title
sub_title
![🚀 배포부터 수익화까지, 실무와 가장 가까운 사이드 프로젝트 [스위프 앱 6기] 🚀](https://d1s1r4xme959x6.cloudfront.net/user/1/images/%E1%84%89%E1%85%B3%E1%84%8B%E1%85%B1%E1%84%91%E1%85%B3_%E1%84%8B%E1%85%A2%E1%86%B8_6%E1%84%80%E1%85%B5_%E1%84%85%E1%85%A6%E1%86%BA%E1%84%91%E1%85%B3%E1%86%AF%E1%84%80%E1%85%AA%E1%86%BC%E1%84%80%E1%85%A9_%E1%84%80%E1%85%A9%E1%86%BC%E1%84%90%E1%85%A9%E1%86%BCB_240_160-1784673541088.webp)
🚀 배포부터 수익화까지, 실무와 가장 가까운 사이드 프로젝트 [스위프 앱 6기] 🚀
“화면 속 유리가 살아 움직인다” 애플 ‘리퀴드 글래스’가 구현한 3가지 혁신
“화면 속 유리가 살아 움직인다” 애플 ‘리퀴드 글래스’가 구현한 3가지 혁신애플이 차세대 운영체제 iOS 26의 핵심인 ‘리퀴드 글래스’ 인터페이스를 공개했습니다 이번 디자인 시스템은 단순히 예쁜 그래픽을 넘어 모바일 기기 최초로 고도의 물리 연산과 광학 시뮬레이션을 UI 전체에 도입했다는 점에서 업계에 큰 충격을 주고 있습니다‘리퀴드 글래스’를 완성하는 세 가지 핵심 기술적 기둥을 분석했습니다1 실시간 레이 트레이싱Ray Tracing 기반의 광학 UI가장 눈에 띄는 변화는 ‘빛의 물리적 구현’입니다 기존 UI가 고정된 그림자나 이미 제작된 애니메이션을 사용했다면 리퀴드 글래스는 하드웨어 가속 레이 트레이싱을 활용해 화면 내 모든 요소에 실시간 빛 굴절Refraction과 반사Reflection 효과를 적용합니다 자이로스코프와의 결합 사용자가 아이폰을 기울이면 내장된 자이로스코프 센서가 각도를 미세하게 측정합니다 이에 따라 제어 센터의 반투명 창이나 알림 팝업 표면에 맺히는 빛의 하이라이트 위치가 실시간으로 변합니다 물리 법칙의 재현 주변 배경화면의 색상이 유리 질감의 아이콘을 통과하며 굴절되는 방식은 실제 고급 렌즈를 투과하는 빛의 경로를 그대로 따릅니다 이는 디지털 화면임에도 불구하고 실제 물리적 사물을 만지는 듯한 착각을 불러일으킵니다2 ‘플로팅 스타일’이 선사하는 초입체적 깊이감리퀴드 글래스는 화면을 평면적인 캔버스가 아닌 여러 층의 유리판이 겹쳐진 입체 공간으로 재정의합니다 다층 레이어 구조 배경화면과 앱 아이콘 그리고 알림창 사이에 명확한 고도Elevation 차이를 두는 ‘플로팅 스타일’을 채택했습니다 시각적 몰입감 상단 레이어가 하단 레이어에 미치는 그림자의 농도와 빛의 간섭이 동적으로 변하면서 사용자는 콘텐츠가 화면 위에 붕 떠 있는 듯한 입체감을 경험합니다 이는 단순한 시각적 효과를 넘어 정보의 우선순위를 직관적으로 인지하게 돕는 기능적 역할까지 수행합니다3 액체처럼 반응하는 ‘다이내믹 인터랙션’마지막 혁신은 사용자의 터치에 반응하는 ‘유동적Fluid 피드백’에 있습니다 리퀴드 글래스의 핵심인 유동적 피드백은 사용자의 터치를 단순한 입력 신호가 아닌 액체 표면에 가해지는 물리적 압력으로 해석하며 이는 기존의 UI 버튼은 누르면 크기가 줄어들거나 색상이 변하는 2차원적 방식에 머물렀다면 유동적 피드백이 적용된 버튼은 표면 장력Surface Tension 알고리즘을 따릅니다유동적 피드백은 인터페이스가 더 이상 딱딱한 기계의 부속품이 아님을 선언합니다 사용자의 기분과 조작 강도에 맞춰 유연하게 변하는 이 시스템은 향후 AI가 사용자의 의도를 미리 파악해 UI의 형태를 미리 변형시키는 예측형 인터페이스로 진화하는 징검다리가 될 것으로 보입니다애플의 리퀴드 글래스는 단순히 ‘보기 좋은 UI’를 만드는 단계를 넘어섰습니다 이는 최신 A시리즈 칩셋의 강력한 GPU 성능과 정교한 센서 제어 능력이 뒷받침되어야만 가능한 ‘기술의 집약체’입니다 모바일 인터페이스가 정적인 평면에서 동적인 입체로 진화함에 따라 사용자들은 스마트폰을 단순한 도구가 아닌 실제 교감이 가능한 지능적 매개체로 느끼게 될 것입니다
