[한영자막] AI 엔지니어링, 1년 사이 완전히 달라졌다

URL: https://www.youtube.com/watch?v=Q8PEMtBQjyk 날짜: 2026-07-26 (원본 발표: 2026-07-25 업로드) 채널: Tech Bridge 발표자: 바(Bar) — Amplify Partners 투자 파트너, "State of AI Engineering" 연례 설문조사 진행자 공동 파트너: Notion, Vercel (올해 처음 공동 진행) 응답자 규모: 1,048명 (AI 엔지니어링에 종사하는 창업자·CTO·엔지니어·제품 담당자 등 전 직군)

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

Amplify Partners의 투자 파트너 바(Bar)가 매년 진행하는 "State of AI Engineering" 설문조사(올해 3년째, 응답자 1,048명)의 2026년 결과를 발표하는 컨퍼런스 세션이다. ==AI 엔지니어링은 더 이상 하나의 직책이 아니라 창업자부터 마케터까지 아우르는 하나의 학문 분야로 자리잡았으며, 지난 1년 사이 에이전트의 권한(쓰기 접근)이 3배 증가하고 비용이 엔지니어링의 1급 제약 조건이 되는 등 실질적 변화가 급격히 일어났다==는 것이 핵심 메시지다.

• 소프트웨어 경력 10년 이상 엔지니어의 절반 이상이 AI 경험은 3년 이하 — 베테랑들도 이 분야에서는 신참이다
• 에이전트에 쓰기(write) 권한을 부여한 팀의 비율이 작년 대비 3배 이상 증가했지만, 이를 통제하는 방법은 여전히 "사람 승인 + 권한 게이팅" 수준의 원시적인 도구뿐이다
• 응답자의 76%가 AI 덕분에 직업 만족도가 올랐다고 답했지만, 동시에 90% 이상이 코드베이스 이해도 저하 등 부정적 부작용을 느끼고 있다

발표자는 이를 "짧은 시간은 바(Bar) 본인 소개에, 긴 시간은 바 차트(bar chart) 분석에 쓰겠다"는 농담으로 시작해, 모달리티 → 모델 → 표준화 → 비용 → 에이전트 → 스택 → 조직 영향 → 5년 후 전망 순으로 촘촘한 막대그래프 데이터를 통해 업계 현황을 해부한다.

---

1. 설문조사 개요와 응답자 특성

이 설문은 단일 직군이 아니라 AI를 다루는 모든 역할의 사람들을 포괄하며, 3년 연속으로 "경력은 많지만 AI에는 신참"인 패턴이 반복되고 있다.

1.1. 설문 배경

1. 왜 매년 설문을 하는가
   1. 업계 변화 속도: 발표자는 "슬라이드를 만드는 동안에도 분야가 계속 바뀐다"고 말하며, 실제로 발표 직전 주에 메타(Meta)가 AI 컴퓨팅 자산 매각을 검토 중이라는 보도가 나오는 등 국가 안보 사건처럼 다뤄지는 첨단 기술 발표가 쏟아졌다고 언급
   2. 설문의 목적: 매년 설문조사를 통해 수많은 정보 속에서 핵심을 파악하고, 한 발짝 물러나 AI 엔지니어들이 "실제로" 무엇을 하고 있는지 이해하려는 시도
2. 올해의 새로운 점
   1. 공동 파트너십: 올해 처음으로 Notion 및 Vercel과 협력하여 설문조사를 진행
   2. 발표자 소개: 바(Bar)는 Amplify의 투자 파트너로, AI 엔지니어들이 만들고 AI 엔지니어들을 위한 회사에 투자하는 역할. 스스로 "이 슬라이드가 제일 재미없다"며 짧게 넘기고, 매년 하는 약속대로 "바(자기소개)에는 짧은 시간, 바 차트(데이터)에는 긴 시간"을 쓰겠다고 선언

