AI 코딩 이해하기 (2): 어려움과 개발 전략
들어가며
1편에서는 8개월 동안의 AI 코딩 경험을 돌아봤다. 이 글에서는 그 경험을 바탕으로 AI 코딩의 어려움과 개발 전략에 대한 생각을 정리한다.
어느 날 회사에 출근했더니 모든 구성원에게 기획·디자인·개발을 할 줄 아는 팀원이 100명씩 생겼다.
이제 기획자는 개발자의 작업을 기다리지 않고 자신의 생각을 AI로 바로 구현할 수 있다. 복잡한 서비스 전체를 개발하기는 어렵더라도, 화면과 사용자 흐름을 보여주는 프론트엔드 목업 정도는 충분히 만들 수 있다.
이렇게 화면을 만드는 속도가 빨라지면, 개발자에게는 백엔드를 더 빠르게 구현해야 하는 부담이 생긴다.
다행인 것은 개발자에게도 100명의 팀원이 생겼다는 것이다. 불행한 것은 이들에게 일을 나누어 맡기고 결과를 검증하는 게 어렵다는 것이다.
1. AI에게 일을 맡기는 것이 왜 어려울까
AI가 구현을 맡으면서 한 개발자가 담당할 수 있는 일의 양과 범위가 커졌다. 개발자는 작업의 목표를 정하고, AI에게 일을 나누어 맡기고, 결과를 검증하고 통합하는 데 더 많은 시간을 쓰게 된다. 갑자기 커다란 힘을 얻었지만, 달라진 역할에는 아직 익숙하지 않을 수 있다.
1.1 테스트 작성 경험이 부족하다
AI가 구현을 빠르게 끝내도 검증이 느리면 개발 속도를 높이기 어렵다. 개발자가 결과를 일일이 확인하는 데는 한계가 있으므로 테스트 자동화가 중요하다.
테스트는 AI에게 맡길 작업의 목표다. 따라서 AI에게 백엔드 구현을 맡길 때는 테스트로 동작과 기대 결과를 먼저 정하는 TDD를 해야 한다. 검증 기준을 미리 정하지 않으면 AI는 잘못된 방법으로 검증할 수도 있다.
그러나 구현에 앞서 테스트를 작성하기는 쉽지 않다. 구현하면서 동작을 구체화해 온 개발자에게는 입력 조건과 기대 결과를 먼저 정하고, 이를 테스트로 표현하는 일이 낯설 수 있다.
무엇을 얼마나 테스트할지 판단하는 경험도 필요하다. 내부에서 사용하는 함수마다 유닛 테스트를 작성해야 한다고 생각하는 개발자도 있다. 테스트가 내부 구현에 지나치게 의존하면 외부 동작이 바뀌지 않아도 기능 구현 코드의 구조를 고칠 때 테스트 코드까지 함께 수정해야 한다.
AI가 작성한 테스트도 요구사항을 제대로 검증하는지 개발자가 검토해야 한다. AI는 불필요하거나 중복된 테스트를 많이 작성하기도 한다. 이런 테스트가 쌓이면 검증에 걸리는 시간이 늘고 개발 속도도 느려진다.
1.2 하향식 개발에 익숙하지 않다
기능을 구현할 때 DB 테이블부터 만들고, 데이터를 읽고 쓰는 코드를 작성한 뒤 API를 붙여 나가는 경우가 있다. 코드를 작성하면서 필요한 동작과 전체 구조를 구체화한다. 세부 구현에서 출발하는 상향식 개발의 예다.
이렇게 코드를 작성하며 설계해 왔다면, AI에게 구현을 맡기기 전에 작업 목표를 구체화하기 어려울 수 있다. 예를 들어 “상품 검색 기능을 구현해 줘”라고만 요청하면, 검색 조건과 응답 형태, 내부 구조까지 AI가 스스로 정한다. 그 판단이 개발자의 의도와 다르면, 개발자는 결과물을 보고 지시를 보완하며 같은 작업을 반복해서 맡기게 된다.
이런 재작업을 줄이려면 요구사항에서 출발해 동작과 구조를 정하고, 구현할 작업으로 구체화하는 하향식 개발이 필요하다. UML 등으로 구성 요소의 책임과 인터페이스를 정리하고, 이번 작업의 목표와 검증 기준을 정해 AI에게 구현을 맡긴다.
