왜 지금 ‘개발자와 AI’가 다시 화두인가
2023~2024년의 생성형 AI가 ‘질문하면 코드 조각을 뱉는 자동완성’이었다면, 2025~2026년의 국면은 층위가 다릅니다. 오픈AI가 코딩 에이전트 ‘코덱스(Codex)’를 강화하려 관련 기업을 인수하며 개발자용 AI 플랫폼 경쟁에 무게를 실었고, 구글은 개발자 채용 면접에서 AI 사용을 조건부로 허용하기 시작했습니다. 주목할 지점은 두 사건이 서로 다른 층을 건드린다는 것입니다. 하나는 ‘도구’가, 다른 하나는 ‘사람을 뽑는 기준’이 동시에 바뀌었습니다. 도구만 바뀌면 워크플로가 흔들리지만, 채용 기준까지 바뀌면 무엇을 배우고 어떻게 평가받는지가 함께 흔들립니다.
이 변화의 본질은 ‘AI가 더 똑똑해졌다’가 아니라 ‘AI가 작업의 주체(agent) 쪽으로 이동했다’는 데 있습니다. 여러 매체가 공통으로 짚는 키워드가 에이전틱 AI(agentic AI)입니다. 사람이 프롬프트를 한 번 던지고 결과를 받아 쓰던 방식에서, AI가 목표를 받아 여러 단계를 스스로 계획·실행·수정하는 방식으로 넘어가는 흐름이죠. 그래서 이 글은 흩어진 다섯 갈래—플랫폼 경쟁, 역량 재정의, 에이전틱 전환, 콘텐츠 산업 재편, 채용 규칙 변화—를 하나의 지도로 묶습니다. 개별 뉴스를 나열하는 대신, ‘작업 단위가 어떻게 바뀌는가’라는 축 하나로 다섯 조각을 꿰어 독자가 자기 상황에 대입할 판단 기준을 남기는 것이 목표입니다.
도구에서 주체로: 에이전틱 AI가 바꾸는 ‘작업 단위’
생성형과 에이전틱의 차이는 마케팅 수사가 아니라 ‘작업 단위’의 차이로 봐야 실무에 쓸모가 있습니다. 생성형은 ‘1입력 → 1출력’이 단위이고 검수·조합은 사람 몫입니다. 반면 에이전틱은 ‘목표 → 다단계 실행’이 단위라, 파일을 읽고 코드를 고치고 테스트를 돌리고 실패하면 되돌아가 수정하는 루프의 상당 부분을 AI가 돌립니다. 구분선은 단순합니다. 사람이 매 스텝을 눌러줘야 하면 생성형, AI가 다음 스텝을 스스로 정하면 에이전틱입니다. 오픈AI가 코덱스에 힘을 싣는 것도 자동완성을 넘어 ‘이슈 티켓 하나를 통째로 맡기는’ 단위로 올라서려는 시도로 읽힙니다.
여기서 기대와 현실을 갈라야 합니다. 실행 단계가 늘수록 오류는 곱해집니다. 스텝당 성공률이 95%라도 10단계를 이으면 전체 성공률은 약 60%로 떨어지고, 20단계면 36% 수준이 됩니다—중간 한 곳의 잘못된 판단이 뒤 단계로 번지기 때문입니다. 그래서 에이전트가 ‘스스로 다 한다’는 말과 ‘정확성·보안·유지보수 책임을 대신 진다’는 말은 전혀 다릅니다. 실무 게이트는 세 가지로 좁혀집니다. ① 에이전트 권한을 최소화한다(읽기만 허용할지, 파일 쓰기·브랜치 푸시까지 줄지, 배포·외부 API 호출은 차단할지를 명시). ② 사람 승인 지점을 남긴다(자동 커밋은 허용하되 머지는 사람이, 혹은 PR 생성까지만 자동화). ③ 자동 생성분에는 테스트와 로그를 붙여 사후 추적이 가능하게 한다. 흔한 함정은 ‘데모에선 잘 되던 에이전트를 프로덕션 레포에 같은 권한으로 붙이는 것’입니다. 데모 레포는 부작용이 없지만, 실서비스는 롤백·감사 로그·비밀키 접근 통제가 없으면 한 번의 오작동이 곧 사고가 됩니다.