1.2. 응답자 프로필

1. 규모와 구성
   1. 응답자 수: 올해 1,048명이 응답 — 상당히 많은 수의 AI 엔지니어
   2. 직군의 다양성: 단순히 "AI 엔지니어"라는 직책에 국한되지 않고 창업자, CTO, 엔지니어, 제품 담당자 등 회사 규모와 경험 수준을 불문하고 모든 사람에게 영향을 미치는 학문 분야로 자리매김
2. 경력 분포의 패턴 (3년 연속 동일)
   1. 베테랑의 AI 신참 현상: 소프트웨어 개발 경력 10년 이상인 사람들 중 절반 이상이 AI 경험은 3년 이하 — 경험 많은 엔지니어들이 실시간으로 새로운 패러다임을 배우고 있는 상황
   2. 신입 엔지니어의 역설: 가장 최근에 엔지니어링 분야에 발을 들인 신입 엔지니어의 평균 AI 경험은, 10년 경력 소프트웨어 엔지니어의 평균 AI 경험과 거의 비슷한 수준. 즉 요즘 신입들은 AI가 없는 소프트웨어 개발을 경험해본 적이 없다는 의미

---

2. 모달리티(Modality) 채택 현황 — 텍스트 지배 속 오디오·이미지의 부상

발표자는 "직장에서 AI를 사용한다"는 말이 실제로 무엇을 의미하는지부터 파고들며, 텍스트가 여전히 압도적이지만 오디오와 이미지 생성에서 뚜렷한 변화가 나타났다고 짚는다.

2.1. "채택 의도 비율(Intent to Adopt Ratio)"이라는 새 지표

1. 측정 방식
   1. 질문: "업무에서 어떤 방식(모달리티)을 적극적으로 활용하고 계신가요?"라고 질문했고, 예상대로 텍스트가 압도적 1위
   2. 바가 주목하는 부분: 단순히 "사용 안 함" 비율이 아니라, "사용하지 않지만 사용할 계획이 있다"와 "사용하지 않고 계획도 없다"의 비율 — 이를 '채택 의도 비율'이라 명명
2. 오디오의 급부상
   1. 올해 수치: 현재 오디오 기반 AI 애플리케이션을 만들지 않는 AI 엔지니어 중 무려 56%가 향후 오디오 기능을 도입할 계획이라고 답변 — 모든 모달리티 중 가장 강한 도입 의지
   2. 작년 대비 가속: 작년에도 오디오는 모든 방식 중 도입 의향이 가장 높았지만 그 수치는 37%에 불과했음. 즉 1년 사이 관심이 더욱 가속화되고 있다는 신호

2.2. 이미지 생성 — 실제로 문턱을 넘은 모달리티

1. 가장 큰 변화 폭
   1. 만족도 두 배 증가: 이미지 생성에 AI를 사용하고 그 결과에 매우 만족한다고 답한 응답자 비율이 작년 18%에서 올해 36%로 정확히 두 배 증가 — 작년 대비 가장 크게 달라진 지표
   2. 원인: 같은 기간 나노 바나나(Nano Banana), 나노 바나나 2(Nano Banana 2), ChatGPT Images 2.0 등 신모델이 출시되며 제품 품질이 크게 향상됨
2. 비유와 시사점
   1. "저주받은 손" 비유: 예전에는 이미지 생성이 "저주받은 손(기괴하게 왜곡된 손가락)"을 만들어내는 효율적인 방법처럼 여겨졌지만, 이제는 점점 실제 업무의 일부가 되어가고 있다고 표현
   2. 오디오 vs 이미지의 차이: 오디오는 여전히 "도입 의향"이 가장 높은 단계에 머물러 있지만, 이미지 생성은 특정 모달리티가 실제로 채택의 문턱을 넘었을 때 어떤 일이 일어나는지 보여주는 선행 사례. 발표자는 매년 이 채택률 곡선을 지켜보는 것이 기대된다고 언급

---

3. 모델(Model) 선택 — 폐쇄형 지배 속 오픈웨이트의 보완적 확산

트위터 등 커뮤니티에서 오픈웨이트 모델에 대한 담론이 뜨겁지만, 실제 운영(production) 환경 데이터는 다른 그림을 보여준다.

