- 채널: CODER X DOX 코더엑스독스
- 공개일: 2026-08-13
- 영상 길이: 15분 58초
- 원문: https://www.youtube.com/watch?v=fXy-b3_30Yc
- 원제: (오프더레코드) AI 쓰면 생산성 10배 되는거 확실해?
핵심 질문
AI가 소프트웨어 엔지니어의 생산성을 실제로 10배 높일 수 있는가? 이 질문의 답은 AI가 모든 문제를 해결할 수 있는지에 달려 있지 않다. 사람이 문제를 정의하고 방향과 기대 결과를 정한 뒤, AI가 명확한 실행 과정을 빠르게 처리하도록 업무 환경을 설계할 수 있는지가 핵심이다.
==AI 시대의 생산성은 AI에게 사고 전체를 넘기는 데서 나오지 않는다. 인간이 아이디어·의도·문제 정의·계획을 맡고, AI가 명확한 실행을 병렬화하는 에이전트 워크플로우를 만드는 데서 나온다.==
AI 생산성 논쟁이 혼란스러운 이유
사회 전체가 진행 중인 거대한 실험
AI를 둘러싼 사회적 실험은 AI가 사람을 대체할 수 있는지를 시험하는 단계에 들어섰다. 한편에서는 기업이 소프트웨어 엔지니어를 줄이고 AI로 높은 생산성을 얻었다고 말한다. 다른 한편에서는 AI를 도입했지만 기대만큼 성과가 나오지 않아 다시 사람을 채용하는 기업이 나타난다.
두 현상은 AI의 능력이 없다는 뜻도, 모든 업무를 자동화할 수 있다는 뜻도 아니다. AI가 강한 작업과 약한 작업이 섞여 있기 때문에 업무를 잘게 나눠서 봐야 한다. 명확한 실행 과제에는 큰 효과가 나타나지만, 무엇을 해결해야 하는지부터 정해야 하는 문제에서는 효과가 제한적이다.
관리 계층을 줄여도 계층은 다시 생긴다
Meta는 AI가 관리자의 업무 처리량을 높일 것이라고 보고 관리 계층을 평평하게 만들었다. 과거에는 M1, M2처럼 여러 단계의 관리자가 있었지만, 한 관리자가 더 많은 엔지니어를 맡도록 조직을 바꿨다.
그러나 조직 안에서는 관리자가 여러 관리자를 관리하는 구조가 다시 나타났다. 업무가 늘어나고 조율이 필요해지면 기능적 계층이 자연스럽게 재생성되기 때문이다. AI가 한 사람의 처리량을 높여도 방향 설정, 우선순위 조정, 사람 사이의 조율까지 사라지는 것은 아니다.
AI가 잘하는 문제와 어려워하는 문제
성공 기준이 분명한 실행 과제
AI는 목표와 성공 기준이 명확한 문제에 강하다. 기능 명세가 주어지고, 정해진 방식으로 코드를 작성한 뒤, 테스트를 통과하면 되는 작업이 대표적이다. 입력과 출력이 분명하고 결과를 자동으로 검증할 수 있으므로 AI가 빠르게 반복 실행할 수 있다.
이런 작업은 인류가 이미 알고 있는 지식을 적용하는 과정이다. AI가 새로운 원리를 발견하는 것보다, 사람이 정의한 요구사항을 코드와 결과물로 바꾸는 일이 훨씬 쉽다.
문제 정의부터 필요한 열린 문제
“이 문제를 해결해 달라”는 요청만 있고 해결 방법이나 성공 기준이 정해져 있지 않으면 AI의 강점이 약해진다. 어떤 문제를 풀어야 하는지, 여러 접근 중 무엇을 선택할지, 어떤 가설을 세울지 결정하려면 브레인스토밍·창의성·경험·통찰이 필요하다.
AI가 가끔 놀라운 답을 내놓는 경우도 있다. 그러나 그 답은 학습 데이터 어딘가에 동일하거나 유사한 문제를 해결한 사례가 있었기 때문일 수 있다. AI가 인류가 한 번도 풀지 못한 문제를 독립적으로 해결했다는 뜻으로 일반화해서는 안 된다.
고품질 데이터가 보여주는 LLM의 현재 위치
사람이 정답을 알고 있어야 하는 학습 구조
LLM의 품질을 높이는 가장 확실한 방법은 고품질 데이터를 제공하는 것이다. 현재 빅테크가 만드는 데이터는 AI가 아직 해결하지 못하지만 사람이 정답을 알고 있는 문제에 집중된다. 정답과 오답을 분명하게 구분할 수 있어야 모델을 학습시킬 수 있기 때문이다.
AI가 완전히 새로운 문제를 추론으로 해결할 수 있다면, 인류가 풀지 못한 더 어려운 문제를 계속 제공하면서 능력을 키울 수 있을 것이다. 하지만 실제 개발 방향은 사람이 알고 있는 정답을 이용해 AI의 성능을 높이는 쪽에 가깝다.
