자신의 환경을 AI 네이티브 에이전트 워크플로우로 최적화할 수 있는 사람

https://youtu.be/fXy-b3_30Yc?si=aFwk8ihn07V_wXDZ

So, today I’d like to talk about whether AI will really improve people’s productivity.
오늘 AI가 정말 사람들의 생산성을 향상시킬 수 있는지에 대해 이야기해 보려고 합니다.
Now, until recently, as AI advanced, software engineers were being laid off from the real power valley.
최근까지 AI가 발전하면서 실리콘밸리에서 소프트웨어 엔지니어들이 해고되는 일이 많았습니다.
There used to be a lot of news like this, and of course, the trend is still similar now.
이런 뉴스가 많았고, 물론 지금도 비슷한 추세가 이어지고 있습니다.
But anyway, when we actually looked into the other news reports, productivity wasn’t as high as expected,
그런데 실제로 다른 뉴스 보도들을 자세히 들여다보니 생산성이 기대만큼 높지 않아서
so we are hiring people again for the tasks that utilize AI.
AI를 활용하는 업무에 다시 사람을 채용하고 있다는 뉴스도 많이 나오고 있습니다.
There is a lot of news coming out like this, too.
이런 뉴스도 상당히 많습니다.
On one hand, using AI always increases efficiency.
한편으로는 AI를 사용하면 항상 효율이 올라간다고 하고
On the other hand, even if you use AI, it’s expensive.
다른 한편으로는 AI를 써도 비용이 많이 든다고 합니다.
It seems there is a lot of debate going on right now, and with society itself becoming a massive testing ground, can AI really replace humans?
지금 사회 전체가 거대한 실험장이 된 상황에서 AI가 정말 인간을 대체할 수 있는지에 대해 많은 논쟁이 벌어지고 있는 것 같습니다.
It seems like we are currently in the verification stage.
지금은 검증 단계에 있는 것으로 보입니다.
However, I would like to briefly discuss where AI truly improves productivity and what stance we should take once we understand this.
그런데 저는 AI가 진정으로 생산성을 높이는 지점이 어디인지, 그리고 이를 이해한 후에 우리가 어떤 입장을 취해야 하는지에 대해 짧게 이야기해 보겠습니다.
Okay, I posted about this in a video once, but Meta recently flattened some managers.
예전에 영상에서도 한번 말씀드린 적이 있는데, 메타가 최근에 매니저 계층을 일부 평탄화했습니다.
So, since managers can’t manage too many engineers at once, there are levels even among the managers themselves.
매니저가 한 번에 너무 많은 엔지니어를 관리할 수 없기 때문에 매니저들 사이에서도 레벨이 나뉘어 있었습니다.
So, there was a concept like M1 and M2, where a manager managed other managers,
그래서 M1, M2 같은 개념이 있어서 매니저가 다른 매니저를 관리하는 구조가 있었는데
but with the advent of AI, isn’t it possible to handle even more tasks?
AI가 등장하면서 더 많은 업무를 처리할 수 있지 않을까 하는 생각이 든 거죠.
While doing this, I flattened all the managers’ levels.
그래서 매니저들의 레벨을 모두 평탄화했습니다.
What that means is that there aren’t different levels of managers; all managers are just equal.
즉, 매니저들 사이에 다른 레벨이 없고 모두 동등하게 만든 겁니다.
Instead, one manager manages more engineers.
대신 한 매니저가 더 많은 엔지니어를 관리하게 한 거죠.
I thought it would work well if I did it this way, but when I actually tried it, I found there were some tricky parts.
이렇게 하면 잘 될 거라고 생각했는데 실제로 해보니 까다로운 부분들이 있었습니다.
So, ironically, after flattening the managers like this and continuing to work, a kind of high school semester naturally develops among the managers again.
아이러니하게도 매니저들을 이렇게 평탄화하고 계속 일하다 보니 매니저들 사이에서 다시 일종의 서열 같은 게 자연스럽게 생겨났습니다.
So, a different manager has emerged to manage other managers, and while the rank is similar, if you look at the actual role, it has clearly returned to the way things used to be, with a manager now overseeing multiple managers.
그래서 다른 매니저들을 관리하는 매니저가 다시 등장했고, 직급은 비슷하지만 실제 역할을 보면 예전처럼 한 매니저가 여러 매니저를 관리하는 구조로 분명히 돌아갔습니다.
It seems that Big Tech companies are also in the stage of conducting various internal experiments,
빅테크 회사들도 다양한 내부 실험을 진행하고 있는 단계인 것 같습니다.
so why are these strange things happening all over society right now?
그런데 지금 사회 전반에서 왜 이런 이상한 일들이 벌어지고 있는 걸까요?
Uh, actually, the reason is very simple.
사실 이유는 아주 단순합니다.
It is because we think of AI as a dashcam that does everything for us.
우리가 AI를 모든 걸 대신 해주는 만능 도구처럼 생각하기 때문입니다.
But actually, there are areas where AI is very good and areas where it is not.
하지만 실제로 AI가 매우 잘하는 영역과 그렇지 않은 영역이 있습니다.
