팀이 개발하는 방식
TMT매일 수만 개 팀이 Linear 안에서 소프트웨어를 만듭니다. 6년간 쌓인 이 기록 덕분에 AI가 널리 쓰이기 전부터 지금까지 제품 개발이 어떻게 이뤄지는지를 상세하게 들여다볼 수 있게 됐습니다.
모델 개발사와 코딩 도구들이 토큰 사용량과 코드 분량에 관한 자료를 많이 내놨지만, 그것으로는 일의 한 겹만 보입니다. 저희는 제품을 만드는 과정 전체를, 첫 이슈에서 그 이슈를 닫는 풀 리퀘스트까지 들여다볼 수 있는 흔치 않은 자리에 있습니다. 다만 Linear 밖에서 일어나는 AI 사용은 보이지 않으므로, 이 자료는 시장 전체가 아니라 저희 고객군 안에서의 도입 양상입니다.
이 변화를 세 가지로 나눠 살펴봤습니다. 누가 AI를 쓰는지, AI가 팀이 Linear에서 시간을 쓰는 곳을 어떻게 바꾸는지, 그리고 팀이 내보내는 결과물의 양을 바꾸는지입니다. 이 셋을 합치면 2026년에 AI를 활용한 제품 개발이 어디까지 왔는지를 보여주는 기준점이 되고, 다음 호에서 견줘볼 잣대가 됩니다.
AI 도입이 모든 조직으로 퍼졌습니다
2026년 1월부터 6월 사이에 AI 기능을 쓰는 사용자 비중이 모든 조직에서 두 배 넘게 늘었습니다. 프로덕트가 12%에서 34%로 가장 빠르게 올랐고, 코드베이스에서 가장 멀리 있는 시장 진입(GTM) 조직마저 5%에서 18%가 됐습니다. 직군은 직함을 정규화해서 분류하기 때문에 경계에 걸친 사례에는 오차가 있지만, 이 흐름은 분류 방식이 만들어낸 착시로 보기에는 너무 광범위합니다.
조직별 Linear AI 기능 활성 사용자 비율(최근 30일)
N = 유료 사용자 12만 7,000명, 2026년 1월과 6월에 모두 활동
도입은 최상위까지 올라갔습니다
경영진이 직접 AI를 쓰는 비율은 자기 팀과 비슷하거나 그보다 높습니다. 직원 201명 이상 기업의 CEO는 6개월 만에 9%에서 36%로 올랐는데, 이 보고서의 모든 구분 가운데 가장 큰 상승폭입니다. 최상위 리더들이 이 기술을 글로 읽어서가 아니라 직접 써보면서 익히고 있다는 뜻으로 보입니다. 기업 규모는 외부 데이터 보강 서비스에서 가져오기 때문에, 이 구분은 보고서의 다른 부분보다 적은 수의 워크스페이스를 다룹니다.
경영진 직책별 Linear AI 기능 활성 사용자 비율(최근 30일)
N = 경영진 1만 3,300명, 2026년 1월과 6월에 모두 활동
규모와 상관없이 고르게 도입했습니다
스타트업부터 대기업까지 AI 도입은 어디서나 대략 세 배로 늘었습니다. 보통 새 기술을 얼마나 빨리 받아들이는지 잘 예측해주는 기업 규모가, 여기서는 거의 변수가 되지 않았습니다.
기업 규모(직원 수)별 Linear AI 기능 활성 사용자 비율(최근 30일)
N = 기업 규모가 확인된 유료 사용자 19만 9,000명, 2026년 1월과 6월에 모두 활동
팀이 시스템에 더 많이 집어넣고 있습니다
2025년 6월부터 2026년 6월 사이에 이슈를 만들고 분류하고 댓글을 다는 데 쓴 시간이 거의 모든 조직에서 늘었고, 엔지니어링은 생성과 분류만 놓고도 약 17% 증가했습니다. 창업자는 진폭이 훨씬 큰데, 생성에 17분, 댓글에 26분이 늘었습니다. 다만 인원이 적은 집단이라 그만큼 편차도 큽니다. 일이 늘어나면 그만큼 조율할 것도 늘어나는 듯하고, 그 조율이 점점 에이전트가 움직일 근거가 되는 맥락을 만들어 줍니다.
