AI가 코드를 쓰는 시대의 더 큰 위험은 코드 품질보다 그 코드가 왜 존재하는지 아는 사람이 사라지는 데 있다. 데이터 엔지니어링 분야의 글을 쓰는 사이먼 스페티(Simon Späti)는 AI가 개발 속도를 높이는 동안 팀이 시스템 구조와 설계 의도를 잃고 있다고 지적했다. 핵심은 코드를 사람이 직접 썼느냐가 아니다. 생성된 결과를 이해하고 검토할 시간 없이 다음 기능을 내놓는 조직에서, 누가 제품의 방향을 정하고 나중에 누가 고칠 수 있을지가 문제다.
핵심 요약
- 스페티는 AI가 평균적인 코드를 만들 수 있어도 설계 이유를 모르는 팀에는 계획 없는 개발이 쌓인다고 주장한다.
- 개발 문서부터 코드까지 AI에 맡기고 배포 속도만 요구하는 사례는 검토할 시간을 잃은 조직의 위험을 보여준다.
- AI 덕분에 제품관리자가 구현에 더 가까워졌지만, 기술적 기초가 없으면 유지하기 어려운 토대를 선택할 수 있다.
- 파이프라인과 앱을 쉽게 만들수록 관리할 대상도 늘어나므로, 스페티는 유지보수를 최종 과제로 꼽는다.
- 토론에서는 사람의 전면 검토와 깊은 도메인 이해가 해법으로 제시된 반면, AI가 개발자의 역할을 넓힌다는 의견도 나왔다.
코드보다 먼저 사라지는 설계 이유
스페티는 AI가 작성하는 코드 자체를 문제의 출발점으로 삼지 않는다. 그는 작업의 종류와 규모에 따라 다르지만 AI가 대체로 평균 수준의 코드를 쓰며, 기존 코드가 그보다 못했다면 개선도 가능하다는 견해를 소개한다. 그가 더 걱정하는 것은 팀원들이 특정 구조를 왜 택했는지 모른 채 새 작업마다 클로드(Claude)에 묻는 상황이다.
코드를 얻는 것과 시스템을 이해하는 것은 다른 일이다. 어떤 선택이 앞선 요구사항에 대한 답이었는지, 새 기능이 그 선택을 흔드는지 판단하려면 결과물뿐 아니라 결정의 흐름을 알아야 한다. 스페티가 말하는 ‘계획이 없다’는 상태는 작업 목록이 비었다는 뜻이 아니라, 코드를 만들어도 그 방향을 설명할 사람이 없다는 뜻에 가깝다.
이는 사람이 모든 코드를 손으로 써야 한다는 주장과도 다르다. 스페티는 시스템을 보는 사고, 설계 의도, 결과물의 완성도를 가려내는 안목이 개발자에게 여전히 중요하다고 본다. 코드 생성이 쉬워질수록 무엇을 만들지와 어떤 구조로 남길지를 결정하는 일이 더 뚜렷하게 드러난다는 것이다.
문서부터 배포까지 클로드 코드가 맡을 때
스페티는 빠르게 움직이는 스타트업이나 경영진이 AI 활용을 강하게 밀어붙이는 큰 조직의 분위기를 보여주려고 한 개발자의 글을 인용한다. 그 개발자는 새 직장에 들어간 지 보름 만에 명세서, 코드, 테스트, 제품 요구사항 문서(PRD), 작업 티켓과 보고서까지 클로드 코드(Claude Code)로 만들어지는 모습을 봤다고 했다. 팀은 많이 배포하라는 압박을 받지만, 정작 결과물을 읽거나 코드의 흐름을 확인할 시간은 없다는 호소다.
인용된 경험에서 경영진은 코드를 내보내는 일이 병목이 아니라면 왜 일이 더 빨라지지 않느냐고 묻는다. 개발자는 사람들이 하루 12~13시간씩 일하면서도 버그를 스스로 해결한다는 감각을 잃었다고 말한다. 스페티가 이 사례에서 짚는 대목은 AI를 쓴다는 사실보다, 검토 없이 배포량을 늘리는 것을 목표로 삼는 방식이다.
그는 또 코볼(COBOL) 개발자가 현장을 떠나며 지식이 사라지는 문제를 에이전트 코딩(목표를 받아 여러 개발 단계를 수행하는 AI 활용 방식)이 다른 개발 언어로 넓힐 수 있다는 의견을 소개한다. 시스템을 유지할 사람은 남아 있어도 그 시스템의 내부 사정을 아는 사람이 부족해질 수 있다는 경고다. 새 코드를 만드는 속도와 기존 시스템을 책임질 능력은 별개의 지표로 읽어야 한다.