인터넷 지식의 압축과 새로운 데이터의 필요
LLM은 인터넷에 축적된 인간의 지식을 압축하고 재구성한다. 인터넷의 고품질 지식이 이미 많이 학습된 뒤에는 단순히 기존 자료를 더 넣는 것만으로 성능을 크게 높이기 어렵다. 그래서 빅테크는 AI가 아직 풀지 못하지만 사람이 답을 만들 수 있는 고품질 데이터를 새로 생산하려고 한다.
이 구조는 LLM이 인간의 지식을 활용하는 능력은 매우 뛰어나지만, 아직 미지의 영역에서 독립적으로 새로운 지식을 안정적으로 만들어내는 단계는 아니라는 점을 보여준다.
생산성을 높이는 인간과 AI의 분업
인간이 맡아야 하는 일
인간은 아이디어를 만들고, 문제를 정의하고, 목표와 의도를 정하고, 기대 결과를 구체화해야 한다. 어떤 방향으로 나아갈지 결정하고, 여러 가설을 비교하고, 결과가 정말 가치 있는지 판단하는 일도 인간의 몫이다.
특히 전문적인 문제 해결은 단순한 실행과 다르다. 경험을 바탕으로 중요한 변수를 찾고, 예상하지 못한 문제를 발견하고, 이해관계자와 논의하며 지식을 정제하는 과정은 여전히 사람의 판단을 필요로 한다.
AI가 맡아야 하는 일
AI는 명확하게 정의된 실행 작업을 맡는다. 코드 작성, 테스트 생성, 자료 정리, 반복적인 변환과 검증처럼 결과를 확인할 수 있는 작업을 빠르게 반복한다. 여러 작업을 동시에 실행하도록 구성하면 한 사람이 처리할 수 있는 결과물의 양을 크게 늘릴 수 있다.
좋은 AI 사용자는 AI에게 모든 일을 질문하지 않는다. 어떤 부분을 AI에게 맡기고 어떤 부분을 직접 판단해야 하는지 구분한다. AI를 전지전능한 해결사로 대하지 않고, 사람이 운전하는 도구로 사용한다.
실행의 즐거움과 시대 변화
엔지니어에게 직접 코드를 작성하고 결과를 완성하는 과정은 여전히 즐거운 일이다. 그렇지만 코딩을 좋아한다는 이유만으로 모든 실행을 직접 하려고 하면 시대의 변화에서 멀어질 수 있다. 반복 실행을 AI에 맡기고, 사람은 더 중요한 계획·탐색·설계와 통찰에 시간을 써야 한다.
도구보다 중요한 에이전트 워크플로우
특정 도구의 선택은 빠르게 바뀐다
Codex를 쓸지 Claude Code를 쓸지 같은 도구 선택은 몇 달 안에도 달라질 수 있다. 특정 제품의 이름을 고르는 일이 장기적인 경쟁력을 보장하지는 않는다. 중요한 것은 도구가 바뀌어도 유지되는 업무 구조다.
병렬 실행이 가능한 업무 환경
AI를 에이전트로 활용하려면 업무 환경 자체가 작업을 분해하고 병렬화하기 쉬워야 한다. 사람이 아이디어를 정리해 목표와 제약조건을 전달하고, 여러 에이전트가 각자의 실행 과제를 처리한 뒤, 사람이 결과를 검토하고 다음 방향을 정하는 흐름이 필요하다.
강한 엔지니어는 자신이 생각한 것을 에이전트가 자동으로 실행할 수 있도록 워크플로우를 설계한다. 모두에게 같은 정답 워크플로우가 있는 것은 아니다. 사용하는 도구, 코드베이스, 협업 방식, 검증 체계가 다르므로 각자의 환경에서 AI가 가장 큰 효과를 내는 지점을 분석해야 한다.
막연한 질문 대신 사고를 촉발하는 대화
“아무것도 모르겠으니 좋은 아이디어를 달라”고 AI에 전부 맡기면 사람의 사고가 수동적으로 변하기 쉽다. AI와 대화하면서 자신의 생각을 자극하고, 떠오른 아이디어를 비교하고, 방향과 계획을 직접 세우는 방식이 더 효과적이다.
AI는 사고를 대신하는 주체가 아니라 사고와 실행을 증폭하는 도구가 되어야 한다. 에이전트 워크플로우를 직접 설계하고 AI를 통제하는 태도가 생산성의 차이를 만든다.
AI 시대 엔지니어의 새로운 역량
실행 능력에서 의도와 방향으로
과거에는 코드를 직접 완성하는 실행 능력이 좋은 엔지니어의 중요한 기준이었다. 이제는 깊은 지식이 부족한 사람도 AI를 이용해 어느 정도의 실행 결과를 만들 수 있다. 하지만 실행 결과를 만드는 것만으로는 성공을 보장할 수 없다.
문제의 본질을 파악하고, 올바른 방향을 정하고, 원하는 결과를 정확하게 설명하고, 작업을 계획하는 능력이 더 중요해진다. 실행 능력이 낮아진 것이 아니라 실행이 널리 자동화되면서 평가의 중심이 의도와 판단으로 이동한 것이다.