사용자 1인당 월평균 사용 시간(분), 2025년 6월 대비 2026년 6월
N = 유료 사용자 5만 4,300명(2025년 6월) → 8만 9,000명(2026년 6월)
AI가 전체 이슈의 절반 가까이를 씁니다
2년 전에는 AI가 만든 이슈가 1,000건에 1건도 되지 않았습니다. 지금은 팀이 Linear에서 만드는 이슈 가운데 절반에 조금 못 미치는 양을 AI로 씁니다. 이 속도라면 곧 사람과 연동 도구를 합친 것보다 많이 쓰게 됩니다.
출처별 주간 이슈 생성량(천 건)
2024년 6월부터 2026년 8월까지의 주간 이슈 생성량. 외부에서 가져온 이슈는 제외
계획에 쓰는 시간은 Linear 안에서 움직이지 않았습니다
이 보고서의 다른 수치가 거의 다 올라간 1년 동안, 고객 요청과 문서·프로젝트에 쓴 시간은 그대로였습니다. 계획을 세우는 방식은 팀마다 크게 다르고, 상당 부분은 어딘가에 기록되기 전에 대화로 이뤄집니다. 그래서 이 평균에는 계획을 촘촘히 세우는 팀과 느슨하게 세우는 팀이 섞여 있습니다. 이렇게 변화가 없다는 것은, 지금까지 AI가 무엇을 만들지 정하는 방식보다 실행하는 방식을 훨씬 많이 바꿨다는 뜻으로 읽힙니다.
사용자 1인당 월평균 사용 시간(분), 2025년 6월 대비 2026년 6월
N = 유료 사용자 5만 4,300명(2025년 6월) → 8만 9,000명(2026년 6월)
새로운 층의 일이 생겼습니다
AI와 대화하고 에이전트에 이슈를 맡기는 일은 1년 전에는 없던 종류의 업무인데, 지금은 모든 조직의 한 주에 등장하고 프로덕트가 가장 적극적입니다. 자리를 내주느라 줄어든 항목은 없습니다. 최소한 지금까지는 AI가 기존 업무를 대체한 게 아니라 그 위에 얹혔다는 뜻입니다.
사용자 1인당 월평균 사용 시간(분), 2025년 6월 대비 2026년 6월
N = 유료 사용자 5만 4,300명(2025년 6월) → 8만 9,000명(2026년 6월)
엔지니어가 아닌 사람들이 코드를 더 많이 내보내고 있습니다
풀 리퀘스트를 붙이는 프로덕트 매니저 비율이 2년 만에 3%에서 10%로, 디자이너는 1%에서 8%로 올랐습니다. 저희는 Linear에 연결된 저장소의 풀 리퀘스트만 세기 때문에 그 밖에서 코드를 내보내는 사람은 여기 잡히지 않습니다. 그러니 이 숫자는 상한이 아니라 하한입니다. 예전에는 변경 사항을 설명하던 사람들이 이제는 점점 직접 코드를 내보냅니다.
풀 리퀘스트를 붙인 사용자 비율(최근 30일)
N = 유료 사용자 16만 6,000명(2026년 6월)
풀 리퀘스트가 2년 만에 111% 늘었습니다
워크스페이스당 열린 풀 리퀘스트가 2024년 6월을 기준으로 111% 늘었습니다. 첫 1년은 대체로 평평했다가, 모델 품질과 도입률이 함께 오르면서 2026년을 지나며 위로 꺾였습니다. 저희는 병합된 PR이 아니라 열린 PR을 세고, 열린 PR 하나가 그 변경의 가치를 말해주지는 않습니다. 그래도 이 변곡점은 놓치기 어렵습니다.
2024년 6월 이후 팀별 주간 풀 리퀘스트 증감률, 전체 유료 워크스페이스
N = 유료 워크스페이스 4만 7,900개(2026년 6월)
가속의 대부분은 코딩 에이전트 몫입니다
코딩 에이전트를 연결한 팀은 2년 동안 주간 풀 리퀘스트를 21건에서 65건으로 약 세 배 늘렸고, 연결하지 않은 팀은 8건에서 10건으로 움직였습니다. 이 팀들은 코딩 에이전트가 나오기 전부터 이미 산출량이 많았으므로 절대 수준을 그대로 비교할 수는 없습니다. 다만 각 집단을 자기 기준선과 견주면 그림이 깔끔하게 나오고, 늘어난 양의 거의 전부가 에이전트 쪽에 있습니다.