3.1. 폐쇄형 vs 개방형 가중치 모델의 실제 사용 비율

1. 운영 환경 사용 현황
   1. 폐쇄형 모델: 94%가 폐쇄형(closed) 모델을 사용
   2. 개방형 가중치 모델: 45%가 개방형 가중치(open-weight) 모델을 사용 — 상당한 비중이지만 폐쇄형을 대체하지는 못함
2. "증강" 관계로 해석
   1. 중복 사용 비율: 개방형 가중치 모델을 사용하는 응답자 중 90% 이상이 동시에 폐쇄형 모델도 사용 중
   2. 바의 해석: 개방형 가중치 모델은 폐쇄형을 대체하는 게 아니라 증강(augmentation)하는 방식으로 팀 내에서 "섞여" 사용되고 있다

3.2. 모델 선택 시 가장 중요한 3가지 기준

1. "개방 vs 폐쇄" 논쟁은 실제 선택 기준이 아니다
   1. 낮은 순위: 개방형/폐쇄형 여부를 상위 3대 고려사항으로 꼽은 응답자는 단 5%에 불과 — 온라인 담론의 열기와 실제 의사결정 기준이 크게 괴리됨
2. 실제 1~3순위 기준
   1. 1순위 품질(Quality): 압도적으로 가장 중요한 기준
   2. 2순위 에이전트 기능: 도구 호출(tool calling) 등 에이전트적 능력
   3. 3순위 비용: 품질과 밀접하게 연동되어 함께 고려됨. 발표자는 "결국 돈, 돈, 돈"이라고 농담하며 뒤에서 다시 다룰 것을 예고
3. 신뢰성(Reliability)이 상위권 밖인 이유
   1. 낮은 순위 자체: 응답자 5명 중 1명만이 신뢰성을 상위 고려사항으로 꼽음
   2. 바의 해석: 팀들이 신뢰성에 신경 쓰지 않는다는 뜻이 아니라, 신뢰성이 이미 "충족되어야 하는 최소 요건(threshold requirement)"으로 자리잡아 특정 상황을 제외하면 품질·기능·비용 순으로 의사결정 기준이 올라간다는 의미로 해석

3.3. 멀티모델 운영과 "표준화를 위한 표준화"

1. 모델 다중 사용이 표준
   1. 87% 수치: 팀의 87%가 두 개 이상의 모델을 사용 중 — 단일 모델 선택은 소수 사례이며, 이는 표준화(standardization)와 정반대 흐름
2. 라우팅(routing) 방식의 다양성
   1. 작업 유형별 라우팅: 가장 일반적인 방식으로, 작업 종류에 따라 다른 모델을 선택
   2. 비교·비용 기반 라우팅: 일부는 여러 모델을 동시 실행해 결과를 비교하고, 일부는 비용을 기준으로 경로를 결정 — 모델마다 잘하는 영역이 다르기 때문
3. "플랫폼·도구"의 초기 표준화
   1. 모델이 아닌 도구의 표준화: 응답자의 절반 이상이 조직이 사용하는 AI 도구의 수를 줄이는 방향으로 표준화를 시작하고 있다고 답변
   2. 혼합형 접근: 일부는 특정 계층은 표준화하고 다른 계층은 유연성을 유지하는 혼합 전략을 택함. 핵심은 "모델"이 아니라 "플랫폼과 도구" 차원에서 초기 표준화가 일어나고 있다는 점

---

4. 비용(Cost) — 새로운 1급 엔지니어링 제약 조건

지난 1년간 AI 관련 청구서를 받아본 사람이라면 누구나 공감할 슬라이드라며, "무한한 지능에도 사용량 기반 요금이 부과된다"는 현실을 데이터로 짚는다.

4.1. 비용이 의사결정에 미치는 영향

1. 직접 응답 수치
   1. 정기적 영향: 응답자의 40%가 비용이 AI 활용 수준(얼마나 적극적으로 AI를 쓸지)을 결정하는 데 정기적으로 중요한 요소라고 답변
   2. 때때로 영향: 추가로 36%는 "때때로 그렇다"고 답변
2. 종합 해석
   1. 4명 중 3명: 전체적으로 약 4분의 3의 응답자가 비용에 따라 AI 사용량을 조절하고 있으며, 나머지 4분의 1은 "회사 카드"를 갖고 있어 상대적으로 자유로운 것 같다는 농담
   2. 1년 전과의 대비: 이런 현상이 놀랍거나 당연해 보일 수 있지만, 12개월 전에는 이렇지 않았다는 점을 강조. "토큰 최대화(token maxing)"가 멋있어 보이고 실사용 사례를 찾는 게 놀라운 일이던 시절에서, 이제 비용이 제품 결정의 핵심 요소가 되는 시기로 이동