Simply put, AI has an exceptional ability to solve tasks when given a very clear objective.
간단히 말해, AI는 목표가 매우 명확하게 주어졌을 때 그 작업을 해결하는 능력이 탁월합니다.
Yes. That is precisely where its abilities stand out—its coding skills.
네. 바로 그 부분이 코딩 능력에서 두드러집니다.
So, for example, if someone asks you to implement a feature like this, you implement it based on the exact specifications,
예를 들어 누군가 이런 기능을 구현해 달라고 하면 정확한 명세에 따라 구현하고
test if it works properly, and if it passes, then you’ve implemented it well, right?
제대로 작동하는지 테스트해서 통과하면 잘 구현한 거죠.
So, this involves a step where you apply existing knowledge; it is not a matter of having to solve new problems through brainstorming that I couldn’t solve before.
이건 기존 지식을 적용하는 단계이지, 내가 이전에 풀지 못한 새로운 문제를 브레인스토밍으로 해결해야 하는 영역이 아닙니다.
However, another area where AI is currently very weak is that when we encounter a problem we cannot solve, if we say, “Hey, just try solving this,”
반면에 현재 AI가 매우 약한 영역은 우리가 해결할 수 없는 문제를 만났을 때 “야, 이거 그냥 한번 풀어봐”라고 하는 경우입니다.
that falls into a different realm of programming.
이건 프로그래밍의 다른 영역에 해당합니다.
So, it’s not like I’m asking you to solve this specifically; I don’t even know what to do, so just solve it for me.
구체적인 해결 방법을 묻는 게 아니라 나도 뭘 해야 할지 모르니까 그냥 알아서 풀어달라는 거죠.
If you do it this way, you have to think about how to approach the problem first, and this involves a certain degree of creativity.
이렇게 하면 먼저 문제를 어떻게 접근할지 생각해야 하고, 여기에는 어느 정도의 창의성이 필요합니다.
So, experience and creativity—hey, shall we try doing it this way?
경험과 창의성—야, 이렇게 한번 해보는 건 어때?
Shall I try doing it like that?
저렇게 해보는 건 어떨까?
The part where I say, “Based on my past experience, I found that doing it that way worked,” can be seen as a reflection of my perspective as a person and an engineer, as well as an area where experience and insight come into play.
“내 과거 경험상 그렇게 하니 잘 되더라”라고 말하는 부분은 한 사람으로서, 엔지니어로서의 나의 관점이 반영된 것이고, 경험과 통찰이 작용하는 영역입니다.
However, when we use AI, it is actually very excellent.
그런데 우리가 AI를 사용할 때 사실 매우 뛰어납니다.
Uh, since this AI learned by scraping together all the data on the internet that exists on this planet, it sometimes gets too nice.
이 AI가 지구상에 존재하는 인터넷의 모든 데이터를 긁어모아 학습했기 때문에 가끔 너무 잘 대답해 줍니다.
Uh, seriously, this answer he’s giving me is something I didn’t know.
진짜, 이 친구가 해주는 대답이 내가 몰랐던 내용입니다.
And it’s so amazing.
그리고 너무 놀랍습니다.
So, I even get the illusion that this AI really solves everything.
그래서 이 AI가 정말 모든 걸 해결해 주는 것처럼 착각하게 됩니다.
However, if you dig deeper, the truth is that rather than this AI bringing in knowledge I didn’t know about and really exercising its intelligence to solve the problem,
하지만 더 깊이 파고들어 보면, 사실은 AI가 내가 몰랐던 지식을 가져와서 진짜 지능을 발휘해 문제를 해결한 게 아니라
there was actually someone somewhere on Earth who had solved the exact same problem as me, but I didn’t know that.
지구 어딘가에 나와 똑같은 문제를 이미 해결한 사람이 있었는데 내가 몰랐던 것뿐입니다.
However, since AI collects all data to learn, if it has seen these parts even once, it can provide you with an answer based on that.
그런데 AI는 모든 데이터를 수집해서 학습하기 때문에 그런 부분을 한 번이라도 본 적이 있으면 그걸 바탕으로 답을 줄 수 있습니다.
So it is very easy to fall into a misconception.
그래서 쉽게 오해에 빠지게 됩니다.
I couldn’t solve it, so I asked the AI, and it gave me this answer.
내가 못 풀어서 AI에게 물어봤더니 이런 답을 줬어.
Oh, this kid is really smart and creative, and he gets easily lost in thought.
오, 이 녀석 진짜 똑똑하고 창의적이네, 하면서 쉽게 생각에 빠집니다.
But the truth is, that’s not the case.
하지만 사실은 그렇지 않습니다.
If you study how AI learns in greater depth, it becomes clearer.
AI가 어떻게 학습하는지 더 깊이 공부해 보면 더 명확해집니다.
Now, the best way to improve the quality of AI, commonly referred to as LM, is to accumulate high-quality data.
현재 AI, 흔히 LM이라고 부르는 것의 품질을 높이는 가장 좋은 방법은 고품질 데이터를 축적하는 것입니다.