팀별 주간 풀 리퀘스트, 고정 집단(유료 워크스페이스)
N = 유료 팀 6,887개(코딩 에이전트를 쓰는 팀 4,280개, 쓰지 않는 팀 2,607개)
맺는 말
AI가 제품 개발에 미친 영향을 가장 분명하게 보여주는 것은, 지난 2년간 코딩 에이전트를 쓴 팀들이 겪은 극적인 산출량 증가입니다. 이렇게 늘어난 산출이 사업 성과로 이어졌는지는 저희가 알 방법이 없지만, AI 도입과 가속 사이에 아주 뚜렷한 상관관계가 있다는 것은 보여줍니다.
어쩌면 더 흥미로운 것은 그 도입이 어떻게 구성돼 있는지, 그리고 그것이 역할의 경계를 어떻게 흐리는지입니다. 고위 리더들이 실무를 더 많이 직접 하면서 그 일을 위해 AI를 적극적으로 들이고 있고, 엔지니어가 아닌 사람들이 코드를 커밋합니다. 조직의 모두가 '빌더(builder)'가 되어 간다는 이야기는 방향만 보면 맞는 것 같습니다.
다만 이 이득이 시간 절약으로 나타나지는 않았습니다. Linear에서 기존 업무에 쓰는 시간은 그대로인데 AI 사용이 새로운 층의 일로 붙었으니, 제품 개발에 쓰는 전체 시간은 줄기보다 늘고 있습니다. 저희가 관찰할 수 있는 범위에서 팀들은 일을 덜 하는 게 아니라 더 하고 있습니다. AI에 토큰 소비를 넘어서는 제번스 역설의 성질이 있다는 뜻으로 보입니다.
풀 리퀘스트를 보는 것은 가치가 아니라 움직임을 보는 것이라는 지적이 많을 텐데, 그 말은 분명히 맞습니다. 그래도 토큰을 재는 것보다는 한 걸음 나아간 것입니다. 기계적인 리팩터링은 토큰을 많이 태우는데 의미 있는 버그 수정이나 코드 리뷰는 그렇지 않습니다. 그러니 토큰 지출과 가치는 전혀 맞아떨어지지 않고, 한쪽을 다른 쪽의 대리 지표로 쓰는 일은 AI 초창기의 유물로 기억될 것입니다.
앞으로의 보고서에서는 토큰 지출부터 성과까지, 업무의 생애주기 전체를 더 깊이 다룰 생각입니다. 코드와 코드 리뷰까지 Linear를 거치게 된 지금은 그것도 새로 관찰할 수 있습니다.
부록
조사 방법
이 보고서는 Linear의 집계된 제품 데이터를 씁니다. 데이터에는 AI 대화, 에이전트 세션, 이슈 활동, 댓글, 풀 리퀘스트가 들어갑니다. 유료 워크스페이스와 그 안의 사용자만 다룹니다. 모든 지표는 집계한 형태로만 보고하며, 개인의 행동이 아니라 팀이 AI로 소프트웨어를 만드는 큰 흐름을 보여주려는 것입니다. 지표는 각각 고정된 기간 안에서 측정합니다. 기간은 한 달 또는 최근 30일입니다. 전년 대비 차트는 2025년 6월과 2026년 6월을 씁니다. 도입 지표는 직전 30일 구간을 쓰고, 시계열 차트는 주 단위 점으로 묶습니다. 두 방식 모두 단기 잡음을 줄여 줍니다. 일부 차트는 두 기간에 모두 활동한 사용자만 남깁니다.
용어 정의
AI 활성 사용자. 28일 구간에 AI 상호작용이 최소 한 번 있는 사용자. 앱 안에서의 대화, Slack 대화, 에이전트 세션이 여기 해당합니다.
에이전트 팀. 코딩 에이전트가 연결된 워크스페이스.
풀 리퀘스트. Linear에 연결된 저장소를 대상으로 열린 코드 변경. 병합된 것이 아니라 열린 풀 리퀘스트를 셉니다.
유료 워크스페이스. 해당 기간에 활동한 유료 플랜 워크스페이스.
에이전트 이슈. 이슈를 에이전트에 맡기거나 세션을 시작하는 것을 포함합니다.
기업 규모. 외부 데이터 보강 서비스에서 가져온 해당 기업의 정규 직원 수.