개발자 역량 재정의: 무엇을 붙잡고 무엇을 내려놓나
역량 논의에서 가장 흔한 오해가 ‘이제 문법·알고리즘은 필요 없다’입니다. 실상은 반대에 가깝습니다. AI가 코드를 대량으로 찍어낼수록, 그 코드가 맞는지 ‘읽고 판단하는’ 능력의 값이 올라갑니다. 코드 생산이 병목이던 시절엔 타이핑 속도가 곧 생산성이었지만, 생산이 값싸지면 병목은 ‘검증·설계·명세화’로 이동합니다. 상대적으로 값이 떨어지는 건 반복 보일러플레이트, 검색해서 붙여넣던 관용구, 단순 CRUD처럼 AI가 몇 초 만에 채우는 영역입니다. 즉 ‘희소해서 비싸지는 능력’과 ‘흔해져서 싸지는 능력’의 목록이 재편되는 중입니다.
실무 기준으로 정리하면, 붙잡을 것은 (1) 문제를 쪼개 검증 가능한 명세로 만드는 능력, (2) AI 출력을 의심하고 반례를 떠올리는 리뷰·디버깅 감각, (3) 시스템 설계와 보안·비용 트레이드오프를 저울질하는 판단입니다. 내려놓아도 되는 것은 암기형 문법, 반복 타이핑, 도구별 세부 명령어 암기입니다. 신입에게 가장 위험한 습관은 ‘AI가 준 코드를 이해하지 못한 채 통과시키는 것’입니다. 초기엔 커밋 수가 늘어 생산적으로 보이지만, 6개월~2년 시점의 장애 대응·리팩터링에서 격차가 드러납니다. 자기가 짜지 않은 코드의 장애를 ‘읽어서’ 고쳐야 하는 순간이 실력의 분기점이기 때문입니다. 현실적인 학습 규칙 하나를 제안하면, ‘AI에게 시키되, 그 결과를 화면을 보지 않고 처음부터 다시 설명·재현할 수 있을 때만 넘어간다’입니다. 재현·설명이 안 되면 그건 학습이 아니라 복붙이고, 나중에 부채로 돌아옵니다.
채용과 콘텐츠 산업: 규칙이 바뀌는 두 현장
변화는 코드 안에만 머물지 않습니다. 구글이 개발자 면접에서 AI 사용을 조건부로 허용한 건 상징적입니다. ‘AI 없이 순수 실력을 본다’는 전통적 코딩테스트 전제가, ‘현업에서 어차피 AI를 쓰니 잘 쓰는 것도 실력’이라는 관점으로 이동하는 신호이기 때문입니다. 이 변화의 진짜 의미는 평가 항목이 ‘정답을 아는가’에서 ‘틀린 답을 걸러내는가’로 옮겨간다는 데 있습니다. 지원자 체크포인트도 분명해집니다. AI가 준 초안을 그대로 제출하는 대신, 엣지 케이스를 던져 검증하고 시간·공간 복잡도 관점에서 개선하며 ‘왜 이 자료구조를 골랐는지’를 말로 풀어내는 과정을 보여야 합니다. 오히려 AI를 쓰되 그 답을 검증하지 못하는 지원자가 판단력 부족을 더 빨리 노출하게 됩니다.
콘텐츠 산업에서도 비슷한 재편이 일어납니다. AI로 제작된 캐릭터·콘텐츠가 수십만 규모의 구독자를 모은 사례가 보여주듯, 제작 비용과 진입 장벽이 급격히 낮아지면서 ‘누가 만드느냐’보다 ‘팬덤과 IP 생태계를 누가 지속시키느냐’가 생존 공식이 되고 있습니다. 여기서도 오해를 짚어야 합니다. AI가 제작을 자동화한다고 성공까지 자동화되진 않습니다. 오히려 공급이 폭증할수록 개별 콘텐츠의 노출 단가는 떨어지고, 자동화가 어려운 기획력·세계관·팬 관계 관리가 유일한 차별점으로 남습니다. 개발이든 창작이든 결론은 한 곳으로 모입니다. AI는 ‘만드는 비용’을 극적으로 낮췄지만, ‘무엇을 만들지 정하고, 결과를 책임지고, 관계를 유지하는’ 부분은 오히려 더 사람의 몫이 됩니다.