However, as we imagine, through reinforcement learning, AI learns based on existing data, and then solves problems in a new domain that humanity has never solved before through reasoning.
우리가 상상하는 것처럼 강화학습을 통해 기존 데이터를 바탕으로 학습한 뒤, 인류가 한 번도 풀어본 적 없는 새로운 영역의 문제를 추론으로 해결하면서
By doing that, you gradually become smarter.
그렇게 하면서 점차 똑똑해지는 게 아닙니다.
Then, actually, from that point on, if we just keep telling the AI, “Hey, keep solving problems like this,”
그리고 그 시점부터 우리가 AI에게 “야, 이런 문제 계속 풀어”라고만 하면서
and just throw difficult problems at it that we can think of and tell it to solve them on its own,
우리가 생각할 수 있는 어려운 문제들을 던져주고 알아서 풀라고 하면
won’t it gradually improve?
점차 좋아지지 않을까 싶지만
But the truth is, that’s not the case.
사실은 그렇지 않습니다.
What most big tech companies are currently focusing on most is high-quality data.
현재 대부분의 빅테크 회사들이 가장 집중하고 있는 것은 고품질 데이터입니다.
This high-quality data refers to problems that AI cannot currently solve, where we clearly know the solution and can provide a clear signal of whether the AI is right or wrong when it attempts to solve the problem.
이 고품질 데이터란 AI가 현재 풀지 못하는 문제들 중에서, 우리는 정답을 분명히 알고 있어서 AI가 풀려고 시도했을 때 맞았는지 틀렸는지 명확한 신호를 줄 수 있는 문제들을 말합니다.
These kinds of problems are helpful when learning.
이런 문제들이 학습에 도움이 됩니다.
It means that you can actually improve the quality.
즉, 실제로 품질을 향상시킬 수 있다는 뜻입니다.
What that means is that this AI model LLM has not yet entered a realm unknown to humanity.
이게 의미하는 바는 현재 AI 모델 LLM이 아직 인류가 모르는 영역으로 들어가지 못했다는 것입니다.
So, in a way, it would be correct to view this as distilling humanity’s knowledge.
그래서 어떤 면에서는 인류의 지식을 증류하는 것으로 보는 게 맞습니다.
So, the model is currently sucking up knowledge from the content uploaded by countless engineers and people on the internet.
모델이 현재 수많은 엔지니어와 사람들이 인터넷에 올린 콘텐츠에서 지식을 빨아들이고 있습니다.
Since it is believed that it has absorbed most of the knowledge existing on the internet, Big Tech companies have now reached the point of producing new data to secure even higher quality data.
인터넷에 존재하는 지식의 대부분을 흡수했다고 보기 때문에, 빅테크 회사들은 이제 더 높은 품질의 데이터를 확보하기 위해 새로운 데이터를 생산하는 단계에 이르렀습니다.
But anyway, what this phenomenon itself proves is that the current LM itself has not been able to enter the realm of creativity where it diligently reasons on its own to create something new.
어쨌든 이 현상 자체가 증명하는 것은 현재 LM이 스스로 열심히 추론해서 새로운 것을 만들어내는 창의성 영역으로 아직 들어가지 못했다는 점입니다.
That is why there is a hint hidden here on how you can increase your productivity when using AI.
그래서 여기에 AI를 사용할 때 생산성을 높일 수 있는 힌트가 숨어 있습니다.
So, in order to secure that time as much as possible, AI replaces all the time spent on excursions.
그래서 그 시간을 최대한 확보하기 위해 AI가 실행에 드는 모든 시간을 대신하게 합니다.
So, in the past, if I came up with an idea, I would come up with the idea, write the code, verify it to see if it worked properly, and communicate with people—all of this was work that I or my team did.
과거에는 아이디어를 떠올리면 아이디어를 내고, 코드를 쓰고, 제대로 작동하는지 검증하고, 사람들과 소통하는 이 모든 것이 나와 팀이 하던 일이었습니다.
But now, I am pouring all my capabilities into generating ideas, exploiting them, and developing them.
하지만 지금은 아이디어를 생성하고, 이를 파고들고, 발전시키는 데 모든 역량을 쏟아붓고
Then, the rest of the execution is left to the AI.
나머지 실행은 AI에게 맡깁니다.
To do that, you naturally need a good tool.
그렇게 하려면 당연히 좋은 도구가 필요합니다.
A good tool refers to tools that allow me to easily parallelize my tasks in my situation.
좋은 도구란 내 상황에서 작업을 쉽게 병렬화할 수 있게 해주는 도구를 말합니다.
The tool I mentioned—things like “use the Codex” or “use cloud code”—are really very superficial tools.
제가 언급한 “Codex를 써라” 또는 “Cloud Code를 써라” 같은 건 사실 매우 피상적인 도구입니다.
Actually, it doesn’t matter whether you use the Codex or the Cloud Code.
사실 Codex를 쓰든 Cloud Code를 쓰든 중요하지 않습니다.
Now, in the video, they talk about how the Codex is good or how Cloud Code is good anywhere, but if this one was good anyway, then in the next three months, I will be good.
