단위 테스트도 통과했습니다. 그런데 첫 번째 트랜잭션이 데이터베이스를 다운시켰습니다.

이 실패는 잘못된 코드와는 무관했습니다. Java 코드는 문법적으로 완벽했습니다. 문제는 숨겨진 의존성이었습니다. 즉, AI가 실제로 번역한 코드에서 수천 줄 떨어진 공유 헤더 파일에 정의된 TRN-LIMIT라는 변수였습니다. 그 헤더 파일에는 REDEFINES 절이 있었는데, 이는 완전히 다른 모듈에서 설정된 플래그에 따라 하나의 메모리 주소가 두 가지 서로 다른 데이터 유형을 담을 수 있게 하는 COBOL 기능입니다. AI는 이 모든 것을 전혀 보지 못했습니다. TRN-LIMIT를 단순한 숫자로 취급했지만, 실제로는 packed decimal이었습니다. 이 불일치로 인해 Java 애플리케이션이 손상된 바이너리 데이터를 데이터베이스에 기록하게 되었고, 참조 무결성 실패를 초래했습니다.

이는 극단적인 사례가 아닙니다. 연구에 따르면 레거시 현대화 프로젝트의 70%에서 80%가 목표 달성에 실패합니다. 귀하의 조직 역시 직원 대부분보다 나이가 많은 코드 위에서 핵심 시스템을 운영하고 있을 가능성이 높습니다. 마이그레이션을 계획하고 있든 이미 진행 중이든, 이러한 실패 패턴은 깊이 경계해야 합니다. AI는 오타를 낸 것이 아니라, 볼 수 없는 관계를 놓친 것입니다. 이는 근본적으로 다른 종류의 리스크이며, 현재 대부분의 도구에는 이에 대한 대답이 없습니다.

이것이 비즈니스에 중요한 이유

여기서의 재무적 노출은 막대하며, 대차대조표의 모든 항목에 영향을 미칩니다.

미국만 해도 기술 부채가 1.52조 달러에 이른 것으로 추정됩니다. 조직이 레거시 시스템을 운영하고 있다면 지금 그 부담의 일부를 짊어지고 있는 셈입니다. 연방 IT 예산의 약 **80%**가 운영과 유지보수에 투입되어 신규 과제에는 20%만 남습니다. 금융 부문은 특히 노출되어 있습니다. 은행 시스템의 43%가 여전히 COBOL로 실행되고 있으며, 이 시스템들이 **전체 ATM 거래의 95%**를 처리합니다.

다음은 이것이 귀사의 리스크 프로필에 의미하는 바입니다:

• 보안 노출이 3배로 증가합니다. 10년이 넘은 시스템은 최신 애플리케이션에 비해 데이터 유출 피해 가능성이 통계적으로 3배 더 높습니다. 현대화를 한 분기 미룰 때마다 공격 표면은 넓어집니다.
• 컴플라이언스 요구가 강화되고 있습니다. GDPR, DORA 같은 규제는 실시간 보고와 데이터 프라이버시 통제를 요구합니다. 레거시 시스템은 이러한 요구 사항을 염두에 두고 설계되지 않았습니다. 변화에 적응하지 못한다는 사실 자체가 규제 당국이 알아챌 컴플라이언스 리스크가 되고 있습니다.
• 핵심 전문가들이 떠나가고 있습니다. 이 시스템들을 개발한 개발자들이 은퇴하고 있습니다. 개발자의 58%가 레거시 기술 스택 때문에 퇴사를 생각한다고 답했습니다. 조직의 암묵지가 문을 나서는 순간, 유지보수 비용은 더욱 치솟습니다.
• 실패한 마이그레이션은 수백만 달러를 낭비합니다. 실패율이 70~80%에 이르므로 확률은 결코 유리하지 않습니다. 실패한 마이그레이션은 프로젝트 예산만 깎아먹는 것이 아니라, 기술 리더십에 대한 신뢰를 훼손하고 팀들이 기다려온 비즈니스 역량 도입을 지연시킵니다.

이사회는 디지털 전환을 원합니다. 규제 당국은 현대적인 통제를 원합니다. 예산은 이미 기존 시스템을 돌리는 것만으로도 빠듯합니다. 조용히 실패하는 마이그레이션을 감당할 여유는 없습니다.

내부에서 실제로 일어나는 일

표준 AI가 왜 이 작업에 실패하는지 이해하려면 코드베이스를 도시라고 생각해 보세요. 모든 함수, 변수, 데이터베이스 테이블은 건물입니다. 그리고 그들 사이의 연결 — 어느 함수가 어느 함수를 호출하는지, 어느 변수가 어느 계산에 입력되는지 — 이 도로입니다.

이제 누군가에게 도시의 모든 건물 이름이 적힌 전화번호부를 건네며 교통 체계를 다시 설계해 달라고 상상해 보세요. 그 사람에게는 이름과 주소는 있지만 지도는 없습니다. 어떤 도로가 어떤 건물을 잇는지 볼 수 없습니다. 표준 AI 코딩 도구가 귀사의 코드로 하는 일이 정확히 이것입니다. 텍스트는 읽지만 구조는 보지 못합니다.

구체적인 기술적 실패의 이름은 'Lost in the Middle'(중간 상실) 효과입니다. 코딩 어시스턴트 같은 도구의 기반이 되는 AI 엔진인 대규모 언어 모델(LLM)은 어텐션 메커니즘으로 텍스트를 처리합니다. 연구에 따르면 이 모델들은 긴 입력의 시작과 끝에 있는 정보는 강하게 기억하지만, 중간에 묻힌 정보에 대해서는 성능이 급격히 떨어집니다. 수천 줄에 걸쳐 외부 파일을 참조하는 COBOL 프로그램에서는 중요한 변수 정의가 바로 그 맹점에 놓이는 경우가 많습니다.