그러나 이런 설계는 쉽지 않다. 프로젝트에 맞는 아키텍처를 선택하고, 기능이 늘거나 요구사항이 바뀌어도 적절한 구조를 유지하려면 설계 원칙을 상황에 맞게 적용하는 유연한 사고가 필요하다.
기능 구현 코드를 읽으며 동작을 이해하고 확인해 왔다면, 설계와 테스트를 기준으로 구현을 맡기는 일도 불안하게 느껴질 수 있다. 마치 잠수함 안에서 바깥을 직접 보지 못한 채, 계기와 탐지 장비가 전하는 정보로 항해해야 하는 듯한 느낌이다.
개발자는 이제 설계자가 되어야 한다. 따라서 디자인 패턴과 아키텍처에 대한 깊은 이해와 이를 실제 프로젝트에 적용해 본 경험이 무엇보다 중요해졌다.

설계 초안은 AI에게 맡길 수 있다. 다만 그 설계가 요구사항과 프로젝트에 맞는지 개발자가 최종적으로 검토하고 보완해야 한다.
1.3 프로젝트가 빠르게 커진다
작은 프로젝트에서는 설계가 미흡하거나 테스트가 자동화되어 있지 않아도, 코드를 직접 살펴보고 실행하며 부족한 부분을 메울 수 있었다. 그러나 AI 코딩으로 프로젝트가 빠르게 커지면, 코드를 하나씩 확인하고 작업을 머릿속으로 관리하는 방식으로는 감당하기 어려워진다.
기능이 늘어날수록 서로의 데이터와 동작에 의존하는 관계도 많아진다. 이런 규모를 다뤄 본 경험이 부족하면 리팩터링이 필요한 시점을 놓치기 쉽다. 구조를 정비하지 않은 채 기능을 계속 추가하면 프로젝트의 복잡도가 빠르게 커질 수 있다. 여기에 미완성 기능을 전제로 다른 기능까지 만들어 놓으면, 나중에는 한 기능을 마무리하기 위해 여러 기능을 함께 고쳐야 한다.
테스트 자동화의 효과를 경험하지 못했다면, 필요성을 인정해도 바쁜 일정 속에서는 테스트 작성을 뒤로 미루기 쉽다. 프로젝트가 커질수록 이런 경험은 더 중요해진다. 테스트로 오류를 일찍 발견하고 기존 기능을 안심하고 수정해 본 경험이 있으면, 구현과 검증에 시간을 얼마나 쓸지 판단하기 쉽다.
관리할 작업도 많아진다. 여러 AI에게 동시에 일을 맡기면 작업의 범위와 우선순위를 정하고 진행 상황을 파악하는 일도 복잡해진다. 작업의 상태와 처리 이력이 정리되지 않으면 후속 작업이 누락되거나, 눈앞에 생긴 일을 처리하느라 중요한 작업이 뒤로 밀릴 수 있다. 다른 팀원도 무엇이 완료됐고 무엇이 남았는지 파악하기 어렵다.
AI가 작업을 빠르게 끝낼수록 개발자가 검토해야 할 결과 보고도 쌓인다. 이를 대충 넘기며 일을 계속 맡기면, 프로젝트의 변화를 따라가지 못해 어느 순간 AI의 설명조차 이해하기 어려워질 수 있다. 결국 다음 작업도 스스로 정하지 못하고 AI의 제안만 따를 수 있다.
1.4 기존 프로젝트의 개발 방식을 바꾸기 어렵다
프로젝트의 설계와 코드, 테스트 환경은 서로 맞물려 있다. 이 기반이 부실한 상태에서 기능을 계속 추가하면, 나중에는 개발 방식을 바꾸는 일도 어려워진다.
설계가 정리되지 않았다면 변경할 부분과 관련된 기능의 역할과 의존 관계부터 파악해야 한다. 구성 요소가 복잡하게 얽혀 있다면 테스트를 작성하기 위해 코드와 실행 환경부터 정비해야 할 수도 있다.
AI가 직접 테스트할 수 없는 환경에서는 코드를 고칠 때마다 사람이 동작을 확인해야 한다. 구현이 아무리 빨라도 검증과 결과 전달은 사람의 속도에 묶인다. AI가 테스트를 실행해 수정한 결과를 스스로 검증할 수 있도록 실행 환경과 도구도 정비해야 한다.