영상에서는 Codex가 좋다거나 Cloud Code가 좋다고 여기저기서 이야기하지만, 지금 이게 좋다고 해도 다음 세 달이면 또 다른 게 좋아질 겁니다.
So that’s not important.
그래서 그건 중요하지 않습니다.
That isn’t the important thing; what matters most is how much I have set up my current work environment as an agentic workflow.
중요한 건 그게 아니라, 내가 현재의 작업 환경을 얼마나 에이전틱 워크플로우로 설정해 두었느냐입니다.
So, you need to carefully check if you are wasting your time on useless executions.
그래서 쓸데없는 실행에 시간을 낭비하고 있는지 꼼꼼히 점검해야 합니다.
In the past, it was correct to spend time on execution.
과거에는 실행에 시간을 쓰는 게 맞았습니다.
That is also a quality of a good engineer, and without the ability, execution was impossible.
그것도 좋은 엔지니어의 자질이었고, 능력이 없으면 실행 자체가 불가능했으니까요.
But these days, you hear a lot of talk about even non-virtuous people making apps.
하지만 요즘은 능력이 없는 사람들도 앱을 만든다는 이야기를 많이 듣습니다.
Right?
그렇죠?
So, I can explain even without knowledge.
지식 없이도 설명할 수 있습니다.
But then everyone should make an app like this and hit the jackpot.
그런데 그러면 모두가 이렇게 앱을 만들어서 대박을 터뜨려야 하는데
But that’s not true.
실제로는 그렇지 않습니다.
Right?
그렇죠?
In maritime work, just because you get an exemption doesn’t mean it will work out.
해상 업무에서 면제를 받았다고 해서 다 잘 되는 게 아닌 것처럼 말입니다.
The more important thing is the previous step.
더 중요한 건 그 앞 단계입니다.
Now, because the planning aspect—such as having a specific intention, direction, and expected outcome—is extremely important, truly good engineers in today’s era pour all their capacity into this area.
구체적인 의도, 방향, 기대하는 결과 같은 계획 측면이 매우 중요하기 때문에, 오늘날의 진정한 좋은 엔지니어들은 이 영역에 모든 역량을 쏟아붓습니다.
Furthermore, once an idea is conceived, they design their workflows so that an agent naturally and automatically executes it.
더 나아가 아이디어가 떠오르면 에이전트가 자연스럽고 자동으로 실행하도록 워크플로우를 설계합니다.
So, since I spoke at a very high level, it might not resonate with you immediately, but to be precise, please use a tool like this.
제가 매우 높은 수준에서 이야기해서 당장 와닿지 않을 수도 있지만, 정확히 말하면 “이런 도구를 쓰세요”라고 하는 게 아닙니다.
Use a tool like that.
저런 도구를 쓰세요.
Well, you have to use this.
아니면 이걸 써야 합니다.
I’m not talking about that.
저는 그런 이야기를 하는 게 아닙니다.
Everyone works in a different environment.
모두가 다른 환경에서 일합니다.
So, for example, I cannot recommend the agent workflow I set up to others.
예를 들어 제가 설정한 에이전트 워크플로우를 남에게 추천할 수 없습니다.
Because that person’s working environment is different.
그 사람의 작업 환경이 다르기 때문입니다.
Therefore, you need to analyze your own environment, consider which area of application would maximize your efficiency, and optimize accordingly.
따라서 자신의 환경을 분석하고, 어떤 영역에 적용했을 때 효율이 극대화될지 고민한 뒤 그에 맞게 최적화해야 합니다.
That can be seen as the definition of working as an AI native.
그것이 AI 네이티브로 일하는 것의 정의라고 볼 수 있습니다.
Using AI pointlessly, saying, “Hey, I don’t know anything about this. Do you have any good ideas?”
AI를 무의미하게 쓰면서 “야, 나 이거에 대해 아무것도 몰라. 좋은 아이디어 있어?”라고 하는 식으로
Think about something like this.
이런 식으로 생각하거나
Think about things like that.
저런 식으로 생각하는 건
Please do not use it for things like this.
이런 용도로 쓰지 마세요.
Clearly understand what AI is good at and what it is not, and just ask the AI questions instead.
AI가 잘하는 것과 못하는 것을 분명히 이해하고, 대신 AI에게 질문을 하세요.
Hey, let’s have a discussion.
야, 우리 토론해 보자.
If a good idea comes to mind while we’re having the discussion, just ask, “What do you think of this idea?”
토론하다가 좋은 아이디어가 떠오르면 “이 아이디어 어떻게 생각해?”라고 물어보는 식으로
In this way, you need to proceed with planning based on your own intuition and insights through asking and answering questions.
이렇게 자신의 직관과 통찰을 바탕으로 질문과 답변을 주고받으며 계획을 진행해야 합니다.
Instead of thinking that you should leave everything to AI and let it handle everything,
모든 걸 AI에게 맡기고 AI가 다 처리하게 해야 한다고 생각하지 말고
I believe that if you design your own agent workflow with the mindset of effectively controlling AI as a tool, your productivity will increase significantly.