AI가 정의를 놓치면 멈춰서 묻지 않습니다. 추측합니다. 통계적으로 그럴듯하지만 사실과 다른 것으로 빈틈을 메웁니다. AI 용어로 이것을 환각(hallucination)이라고 합니다. 은행 시스템에서 이는 변수가 실제로는 packed decimal인데 AI가 정수라고 가정할 수 있다는 뜻입니다. 단 하나의 잘못된 가정이 금융 데이터를 손상시키고, 데이터베이스 무결성을 깨뜨리고, 트랜잭션 시스템을 멈추게 할 수 있습니다. 코드는 컴파일됩니다. 테스트는 통과합니다. 프로덕션 환경은 실패합니다.

효과가 있는 것 (그리고 없는 것)

먼저 귀하의 팀이 이미 시도했거나 검토했을 가능성이 높은 접근법들부터 살펴보고, 각각이 왜 부족한지 짚어 보겠습니다.

리프트 앤 시프트(재호스팅): 컴파일된 애플리케이션을 클라우드 에뮬레이터로 옮깁니다. 호스팅 청구서는 바뀌지만 얽혀 있는 레거시 코드의 모든 줄은 그대로 남습니다. 기술 부채 전부를 새 환경으로 들고 가면서 클라우드의 유연성은 하나도 얻지 못합니다.

수동 재작성: 개발자를 고용해 모든 것을 Java로 직접 재작성합니다. 이 방식은 고통스럽게 느리고, 천문학적으로 비싸며, COBOL과 현대 아키텍처를 모두 이해하는 사람을 찾는 데 의존합니다. COBOL 전문가들이 은퇴하는 상황에서 이 방법은 해마다 더 어려워집니다.

AI 래퍼 도구: 상용 AI 코딩 어시스턴트를 코드베이스에 겨냥합니다. 구문은 빠르게 번역합니다. 하지만 앞선 은행의 실패가 보여주듯, 파일 간 의존성을 놓치고, 변수 정의를 환각하며, 겉보기에는 맞지만 동작은 틀린 코드를 만들어 냅니다.

실제로 효과가 있는 것은 다음과 같습니다. 코드를 텍스트 파일 더미가 아니라 연결된 시스템으로 다루는 그래프 기반 접근법입니다:

1. 텍스트가 아니라 구조를 파싱합니다. 코드를 임의의 텍스트 청크로 자르는 대신, 모든 파일을 논리적 구조를 표현하는 트리로 파싱합니다. 즉 모든 변수, 모든 함수, 모든 제어 흐름 분기를 담은 트리입니다. 이렇게 하면 AI가 코드의 경계를 존중하도록 보장됩니다. 함수는 텍스트의 무작위 조각이 아니라 완결된 논리 단위로 취급됩니다.

2. 모든 관계의 지도를 만듭니다. 코드베이스의 모든 연결 — 어느 모듈이 어느 서브루틴을 호출하는지, 어느 파일이 어느 변수를 정의하는지, 어느 함수가 어느 데이터베이스 테이블을 갱신하는지 — 을 추출하여 지식 그래프에 저장합니다. AI가 결제 함수를 번역해야 할 때, 'payment'라는 단어가 나오는 텍스트를 집어 오는 것이 아니라 실제 의존성 사슬을 따라가며 모든 변수 정의, 모든 공유 헤더, 모든 다운스트림 영향을 끌어옵니다. 이것이 바로 Veriprajna가 부르는 저장소 인식 지식 그래프(Repository-Aware Knowledge Graph)이며, 이는 'Lost in the Middle' 문제를 직접 해결합니다.

3. 모든 출력을 지도와 대조하여 검증합니다. AI가 Java 코드를 생성하면 샌드박스에서 컴파일합니다. 컴파일러가 오류를 던지면(예: 누락된 변수) 시스템이 그래프를 조회하고 의존성을 찾아낸 뒤 코드를 다시 생성합니다. 이 컴파일-수정 루프는 자동으로 돌아갑니다. 개발자가 검토하는 것은 raw AI 추측이 아니라 검증된 출력입니다.

컴플라이언스 및 감사 팀에 가장 중요한 장점: AI가 내리는 모든 결정은 추적 가능합니다. 지식 그래프는 AI가 특정 라이브러리를 임포트하거나 변수를 특정 방식으로 정의한 정확한 이유를 기록합니다. 블랙박스 대신 인용 사슬(citation chain)을 얻게 됩니다. 감사자는 생성된 코드의 모든 줄에 대한 논리 궤적을 볼 수 있습니다.

이 접근법은 마이그레이션 시작 전에 낭비도 제거합니다. 지식 그래프는 데드 코드, 즉 시스템의 그 어느 것도 실제로 호출하지 않는 함수를 식별합니다. 데드 코드를 제거하면 일반적으로 코드베이스가 20~30% 줄어들어 마이그레이션 비용이 낮아지고 최종 시스템이 더 깔끔해집니다.

조직 가운데서도 금융 서비스 분야에서 규제 감독에 직면해 있다면, 이런 종류의 투명성은 선택 사항이 아닙니다. 또한 현대화 과정에서 시스템 간 데이터 계보(data lineage) 추적이 필요하다면 Veriprajna의 데이터 출처 추적 및 추적성(data provenance and traceability) 역량이 동일한 그래프 기반 접근법을 귀하의 전체 데이터 파이프라인으로 확장합니다.

이 페이지에서 전체 기술 분석을 읽고 엔지니어링 세부 사항을 확인하실 수 있습니다 또는 대화형 버전을 탐색하여 지식 그래프가 실무에서 작동하는 방식을 시각적으로 살펴보실 수도 있습니다.