함께 일하는 기획자나 디자이너에게도 익숙한 업무 방식이 있다. AI를 활용한 새로운 역할 분담이 가능하더라도, 요구사항을 전달하고 결과를 검토하는 방식까지 곧바로 바뀌지는 않는다. 서로의 업무 방식을 조정하고 적응하는 데도 생각보다 많은 시간과 노력이 들 수 있다.
2. AI 코딩으로 달라지는 개발 방법
분석·설계·테스트의 구체적인 방법은 백엔드 서비스 분석과 설계에서 다뤘다.
이 장에서는 AI 코딩으로 개발 방식이 어떻게 달라질 수 있는지 살펴본다.
2.1 개발 전략
다음은 AI로 가능해진 몇 가지 개발 방식의 예다.
기획자가 UI를 직접 구현한다
기획자는 자신이 기획한 UI를 AI로 구현할 수 있다. 자신의 생각을 AI에게 설명해 화면과 사용자 흐름을 만들고, 직접 조작해 보면서 필요한 기능과 빠진 업무 규칙을 구체화한다.
개발자는 프로젝트를 설정해 기획자가 AI에게 수정을 맡기고 바뀐 화면을 실행해 볼 수 있게 한다. 백엔드가 준비되지 않았다면 예시 데이터로 화면을 실행하게 한다. 환경이나 실행 문제로 작업이 막히면 개발자가 해결한다.
프로토타입과 운영용 프로젝트를 병행한다
여기서 더 나아가 프로토타입과 운영용 프로젝트를 분리해 병행할 수도 있다. 기존에는 두 프로젝트를 따로 개발하려면 더 많은 인력과 시간이 필요했다. 이제는 기획자가 AI로 프로토타입을 직접 만들고 수정해 개발자의 부담을 줄일 수 있다.
기획자와 개발자는 프로토타입을 보고 운영용 프로젝트에 반영할 기능의 범위와 우선순위를 정한다. 개발자는 채택한 기능의 업무 규칙을 정제하고, API와 데이터 구조를 설계해 AI에게 구현을 맡긴다. 테스트와 운영에 필요한 조건을 갖춰 서비스에 반영하는 동안, 기획자는 프로토타입에서 다음 아이디어를 계속 실험할 수 있다.
풀스택으로 여러 서비스를 병행한다
프론트엔드와 백엔드를 모두 직접 구현하려면 익혀야 할 기술과 파악해야 할 코드가 많다. 그래서 프론트엔드와 백엔드 개발자를 따로 두고, 각자의 분야에 집중하게 하는 경우가 많았다.
AI에게 구현을 맡기면 한 개발자가 프론트엔드와 백엔드를 함께 담당할 수 있다. 개발자는 화면부터 API와 DB까지 이어지는 동작과 인터페이스를 설계하고, 각 영역의 구현 결과를 검토하고 통합한다.
AI를 활용해 여러 기술 스택을 다루듯, 여러 서비스의 개발도 병행할 수 있다.
개발의 주도권 변화
기존에는 구현에 많은 시간이 들었고, 시행착오에 따른 수정 비용도 컸다. 그래서 기능의 범위와 개발 방식을 정할 때 개발팀의 판단이 중요했다. 비개발자는 기술적인 판단을 검토하기 어려워, 개발팀의 입장이 더 강하게 반영되기도 했다.
프로젝트에 따라서는 기획자가 AI로 직접 구현하고 수정하며 개발을 주도할 수도 있다. 이때 개발자는 결과물을 검토하고, 운영에 필요한 구조와 품질을 보완한다.
정해진 형태는 없다. 현재 상황에 가장 좋은 방법이 무엇인지 끊임없이 고민해야 한다.
2.2 작업 관리
스크럼처럼 일정한 주기로 작업을 계획하고 결과를 검토해 온 팀이라면, AI 코딩으로 달라진 구현 속도와 역할 분담에 맞춰 작업 관리 방식도 조정할 수 있다.
더 큰 작업 단위
기존에는 기능 하나를 개발할 때도 기획자와 여러 개발자가 협력했고, 구현에 많은 시간이 들었다. 담당자별로 일을 나누고 진행 상황을 확인하기 위해 작업을 비교적 작은 단위로 관리했다.
AI 코딩에서는 한 사람이 맡을 수 있는 범위가 넓어지고 구현 시간도 줄어든다. 이에 따라 여러 사람에게 나누어 맡기던 일을 하나로 묶어, 작업 단위를 더 크게 잡을 수 있다.
