핵심 요약
AI 코딩의 핵심은 “코드를 대신 써준다”에서 끝나지 않습니다. 이제는 사람이 방향과 검증 기준을 잡고, 에이전트가 실행을 맡는 방식으로 개발 흐름이 바뀌고 있습니다.
전체 흐름
| 핵심 개념 | 쉽게 말하면 | 내가 가져갈 점 |
|---|---|---|
| 분기점 | AI 코딩이 단순 보조에서 에이전트형 워크플로로 넘어감 | 작년 경험만으로 AI 코딩을 판단하면 안 됨 |
| Software 3.0 | 프롬프트와 컨텍스트가 새로운 프로그래밍 인터페이스가 됨 | 코드보다 “무엇을 넣고 어떻게 지시할지”가 중요 |
| 검증 가능성 | AI는 채점할 수 있는 영역에서 특히 강함 | 테스트, 로그, 평가 기준을 먼저 만들어야 함 |
| Vibe Coding | 누구나 빠르게 앱을 만들어보는 방식 | 초안과 실험에는 좋지만 책임 있는 출시와는 다름 |
| Agentic Engineering | AI 에이전트를 활용해 전문적인 품질을 유지하며 개발하는 방식 | 스펙, 보안, 구조, 검증을 사람이 잡아야 함 |
| Understanding | 왜 만들고 어떻게 판단할지에 대한 깊은 이해 | 생각의 일부는 맡겨도 이해는 직접 해야 함 |
AI 코딩의 기준이 달라졌다
안드레 카파시는 최근 AI 코딩의 흐름을 하나의 계단처럼 설명합니다. 이전의 AI 코딩은 “도움은 되지만 손이 많이 가는 도구”에 가까웠습니다. 코드를 만들어주긴 하지만, 사람이 계속 고치고 확인해야 했습니다.
그런데 어느 순간부터는 흐름이 달라졌습니다. 에이전트에게 작업을 맡기면 리서치, 계획, 코드 작성, 테스트, 디버깅이 하나의 작업 흐름으로 이어지기 시작했습니다.
여기서 중요한 건 단순히 “AI가 더 똑똑해졌다”가 아닙니다. AI가 한 줄 답변을 주는 도구에서, 작업 흐름을 이어가는 실행 파트너로 바뀌고 있다는 점입니다.
Software 1.0, 2.0, 3.0
카파시는 소프트웨어를 세 단계로 나눠 봅니다.
| 구분 | 프로그래밍 방식 | 예시 |
|---|---|---|
| Software 1.0 | 사람이 직접 코드를 작성 | 조건문, 함수, API, 서버 코드 |
| Software 2.0 | 데이터와 신경망을 학습시켜 동작을 만든다 | 이미지 분류, 추천 모델, 딥러닝 모델 |
| Software 3.0 | 자연어 프롬프트와 컨텍스트로 시스템을 조작한다 | AI 에이전트에게 작업을 설명하고 실행시키는 방식 |
이 관점에서 보면 프롬프트는 그냥 질문이 아닙니다. Software 3.0에서는 프롬프트가 프로그램에 가까워지고, 컨텍스트 창에 무엇을 넣느냐가 설계가 됩니다.
예전에는 운영체제별 설치 스크립트를 직접 작성해야 했습니다. macOS, Ubuntu, Windows 환경에 따라 분기 처리를 넣고, 에러 상황을 직접 처리해야 했습니다. 그런데 이제는 설치 방법을 에이전트에게 주면, 에이전트가 환경을 보고 스스로 풀어가는 방식이 가능해지고 있습니다.
여기서 중요한 질문이 나옵니다.
이 기능은 정말 앱으로 만들어야 할까, 아니면 AI 호출 한 번으로 끝나는 일일까?
앞으로 MVP를 만들 때도 이 질문이 중요해질 것 같습니다. 무조건 화면과 서버부터 만들기보다, 먼저 AI 하나가 처리할 수 있는 문제인지 확인해야 합니다.
AI는 검증 가능한 영역에서 강하다
가장 실용적으로 느낀 부분은 “검증 가능성”입니다. AI는 답을 채점할 수 있는 영역에서 빠르게 좋아집니다.
- 수학은 답이 맞는지 틀린지 채점할 수 있습니다.
- 코드는 컴파일되는지, 테스트를 통과하는지 확인할 수 있습니다.
- 데이터 처리도 입력과 출력이 맞는지 비교할 수 있습니다.
반대로 좋은 글인지, 좋은 디자인인지, 좋은 제품인지처럼 기준이 흐릿한 영역은 아직 들쭉날쭉합니다. 어떤 순간에는 천재처럼 보이다가, 바로 옆 문제에서는 이상한 판단을 할 수 있습니다.
그래서 AI를 잘 쓰려면 “좋은 답을 내줘”라고만 하면 부족합니다. 좋은 답인지 판단할 수 있는 기준을 같이 만들어야 합니다.
| 작업 | 검증 기준을 붙이는 방법 |
|---|---|
| 코딩 | 테스트, 린트, 빌드, 로그 확인 |
| 블로그 글 | 핵심 키워드 포함, 내 말투, 독자가 이해할 수 있는 예시 |
| MVP 기획 | 문제 정의, 핵심 기능 1개, 사용자 반응 실험 |
| 자동화 | 성공/실패 로그, 재시도 조건, 예외 처리 |
Vibe Coding과 Agentic Engineering은 다르다
바이브 코딩과 에이전틱 엔지니어링은 비슷해 보이지만 역할이 다릅니다.