모두의창업 솔루션 - 번지는 경쟁사 실제 데이터까지
투자자와 심사위원이 공통으로 하는 질문이 있습니다경쟁사가 얼마나 성장하고 있나요사용자들이 경쟁 서비스에서 불만을 느끼는 부분이 뭔가요이 질문에 감이 아니라 데이터로 답할 수 있어야 합니다Bunzee가 경쟁사 데이터를 어떻게 꺼내는지 보여드립니다httpswwwmodooorkraisolutionorganization578tabsolutionBunzee번지는 아이디어를 말로만 설명하는 것이 아니라 이 시장에는 이런 경쟁사가 있고 우리는 이런 차별화 전략으로 이런 제품 프름을 만들겠습니다 라고 시장 근거와 화면 흐름을 보여줄 수 있습니다필요한 경우 MCP를 통해 Claude Code Lovable 등 코딩 AI와 연결해 목업 이후의 MVP 개발 출발점까지 이어갈 수 있습니다 Bunzeeai는 모두의 창업 도전자들이 감이 아니라 데이터로 아이디어를 검증하고 다음 라운드에서 설명 가능한 사업 구조와 제품 방향을 준비할 수 있도록 돕는 데이터 기반 아이디어 검증 AI 솔루션입니다0 경쟁사 실제 수치 — 월 트래픽과 매출을 직접 확인경쟁사 리스트가 나타나면 각 서비스를 선택해 실제 지표를 확인할 수 있습니다월 활성 사용자MAU 이 서비스에 실제로 몇 명이 오는가추정 매출Revenue 이 서비스가 월에 얼마를 버는가성장 추이 최근 트래픽이 오르고 있는가 내려가고 있는가예를 들어 동네 식재료 나눔 앱 아이디어를 분석하면 OLIO의 월 활성 사용자 12M 추정 매출 99K 성장률 18 같은 숫자가 나옵니다이 숫자들이 시장이 실제로 성장하고 있는지 내가 진입할 타이밍인지를 알려줍니다 Bunzee 통합리포트 마케팅 키워드 강점 약점 핵심기능 업데이트 히스토리 스크린샷 주요지표 월간UU 월간 PV 평균 체류시간 월간 수익 사용자 피드백 분석 장점 단점 오디언스 상위 국가 성별 연령분포 디바이스 트래픽 소스 Direct Organic Search Referral Organic Social가 제공됩니다1 기능 분석 — 경쟁사가 무엇을 하고 있는가트래픽 숫자 다음으로 중요한 건 기능 구성입니다Bunzee는 각 경쟁사의 핵심 기능을 자동으로 분석해 정리합니다 핵심 기능 목록 가격 정책 타겟 고객 세그먼트이 분석을 보면 경쟁사가 잘 하는 것과 못 하는 것이 구분됩니다경쟁사가 못 하는 부분이 내 아이디어의 포지션이 됩니다2 리뷰 분석 — 사용자가 실제로 불편한 것가장 중요한 데이터는 실제 사용자 리뷰입니다긍정 리뷰보다 부정 리뷰가 더 중요합니다 부정 리뷰 안에 내 아이디어의 포지션이 있기 때문입니다Bunzee는 경쟁사의 App Store Google Play Trustpilot 리뷰를 분석해 주요 불만을 자동으로 정리합니다기록은 쉬운데 기록된 내용이 어디에 쓰이는지 보여주지 않음캘린더와 일기 데이터가 따로 놀아 맥락 파악이 어려움이런 불만들이 내 아이디어의 차별화 방향이 됩니다3 전체 시장 리포트 — TAM·SAM·SOM 자동 산출개별 경쟁사 분석이 끝나면 Bunzee는 전체 시장 리포트를 자동으로 만듭니다 TAM 전체 시장 이 시장의 총 규모SAM 유효 시장 내가 실제로 공략 가능한 규모SOM 획득 가능 시장 현실적으로 내가 가져올 수 있는 규모이 숫자들이 투자자 IR 자료와 2라운드 발표 자료의 시장 규모 파트를 바로 채웁니다모두의 창업 AI 솔루션 비교는 여기서 → httpsbunzeeaimodooanalysis모두의창업 솔루션 신청은 → httpswwwmodooorkraisolutionorganization578tabsolution
프로덕트헌트(ProductHunt) 투표에 참여해주세요!