4.2. 모니터링 체계에서의 비용 위상

1. 운영 환경 모니터링 우선순위
   1. 2순위: 실제 운영 환경에서 사람들이 모니터링하는 항목 중 비용과 토큰 사용량이 2번째로 중요한 요소
   2. SLA급 취급: 품질 관리 바로 아래에서, 마치 SLA(서비스수준협약)처럼 철저하게 감시되고 있다는 점을 강조

---

5. 에이전트(Agent) — 데모 월드를 벗어나 실제 권한을 갖다

발표에서 가장 비중 있게 다뤄진 항목. "하네스 엔지니어링(harness engineering)"이라는 표현과 함께, 에이전트가 실제 시스템 내에서 행동을 취하는 단계로 진입했다고 진단한다.

5.1. 에이전트 사용률과 권한의 동시 급증

1. 사용률 자체의 증가
   1. 95% 사용: 올해 응답자의 95%가 에이전트를 사용하고 있다고 답변 — 발표자 스스로도 "이 수치는 너무 높은 것 같다"고 놀라움을 표현
   2. 작년 대비 2배: 작년 대비 약 두 배 높은 수치
2. 쓰기(write) 권한 부여 비율의 급증
   1. 작년: 에이전트를 사용하는 사람들 중 52%만이 에이전트가 실제로 데이터를 작성(write)할 수 있다고 답변
   2. 올해: 그 수치가 89%로 급증
3. 두 변화의 결합 효과
   1. 3배 증가: 에이전트 사용 팀 수 증가와 쓰기 권한 부여 비율 증가를 종합하면, 전체 응답자 중 "적절한 권한을 가진 에이전트"를 사용하는 비율이 작년 대비 3배 이상 증가
   2. 질적 전환: 발표자는 이것이 진짜 큰 변화라고 강조 — 에이전트가 더 이상 읽고, 요약하고, 초안을 작성하는 수준이 아니라 시스템 내에서 직접 행동(action)을 취하는 단계로 넘어갔다는 의미

5.2. 통제(Control)는 여전히 원시적 — "인턴 관리" 수준의 도구

1. 가장 널리 쓰이는 통제 수단
   1. 1위 사람 승인(Human-in-the-loop): 사람이 개입해 승인하는 방식
   2. 2위 권한 게이팅(Permission gating): 애초에 권한 자체를 제한하는 방식. 바는 이 두 방식이 방향성은 옳지만 "인턴을 관리하는 방식과 비슷한 수준"이라고 평가
2. 그 아래 분산된 다양한 시도
   1. 분산된 결과: 작업 분해(task decomposition), 검색(retrieval), 메모리(memory), 샌드박싱(sandboxing) 등 다양한 방법을 사람들이 저마다 시도 중이나, 아직 아무도 에이전트 제어 계층에 대한 정립된 해법을 찾지 못한 상태
   2. 주목할 영역: 발표자는 메모리와 지속적인 컨텍스트(persistent context)를 개인적으로 매우 주의 깊게 지켜보고 있는 분야로 꼽으며, 내년에 이 영역에서 많은 변화가 있을 것으로 예상

5.3. 에이전트 실패의 원인 — "배관"이 아니라 "사고방식"

1. 실패의 본질
   1. 핵심 진단: 에이전트가 실패하거나 사람들이 실패에 불평할 때, 그 원인은 대개 시스템적(플러밍) 문제가 아니라 "사고방식(thinking)" 자체의 문제인 경우가 많음
   2. 구체적 수치: 응답자의 약 2/3가 작업 도중 환각(hallucination)을 경험하거나 맥락(context)을 잃는 것이 가장 큰 좌절감을 준다고 답변

---

6. 기술 스택(Stack) — 평가(Evals)가 여전히 최대 난제, Build vs Buy 패턴

에이전트가 실전에 투입된 지금, 그 밑을 받치는 스택에서 무엇이 실제로 돌아가고 있는지 살펴보는 섹션.