아이디어가 많은 사람의 기회
아이디어가 많아도 직접 실행할 시간이 부족했던 사람은 AI 시대에 더 많은 기회를 얻는다. 사이드 프로젝트나 새로운 애플리케이션에 대한 생각을 정확한 의도와 목표로 바꾸면 에이전트가 상당 부분을 실행할 수 있다.
여러 아이디어를 동시에 진행하고 에이전트 워크플로우를 최적화하면 같은 시간에 더 많은 실험을 할 수 있다. 반대로 아이디어가 적으면 AI를 작은 작업에만 적용하게 되므로 생산성 증가의 폭도 제한된다.
생산성의 실제 병목
AI 시대의 병목은 코드를 타이핑하는 속도가 아니다. 자연스럽게 좋은 아이디어를 만들어내는 능력과, 그 아이디어를 병렬 에이전트가 실행할 수 있도록 구성한 업무 환경이 병목이다.
좋은 아이디어를 만들고, 명확한 의도로 바꾸고, 실행을 자동화하고, 결과를 다시 판단하는 순환이 빠를수록 AI의 생산성 효과가 커진다.
결론
AI는 모든 문제를 해결하지 못한다. 그러나 명확한 실행 업무를 빠르게 처리하고 병렬화하는 능력은 인간의 업무 방식을 근본적으로 바꾼다. 인간은 아이디어·문제 정의·계획·통찰·판단을 맡고, AI는 반복적이고 검증 가능한 실행을 맡는 분업이 현실적인 생산성 전략이다.
AI 시대에 높은 가치를 얻는 엔지니어는 두 가지 특징을 갖는다. 첫째, 실행할 가치가 있는 아이디어를 많이 만든다. 둘째, 자신의 업무 환경을 에이전트 워크플로우로 최적화해 AI 네이티브로 일한다.
도구 이름을 따라가는 것보다 일하는 방식을 바꾸는 일이 중요하다. AI를 모든 생각의 대체재로 사용하지 않고, 사람이 방향을 잡은 결과를 더 빠르고 넓게 실험하는 실행 엔진으로 사용해야 한다.
핵심 발언
AI에게 모든 일을 맡기는 것이 아니라, 어떤 일을 맡기고 어떤 일을 직접 판단할지 구분하는 능력이 중요하다.
좋은 엔지니어는 자신의 아이디어를 에이전트 워크플로우로 자동 실행할 수 있게 만든다.
AI 시대의 좋은 엔지니어는 아이디어가 많고, 자신의 업무 환경을 AI 네이티브하게 최적화한 사람이다.
핵심 요약 (20줄)
- AI 생산성 논쟁은 AI가 사람을 전부 대체할 수 있는지보다 어떤 작업에서 강한지를 구분해야 이해할 수 있다.
- 기업의 AI 도입 후 재고용 현상은 명확한 실행 업무와 열린 문제의 성격이 다르다는 점을 보여준다.
- AI는 목표와 성공 기준이 분명한 코드 구현과 검증 작업에 강하다.
- AI는 문제 정의와 해결 방향을 처음부터 정해야 하는 열린 문제에서 상대적으로 약하다.
- AI가 놀라운 답을 내놓는 현상은 학습 데이터에 유사한 해결 사례가 있었기 때문일 수 있다.
- 현재 LLM의 성능 향상은 사람이 정답을 알고 있는 고품질 데이터에 크게 의존한다.
- 빅테크의 데이터 생산 방식은 LLM이 아직 미지의 영역에서 안정적으로 새 지식을 만드는 단계가 아님을 보여준다.
- 인간은 아이디어와 문제 정의, 목표, 의도, 기대 결과를 맡아야 한다.
- 인간은 계획과 방향 설정, 가치 판단, 전문적 통찰과 이해관계자 조율에 집중해야 한다.
- AI는 코드 작성과 테스트, 자료 정리, 반복 변환처럼 결과를 검증할 수 있는 실행을 맡는다.
- AI를 잘 쓰는 사람은 AI에게 모든 것을 묻지 않고 위임할 일과 직접 판단할 일을 구분한다.
- 코딩 실행을 좋아하더라도 모든 실행을 직접 고집하면 AI 시대의 기회를 놓칠 수 있다.
- Codex와 Claude Code 같은 도구의 선택보다 도구가 바뀌어도 유지되는 업무 구조가 중요하다.
- 에이전트 워크플로우는 작업을 작게 나누고 여러 실행을 병렬화할 수 있어야 한다.
- 각자의 코드베이스와 협업 방식에 맞춰 AI가 가장 큰 효과를 내는 지점을 찾아야 한다.
- AI에 막연하게 좋은 아이디어를 요구하기보다 대화를 통해 자신의 사고를 자극하는 편이 효과적이다.
- AI 사용이 확산될수록 실행 능력보다 의도와 방향, 기대 결과, 계획을 정하는 능력이 중요해진다.
- 아이디어가 많은 사람은 에이전트를 이용해 여러 프로젝트와 실험을 동시에 진행할 수 있다.
- AI 시대의 생산성 병목은 타이핑 속도가 아니라 아이디어와 병렬 실행이 가능한 업무 환경이다.
- 좋은 엔지니어는 아이디어를 만들고 업무 환경을 AI 네이티브 에이전트 워크플로우로 최적화한다.