AI가 관여했다고 공개된 코드는 공동체에서 불이익을 받는가? 여러 GitHub 저장소를 보면, AI 공동저자 표식이 있는 풀리퀘스트는 적격 리뷰와 초기 승인을 덜 받는 것처럼 보인다. 그러나 같은 저장소 안에서 비슷한 시기에 공개된 다른 코드와 비교하면 이 격차는 크게 줄고 방향도 불확실해 진다. 풀리퀘스트는 개발자가 코드 변경을 제안하는 단위이고, 저장소는 그 제안을 검토하고 통합 하는 공동 작업공간이다. 본 연구는 AI 사용 전체가 아니라, 커밋 메시지에 공개된 AI 공동저자 표 식과 30일 안의 리뷰․병합이 어떻게 함께 나타나는지를 살펴본다. 본 연구는 2025년 5월에 열린 풀리퀘스트를 대상으로, 제안이 열린 시점 이전에 관측된 정확한 오프닝 헤드 커밋 메시지에서 엄격한 AI 표식을 판정하고 모든 제안을 30일간 동일하게 추적하였 다. 분석 표본은 잠긴 계정 규칙에서 명백히 AI 공동저자(봇, bot)로 분류되지 않은 저자 계정이 제출한 224개 저장소의 풀리퀘스트 2,309건이며, 이 중 380건에 엄격한 표식이 있었다. 핵심 결과는 분명하지만 또한 제한적일 수 있다. 생성 시점의 표식을 기준으로 같은 저장소 안에 서 비교했을 때, AI 표식에 대한 일관된 불이익을 확인하지 못했다. 저장소를 모두 합친 비교에서 는 AI 표식이 있는 코드의 적격 리뷰 수신이 17.34%p, 적격 리뷰 후 최초 승인이 11.05%p 낮았 다. 그러나 저장소와 생성 시기를 고려하면 차이는 각각 −0.63%p(95% CI [−5.15, 3.90])와 −2.41%p([−9.24, 4.42])로 줄었고, 30일 내 병합은 −0.25%p([−5.72, 5.21])였다. 세 신 뢰구간은 모두 0을 포함하였다. 이 결과는 AI에 대한 거부감이 없다는 뜻이 아니다. 본 자료는 리뷰어가 표식을 보았는지 또는 어떤 태도를 가졌는지 측정하지 않았다. 더 타당한 해석은 큰 합동표본 격차가 개인 표식의 불이익 으로 그대로 남지 않았다는 것이다. 국제경영 연구에서 이 결과는 글로벌 디지털 플랫폼의 국경 간 지식생산을 분석할 때 개인 수준의 AI 표식과 저장소 수준의 평가·거버넌스 맥락을 함께 고려하는 분석 관점을 제시한다. 본 연구의 실증 범위는 저장소 수준에 한정되며, 국가․기업․자회사 차원 은 해당 정보를 직접 관측할 수 있는 자료를 통해 후속 연구에서 확장할 수 있다. 결론은 2025년 5 월의 엄격한 공개 표식 부분집합에 대한 탐색적 연관성으로 한정된다.

Is code that publicly discloses AI involvement penalized by communities? When GitHub repositories are pooled, pull requests with a public AI co-authorship marker appear less likely to receive a qualifying review and less likely to receive approval first. Yet those gaps shrink sharply and their direction becomes uncertain when marked code is compared with other code published at similar times inside the same repository. A pull request is a proposed code change; a repository is the local workspace that evaluates and integrates it. This study examines the public marker in commit messages—not AI use in general—and review and merge outcomes within 30 days. The study examines pull requests opened in May 2025, classifies the strict marker from the exact opening-version commit message observed before request creation, and follows every eligible request over the same 30-day window. The analysis covers 2,309 pull requests in 224 repositories submitted by accounts not classified as obvious AI co-authors (bots) under the stated account rule; 380 carry the strict marker. The central result is clear but may also be bounded: when the marker is defined at request creation and pull requests are compared within repositories, we did not identify a consistent disadvantage associated with the public AI marker. In pooled comparisons, code with an AI marker was 17.34 percentage points less likely to receive a qualifying review and, among qualifying-review recipients in the common estimation sample, 11.05 points less likely to receive approval as the first qualifying review. With repository and creation-week fixed effects, the gaps shrank to −0.63 points (95% CI [−5.15, 3.90]) and −2.41 points ([−9.24, 4.42]); the merge estimate was −0.25 points ([−5.72, 5.21]). All three confidence intervals crossed zero. This does not show that communities have no aversion to AI. The data do not reveal whether reviewers saw the marker or what they thought about it. The more defensible reading is that the large pooled gap does not remain as a consistent individual-marker disadvantage. For internationalbusiness research, the pattern offers a multilevel analytical perspective for studying cross-border knowledge production on global digital platforms: it distinguishes the individual-level AI marker from repository-level evaluative and governance contexts. The empirical scope remains at the repository level; country-, firm-, subsidiary-, and cross-border extensions require data that directly observe those dimensions. Conclusions are limited to this strict public-marker subset from May 2025 and remain exploratory.

When AI Knocks, How Does theCommunity Respond? Markers, Review,and Integration Across and Within Repositories
Ⅰ. Introduction
Ⅱ. Theory and Research Questions
    2.1 Candidate production and organizational evaluation
    2.2 Repository governance and the allocation of attention
    2.3 A public co-authorship marker as an observed signal
    2.4 From presumed resistance to observable research questions
Ⅲ. Data and Methods
    3.1 Baseline timing and cohort design
    3.2 Inception cohort and source data
    3.3 Baseline strict marker
    3.4 Outcomes and denominators
    3.5 Author boundary and identifying population
    3.6 Estimation and result classification
    3.7 Sensitivity analyses
    3.8 Repository-composition diagnostics
    3.9 Reproducibility and independence
Ⅳ. Results
    4.1 Sample composition
    4.2 Primary within-repository associations
    4.3 Repository-composition attenuation
    4.4 Sensitivity analyses
Ⅴ. Discussion
    5.1 What the evidence says—and does not say—about resistance
    5.2 From an individual marker to a repository-level question
    5.3 Converting discovery into a prospective test
    5.4 Implications for international business research
    5.5 Limitations
Ⅵ. Conclusion
References
Appendix
Appendix A. Sensitivity estimates
Appendix B. Data, code, privacy, and evidence status
요 약

• Gwangyeong Lim(Doctoral Candidate, College of Business Administration, Seoul National University) | 임광영