예를 들어 상품 검색 기능을 개발하는 데 5일 정도가 걸려, 다음과 같이 작업을 나누었다고 하자.
- 상품 검색 API 설계
- 상품 검색 API 구현
- 검색 화면 구현 및 API 연동
AI를 활용해 한 사람이 설계부터 구현·검증까지 하루 안에 마칠 수 있다면, 이 과정을 하나의 작업으로 관리하는 것이 효율적이다. 작업 관리 도구에서는 하나로 묶고, AI에게는 필요에 따라 나누어 맡길 수 있다.
더 짧은 이터레이션
AI로 작업을 빨리 마치면, 결과를 검토하고 다음 작업을 정하는 주기도 조정할 필요가 있다.
기획자가 AI로 동작하는 결과물을 먼저 만들고 개발팀에 기술 검토를 요청하면, 화면과 사용자 흐름을 설명하고 확인하기 위한 회의를 줄이거나 생략할 수 있다. 작업 항목에서 결과와 검토 의견을 주고받으면 정기 회의까지 기다리지 않고 후속 작업을 정할 수 있다.
필요한 검토와 협의를 수시로 할 수 있다면, 이터레이션 주기를 줄이거나 없애고 완료된 작업을 검토하며 다음 작업을 이어갈 수 있다. 이 과정에서도 검증을 마친 변경을 계속 통합해 사용 가능한 상태를 유지한다.
작업 관리의 자동화
작업 관리 도구를 AI와 연결하면, 개발자가 작업을 하나씩 전달하거나 결과를 옮겨 적을 필요가 줄어든다. AI가 작업 항목을 직접 읽고, 진행 상태와 결과를 갱신하도록 할 수 있다.
나는 실제 프로젝트에서 AI가 완료 보고를 작업 항목의 댓글로 남기고 상태를 갱신하도록 했다. 아래는 당시 사용한 GitHub Projects 칸반 보드다.

이렇게 작업 완료 보고를 해당 작업 항목에 모으면, 요구사항과 변경 내용, 검증 결과를 한곳에서 확인할 수 있다. 코드 저장소에 작업별 보고서를 별도 문서로 쌓아 둘 필요도 줄어든다.
AI가 작업을 마치면 우선순위와 선행 작업의 완료 여부를 확인해 다음 작업을 골라 처리하게 할 수도 있다. 작업 중 발견한 문제와 후속 작업은 관련 작업에 연결해 등록하고, 사람이 판단해야 할 내용은 표시하게 한다.
에이전트끼리 작업 항목으로 요청과 응답을 주고받을 수도 있다. 프론트엔드와 백엔드는 한 AI가 함께 다루면 조율을 줄일 수 있다. 별도로 맡아야 한다면 프론트엔드 에이전트가 필요한 API나 수정 사항을 작업 항목으로 요청하고, 백엔드 에이전트가 처리 결과를 남긴다. 프론트엔드 에이전트는 이를 확인해 연동을 이어간다.
이처럼 작업 관리 도구는 여러 AI 에이전트에게 일을 맡기고 진행 상황을 확인하며 결과를 검토하는 프로젝트의 관제센터가 될 수 있다.
2.3 설계
줄어든 설계 부담
AI를 활용하면 설계를 시작하고 구체화하는 일이 이전보다 쉬워진다. 백지 상태에서 추상적인 요구사항을 설계로 옮기는 일은 막막할 수 있다. 그러나 AI에게 원하는 기능과 조건을 설명하면 설계 초안을 얻을 수 있다. 개발자는 초안을 검토하며 빠진 요구사항을 찾고 설계를 보완할 수 있다.
요구사항을 전달받는 방식도 달라졌다. 이전에는 기획자의 설명만 듣고 프론트엔드와 백엔드 개발자가 동시에 구현을 시작해야 하는 경우도 있었다. 화면과 사용자 흐름이 구체화되지 않은 상태에서 각자 필요한 동작을 예상해야 하니, API와 전체 구조를 설계하는 일도 어려웠다.
이제 기획자는 AI로 동작하는 화면을 만들어 자신의 생각을 보여 줄 수 있다. 개발자는 그 화면을 실행해 보며 사용자 흐름과 필요한 동작을 확인하고, 이를 기준으로 API와 업무 규칙을 구체화할 수 있다.
