모델보다 잘하는 게 하나는 있어야 한다

게시일: 2026년 9월 3일 | 원문 작성일: 2026년 8월 30일 | 저자: Sean Goedecke | 원문 보기

• • •

대체 인력 대비 가치

2025년에 저는 소프트웨어 엔지니어를 “대체 인력 대비 가치”T1로 평가해야 한다고 썼어요. 회사에 얼마를 벌어다 줬느냐가 아니라, 같은 자리에 평범한 엔지니어가 앉았을 때와 비교해서 얼마나 더 벌어다 줬느냐로요. 저는 엔지니어가 이력서에 “X달러를 번 제품을 만들었다”고 쓰는 걸 볼 때마다 어쩐지 좀 우스웠어요. 사실 그냥 자기 앞에 떨어진 지라 티켓을 처리한 것뿐인데 말이죠.

지금은 대체 인력 대비 가치가 훨씬 더 중요해졌어요. 2010년대엔 대체 인력 수준의 엔지니어도 괜찮았어요. 코드를 쓰는 데 드는 고정 비용이 높았던 만큼, 승진시킬 정도는 아니었을지 몰라도 월급을 줄 만은 했죠. 그런데 지금은 그 비용이 한 달에 백 달러예요. 지금 하고 있는 일 중에, 그 자리에 GPT-5.6-Sol이나 Claude Opus 5를 앉혀 놨다면 못 했을 일은 뭔가요? 그 일에 회사가 왜 백 배, 천 배의 비용을 더 치러야 하죠?

무서운 질문이에요. 하지만 LLM은 사실 코드를 못 쓴다느니 다 사기라느니 하면서 눈을 감아 봐야, 손해 보는 건 자기 자신이에요. LLM이 쓴 코드는 본질적으로 형편없어서 그걸 쓴 회사들이 내년에 줄줄이 무너질 거라고 믿는 척해 봐야 마찬가지고요. 2027년 어느 아침에 눈을 떠 보니 AI 열풍은 끝나 있고 다들 다시 손으로 코드를 짜고 있더라, 그런 일은 일어나지 않아요. 중장기적으로 모델보다 자기가 더 잘할 수 있는 게 뭔지, 진지하게 생각해 볼 때예요.

모델을 앞서는 건 움직이는 과녁을 맞히는 일이에요. 2026년 초만 해도 “큰 코드베이스에 제대로 동작하는 변경을 넣기”는 모델이 못 하는 일에 속했지만, 지금은 아니에요. 그래서 저는 더 깊은 전문성이 필요한 “빡센 엔지니어링” 영역으로 물러나는 전략이 통할 거라고 보지 않아요. 단기적으로는 몰라도, 영원히는 아니에요. LLM이 리만 가설의 더 나은 하한을 찾아낼 수 있다면, 머지않아1 견고한 고성능 커널 드라이버든 GPU 셰이더든 뭐든 짜낼 수 있게 될 거예요.

그보다는 모델이 시간이 지나도 나아지지 않은 일, 그리고 원리상 나아지기 어려운 일을 보는 편이 쓸모 있다고 생각해요. 가장 좋은 예가 두 가지 있어요.

1. 코드베이스에 대한 깊은 친숙함
2. 기술적 커뮤니케이션

• • •

깊은 친숙함

프런티어 LLM은 무엇을 틀릴까요? 어떤 종류의 코딩 실수를 할까요? 코딩 에이전트가 대놓고 환각을 일으키거나 오프바이원 같은 단순 논리 오류를 내는 걸 본 지가 꽤 됐어요. 요즘 모델이 하는 실수는 무지에서 오는 쪽에 가까워요.

• 가져다 쓰면 되는 모듈이 코드베이스에 이미 있는데, 그걸 모르고 같은 로직을 처음부터 다시 짜요.
• 이 기능은 원래 시스템 X에 들어간다는 걸 몰라서, 엉뚱한 시스템을 고쳐 놔요.
• 회사에서 굳어진 관행과 어긋나는 코딩 스타일로 써 놔요.

또 어떤 실수는 과민함에서 와요.