6.1. 스택에서 가장 큰 난제 — 평가(Evals)

1. 매년 반복되는 1위
   1. 일관된 1위: "사용하는 기술 스택에서 가장 큰 어려움은 무엇인가"라는 질문에 매년 가장 많이 나오는 답은 "평가(Evals)" — 올해도 근소한 차이로 선두 유지 중이나 그 격차는 점점 줄어드는 추세
   2. 합의 부재: 이 방(컨퍼런스 응답자) 96%가 스택 방식에 문제가 있다고 생각하지만, 어느 방식이 옳은지에 대해서는 전혀 의견이 모이지 않음 — 인프라 구축에 관심 있다면 이 산점도(scatter)가 바로 기회의 지도라고 언급
2. 평가 방법의 실태
   1. 다양한 방법 필요: AI 결과물을 평가하는 방법으로는 여러 방식이 동원되지만, 언제나 그렇듯 "분위기 평가(vibe review)"가 여전히 1위 — 시간이 지나도 이 근본적 패턴은 변하지 않고 있음

6.2. 스택 8개 계층의 Build vs Buy 패턴

1. 가장 많이 구매(Buy)하는 계층
   1. 추론/모델 서빙: 추론(inference) 및 모델 서빙 계층이 사람들이 가장 많이 "사는" 부분 — 많은 사람들이 추론 인프라를 직접 구축하고 싶어하지 않으며, 이는 충분히 납득할 만한 선택
2. 가장 많이 직접 만드는(Build) 계층
   1. 프롬프트 관리: 정반대로 61%가 프롬프트 관리를 직접 만듦 — 발표자는 "아무래도 모든 사람의 프롬프트가 특별한 것 같다"고 농담
   2. 제품 로직 전반: 프롬프트, RAG, 평가(evals) 등 제품 로직과 밀접한 부분들은 상대적으로 사내(in-house)에 머무르는 경향
3. 아직 미성숙한 영역과 락인(lock-in) 현상
   1. 파인튜닝: 아직 가장 확실하게 자리잡지 못한 단계로, 대부분의 사람들은 아예 파인튜닝을 사용하지 않음
   2. 한번 결정하면 고수: 이미 구매한(build 대신 buy) 사람들은 직접 구축할 생각이 별로 없고, 반대로 직접 구축한 사람들은 구매에 그다지 관심을 보이지 않는 "락인" 경향이 관찰됨

---

7. 조직·팀에 미치는 영향 — 긍정적 분위기 속 부작용과 직군 경계 붕괴

건설자(builder) 비중이 높은 표본이라는 전제하에, 전반적으로 긍정적이지만 무시할 수 없는 부작용이 함께 나타나고 있다.

7.1. 전반적으로 긍정적인 분위기, 그러나 공짜는 아니다

1. 압도적 긍정 응답
   1. 97% 긍정: 응답자의 97%가 소속 조직에 전반적으로 긍정적인 영향을 미쳤다고 답변
   2. 핵심 효과는 속도가 아니다: 가장 큰 효과는 단순 속도 향상이 아니라, 실패 비용이 저렴해지고 실험·시제품 제작이 수월해지며 위험 부담이 줄어든 것 — 엔지니어를 더 빠르게 만들었을 뿐 아니라, 다양한 시도를 거의 무료로 할 수 있게 해줬다는 표현
2. "공짜 점심은 없다"는 반작용
   1. 검토 부담 증가: 실험을 촉진하는 도구가 동시에 검토(review) 부담도 증가시킴 — 둘 다 동시에 사실일 수 있다는 균형 잡힌 시각
   2. 부정적 영향 체감: 응답자의 90% 이상이 어떤 식으로든 부정적인 후유증을 느끼고 있다고 답변

7.2. 가장 흔한 부작용 — 기술 역량과 코드베이스 이해도 저하

1. 저렴한 코드 생성의 대가
   1. 가장 흔한 문제: 심층적인 기술 능력과 코드베이스에 대한 이해도가 저하되고 있다는 점 — 이 컨퍼런스에서도, 온라인에서도, AI 엔지니어들이 모이는 곳이라면 어디서나 널리 논의되는 주제
   2. 원인: 이는 저렴해진(cheap) 코드 생성의 직접적인 결과로 지목됨

