AI가 대다수 코드를 작성한 브라우저 기반 오픈월드 레이서 개발 경험과 한계

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

브라우저 기반 오픈월드 레이서를 AI가 대부분 코드를 작성한 상태로 수주 내에 배포한 사례에서 AI는 문서화된 패턴과 보일러플레이트를 신속히 구현해 초기 배포와 프로토타입 속도를 크게 높였고 포토 모드나 인증·결제 연동 같은 서브시스템을 작동 가능한 상태로 산출했다. 그러나 AI는 시각 입력 없이 3D 공간 관계와 오브젝트 가시성을 일관되게 판단하지 못했고 로컬 코드 변경이 전역 시스템에 미치는 영향을 모델링하지 못해 회귀와 퍼포먼스 저하가 발생했다. 결과적으로 AI는 기능 생성에서 탁월하지만 요구를 정교하게 명세하고 반복적으로 검증하며 게임감과 경제성 같은 주관적 판단을 내리는 인간의 역할이 더 중요해졌고 이는 개발자의 업무가 기능 작성에서 설계·검증·테이스트 지휘로 전환되었음을 의미한다.

실용적 조언

명세를 가능한 한 구조화된 입력으로 제공하고 변경 의도를 명확히 명시하면 AI가 생성하는 코드 품질이 높아진다는 경험이 여러 차례 보고되었다. 예를 들어 '포토 모드: orbit camera, hdr filter, save image API'처럼 기능을 작은 요구 단위로 나누어 요청하면 AI가 완성도를 갖춘 모듈을 산출하기 쉬웠다. 또한 변경 전후의 통합 테스트 케이스를 제공하면 AI가 로컬 변경으로 발생할 수 있는 회귀를 탐지하는 데 도움이 되었다.
성능과 렌더링 비용은 사전 가드레일로 방지해야 하고 인스턴싱이나 배칭 같은 그래픽 최적화 규칙을 요구사항에 포함시켜야 한다는 조언이 반복되었다. 예컨대 차량당 라이트를 붙이는 구현이 예상된 병목을 일으킬 수 있음을 알려주고, 대신 인스턴스드 메시와 쉐이더 기반 라이트 처리 같은 구체적 대안을 명시하면 AI가 더 적절한 코드를 생성한다. 이는 퍼포먼스 문제를 사후 디버깅으로만 해결하는 것보다 총 개발 시간을 줄이는 데 유리하다.
AI가 시각적 판단이 필요한 작업을 수행할 때는 스크린샷·플레이 로그·씬 그래프 같은 기계가 해석 가능한 증거를 함께 제공해야 한다는 권고가 있었다. 텍스트만으로는 충돌·오클루전·게임감 등을 판단하기 어렵기 때문에 자동화 파이프라인에 시각적 검증 단계를 넣거나 인간이 정기적으로 리뷰하는 절차를 운영하면 배포 리스크를 낮출 수 있다. 이런 검증 체계는 특히 라이브 사용자와 수익이 걸린 프로덕션 환경에서 필수적이다.

섹션별 상세

프로젝트의 배경은 브라우저에서 동작하는 설치 불필요한 3D 오픈월드 레이서를 짧은 기간 안에 배포하는 것이었고 이 과정에서 AI가 실제 코드 작성의 대부분을 담당했다. AI에는 자연어로 기능 요구를 입력하면 해당 기능을 구현하는 코드 파일과 관련 리소스를 산출하는 방식으로 작업이 요청되었고 결과물로 포토 모드, 인증·저장·REST API·결제 연동 같은 서브시스템이 동작 상태로 나왔다. 작성자는 해당 기능들이 실제 라이브 환경에서 수일 내 플레이어가 이용할 정도로 안정적으로 배포되었다는 점을 근거로 AI 기여의 실효성을 입증했다.

AI가 특히 잘 수행한 작업은 명확한 입력과 표준화된 출력이 존재하는 보일러플레이트적 문제 해결이었다. 예컨대 포토 모드 구현은 카메라 궤도·필터 적용·UI 연동이라는 명확한 입력을 받아 완성된 기능 코드로 산출되었고 인증이나 Stripe 결제 연동 같은 패턴화된 백엔드 작업도 빠르게 구현되었다는 사례가 제시되었다. 이 점은 규칙적이고 API 문서화가 잘된 도메인에서 AI가 생산성을 크게 올릴 수 있음을 의미한다.