• 이론상 틀릴 수는 있어도 실제로는 설정에서 한 번 정해지고 두 번 다시 바뀌지 않는 값에, 검사를 삼중으로 넣어요.
• 10밀리초 지난 데이터도 절대 안 된다고 넘겨짚고는, 늘 최신 상태를 지키려고 복잡하고 쓸데없는 시스템을 설계해요.
• 그냥 에러를 내고 죽는 게 맞는 코드(가령 CLI 도구나 재시작할 수 있는 k8s 서비스)에 폴백이며 “우아한” 성능 저하를 붙여요.

이 실수들의 공통점은 뭘까요? 시스템의 맥락을 전혀 모르는 똑똑한 엔지니어가 할 법한 실수예요. 문제를 풀 만큼 유능하긴 한데, “그래요, 코드 삼천 줄 더 안 짜도 된다면 이 정도 위험은 감수합시다”라고 자신 있게 말할 만큼 그 시스템을 오래 다뤄 보지는 못한 거죠. 누군가 연속 학습이나 정말로 거대한 컨텍스트 윈도라는 숙제를 풀어내기 전까지는, 이건 AI 에이전트가 일하는 방식에 원래 딸려 오는 한계예요. 이런 실수를 잡아낼 수 있다면 제 몫을 톡톡히 하는 셈이에요.

그러려면 코드베이스에도, 시스템 전반에도 익숙해지는 수밖에 없어요. 이 이야기는 제 글 「직접 일하지 않는 소프트웨어는 설계할 수 없다」 에서 훨씬 자세히 다뤘어요. 그런데 여기엔 심리적인 요소도 있어요. 에이전트에게 자신 있게 반대할 각오가 돼 있어야 해요.

AI 에이전트의 말은 때로 무척 설득력 있어요. 에이전트는 위에서 말한 실수 중 하나에 “꽂혀서” 특정 위험을 끝내 감수하지 않으려 들 때가 많아요. 그럴 땐 몇 번이고 다시 그 경우에 대비하는 코드를 슬쩍 밀어 넣거나, 그 경우가 왜 중요한지 그럴듯한 논변을 써 내려가죠. 여기서 값어치를 하려면 “이거 영 아니에요. X랑 Y는 아예 필요 없다고 보는데요, Z를 훨씬 단순하게 하면 안 되나요?”라고 선뜻 말할 수 있어야 해요. 용기가 필요한 일이에요.

AI 에이전트끼리 서로의 결과물을 리뷰하게 맡겨 두는 걸로는 안 돼요. 같은 모델을 쓰면 어김없이 똑같은 가정을 하고 똑같은 실수를 저질러요. 다른 모델을 쓴다 해도 구조적인 이유가 같으니 무지와 과민함이라는 같은 종류의 실수에 빠지기 쉬워요. 요즘 AI는 무슨 일이 있어도 트집 몇 개는 찾아내도록 강화학습돼 있어서, 오히려 AI끼리 리뷰 루프를 돌리면 이런 실수가 더 나오기 쉬워요. 비평가 AI와 작업자 AI를 서로 부딪히게 두면, 과민한 쓰레기 코드 만 줄을 떠안기 딱 좋아요.

• • •

기술적 커뮤니케이션

AI가 해 주는 것 이상으로 가치를 보탤 수 있는 영역이 하나 더 있어요. 바로 커뮤니케이션이에요. 새 모델일수록 코딩은 잘하는데, 역설적이게도 글은 점점 못 써요. GPT-3.5와 GPT-4에서는 이따금 사람이 쓴 것 같은 문장이 나왔어요. 지금 흔히 보는 슬롭T2 특유의 말투는 GPT-4o에서 처음 나타났고, 최근 Anthropic 모델들은 “클로드어”를 구사해요. 반쯤은 바로크풍이고 반쯤은 뚝뚝 끊기는, 아무도 반기지 않는 기묘한 화법이죠. 예외가 없진 않았어요. GPT-4.5는 괜찮았고 o3는 제법 마음에 들었지만2, 대체로 LLM은 이걸 잘 못해요. 이유는 두 가지예요.

첫째, 좋은 글은 검증 가능한 영역이 아니에요. 모델이 수학이나 코딩을 잘하게 만들고 싶다면 문제를 만들어서 자동으로 채점하면 돼요. 좋은 글은 채점할 수 없어요. 초기 OpenAI의 RLHF 시도처럼 사람에게 채점을 맡기면, 평범한 사람이 한 단락씩 읽었을 때 있어 보이는 글이 나와요. “문장마다 수사 기법을 삼백 개씩 쑤셔 넣는” 문체는 여기서 나온 거예요. 원리만 따지면 취향 좋은 사람들을 직접 골라 채점을 맡기는 방법도 있겠죠. 하지만 그게 실제로 안 되는 데는 뻔한 이유가 몇 가지3 있어요.