7.3. 직군 경계의 붕괴 — 비개발자의 소프트웨어 배송

1. 역할 경계의 모호화
   1. 81% 응답: 많은 응답자(81%)가 AI로 인해 엔지니어, 제품 설계자, 마케팅 담당자의 역할 경계가 모호해지고 있다고 답변 — 발표자는 이 통계에 큰 충격을 받았다고 언급
2. 비개발자의 실제 기능 출시
   1. 1/3 이상: 오늘날 팀의 3분의 1 이상이 비개발자 구성원이 기능을 직접 출시하고 있다고 응답 — 발표자가 가장 놀란 지점
   2. 고객 대면 기능도 포함: 대부분은 규모가 작고 내부용이지만, 17%는 비개발자 직원이 스택 전반에 걸쳐 고객에게 제공되는 기능을 "정기적으로" 출시한다고 답변
3. 직접 출시 안 해도 광범위하게 기여
   1. 프로토타입 제작: 비개발자가 직접 제품을 출시하지 않는 경우에도, 팀의 3분의 1은 비개발자들이 프로토타입이나 프런트엔드 목업 등 매우 유용한 산출물을 만들어내는 모습을 목격
   2. 결론: 소프트웨어 출시에 더 이상 "엔지니어 자격"이 필수 조건이 아니라는 사실은 이미 알려져 있었지만, 그 정도가 예상보다 훨씬 심각(광범위)하다는 점이 새롭게 확인됨

---

8. 2026년 회고와 5년 후 베팅(빠른 응답 라운드)

발표 말미, "베팅"이라는 형식으로 현재 감정과 5년 후 전망에 대한 응답자들의 빠른 답변을 다룬다.

8.1. 현재 시제 — 만족도와 우려의 공존

1. 긍정적 현재
   1. 직업 만족도: 76%가 AI 덕분에 직업 만족도가 높아졌다고 답변 — 이 자리에 있는 대부분에게 좋은 소식이라며 뮤지컬 위키드의 "엘파바와 글린다"를 인용해 "지금 행복하길 바란다"고 농담
2. 동시에 존재하는 우려
   1. 장기적 부채 우려: 59%는 오늘날의 AI 코드가 장기적인 문제(기술 부채)를 야기할 수 있다고 우려
   2. "해결된 문제"로 보는 비율은 낮음: 소프트웨어 엔지니어링을 이미 해결된 문제로 여기는 사람은 3분의 1에 불과. 다만 발표자는 사람들과 대화해보면 "소프트웨어 엔지니어링"을 정의하는 방식 자체가 서로 다를 때가 있어, 이 통계는 해석의 여지가 있다고 덧붙임
   3. 요약: "더 행복하고 더 빠르지만, 유지보수 부담을 받아들이는 것이 핵심"이며, 채용이 앞으로 어떻게 될지는 다들 확신하지 못하는 상태

8.2. 5년 후 전망 — AGI 발표 기대 vs 트랜스포머의 지속성

1. AGI 관련 질문
   1. 67% 기대: 응답자의 67%가 향후 5년 안에 주요 연구소(major lab)가 AGI(인공일반지능) 발표를 할 것으로 예상 — 단, 발표자는 "질문 문구를 잘 보라"며 이는 "실제 AGI 달성"이 아니라 "AGI를 선언(declare)할 것인가"를 물은 것임을 강조. "그들이 선언은 할 것이다. 그게 무슨 의미인지는 잘 모르겠다"는 냉소적 코멘트
2. 트랜스포머 아키텍처의 지속성
   1. 9%만 확신: 5년 안에도 트랜스포머(Transformer)가 여전히 최첨단(state-of-the-art) 기술일 것이라 예상하는 응답자는 단 9%에 불과 — 대부분은 확신하지 못함
3. 가장 즐거운 질문 — 우주 vs 지상 AI 컴퓨팅
   1. 가장 팽팽한 접전: "AI 컴퓨팅이 우주에 더 많이 보급될까, 지상에 더 많이 보급될까?"라는 질문에 36명은 "예(우주)", 38명은 "아니오"라고 응답 — 설문 전체에서 가장 의견이 갈린(divisive) 질문으로 소개