AI를 도구로 효과적으로 통제한다는 마음가짐으로 자신만의 에이전트 워크플로우를 설계한다면 생산성이 크게 향상될 것이라고 믿습니다.
Personally, I find this era where we leave all executions to AI a bit bittersweet.
개인적으로 모든 실행을 AI에게 맡기는 이 시대가 조금 씁쓸하기도 합니다.
Because, as an engineer and a developer, the joy you get from accomplishing something while doing excuses is also immense.
엔지니어이자 개발자로서 직접 실행하면서 무언가를 성취했을 때 얻는 기쁨도 크기 때문입니다.
However, these days, when I work in that way, pursuing my own intellectual purpose, my imagination drops significantly.
하지만 요즘 그렇게 일하면서 나만의 지적 목적을 추구하면 상상력이 크게 떨어집니다.
So, for example, others work 8 hours a day, spending all 8 hours developing ideas, exploding, and handling various tasks simultaneously and dynamically, and then leave the rest of the exploding to AI.
예를 들어 다른 사람들은 하루에 8시간 일하면서 그 8시간을 전부 아이디어를 발전시키고, 폭발적으로 생각하고, 여러 작업을 동시에 동적으로 처리하는 데 쓰고 나머지 실행은 AI에게 맡깁니다.
While doing that, I… I’ve always liked digging into code myself.
그렇게 하는 동안 저는… 저는 항상 코드를 직접 파고드는 걸 좋아했습니다.
I’ll explain it this way, even handling the excuses myself, and use AI minimally.
이렇게 설명하면서 실행도 직접 하고 AI는 최소한으로만 사용합니다.
If you do it this way, you actually become a developer who is out of step with the times.
이렇게 하면 사실 시대에 뒤처진 개발자가 됩니다.
In this day and age, truly competent engineers and developers naturally need to design the agent workflow I just mentioned well,
이 시대에 진정으로 유능한 엔지니어와 개발자는 당연히 제가 방금 말한 에이전트 워크플로우를 잘 설계해야 하고
and to add one more thing, they are people with a lot of ideas.
한 가지 더 보태자면, 아이디어가 많은 사람들입니다.
Because in the past, even if I had a lot of ideas, I couldn’t execute them all.
과거에는 아이디어가 많아도 전부 실행할 수 없었기 때문입니다.
So, people with many ideas also received this kind of treatment.
그래서 아이디어가 많은 사람들도 이런 평가를 받았습니다.
Ay, he starts so many projects but never manages to finish them.
아이, 저 사람 프로젝트는 많이 시작하는데 끝내는 건 하나도 없네.
It received that kind of evaluation, too.
그런 평가도 받았죠.
But these days, people with lots of ideas do a really good job.
하지만 요즘은 아이디어가 많은 사람들이 정말 잘합니다.
Why?
왜일까요?
Because the agent handles all of this execution.
에이전트가 이 실행을 전부 처리해 주기 때문입니다.
I want to use my agent really hard.
나는 내 에이전트를 정말 열심히 쓰고 싶어.
But I’m short on ideas.
그런데 아이디어가 부족해.
So, I’m not the kind of person whose ideas just spring up naturally.
나는 아이디어가 자연스럽게 샘솟는 타입이 아니야.
Then, even if you actually try to use the agent, you can only use it to the extent of briefly applying it to a very small part.
그러면 실제로 에이전트를 써보려고 해도 아주 작은 부분에만 잠깐 적용하는 정도로밖에 쓸 수 없습니다.
But there are some people who think, “I want to try this and that, and I used to want to try that too. Oh, but maybe I should try making an app with Side Pro Shutter? Or maybe I should try that?”
하지만 “이거 해보고 싶고, 저것도 해보고 싶었는데. 아, 사이드 프로젝트로 앱 하나 만들어볼까? 아니면 저걸 해볼까?”라고 생각하는 사람들도 있습니다.
For people like that, the current era is very good.
그런 사람들에게 현재 시대는 매우 좋습니다.
Why?
왜일까요?
If I just have an idea and develop it, and I just pinpoint the exact target to the AI, the AI will automatically deliver it to that point.
아이디어만 가지고 발전시킨 뒤 AI에게 정확한 목표만 찍어주면 AI가 자동으로 그 지점까지 배달해 주기 때문입니다.
They provide an exclusivity.
독점적인 이점을 제공합니다.
It means that even with the same amount of time, you can do a great deal of work.
같은 시간이라도 훨씬 많은 일을 할 수 있다는 뜻입니다.
In today’s era, the bottleneck is now occurring in that area.
오늘날의 병목은 바로 그 영역에서 발생하고 있습니다.
Are you someone who really enjoys your work and has a lot of ideas?
당신은 일을 정말 즐기고 아이디어가 많은 사람인가요?
And it is extremely important whether I have properly set up and optimized my development environment and agent workflow so that I can execute those ideas in parallel and proceed with them simultaneously in a short amount of time.
그리고 그 아이디어들을 병렬로 실행하고 짧은 시간에 동시에 진행할 수 있도록 개발 환경과 에이전트 워크플로우를 제대로 설정하고 최적화했는지가 매우 중요합니다.