설계를 수정하는 부담도 줄일 수 있다. 직접 코딩할 때는 대규모 리팩터링에 많은 시간과 노력이 들기 때문에 더 신중하게 설계해야 했다. 그러나 테스트가 잘 갖춰져 있다면 AI에게 리팩터링을 맡겨 수정에 드는 부담을 줄일 수 있다. 불확실한 요구사항을 미리 예상해 설계하기보다, 요구사항이 구체화됐을 때 설계를 보완하는 편이 더 효율적일 수 있다.
설계를 맡겨 보면 아직 AI는 그럴듯한 흉내쟁이처럼 보인다. 그래서 나는 AI끼리 설계와 검토를 끝내는 방식을 추천하지 않는다. 다만 설계를 검토할 숙련된 개발자가 없다면, 차선책으로 다른 AI에게 검토를 맡길 수도 있다.
기존 프로젝트 분석
UML을 활용하는 방식도 달라질 수 있다. 화면과 API만으로 동작을 충분히 구체화할 수 있다면, 요구사항을 UML로 단계적으로 정리하는 과정은 줄어들 수 있다.
내 경우에는 설계보다 새로 합류한 프로젝트를 분석할 때 UML을 더 많이 사용하게 됐다. AI에게 분석을 요청하면 글로 설명하는 경우가 많다. 복잡하거나 이해하기 어려운 부분을 UML로 그려 달라고 하면, 구성 요소의 관계와 동작 흐름을 훨씬 쉽게 파악할 수 있었다.
코드가 복잡하게 얽혀 UML로도 구조를 파악하기 어렵다면, 다시 만드는 것도 고려할 만하다. 이미 동작하는 제품이 있다면 이를 기준으로 필요한 기능을 정리하고 AI에게 분석부터 구현까지 맡길 수 있다. 구현할 기능이 분명하다면, 기존 코드를 계속 고치는 것보다 빠르게 다시 만들 수도 있다.
2.4 테스트
백엔드
AI를 활용하면 테스트 코드를 작성하는 부담도 줄일 수 있다. 작업을 설명하면 AI가 설계 초안과 테스트 코드까지 작성한다.
개발자들은 종종 AI가 작성한 기능 구현 코드를 리뷰하기 어렵다고 말한다. 테스트 코드는 AI를 제어하는 핸들과 같다. 백엔드에서는 기능 구현 코드를 가급적 AI에게 맡기고, 개발자는 테스트 코드를 검토하고 개선하는 데 집중하는 편이 효율적이다.
AI는 테스트를 필요 이상으로 작성하는 경향이 있다. 검토하지 않으면 무의미하거나 중복된 테스트가 쌓여 실행 시간이 길어진다. 특히 내부 구현에 의존하는 테스트가 많으면, 기능 구현 코드를 조금만 바꿔도 여러 테스트를 함께 고쳐야 한다. 리팩터링을 돕기 위한 테스트가 오히려 부담이 되는 것이다.
테스트는 얼마나 많이 작성해야 할까? 정해진 답은 없다. 나는 테스트 코드를 가능한 짧게 작성하되, 커버리지는 100%로 유지한다. 커버리지는 테스트 작성을 빠뜨린 부분이 있는지 확인하는 데 쓴다.
커버리지 100%는 과하다는 의견도 있지만, 적어도 백엔드에서는 동의하기 어렵다. 테스트할 의미가 없는 코드는 이유를 명시하고 커버리지 측정 대상에서 제외하되, 나머지 코드는 빠짐없이 테스트한다. AI 코딩으로 테스트 작성이 쉬워진 만큼, 대부분의 프로젝트에 이 기준을 적용해도 되지 않을까 생각한다.
나는 시스템의 한계를 측정하는 부하 테스트는 자주 실행하지 않지만, 동시성 테스트는 남는 PC에서 24시간 돌린다. 동시성 문제는 사소한 변경으로도 생길 수 있는 반면, 재현과 원인 파악이 어렵고 데이터 손상처럼 치명적인 결과로 이어질 수도 있기 때문이다.
프론트엔드
나는 프론트엔드 테스트 코드를 거의 작성하지 않는다. 화면 변경에 따라 테스트를 고치는 데 드는 노력에 비해 효과가 크지 않다고 느끼기 때문이다. 비개발자가 AI로 프론트엔드를 만드는 상황에서 테스트 코드의 작성과 유지까지 기대하기도 어렵다.