8.3. 2026년 총정리(Wrapped)

1. 핵심 요약 8가지
   1. 전반적 영향: 압도적으로 긍정적
   2. 모달리티: 이미지 생성 만족도가 두 배로 증가했고, 오디오는 작년과 마찬가지로 가장 높은 도입 의향을 유지
   3. 비용: 정말 중요한(1급) 제약 조건이 되었으며, 이는 모니터링뿐 아니라 AI 제품을 만들려는 사람들의 행동 양식 전반에서 나타남
   4. 오픈웨이트: 폐쇄형 모델을 보완하지만 대체하지는 않음
   5. 스택: 멀티모달 미래로 가되 스택 자체는 통합(consolidation)되는 흐름
   6. 에이전트: 이전보다 훨씬 더 많은 접근 권한을 얻었고(작년 대비 3배 증가), 안전장치(guardrail)는 여전히 원시적인 수준에 머물러 있음
   7. 빌드 vs 바이: 추론(inference)은 "사는(buy)" 시장이고, 제품 로직에 가까운 모든 것은 상대적으로 사내에서 처리되는 경향
   8. 총평: "지금은 AI 엔지니어에게 매우 흥미로운 시기"라며, 발표자 스스로도 내년이 어떻게 전개될지 매우 기대된다고 마무리

---

주요 발언 모음

"저는 매년 인공지능 엔지니어링 현황에 대한 설문조사를 실시합니다. 이 설문조사를 진행하면서 재밌는 점은, 슬라이드를 만들다 보면 그 분야가 계속 변한다는 것입니다."

"제 생각에는 신뢰성이 이미 필수 요건(threshold requirement)이 될 가능성이 더 높고, 그들이 선택하는 모델들은 충분히 신뢰할 만하기 때문에, 특정 상황 외에서는 품질, 기능, 비용 순으로 결정 기준이 올라갈 것 같습니다."

"결국 무한한 지능에도 사용량에 따른 요금이 부과된다는 사실이 밝혀졌습니다. (Turns out infinite intelligence still comes with a usage-based bill.)"

"상담원(에이전트)들은 더 이상 읽고, 요약하고, 초안을 작성하는 것이 아니라 시스템 내에서 직접 조치를 취합니다."

"오늘날 사람들이 에이전트를 통제하는 방법은 매우 다양합니다. 가장 중요한 두 가지는 사람의 참여를 통한 승인과 권한 부여인데, 이는 올바른 방향성을 제시하지만 인턴 관리에서 사용하는 것과 비슷한 방식입니다."

"상담원이 실패하거나, 더 정확히 말하자면 사람들이 상담원의 실패에 대해 불평할 때, 그 원인은 대개 시스템적인 문제가 아니라 사고방식에 있는 경우가 많습니다."

"세상에 공짜 점심은 없다는 걸 아시잖아요. 실험을 촉진하는 도구가 검토 부담도 증가시킨다는 것입니다. 둘 다 사실일 수 있습니다."

"소프트웨어 출시에는 엔지니어 자격이 필수 조건은 아닙니다. 우리는 이 사실을 알고 있었지만, 이 문제가 제기되는 정도가 예상보다 훨씬 심각합니다."

"지금은 인공지능 엔지니어에게 매우 흥미로운 시기입니다. 내년이 어떻게 펼쳐질지 너무나 기대됩니다."