렛플이 만든글로벌 팀빌딩 및 아이디어 검증서비스 Bunzeeai가 오늘부터 프로덕트 헌트에서 라이브됩니다투표를 부탁드립니다→ 투표하러 가기경쟁사였던 D사가 타 회사에 인수를 당했다는 소식을 들었네요 그만큼 프로젝트나 메이커들이 활동할 수 있는 공간이 줄어들고 있습니다국내에서는 렛플만이 유일하게 여러분의 아이디어가 동료를 만나게 하기위해서 안정적으로 운영하고 있습니다번지는 “렛플의 글로벌 버전”입니다 렛플을 잘 이용하고 계시다면 번지도 여러분의 맘에 들거예요프로덕트헌트 계정으로 번지Bunzeeai 꼭 투표 부탁드립니다 오늘12일 1700부터httpswwwproducthuntcomproductsbunzeeaiBUNZEEAI는 httpsbunzeeai BunzeeAI는 500000개 이상의 살아있는 제품을 기반으로 아이디어를 분석하고 구체화해줍니다제품은 다음과 같은 곳에서 매일 크롤링 및 정제하고 있습니다1 구글 플레이안드로이드2 앱스토어IOS3 프로덕트헌트4 스팀게임 에픽게임즈게임5 닌텐도 플레이스테이션 엑스박스6 … 그외 프로덕트 리뷰 사이트→ 투표하러 가기아이디어를 입력하면 AI가 앱 이름 핵심 기능 기술 스택 팀 구성까지 자동으로 생성합니다다양한 비즈니스 프레임워크로 아이디어를 다각도로 분석할 수 있습니다경쟁 서비스를 매핑하고 나만의 시장 지형도를 1분 안에 생성합니다28개국 필터 제공 아메리카5 아르헨티나 멕시코 브라질 미국 캐나다 아시아·태평양11 중국 사우디아라비아 대만 태국 베트남 필리핀 인도네시아 인도 호주 일본 한국 유럽11 폴란드 튀르키예 스페인 이탈리아 프랑스 독일 영국 아프리카5 나이지리아 이집트 남아프리카공화국 케냐 모로코16가지 분석 기준 제공게임 앱만 인기 앱만 필터 옵션 제공→ 투표하러 가기마지막으로 렛플회원을 위한 전용 199 무료 쿠폰도 잊지 마세요“HILETSPL”입력하시면 무료로 체험이 가능합니다 추가 결제 없음httpsbunzeeaicommonnotice164그럼 프로덕트헌트에서 뵙겠습니다→ 투표하러 가기
자동형 AI Agent의 최종 환경의 진화 및 로컬 LLM의 역할
OpenClaw 이후 등장하는 새로운 AI 아키텍처최근 AI Agent 프로젝트들을 보면 재미있는 공통점이 하나 있습니다처음에는 대부분 이렇게 시작합니다User ↓ LLM ↓ Tools ↓ Real Computer즉 AI가 실제 컴퓨터를 조작하는 구조입니다 브라우저를 열고 버튼을 클릭하고 파일을 생성하고 프로그램을 실행합니다OpenClaw 같은 프로젝트가 바로 이런 구조입니다처음 보면 꽤 강력해 보입니다하지만 실제로 사용해보면 개발자들이 거의 항상 같은 결론에 도달합니다“이걸 실제 컴퓨터에서 돌리면 너무 복잡하다”Agent가 직접 컴퓨터를 쓰면 생기는 문제AI가 실제 컴퓨터를 사용하면 처음에는 편합니다예를 들어 이런 요청을 할 수 있습니다이 사이트에서 데이터 가져와서 엑셀로 정리해줘Agent는 이렇게 행동합니다브라우저 열기 → 사이트 접속 → 데이터 복사 → Excel 실행 → 파일 저장문제는 이 방식이 생각보다 불안정하다는 것입니다예를 들어 이런 상황이 발생합니다 브라우저 UI가 변경됨 로그인 세션 만료 프로그램 버전 충돌 OS 권한 문제결국 개발자들이 깨닫는 것은 이것입니다“AI에게 현실의 컴퓨터를 맡기는 건 생각보다 복잡하다”그래서 등장하는 해결책이 바로 Virtual Computer입니다실제 컴퓨터와 Virtual Computer에서 돌리는거랑 뭐가 차이가 나Virtual Computer는 간단히 말하면환경변수가 