둘째, 연구소들은 커뮤니케이션은 제쳐 두고 성능에만 외곬으로 매달려 왔어요. 새로운 과학적 지평을 열거나 소프트웨어 엔지니어를 대체할 모델을 학습시키는 중이라면, 커뮤니케이션 능력을 어느 정도 내주게 될 수도 있어요. 사실 이런 일이 어떻게 벌어져 왔는지도 정확히 짚어낼 수 있을 것 같아요. 모델 내부의 추론 토큰을 보면, 단어 선택이 기이하고 문장이 이상하게 뚝뚝 끊기는 경우가 많아요.

이걸 제대로 된 영어로 옮기면, 아마 이런 클로드어 비슷한 문장이 나올 거예요.

일부 LLM의 문체가 유독 낯선 건, 우리가 읽는 게 사실은 번역문이라서가 아닐까 싶어요. 모델 내부의 사고 사슬은 문제 해결 능력을 끌어올리는 과정에서 거의 알아볼 수 없을 지경이 됐고, 우리 눈에 닿는 문장은 그걸 반쯤 직역한 결과라는 거죠. 클로드어를 좋은 영어로 옮기는 건 놀랄 만큼 어려워요. 원문의 뒤엉키고 압축된 언어를 따라가야 할 뿐 아니라, 모델이 풀고 있는 문제를 이해할 기술적 역량까지 있어야 하니까요.

그래서 기술적 커뮤니케이션은 의외로 오래 버틸 기술일지도 몰라요. 피터 왓츠의 소설 『블라인드사이트』 의 세계는 인지 능력을 증강한 인간들로 가득해요. 주인공의 직업은 “종합가”예요. 이 천재들은 약어와 몸짓으로 말하는데, 종합가는 그들과 나머지 사람들 사이에서 번역층 노릇을 해요. 왓츠는 커뮤니케이션 능력이 지능과 대체로 무관할 수 있고, 심지어 지능과 음의 상관관계에 있을 수도 있다고 봐요. “천재들의 나라”에도, 그들의 통찰을 모두에게 옮겨 줄 평범하게 똑똑한 사람들이 여전히 잔뜩 필요할 수 있어요.

사람에게 무언가를 전하려는 거라면, 사람이 직접 쓴다는 사실 자체에도 큰 이점이 있어요. 우리 중 상당수는 AI 블라인드가 되어 가는 중이에요. AI가 만든 글을 마주치는 순간 본능적으로 읽기를 멈추는 반사 작용이 생기는 거예요. 번쩍이는 옥외 광고판이나 웹사이트 사이드바 광고를 자동으로 무시하게 되는 것과 비슷하죠. 구상 중인 기술 전략을 AI가 쓴 문서로 돌린다면, 동료 대부분은 한 단어 한 단어 억지로 눈을 붙들어 가며 읽어야 할 거예요.

• • •

마치며

무엇을 하든 고기 프록시는 되지 마세요. 요청을 AI 에이전트에 그대로 복사해 넣고 그 출력을 자기 결과물로 제출하는 사람 말이에요. 정의상 스스로는 아무 가치도 더하지 않는 셈이니, 잘라 달라고 손을 드는 것과 같아요. 여러 에이전트를 엮은 교묘한 시스템, 이른바 “소프트웨어 공장”을 갖췄더라도 여전히 위태로워요. 그 시스템의 기능이 기업용 AI 도구에 흡수되는 순간(그리고 그렇게 될 거예요), 없어도 되는 사람이 돼요.

자신의 전문성을 지렛대 삼아, 모델이 못 하는 일을 해낼 방법을 찾아야 해요. 아마 몇몇 부분은 모델보다 잘할 테니, AI를 아예 쓰지 않는 편이 고기 프록시보다는 나아요. 하지만 AI가 어디까지 할 수 있는지 파악하고, AI의 빈틈을 메울 자리를 잡는 편이 훨씬 나아요. 지금 빈틈은 크게 두 가지예요. 시스템의 기술적 세부를 꿰는 능력, 그리고 그 세부를 명료하고 설득력 있게 쓰는 능력이에요.