AI가 실패한 핵심 영역은 시각 기반의 공간 관계 판단과 전역 시스템 상태를 일관되게 유지하는 능력이었다. 텍스트만으로는 ‘어떤 객체가 다른 객체 뒤에 있는지’나 ‘번호판이 범퍼에 파묻혀 보이지 않는지’ 같은 3D 가시성 문제를 판단할 수 없었고 그 결과 로컬 수정이 다른 파일의 상호작용을 파괴하는 사례가 발생했다. 이 사례는 입력이 부분적일 때 AI가 국지적 변경을 제안하되 시스템 차원 상호작용을 모델링하지 못해 회귀가 발생할 위험이 높음을 보여준다.

성능 예측과 사전적 최적화에서 AI는 한계가 있었고 이는 런타임 비용을 급증시키는 코드를 초래했다. 구체적으로 AI는 스트리밍 차량마다 라이트를 부착하는 방식의 코드를 생성해 프레임레이트가 급락했고 인간이 원인 진단 후 적절히 인스턴싱 처리 등으로 수정해야 퍼포먼스가 회복되었다는 사례가 제시되었다. 이 흐름은 AI가 현상 진단 후 해결책을 제시할 수는 있어도 사전적 비용 판단과 아키텍처 수준의 최적화 결정을 스스로 예측하지 못함을 시사한다.

프로덕션 운영 관점에서의 핵심 교훈은 인간 역할이 단순 코더에서 방향 설정자와 검증자로 전환되었다는 점이다. AI는 빠르게 기능을 만들어내지만 정확한 요구 정의와 증명 가능한 검증 절차, 그리고 게임의 감각적 판단(게임플레이 밸런스·경제성 등)은 인간이 계속 담당해야 했고 작성자는 그 작업이 직관적 코딩보다 더 어려운 일이라고 보고했다. 이 변화는 팀의 작업 분담과 QA 프로세스, 개발자 능력의 스펙트럼을 재정의하는 결과로 이어졌다.

용어 해설

인스턴스드 메시(Instanced Mesh): — 인스턴스드 메시는 동일한 메쉬를 여러 번 그릴 때 GPU draw call을 줄이기 위해 한 번의 드로우로 여러 인스턴스를 렌더링하는 기법이다. 개별 오브젝트마다 별도 버퍼를 할당하지 않고 인스턴스별 위치·회전·스케일을 보조 속성으로 전달해 렌더링 비용을 크게 낮춘다. 대규모 차량이나 군중을 렌더링하는 게임에서 프레임레이트 유지와 네트워크 스트리밍 최적화에 핵심적이다.
드로우 콜(Draw Call): — 드로우 콜은 CPU가 GPU에 렌더링 명령을 보내는 단위로, 명령 수가 많을수록 CPU 비용이 증가하고 프레임 지연이 커진다. 인스턴싱이나 배칭을 통해 드로우 콜 수를 줄이면 GPU 파이프라인 효율이 높아지고 전체 퍼포먼스가 개선된다. 실시간 멀티플레이 3D 씬에서는 드로우 콜 최적화가 프레임레이트와 네트워크 동기화 안정성에 직접적인 영향을 준다.
공간 추론(Spatial Reasoning): — 공간 추론은 객체의 3차원 위치 관계와 가시성, 충돌 여부 등을 판단하는 능력으로서 센서나 시각 입력 없이 텍스트만으로는 정확한 판별이 어렵다. 게임 개발에서는 충돌 판정, 카메라 배치, 렌더링 우선순위 결정 등에서 공간 추론이 필수적이며 시각화·디버깅 도구 없이는 자동화가 제한된다. 본 게시물 맥락에서는 AI가 시각 입력 없이 코드 수준에서 이러한 관계를 일관되게 유지하지 못한 것이 주요 제약으로 나타났다.

언급된 도구

Stripe추천

웹 결제 연동