통제되는 AI 전용 컴퓨터 환경입니다 구조는 보통 이렇게 됩니다User ↓ Agent ↓ LLM ↓ Virtual Computer ↓ Browser Apps Tools즉 AI는 실제 컴퓨터가 아니라 가상 컴퓨터를 사용합니다이 구조의 장점은 명확합니다1 환경을 완전히 통제할 수 있다Virtual Computer는 항상 같은 환경입니다예를 들어Ubuntu 22 Chrome version fixed Python environment fixed이렇게 설정할 수 있습니다그래서 Agent가 항상 같은 UI 항상 같은 프로그램을 사용하게 됩니다AI에게는 이런 예측 가능한 환경이 매우 중요합니다2 Agent를 복제할 수 있다Virtual 환경의 또 다른 장점은 복제 가능성입니다예를 들어AI researcher agent AI marketing agent AI devops agent각각의 Agent가 자기 전용 컴퓨터를 가질 수 있습니다Agent 1 → VM 1 Agent 2 → VM 2 Agent 3 → VM 3이렇게 되면 사실상AI 직원에게 컴퓨터를 지급하는 구조가 됩니다이 개념 때문에 요즘 AI 커뮤니티에서는 이런 표현이 등장했습니다AI workforce즉 여러 Agent가 각자 컴퓨터를 가지고 일을 하는 구조입니다Virtual Computer LLM 구조이제 중요한 질문이 하나 남습니다Agent의 두뇌는 무엇인가여기서 등장하는 것이 LLM 레이어입니다 구조는 보통 이렇게 됩니다User ↓ Agent Orchestrator ↓ LLM ↓ Virtual Computer ↓ Tools Browser Code여기서 LLM은 계획 생성 행동 결정 결과 해석역할을 합니다예를 들어 이런 작업이 있다고 해봅시다AI 스타트업 관련 블로그 글 작성Agent는 이런 식으로 행동할 수 있습니다1 최신 뉴스 검색 2 자료 정리 3 글 작성 4 이미지 생성 5 블로그 배포이 모든 행동을 결정하는 것이 LLM입니다즉 LLM Virtual Computer 가 결합된 구조로 AI가 OS역할을 하게끔 바뀝니다이제 말했던 내용들이 굉장히 미래적인 시스템처럼 보이지만 사실은 과거 컴퓨터 구조와 비슷합니다현재 Human → Operating System → Computer미래 User → AI → Virtual Computer로 바뀌고 있는 것입니다다시 돌아와서 비용에 대한 이야기를 해보도록 하겠습니다외부 LLM을 계속 사용하는것은 비싼데요 흥미롭게도 최근 Agent 프로젝트들을 보면 점점 이런 흐름이 나타나고 있습니다외부 LLM → 자체 LLM왜냐하면 Agent 시스템에서는 LLM이 단순 모델이 아니라 운영 시스템의 일부가 되기 때문입니다예를 들어 Agent는 계속 이런 작업을 합니다계획 생성 행동 결정 결과 분석 다음 행동 선택이 과정은 생각보다 LLM 호출이 많습니다 즉 구조적으로 이렇게 됩니다Agent loop → LLM call → Tool call → LLM call → Tool call그래서 많은 회사들이 로컬 LLM과 대규모 LLM의 역할을 나눕니다 바로 하이브리드 LLM 구조Local LLM의 역할 task routing tool selection simple reasoning summarizationCloud LLM complex reasoning long writing difficult tasks예를 들어 Agent workflow는 이렇게 됩니다User request ↓ Local Llama model ↓ task plan ↓ tool execution ↓ complex step → GPT ↓ result이 구조를 쓰면 LLM 호출의 7080를 로컬 모델이 처리할 수 있습니다Llama 기반 LLM을 로컬에 설치하는 이유Llama 모델이 Agent 시스템에서 인기 있는 이유는 간단합니다설치가 쉽기 때문입니다예를 들어Llama 3 Llama 31로컬에서 바로 모델을 사용할 수 있습니다 이 방식의 장점은 명확합니다비용과 latency를 아낄수있기 때문에 Agent loop가 훨씬 빨라집니다소규모 클라우드에서 Llama를 운영하는 방식또 하나 흥미로운 방식은 작은 GPU 서버에 Llama를 올리는 구조입니다예를 들어1 GPU server → 여러 Agent가 공유구조입니다예Agent cluster ↓ Llama inference server ↓ GPU이 방식은 특히 스타트업에서 많이 사용합니다예를 들어A10 GPU L4 GPU한 대로도 충분히 Agent 시스템을 운영할 수 있습니다그리고 이런 구조가 가능합니다1000 agent tasks ↓ local LLM ↓ cheap compute즉 API 비용을 크게 줄일 수 있습니다실제로 많이 쓰는 구조그래서 실제 Agent 시스템은 점점 이런 구조로 수렴하고 있습니다User ↓ Agent Orchestrator ↓ Local Llama Model ↓ Virtual Computer ↓ Tools그리고 필요한 경우만complex reasoning ↓ GPT Claude를 호출합니다이 구조의 핵심은 이것입니다LLM을 “API”가 아니라 시스템 컴포넌트로 사용한다그래서 최종 정리합니다Agent 시스템이 커지면 LLM 호출 비용이 빠르게 증가합니다그래서 많은 팀들이 Llama 기반 모델을 로컬이나 소규모 클라우드에 설치하기 시작했습니다이 구조의 장점은 세 가지입니다1 비용 절감API 호출 감소2 속도 개선Agent loop latency 감소3 시스템 통제LLM을 인프라처럼 운영 가능그래서 최근 Agent 아키텍처는 점점 이런 구조로 진화하고 있습니다Virtual Computer Local LLM Cloud LLM Autonomous Agent즉 AI 시스템은 더 이상 단순 모델이 아니라여러 모델과 컴퓨팅 환경이 결합된 인프라가 되고 있습니다
인공지능 vs 인간지능의 공진화
AI vs 인간 이제는 AI 인간의 공진화Coevolution 시대AI는 답을 하고 인간은 질문을 한다”역할 분담 명확해진 2026년의 노동 현장 대체 불가능한 인간성의 가치 급부상 기술은 도구일 뿐 방향키는 인간이 쥔다인공지능이 인간을 대체할 것인가지난 10년간 우리를 괴롭혔던 이 질문은 2026년 현재 낡은 것이 되었습니다 이제 질문은 인간은 AI와 어떻게 협력하여 더 위대한 것을 만들 것인가로 바뀌었습니다 AI가 일상의 도구로 자리 잡으면서 두 지능의 관계는 적대적 경쟁자가 아닌 상호 보완적인 이인삼각二人三脚 파트너십으로 재정립되고 있습니다켄타우로스Centaur 모델의 보편화 합치면 천하무적체스 챔피언 가리 카스파로프가 제안했던 켄타우로스반인반마 모델이 2026년 노동 시장의 표준이 되었습니다 인간 혼자 두거나 AI 혼자 두는 것보다 AI를 활용하는 인간이 가장 강력한 성과를 낸다는 사실이 데이터로 입증되었기 때문입니다역할의 재정의 Division of Labor AI 기계적 지능 방대한 데이터 처리 패턴 인식 반복적인 초안 작성 코딩의 기본 구조 설계 등 속도와 연산이 필요한 영역을 전담합니다 인간 맥락적 지능 AI가 내놓은 결과물의 맥락을 읽고Contextualizing 