핵심 데이터 & 수치

• 응답자 규모: 1,048명 (Notion, Vercel과 첫 공동 진행 설문)
• 경력 패턴: 소프트웨어 경력 10년 이상 중 절반 이상이 AI 경험 3년 이하 (3년 연속 동일 패턴)
• 오디오 모달리티 채택 의도: 56% (작년 37% → 급증)
• 이미지 생성 만족도: 18%(작년) → 36%(올해), 정확히 2배 증가
• 모델 사용 현황: 폐쇄형 94%, 개방형 가중치 45% (개방형 사용자 중 90%+ 폐쇄형도 병용)
• 모델 선택 시 개방/폐쇄 여부를 상위 3대 기준으로 꼽은 비율: 단 5%
• 모델 선택 우선순위: 품질 > 에이전트 기능(도구 호출) > 비용(신뢰성은 20%만 상위 기준으로 응답)
• 멀티모델 운영: 팀의 87%가 2개 이상 모델 사용
• 도구 표준화 추진 비율: 절반 이상 (모델이 아닌 플랫폼/도구 차원)
• 비용이 AI 사용량에 영향: 정기적 40% + 때때로 36% = 약 3/4가 비용에 따라 조절
• 비용 모니터링 우선순위: 운영환경 모니터링 항목 중 2위 (품질 다음)
• 에이전트 사용률: 95% (작년 대비 약 2배)
• 에이전트 쓰기(write) 권한: 52%(작년) → 89%(올해)
• 쓰기 권한 있는 에이전트 사용 비율 (전체 응답자 기준): 작년 대비 3배 이상 증가
• 에이전트 실패 원인: 응답자 2/3가 환각/맥락 상실을 최대 좌절 요인으로 지목
• 스택 최대 난제: 평가(Evals) — 매년 1위, 96%가 스택에 문제 있다고 인식(단, 해법엔 불일치)
• build 최다 계층: 프롬프트 관리 (61% 직접 구축)
• buy 최다 계층: 추론/모델 서빙
• 조직 긍정 영향: 97%
• 부정적 후유증 체감: 90% 이상
• 역할 경계 모호화 인식: 81%
• 비개발자가 기능 직접 출시: 팀의 1/3 이상, 그중 17%는 고객 대면 기능도 정기 출시
• 직업 만족도 상승: 76%
• AI 코드의 장기적 부채 우려: 59%
• 소프트웨어 엔지니어링을 "해결된 문제"로 인식: 33%(1/3)
• 5년 내 주요 연구소의 AGI "선언" 예상: 67%
• 5년 후에도 트랜스포머가 SOTA일 것이라는 예상: 9%
• 우주 vs 지상 AI 컴퓨팅 질문: 예 36명 : 아니오 38명 (설문 내 최다 의견 분열 질문)

결론 및 시사점

1. 비용은 이제 선택이 아니라 설계 변수다: 응답자 4명 중 3명이 비용에 따라 AI 사용을 조절하는 시대가 되었으므로, AI 제품/기능을 설계할 때 처음부터 비용 모니터링과 사용량 기반 제약을 SLA 수준으로 설계에 포함해야 한다.
2. 에이전트 권한은 급속히 확장되고 있지만 통제 체계는 따라가지 못하고 있다: 쓰기 권한 부여가 1년 만에 3배 증가했음에도 통제 수단은 여전히 "사람 승인 + 권한 게이팅"이라는 원시적 방식에 머물러 있다는 점은, 메모리/지속적 컨텍스트/샌드박싱 등 다음 세대 통제 계층에 투자할 여지가 크다는 신호다.
3. 모델 선택은 이념(개방 vs 폐쇄) 논쟁보다 실용(품질·기능·비용) 기준으로 이뤄진다: 온라인 담론과 실제 구매 의사결정 사이의 괴리를 인지하고, 커뮤니티 여론에 흔들리지 말고 품질·에이전트 기능·비용이라는 실질 기준으로 모델을 검토하는 것이 합리적이다.
4. 비개발자의 소프트웨어 배송은 이미 무시할 수 없는 규모다: 팀의 1/3 이상이 비개발자가 기능을 출시하는 상황이므로, 조직은 "누가 코드를 작성하는가"보다 "어떻게 검토·품질 관리 체계를 재설계할 것인가"에 집중해야 한다.
5. 에이전트 실패의 근본 원인은 시스템이 아니라 "사고방식"이다: 환각과 맥락 상실이 최대 좌절 요인이라는 점에서, 도구/인프라 투자만큼이나 프롬프트·컨텍스트 관리·메모리 설계에 대한 투자가 중요하다.
6. 평가(Evals)는 여전히 미해결 과제이자 기회 영역이다: 96%가 스택에 문제가 있다고 느끼면서도 해법에 합의하지 못하고 있다는 것은, 이 영역에서 새로운 인프라·도구 스타트업의 기회가 여전히 크게 열려 있다는 뜻이다.