So, well, the times these days are very chaotic.
요즘 시대가 정말 혼란스럽습니다.
So, is the developer role finished now?
그래서 이제 개발자 역할은 끝난 건가?
Is it okay to study AI now?
지금은 AI를 공부해도 괜찮은가?
Should I go to graduate school?
대학원을 가야 하나?
Well, there are various questions, but in the end, I think it all boils down to one.
여러 질문이 있지만 결국 하나로 귀결된다고 생각합니다.
It is clear that there are spiritual aspects that AI cannot handle, and looking ahead to this era, the very definition of a good engineer that this society desires has changed.
AI가 다루지 못하는 정신적인 측면이 분명히 있고, 이 시대를 내다보면 사회가 원하는 좋은 엔지니어의 정의 자체가 바뀌었습니다.
But that changed definition will go in the two ways I mentioned.
하지만 그 바뀐 정의는 제가 말한 두 가지 방향으로 갑니다.
A person with a lot of first ideas.
첫째, 아이디어가 많은 사람.
Second, someone who can work as an AI native by effectively optimizing their work environment into an agent workflow.
둘째, 작업 환경을 에이전트 워크플로우로 효과적으로 최적화해서 AI 네이티브로 일할 수 있는 사람.
Since an engineer equipped with these two qualities will be evaluated as a highly skilled engineer, rather than thinking superficially about whether this or that is okay, I think it would be very beneficial for you to try changing your usual way of working.
이 두 가지 자질을 갖춘 엔지니어가 고도로 숙련된 엔지니어로 평가받을 것이기 때문에, 이것저것 괜찮은지 피상적으로 생각하기보다는 평소의 일하는 방식을 바꿔 보는 것이 매우 유익할 것이라고 생각합니다.
Today’s video started with the question of whether AI can really improve our productivity, and then we talked about what kind of engineer one needs to become to use AI effectively in this era.
오늘 영상은 AI가 정말 우리의 생산성을 향상시킬 수 있는지에 대한 질문으로 시작해서, 이 시대에 AI를 효과적으로 사용하기 위해 어떤 엔지니어가 되어야 하는지에 대해 이야기했습니다.
While this is strictly my personal opinion, it also serves as an insight from the perspective of a user who uses AI very heavily.
이건 철저히 제 개인적인 의견이지만, AI를 매우 헤비하게 사용하는 사용자의 관점에서 얻은 통찰이기도 합니다.
I am actually one of the heavy users who uses AI a lot at work.
저는 실제로 업무에서 AI를 많이 사용하는 헤비 유저 중 한 명입니다.
So, I am sharing some thoughts I gained through my own experiences, so I hope you will give them some careful thought as well.
그래서 제 경험을 통해 얻은 생각을 공유하는 것이니, 여러분도 신중히 생각해 보셨으면 합니다.
Okay, that’s all for today’s video.
자, 오늘 영상은 여기까지입니다.

////////

완벽한 전체 내용 요약 (생략 없음, 최대한 상세하고 긴 버전)
이 영상은 CODER X DOX 채널의 ‘오프더레코드’ 시리즈로, 핵심 질문은 “AI를 쓰면 정말 생산성이 10배가 되는가?”이다. 발표자는 단순한 찬성이나 반대가 아니라, AI가 실제로 생산성을 높이는 지점과 그렇지 않은 지점을 정확히 구분하고, 그에 맞는 엔지니어의 태도와 작업 방식을 제시한다. 전체 논지는 다음과 같이 전개된다.
최근까지 AI가 발전하면서 실리콘밸리에서 소프트웨어 엔지니어 해고 소식이 잇따랐다. 그러나 동시에 다른 뉴스들을 자세히 들여다보면, AI를 도입했음에도 생산성 향상이 기대만큼 크지 않아 다시 사람을 채용한다는 보도도 함께 나오고 있다. 한쪽에서는 “AI를 쓰면 무조건 효율이 오른다”고 하고, 다른 쪽에서는 “AI를 써도 비용이 크고 효과가 제한적”이라고 한다. 사회 전체가 거대한 실험장이 된 현재, AI가 인간을 대체할 수 있는지에 대한 검증 단계에 놓여 있다는 것이 발표자의 진단이다. 이 영상은 바로 그 검증의 한 조각으로서, AI가 진정으로 생산성을 높이는 영역이 어디인지, 그리고 그 사실을 이해한 후 우리는 어떤 자세를 취해야 하는지를 다룬다.