제품관리자가 혼자 만들 수 있어도
AI가 구현을 돕는다면 좋은 제품관리자는 원하는 소프트웨어를 훨씬 직접적으로 만들 수 있다. 스페티는 코딩을 하지 못해도 팀을 이끌어 원하는 제품을 만드는 사람을 높이 평가하며, 무엇을 원하는지 아는 일이 원래부터 가장 어려웠다는 견해를 소개한다. 시장을 찾고 제품의 모습을 다듬는 역량이 코드 작성 능력과 꼭 일치하지 않는다는 이야기다.
그러나 원하는 결과를 설명할 수 있는 것만으로 처음의 기술적 선택까지 적절해지는 것은 아니다. 스페티는 코드를 모르면 유지하기 어려운 제품의 토대를 만들 수 있으며, 잘못된 언어나 사고의 틀을 고르면 출발부터 문제가 생긴다고 지적한다. AI가 반복 작업을 거치며 개선되고 있다는 점을 인정하면서도, 처음 세운 구조의 중요성을 놓치지 않는다.
따라서 그가 그리는 유능한 제품관리자는 요구사항만 제시하는 사람이 아니다. 제품에 무엇이 필요한지 아는 동시에 시스템과 아키텍처(구성요소와 연결 방식을 설계한 구조)를 이해하는 사람이다. AI가 구현의 문턱을 낮출수록 제품 판단과 기술 판단을 한데 맞추는 일이 중요해진다.
데이터 엔지니어의 도메인 지식도 예외는 아니다
스페티는 데이터 엔지니어링은 다르다는 반론도 다룬다. 이 분야 사람들은 처음부터 제품과 사업을 깊이 알아야 했고, AI는 그 과정의 번거로움을 덜어 준다는 의견이다. 이미 업무 맥락을 이해하는 사람이 AI를 쓰면 반복적인 작업을 줄이는 도구가 될 수 있다는 설명이다.
스페티도 AI 이전에 일한 데이터 분야 종사자들이 많은 것을 직접 익히거나 해당 분야 전문가와 협력해야 했다는 점에는 동의한다. 다만 AI 덕분에 그 지식이 더는 필요 없는 것처럼 보이는 순간을 경계한다. 새 분야에 들어간 사람이 질문과 생성만 반복하면 답은 얻더라도 그 답을 판단할 업무 지식은 쌓이지 않을 수 있다는 것이다.
이 지적은 데이터 분야만의 문제가 아니다. AI가 낯선 용어와 코드를 빠르게 설명해 주는 경험은 진입을 돕지만, 설명을 듣는 일과 업무의 맥락을 자기 것으로 만드는 일은 같지 않다. 스페티는 AI를 쓰는 자신 역시 새 분야에서 같은 빈틈을 겪을 수 있다고 인정하며, 도구의 편리함이 학습의 생략으로 이어지는 지점을 짚는다.
빠른 생성 뒤에 남는 유지보수
스페티는 소프트웨어 개발의 마지막 관문을 유지보수로 꼽는다. 파이프라인, 앱, 비즈니스 인텔리전스(BI·데이터를 분석해 의사결정에 활용하는 방식) 대시보드를 빨리 만들 수 있다면, 이후 관리해야 할 대상도 그만큼 생긴다. 생성 속도만 따지는 기준으로는 그 비용을 알아차리기 어렵다.
유지보수에는 코드가 실행되는지 확인하는 일 이상이 필요하다. 어느 부분이 어떤 이유로 연결됐는지 알아야 변경의 범위를 가늠하고, 문제가 생겼을 때 무엇부터 살펴볼지도 정할 수 있다. 스페티는 시스템과 설계를 이해하는 능력이 개발자를 더 낫게 만든다고 말하며, 직접 코드를 써 본 경험도 여전히 도움이 된다고 본다.
그의 우려는 AI가 만든 모든 결과물이 고치기 어렵다는 뜻이 아니다. 아무도 내용을 알지 못한 채 생성물을 늘리는 조직에서는 수정해야 할 것이 많아질수록 어려움이 커진다는 뜻이다. 기능 하나를 더 만드는 데 걸리는 시간과 그 기능을 계속 책임지는 데 필요한 지식을 함께 따져야 한다.
AI에 맡길 수 없는 방향과 확신
글의 끝에서 스페티는 사람이 AI에 왜 필요한지 되묻는다. 그의 답은 AI가 할 일을 정하고 결과를 조율할 주체가 여전히 필요하다는 것이다. 그는 의도, 안목, 설계와 아키텍처를 AI 활용 시대의 중요한 역량으로 묶는다.
스페티는 이 문제를 주니어 개발자 채용만 다시 늘리면 해결된다고 보지도 않는다. 학습할 사람을 채용하는 일과 그 사람이 시스템을 이해할 기회를 갖는 일은 구별해야 하기 때문이다. 문서와 코드가 만들어지는 속도에 맞춰 읽고 판단할 시간도 주어져야 한다는 앞선 사례가 여기서 다시 중요해진다.