윤리적 판단을 내리며 창의적 의미를 부여하는 영역에 집중합니다산업별 사례에서 과거의 디자이너가 그리는 사람이었다면 지금은 AI에게 수백 개의 시안을 생성하게 한 뒤 브랜드의 철학에 가장 부합하는 하나를 골라내고 디테일을 수정하는 크리에이티브 디렉터가 되었습니다 또한 의사도 영상 의학 AI가 1차적으로 병변을 탐지하면 환자의 생활 습관과 심리 상태를 종합하여 최종 진단과 처방을 내리는 휴먼 터치에 집중합니다AI가 결코 가질 수 없는 것 결핍과 의도AI 기술이 고도화될수록 역설적으로 인간 고유의 불완전함이 새로운 가치를 인정받고 있습니다 AI는 명령이 있어야만 움직이는 수동적 존재인 반면 인간은 결핍을 느끼고 스스로 욕망의도을 생성하는 주체이기 때문입니다전문가들은 AI는 어떻게How를 해결하는 데는 천재적이지만 왜Why를 묻는 데는 무능하다라고 지적합니다그렇기 때문에 문제를 해결하는 기술Solution은 AI가 압도적일지 몰라도 무엇이 진짜 문제인가를 정의하고 왜 이것을 해결해야 하는가라는 질문을 던지는 것은 여전히 인간만의 성역으로 남아 있습니다또한 우리는 완벽하게 계산된 AI 예술보다 인간의 고뇌와 실수 떨림이 담긴 창작물이 진정성Authenticity이라는 이름으로 더 높은 가격에 거래되는 현상이 이를 증명합니다상호 의존성 인간 데이터 없이는 AI도 멈춘다앞서 보도된 AI 슬롭Slop 사태는 인간 없는 AI의 한계를 명확히 보여줍니다 AI가 생성한 데이터만으로 다시 AI를 학습시키면 지능이 퇴보하고 기괴해지는 모델 붕괴Model Collapse 현상은 AI 생태계를 유지하기 위해서라도 깨끗한 인간의 데이터가 필수적임을 증명했습니다결국 AI는 인간의 창의성과 경험을 먹고 자라는 나무와 같습니다 인간이 새로운 것을 만들어내지 않고 AI에만 의존한다면 AI의 성장 또한 멈추게 됩니다이에 따라 자신이 직접 겪은 경험 감정 사유를 담은 휴먼 데이터의 가치가 폭등하고 있으며 이를 AI 기업에 제공하는 것이 새로운 소득원이 되고 있습니다 미래의 기술 발전은 AI의 성능 향상뿐만 아니라 인간의 창의성을 얼마나 잘 보호하고 장려하느냐에 달려 있습니다기술 시대의 인문학 방향키를 잡는 자코딩과 연산은 AI가 대신하는 시대 역설적으로 철학 심리학 역사학 등 인문학적 소양이 리더의 필수 조건으로 부상했습니다 AI라는 강력한 엔진을 가졌다면 이제 중요한 것은 얼마나 빨리 가느냐가 아니라 어디로 갈 것인가이기 때문입니다 윤리적 판단 자율주행차의 딜레마나 AI 의료 사고의 책임 소재 등 정답이 없는 문제에서 사회적 합의를 이끌어내는 것은 인간의 몫입니다 공감 능력 AI가 흉내 낼 수는 있어도 진심으로 느낄 수 없는 공감은 서비스업과 케어Care 산업에서 인간 노동자를 대체 불가능한 존재로 만듭니다결론적으로 확장된 지능Expanded Intelligence으로2026년 우리는 인공지능이라는 단어 대신 확장된 지능Expanded Intelligence이라는 개념을 주목해야 합니다 AI는 인간 지능을 대체하는 것이 아니라 안경이 시력을 보완하고 자동차가 다리를 대신하듯 인간의 지적 능력을 물리적 한계 너머로 확장해 주는 도구입니다이제 중요한 것은 AI를 이기는 법을 배우는 것이 아니라 AI라는 강력한 엔진을 달고 어떤 목적지로 항해할 것인가를 결정하는 인간의 항해술입니다 기술의 주인이 되어 더 나은 미래를 설계하는 것 그것이 공진화 시대에 우리가 가져야 할 유일한 생존 전략입니다
바이브 코딩 도구를 쓰기 시작한 뒤, 왜 우리는 더 피곤해지는가?!