구체적인 사례로 메타의 조직 실험이 등장한다. 예전에 발표자가 영상에서 언급했던 것처럼, 메타는 최근 매니저 계층을 평탄화했다. 원래 매니저가 한 번에 관리할 수 있는 엔지니어 수에는 한계가 있기 때문에 M1, M2처럼 매니저가 다른 매니저를 관리하는 다층 구조가 존재했다. AI가 등장하면서 “더 많은 업무를 한 사람이 처리할 수 있지 않을까?”라는 기대로 모든 매니저를 동등한 레벨로 만들고, 한 매니저가 더 많은 엔지니어를 직접 관리하도록 구조를 바꿨다. 그러나 실제로 운영해 보니 예상치 못한 결과가 나타났다. 계층을 없앴음에도 불구하고 매니저들 사이에서 다시 자연스럽게 서열과 역할 분화가 생겨났고, 결국 직급은 같아 보이지만 실제 역할은 예전처럼 한 매니저가 여러 매니저를 관리하는 구조로 회귀했다. 빅테크 회사들도 이런 식으로 다양한 내부 실험을 진행 중이며, 사회 곳곳에서 비슷한 ‘이상한 현상’들이 관찰되고 있다.
이 현상의 근본 원인은 매우 단순하다. 사람들이 AI를 “모든 것을 대신 해주는 만능 도구”처럼 인식하기 때문이다. 그러나 AI에는 명확히 잘하는 영역과 못하는 영역이 존재한다. AI가 특히 뛰어난 부분은 목표가 매우 명확하게 주어진 작업이다. 예를 들어 “이런 기능을 정확한 명세에 따라 구현하고, 테스트해서 통과시키라”는 식의 작업이다. 이 경우 AI는 기존에 학습된 지식을 적용해 빠르게 결과를 낸다. 이것은 새로운 문제를 창의적으로 해결하는 과정이 아니라, 이미 존재하는 지식을 조합하고 적용하는 과정에 가깝다.
반면 AI가 현재 매우 약한 영역은 문제의 접근 방식 자체가 불명확한 개방형 문제이다. “이거 그냥 한번 풀어봐. 나도 뭘 해야 할지 모르겠어”라고 던지는 순간, 그 문제는 단순한 구현의 영역을 넘어선다. 여기서는 먼저 “어떻게 접근할 것인가”를 고민해야 하고, 그 과정에 창의성·경험·통찰이 필수적으로 개입한다. “내 과거 경험상 이렇게 하니 잘 되더라”, “저렇게 해보는 건 어떨까”와 같은 판단은 개인의 관점과 엔지니어로서의 축적된 감각에서 나온다. AI는 이 부분을 대신해 주지 못한다.
그런데 사람들이 AI를 사용할 때 자주 빠지는 착각이 있다. AI가 인터넷에 존재하는 거의 모든 데이터를 긁어모아 학습했기 때문에, 가끔 내가 전혀 몰랐던 답을 놀랍도록 정확하게 내놓는다. 그 순간 “이 AI는 정말 똑똑하고 창의적이다. 모든 것을 해결해 준다”는 환상이 생긴다. 그러나 깊이 파고들면 실상은 다르다. AI가 새로운 지식을 창조하거나 진정한 추론으로 미지의 영역을 개척한 것이 아니라, 지구 어딘가에 이미 같은 문제를 해결한 사람이 올려둔 내용을 내가 몰랐을 뿐인 경우가 대부분이다. AI는 그 데이터를 한 번이라도 본 적이 있으면 그것을 바탕으로 답을 재구성해 줄 수 있을 뿐이다. 즉 현재의 LLM은 인류의 지식을 ‘증류’하는 단계에 머물러 있으며, 인류가 아직 해결하지 못한 영역으로 스스로 진입하지 못하고 있다.
이 사실은 AI의 품질 향상 방식에서도 확인된다. 사람들이 흔히 상상하는 것처럼 “강화학습을 통해 기존 데이터로 학습한 뒤, 아무도 풀어본 적 없는 새로운 문제를 스스로 추론해서 해결하면서 점점 똑똑해진다”는 경로는 현실과 거리가 있다. 빅테크 기업들이 현재 가장 집중하는 것은 고품질 데이터의 확보다. 여기서 고품질 데이터란 “AI가 현재 풀지 못하는 문제이지만, 인간은 정답을 알고 있어서 AI가 시도했을 때 맞았는지 틀렸는지 명확한 신호를 줄 수 있는 문제”를 의미한다. 이런 데이터가 있어야 모델의 품질이 실제로 향상된다. 결국 현재의 LLM은 아직 인류 미지의 창의성 영역으로 들어가지 못했으며, 빅테크는 이제 인터넷에 있는 지식을 거의 다 흡수했다고 보고, 더 높은 품질의 데이터를 인위적으로 생산하는 단계에 이르렀다.
이 모든 관찰에서 생산성을 높이는 실질적인 힌트가 도출된다. AI를 제대로 활용하려면 인간이 실행에 들이는 시간을 최대한 AI에게 넘기고, 인간의 역량을 아이디어 생성·발전·정교화에 집중해야 한다. 과거에는 아이디어를 떠올리고, 코드를 작성하고, 검증하고, 소통하는 전 과정을 자신과 팀이 직접 수행했다. 지금은 아이디어를 만들고 파고들고 발전시키는 데 모든 에너지를 쏟고, 나머지 실행은 AI에게 맡기는 방식으로 전환해야 한다.