Vibe Coding은 진입 장벽을 낮춥니다. 코딩을 잘 모르는 사람도 “이런 앱을 만들고 싶다”라고 말하면 실제로 작동하는 초안을 만들 수 있습니다. 이건 정말 큰 변화입니다. 아이디어가 있는 사람이 바로 실험할 수 있기 때문입니다.
하지만 Agentic Engineering은 다릅니다. 여기서는 빠르게 만드는 것보다, 전문적인 품질을 유지하는 것이 중요합니다. 보안, 데이터 구조, 사용자 흐름, 장애 대응, 테스트, 유지보수까지 생각해야 합니다.
즉 바이브 코딩은 바닥을 높이고, 에이전틱 엔지니어링은 천장을 높입니다. 초안을 만드는 능력과 실제 서비스로 책임 있게 운영하는 능력은 다릅니다.
사람이 더 잘해야 하는 일
에이전트가 코드를 잘 쓰기 시작하면 사람은 필요 없어지는 걸까요? 오히려 반대에 가깝다고 느꼈습니다. 사람이 맡아야 할 일이 더 분명해집니다.
- 무엇을 만들지 정하는 일
- 왜 만들 가치가 있는지 판단하는 일
- 좋은 구조와 나쁜 구조를 구분하는 일
- 보안과 데이터 흐름을 검증하는 일
- 에이전트가 만든 결과를 끝까지 책임지는 일
에이전트는 똑똑한 인턴에 가깝습니다. API 이름이나 문법 디테일은 잘 기억하지만, 시스템 전체의 좋은 구조를 스스로 판단하지 못할 때가 있습니다. 겉으로는 동작하지만 구조적으로 위험한 코드를 만들 수도 있습니다.
그래서 사람은 이제 모든 API를 외우는 사람이 아니라, 시스템의 큰 그림과 판단 기준을 잡는 사람이어야 합니다.
프롬프트보다 중요한 것은 스펙이다
이번 내용에서 가장 크게 가져갈 실천 포인트는 이것입니다.
AI에게 바로 만들라고 하기 전에, 내가 원하는 결과의 스펙을 먼저 잡아야 한다.
예를 들어 “블로그 기록 도우미 만들어줘”라고 하면 결과가 제각각 나올 수 있습니다. 대신 아래처럼 스펙을 잡으면 훨씬 좋아집니다.
- 입력: 유튜브 URL 또는 프로젝트 로그
- 처리: 핵심 키워드 추출, 문제와 해결 과정 정리
- 출력: hongsik.blog 스타일의 글
- 검증: 카테고리, 태그, 제목, 링크, 발행 상태 확인
- 주의: 민감 정보와 키는 절대 본문에 넣지 않기
이렇게 기준을 세우면 AI는 훨씬 안정적으로 움직입니다. 결국 AI를 잘 쓴다는 것은 멋진 문장을 던지는 일이 아니라, 일의 구조를 잘 나누고 검증 가능한 형태로 만드는 일에 가깝습니다.
내 프로젝트에 연결하기
지금 제가 진행하는 프로젝트에도 바로 연결할 수 있습니다.
| 프로젝트 | 적용할 관점 | 다음 행동 |
|---|---|---|
| hongsik.blog | 학습 내용을 단순 요약하지 않고 내 프로젝트와 연결한다 | 영상 분석 글마다 “내 적용점” 섹션을 넣기 |
| CatchPro | AI가 만든 수정이 실제 운행에서 효과가 있었는지 검증한다 | 로그 기반으로 수정 전/후 반응속도와 실패 케이스 기록 |
| YesTrader | 신호 조건은 반드시 검증 가능한 기준으로 만든다 | 진입 신호, 알림, 실패 조건을 표로 정리하고 백테스트/복기 |
| InsightView Space | 콘텐츠 자동화는 출처와 품질 기준이 필요하다 | 발행 전 체크리스트와 출처 확인 루틴 만들기 |
가장 오래 남은 문장
마지막에 남는 메시지는 이 문장입니다.
생각은 아웃소싱할 수 있어도, 이해는 아웃소싱할 수 없다.
AI에게 요약, 분석, 코드 작성, 초안 작성은 맡길 수 있습니다. 하지만 내가 무엇을 만들고 있는지, 왜 이 방식이 맞는지, 어디가 위험한지는 직접 이해해야 합니다.
이해 없이 결과만 받아들이면, 겉으로는 빠르게 가는 것처럼 보이지만 어느 순간 방향을 잃을 수 있습니다. 반대로 내가 이해하고 있으면 AI는 엄청난 실행력을 붙여주는 도구가 됩니다.
앞으로의 기록 방식
앞으로 AI를 사용할 때 “빨리 만들어줘”에서 멈추지 않으려고 합니다. 먼저 제가 이해한 문제를 정리하고, AI가 실행할 수 있는 작은 단위로 나누고, 결과를 확인할 기준까지 같이 만들겠습니다.
AI 시대에 필요한 능력은 단순히 코드를 빨리 치는 능력이 아니라, 문제를 이해하고, 기준을 세우고, 에이전트를 지휘하는 능력이라고 느꼈습니다.
이제 제 학습 기록도 그 방향으로 남겨보려 합니다. 그냥 배운 내용을 정리하는 것이 아니라, 내가 어떤 문제를 풀고 있고, 어떤 기준으로 AI에게 맡겼고, 결과를 어떻게 검증했는지까지 기록하겠습니다.