처음 AI 코딩 도구를 제대로 쓰기 시작했을 때를 떠올려보면 솔직히 좀 흥분됐을 거다코드가 자동으로 채워지고 귀찮던 보일러플레이트가 순식간에 사라지고 예전 같으면 문서 뒤지며 한참 고민했을 부분이 몇 초 만에 해결되는 경험“이제 진짜 개발이 쉬워지는구나”라는 생각이 들었다그런데 어느 순간부터 묘한 감각이 들기 시작한다분명 예전보다 코드는 빨리 짜고 있다 커밋 수도 늘었고 기능도 더 빨리 나간다 그런데 이상하게도 하루가 끝나면 예전보다 더 지쳐 있다코드 리뷰는 더 오래 걸리고 장애는 줄지 않고 ‘내가 지금 뭘 만들고 있는지’ 흐릿해지는 순간이 늘어난다이게 개인의 착각일까아니면 AI 코딩 도구가 개발의 어떤 균형을 살짝 깨뜨린 걸까이제 AI는 코드를 대신 써준다이 문장은 이제 너무 당연해서 새로울 것도 없다 하지만 우리가 놓치고 있는 건 AI는 코드를 “이해”하지 않는다는 사실이다더 정확히 말하면 이해할 필요가 없다 입력과 출력 사이에서 가장 그럴듯한 답을 만들어내는 게 목적이기 때문이다문제는 사람이 그 코드 위에 서서 살아야 한다는 점이다예전에는 코드의 흐름이 어느 정도는 몸에 남았다 직접 타이핑하고 에러를 맞고 고치고 다시 깨지면서 “아 이건 이렇게 돌아가는구나”라는 감각이 축적됐다지금은 그 과정이 짧아졌다 너무 짧아졌다 어떤 경우에는 아예 생략된다“일단 돌아가니까” “AI가 추천한 코드니까”이 두 문장이 팀 대화에서 자주 나오기 시작했다면 이미 변화는 시작된 거다AI가 만든 코드의 가장 큰 특징은 설명이 없다는 것이다주석이 없다는 얘기가 아니다 구조 자체가 “왜 이렇게 설계됐는지”를 말해주지 않는다동작은 한다 테스트도 통과한다 그런데 질문을 던지면 대답이 막힌다“이 분기문은 왜 여기 있는 거야”“이 캐시는 어떤 상황을 가정한 거지”“이 비동기 처리는 굳이 이 타이밍이어야 했어”이 질문에 답할 수 없다면 그 코드는 사실상 팀의 자산이 아니다그저 잠시 작동하고 있는 블랙박스에 가깝다 문제는 이런 블랙박스가 AI를 통해 아주 빠르게 늘어난다는 점이다처음엔 생산성이 올라간 것처럼 보인다 하지만 시간이 지나면 코드베이스 전체가 “아무도 완전히 이해하지 못하는 상태”로 변해간다 그때부터 개발은 느려진다 무섭게 느려진다탁월한 코드도 점점 사라진다또 하나 이상한 변화가 있다 코드의 평균 품질이 눈에 띄게 나빠진 건 아닌데 탁월한 코드도 점점 사라진다는 느낌이다AI가 추천하는 코드는 대체로 무난하다 인터넷 어딘가에서 많이 쓰였고 문법적으로 안전하고 큰 사고를 내지는 않는다문제는 ‘우리 팀에 딱 맞는 코드’가 아니라는 점이다AI는 우리 서비스의 과거 장애를 모른다 왜 특정 부분에서 유난히 보수적으로 코드를 짜왔는지 어떤 선택이 수년간의 트레이드오프 끝에 내려진 건지 알지 못한다그 맥락이 빠진 상태에서 제안되는 코드는 결국 어디에도 날카롭지 않은 중간값으로 수렴한다이건 당장엔 편하다 하지만 장기적으로는 팀의 기술적 개성이 사라진다 코드베이스가 “그럴듯한 예제 