이를 위해서는 ‘좋은 도구’가 필요하다. 그러나 여기서 말하는 좋은 도구는 Codex나 Claude Code 같은 특정 제품을 가리키는 것이 아니다. 그런 도구들은 몇 달 뒤에 또 다른 것으로 대체될 수 있다. 진짜 중요한 것은 자신의 작업 환경을 에이전틱 워크플로우로 얼마나 잘 구축해 두었는가이다. 불필요한 실행에 시간을 낭비하고 있는지 점검하고, 자신의 환경에 맞춰 작업을 병렬화할 수 있도록 최적화하는 것이 AI 네이티브로 일하는 것의 본질이다. 모든 사람의 작업 환경이 다르기 때문에, 남이 만든 에이전트 워크플로우를 그대로 가져오는 것은 의미가 없다. 자신의 상황을 분석하고, 효율이 극대화되는 지점을 찾아 스스로 설계해야 한다.
또한 AI를 “내가 아무것도 모르니까 좋은 아이디어를 내줘”라는 식으로 무의미하게 사용해서는 안 된다. 대신 자신의 직관과 통찰을 바탕으로 토론하듯 질문하고, 아이디어가 떠오르면 “이 아이디어 어떻게 생각해?”라고 피드백을 구하는 방식으로 활용해야 한다. 모든 것을 AI에게 맡기고 수동적으로 결과를 기다리는 태도가 아니라, AI를 통제 가능한 도구로 보고 자신만의 에이전트 워크플로우를 설계하는 자세가 생산성을 크게 끌어올린다.
발표자는 개인적으로 이 시대가 조금 씁쓸하다고 고백한다. 엔지니어로서 직접 코드를 파고들며 무언가를 성취했을 때 느끼는 기쁨이 크기 때문이다. 그러나 시대의 흐름을 무시하고 실행을 직접 하면서 AI를 최소한으로만 사용하는 방식은 결국 시대에 뒤처진 개발자를 만든다. 오늘날 유능한 엔지니어의 정의는 두 가지로 압축된다.
첫째, 아이디어가 많은 사람. 과거에는 “프로젝트는 많이 시작하는데 끝내는 게 없다”는 부정적인 평가를 받았지만, 지금은 에이전트가 실행을 전부 처리해 주기 때문에 아이디어가 많을수록 유리하다.
둘째, 자신의 작업 환경을 에이전트 워크플로우로 최적화해 AI 네이티브로 일할 수 있는 사람.
현재의 병목은 바로 이 두 지점에 있다. 아이디어가 부족하면 에이전트를 아무리 잘 만들어도 작은 부분에만 잠깐 적용하는 수준에 그친다. 반대로 아이디어가 넘치고 환경이 잘 갖춰진 사람은 같은 시간에 훨씬 더 많은 일을 병렬로 처리할 수 있다.
개발자 역할이 끝난 것 아니냐, AI를 공부해야 하느냐, 대학원을 가야 하느냐 같은 혼란스러운 질문들도 결국 이 두 가지로 귀결된다. AI가 다루지 못하는 정신적이고 창의적인 영역은 분명히 존재하며, 사회가 원하는 ‘좋은 엔지니어’의 정의 자체가 바뀌었다. 따라서 피상적으로 “이 기술 배울까, 저 기술 배울까”를 고민하기보다, 평소의 일하는 방식 자체를 아이디어 중심·에이전트 워크플로우 중심으로 바꾸는 것이 훨씬 유익하다.
이 모든 내용은 발표자의 개인적 의견이지만, 실제로 업무에서 AI를 매우 헤비하게 사용하는 사용자로서의 경험에서 나온 통찰이다. 영상은 이러한 생각을 공유하며, 시청자들도 신중하게 자신의 작업 방식을 점검해 보기를 권하며 마무리된다.

ㅇㅇㅇㅇㅇㅇㅇㅇㅇㅇㅇㅇㅇ

핵심 메시지
AI를 쓴다고 생산성이 자동으로 10배가 되는 것이 아니다.
AI는 목표가 명확하게 주어진 실행 작업에서는 매우 뛰어나지만, 무엇을 어떻게 접근해야 할지 모르는 개방형 문제와 새로운 아이디어를 만들어내는 창의적 영역에서는 근본적으로 약하다. 현재의 LLM은 인류가 이미 만들어 놓은 지식을 증류하는 수준이지, 인류가 아직 모르는 영역을 스스로 개척하는 단계가 아니다.
따라서 진짜 생산성 향상은 다음 한 가지 조건이 충족될 때만 일어난다.
인간은 아이디어를 만들고 방향을 정하는 데 모든 역량을 쏟고,
명확한 실행은 AI(에이전트)에게 넘기며,
그 실행이 병렬적으로 돌아가도록 자신의 작업 환경을 에이전틱 워크플로우로 설계하는 것.
이 시대가 원하는 강한 엔지니어의 정의도 결국 이 두 가지로 압축된다.
1 아이디어가 많은 사람
2 자신의 환경을 AI 네이티브 에이전트 워크플로우로 최적화할 수 있는 사람
이 두 가지를 갖추지 못한 채 AI를 “만능 해결사”처럼 대하는 한, 생산성은 기대만큼 오르지 않는다.