정리: 6개월~2년 관점의 판단 기준
지금 흐름을 한 문장으로 압축하면 ‘AI가 도구에서 주체로 이동하며, 사람의 역할이 실행에서 판단·검증·책임 쪽으로 재배치된다’입니다. 특정 서비스 이름이나 데모의 화려함에 휘둘리기보다, 자기 업무를 ‘위임 가능한 실행’과 ‘사람이 지켜야 할 게이트’로 나누는 훈련이 훨씬 오래 유효합니다. 이 구분선은 도구가 바뀌어도 그대로 쓰이는 뼈대이기 때문입니다.
실행 지침은 두 층으로 나뉩니다. 개인은 AI 결과물을 스스로 재현·설명할 수 있는 깊이를 유지하고, 리뷰·설계·명세화처럼 값이 오르는 능력에 학습 시간을 재배분해야 합니다. 조직은 도입 첫 단계에서 권한 범위, 리뷰 게이트, 테스트·로그, 비용·보안을 함께 규정한 ‘위임 원칙’을 문서로 정해두는 편이 사고를 줄입니다. 판단의 기준은 언제나 ‘이 기술이 좋은가’가 아니라 ‘어떤 조건에서 의미가 있고 어떤 한계가 있는가’입니다. 그 질문을 스스로 던지는 감각이 다음 2년의 경쟁력을 가릅니다.
자주 묻는 질문
생성형 AI와 에이전틱 AI는 실무에서 뭐가 다른가요?
생성형은 ‘한 번 입력하면 한 번 출력’이 단위라 검수·조합은 사람이 합니다. 에이전틱은 목표를 받아 계획→실행→수정을 여러 단계로 스스로 진행합니다. 구분선은 ‘사람이 매 스텝을 눌러야 하는가’입니다. 다만 스텝이 길수록 오류가 곱해지므로(스텝당 95%여도 10단계면 약 60%), 사람의 승인 게이트가 필수입니다.
AI가 코드를 잘 짜면 신입 개발자는 필요 없어지나요?
대체보다 역할 이동에 가깝습니다. 반복 구현·보일러플레이트는 AI가 채우지만, 코드가 맞는지 읽고 검증하는 능력과 요구사항을 명세로 옮기는 능력의 값은 오히려 오릅니다. 신입일수록 ‘AI 코드를 이해 없이 통과시키는 습관’이 가장 위험하며, 그 부채는 6개월~2년 뒤 장애 대응에서 드러납니다.
구글이 면접에서 AI를 허용했으니 이제 AI로 답만 뽑으면 되나요?
아닙니다. 현업에서 AI를 쓰는 현실을 반영한 것일 뿐, 평가의 초점은 ‘정답을 아는가’에서 ‘틀린 답을 걸러내는가’로 옮겨갑니다. 엣지 케이스로 검증하고 복잡도 관점에서 개선하며 선택 이유를 설명하는 과정을 보여야 유리합니다.
AI로 콘텐츠를 만들면 쉽게 성공하나요?
제작 비용과 진입 장벽은 크게 낮아졌지만 성공이 자동화되진 않습니다. 공급이 폭증할수록 개별 콘텐츠의 노출 단가는 떨어지고, 자동화가 어려운 기획력·세계관·팬덤과 IP 생태계 관리가 차별점으로 남습니다.
기업이 코딩 에이전트를 도입할 때 가장 먼저 볼 것은?
권한 범위(읽기/파일 쓰기/푸시/배포·외부 호출)를 명시적으로 최소화하고, 사람이 승인하는 리뷰·머지 게이트를 남기며, 자동 생성분에 테스트·로그를 붙여 추적 가능하게 하는 것입니다. ‘얼마나 자동화되나’보다 ‘어디까지 위임하고 어디서 개입하나’를 먼저 설계해야 합니다.