모음”처럼 변해간다그리고 이 상태에서 시스템은 아주 천천히 그러나 확실하게 복잡해진다의도를 추리해야 하는 상황이 늘어나고 있다많은 사람들이 AI 덕분에 코드 리뷰가 쉬워질 거라고 기대했다 하지만 실제로는 반대 경험을 하는 팀이 꽤 많다이유는 단순하다 리뷰어가 이제 코드의 품질만 보는 게 아니라 의도를 추리해야 하는 상황이 늘어났기 때문이다AI가 만든 코드는 종종 필요 이상으로 길고 추상화가 과하고 문제를 직접적으로 드러내지 않는다리뷰를 하다 보면 이런 생각이 든다“이걸 이렇게까지 감쌀 이유가 있었을까”“혹시 이 부분에서 놓친 케이스는 없을까”리뷰는 점점 ‘검증’이 아니라 ‘탐색’이 된다이 코드가 안전한지 판단하려면 내가 먼저 이 코드를 다시 이해해야 한다결과적으로 작성 시간은 줄었는데 이해 시간은 늘어났다 이건 명백한 역전이다테스트 코드도 뭔가 이상하다테스트 코드도 비슷하다 AI는 테스트 코드를 정말 잘 만들어준다 보기에도 깔끔하고 패턴도 익숙하다그런데 이상하게도 그런 테스트들이 있는 서비스에서 사고가 난다왜일까AI가 만들어주는 테스트는 대부분 “정상적인 흐름”을 잘 검증한다하지만 실제 장애는 늘 이상한 곳에서 터진다 엣지 케이스 예상하지 못한 입력 타이밍 문제 혹은 사람이 절대 이렇게 쓰지 않을 거라 가정했던 행동에서이건 AI의 잘못이 아니다 AI는 사고를 겪어보지 못했기 때문이다테스트는 결국 과거의 실패 경험에서 나온다 이 경험을 건너뛰면 테스트의 수는 늘어나도 안전성은 크게 올라가지 않는다이쯤 되면 이런 질문이 떠오른다“그럼 AI는 누구에게 더 위험할까”의외로 주니어 개발자다AI는 주니어를 빠르게 ‘일할 수 있는 상태’로 만들어준다 그런데 그 과정에서 중요한 걸 빼앗아 간다막히는 경험 헤매는 시간 직접 원인을 찾는 감각 이게 쌓이지 않으면 문제 해결 능력은 자라지 않는다AI가 없으면 아무것도 못 하는 상태 이건 과장이 아니다 실제로 장애 상황에서 로그를 보며 손이 멈추는 개발자들이 늘어나고 있다 평소엔 AI가 대신 생각해주었기 때문이다결국 이 모든 문제는 하나로 수렴한다AI는 책임을 지지 않는다코드가 깨졌을 때 서버가 죽었을 때 새벽에 호출을 받았을 때 AI는 나타나지 않는다 그 자리에 있는 건 사람이다그리고 그 사람이 “왜 이렇게 만들어졌는지”를 모른다면 문제는 배로 커진다그래서 이 글의 결론은 AI를 쓰지 말자는 이야기가 아니다 오히려 반대다 AI는 이제 너무 강력해서 안 쓰는 게 비현실적이다다만 기준이 필요하다 이 코드를 이해하지 못한 채 머지해도 되는가 AI가 제안한 구조를 그대로 받아들일 것인가 아니면 질문을 던질 것인가 속도를 얻는 대신 무엇을 잃고 있는지 인식하고 있는가앞으로의 개발자는 코드를 많이 치는 사람이 아닐 가능성이 크다대신 AI가 만들어낸 선택지를 판단하고 책임질 수 있는 사람이 살아남을 것이다피곤해졌다면 그건 네가 뒤처져서가 아니다개발의 무게중심이 이동하고 있기 때문이다그리고 그 변화의 한가운데에 지금 우리가 서 있다