그는 큰 아이디어에는 창의성만큼이나 그것을 밀고 갈 확신이 중요하다는 견해를 인용한다. AI가 아이디어를 표현하고 구현하는 비용을 낮춰도 무엇을 왜 만들겠다는 판단까지 대신해 주지는 않는다는 맥락이다. 스페티의 글은 결국 코드 작성자의 자리를 걱정하기보다, 제품의 선택을 설명하고 그 결과를 책임질 사람이 남아 있는지를 묻는다.
커뮤니티 의견
한 사용자는 회사에서 AI 기능을 만든 결정의 출처를 거슬러 올라간 경험을 전했다. 코드는 클로드가 작성했고, 작업 티켓과 문서, 전략 메모에도 AI가 관여했으며, 경영진의 소통 역시 AI로 쓴 메모에 크게 의존한다는 것이다. 여러 단계에 사람이 있었지만 정작 누가 기능을 원해 결정했는지는 흐릿해졌다고 했다.
또 다른 사용자는 직접 쓰고 고치는 과정에서 작성자가 내용을 머릿속에 다시 구성하고, 그 덕분에 동료와 문제를 논의할 수 있다고 주장했다. 답글에서는 팀이 매일 함께 문제를 풀며 소통하는 방식의 가치를 강조하는 한편, AI가 모든 작업을 대신하는 방식만이 유일한 선택은 아니었다는 의견도 나왔다. 자동완성처럼 사람이 작성 과정에 계속 참여하는 도구를 선호한다는 설명이다.
안전성과 실시간성이 중요한 분야에서 일한다는 사용자는 상황이 그만큼 극적이지 않다고 했다. 테스트와 사람의 검토를 거치지 않은 코드는 내보내지 않으므로, AI가 작성한 코드도 같은 절차로 다룬다는 것이다. 다만 답글에서는 일부 회사가 AI를 이유로 검토 과정을 줄이는 것이 바로 문제라는 지적과, AI를 로컬 환경으로만 제한하면 더 강력한 모델을 활용하기 어렵다는 반론이 함께 나왔다.
한 사용자는 이직 직후 AI 덕분에 방대한 기존 코드에 쉽게 적응하는 듯했지만, 두 달이 지나도 내부 구현을 거의 모른다는 사실을 깨달았다고 했다. AI가 읽고 작성한 내용을 자신이 이해한 것으로 착각한 것이 문제였다는 설명이다. 그는 이후 AI 사용을 줄이고 직접 코드를 읽고 쓰기 시작했다고 전했다.
이에 비해 한 사용자는 AI가 개별 코드를 잘 쓰려는 개발자보다 업무 분석, 설계, 제품관리를 함께 할 수 있는 사람에게 더 큰 도구라고 주장했다. 목표와 업무 분야를 알고 AI의 작업을 관리하면 소통에 드는 부담을 줄일 수 있다는 관점이다. 답글에서는 품질 저하와 기술 부채가 쌓이면 결국 속도도 떨어지는 것 아니냐는 반론이 나왔다.
요구사항과 사용자 피드백, 테스트, 제품 비전이 앞으로 더 중요한 차별점이 된다는 의견도 있었다. 요구사항과 테스트를 잘 정리해 AI에 맡기면 구현이 쉬워진다는 주장이다. 반대로 처음부터 모든 요구사항을 확정할 수는 없으며, 만들면서 문제를 배우고 개선하는 과정을 건너뛰어서는 안 된다는 답글이 달렸다.
한 사용자는 AI에게 막연히 결과를 좋게 만들어 달라고 맡기고 싶어지는 순간을 경계했다. AI가 그럴듯한 결과를 내더라도 작성자가 해결 과정을 설명하지 못하면 이후 작업을 이어가기 어렵다는 이유다. 그는 그 지점에서 속도를 더 내기보다 한발 물러서서 AI와 함께 문제를 다시 이해해야 한다고 제안했다.
살펴볼 점
AI 코딩의 기준은 얼마나 빨리 코드를 만들었느냐에서, 그 코드를 팀이 얼마나 오래 이해하고 고칠 수 있느냐로 옮겨가야 한다. 스페티의 경고처럼 의도와 구조를 모르는 채 결과물만 늘리면 생성의 이익이 유지보수의 부담으로 돌아온다. 토론이 보여주듯 답은 AI 사용을 멈추는 데만 있지 않다. 누가 결정을 내렸는지 설명할 수 있는지, 사람이 검토하고 배우는 시간이 남아 있는지, 다음 수정 때도 시스템을 이해할 사람이 있는지를 지켜봐야 한다.
원본: The Problem is not the AI Code, but Nobody Knows Anything Anymore
토론: Hacker News