대신 클릭이나 입력을 무작위로 반복하는 몽키 테스트를 24시간 돌려, 예상하지 못한 조작 순서에서 발생하는 예외를 잡는다. 모든 오류를 찾을 수는 없지만, 화면 변경에 따른 테스트 수정 부담이 적어 비용 대비 효과가 좋다.
지금까지 소개한 방법은 한 예일 뿐, 테스트 전략은 프로젝트에 맞게 달라져야 한다.
2.5 개발 환경
코드 품질 관리
AI가 코드를 빠르게 생성하면서 개발자가 모든 변경을 직접 리뷰하기는 어려워졌다. 이제 코드 품질을 유지하기 위해 린터와 포매터처럼 코딩 규칙을 점검하는 도구에 더 많이 의지해야 한다.
기존에는 작은 개발 조직에서 이런 도구를 세심하게 설정할 여유가 부족했을 수 있다. 그러나 이제는 필요한 규칙을 설명하면 AI가 설정해 준다.
한 예로, 나는 백엔드에서 서비스를 작게 나누고, 서비스 간 의존 관계를 제한하는 아키텍처를 선호한다. 기존에는 이 규칙을 어긴 코드가 없는지 직접 점검했다. 그런데 AI에게 규칙을 설명하고 린터로 점검 가능한지 물었더니 바로 설정을 해줬다. AI가 아니었다면 이게 가능하다는 사실도 몰랐을 것이다.
가능하면 린터가 제공하는 규칙을 최대한 활용하되, 꼭 필요한 규칙이 없다면 직접 만들어 추가할 수도 있다.
그 외, 린터로 검사하기 어려운 항목은 검토 기준을 정해 AI가 프로젝트 전체를 주기적으로 점검하게 한다.
저장소와 작업 공간
기존에는 프론트엔드와 백엔드처럼 담당 영역별로 저장소를 나누어 관리하는 경우가 많았다. 각 담당자가 자신이 맡은 코드와 개발 환경에 집중하기 편했기 때문이다.
그러나 한 AI에게 프론트엔드와 백엔드의 구현을 함께 맡긴다면, 관련 프로젝트를 하나의 저장소에서 관리하는 모노레포가 편리하다. API를 바꾸면서 이를 호출하는 화면도 함께 수정하고, 관련 변경을 하나의 커밋으로 관리할 수 있다.
저장소와 마찬가지로 작업 공간도 하나로 통합하는 것이 좋다.
최근 진행한 프로젝트에서는 안드로이드 키오스크 앱과 백엔드의 작업 공간이 분리되어 있었다. 안드로이드 앱은 개발 PC에서 실행해야 했고, 백엔드는 원격 서버에서 실행하고 있었다.
앱에서 결제한 뒤 백엔드가 제대로 처리하는지 확인해야 했는데, 각 작업 공간에서 AI 에이전트를 따로 실행하고 있어 두 에이전트의 작업을 조율해야 했다.
고육지책으로 각 에이전트가 작업 게시판을 통해 필요한 작업을 요청하고, 상대의 요청을 확인해 처리하도록 했다. 두 프로젝트의 저장소와 작업 공간을 통합해, 한 에이전트가 앱과 백엔드를 함께 수정하고 검증하도록 구성했다면 더 편했을 것이라는 아쉬움이 남는다.
중요한 것은 AI가 맡은 작업을 사람의 개입 없이 끝낼 수 있는 환경이다.
3. AI 코딩에서 하지 말아야 할 일
3.1 AI의 답변을 단순 중계
AI의 답변을 검토 없이 그대로 전달하기만 하는 단계가 있다면, 그 단계를 생략할 수 없는지 고민해 볼 만하다.
예를 들어, 팀장이 AI에게 작업 계획을 세우거나 프로젝트의 개선점을 찾으라고 한 뒤, 그 답변을 검토 없이 팀원에게 그대로 전달하는 경우가 있다. 이럴 거면 차라리 AI에게 입력한 프롬프트를 팀원에게 그대로 전달하는 게 낫다.
AI가 작업을 완료했다고 하면, 결과를 검증하지 않고 그대로 완료됐다고 보고하는 개발자도 있다. 다른 사람에게 검증을 떠넘겨 팀에 피해를 주는 행동이다.
예전에 팀원이 “제가 아는 분이 그랬다”면서 자신이 옳다고 주장하는 일이 있었다. 이 말을 듣고 나는 잠시 당황했다. 누구인지도 모르는 사람이 맞다고 했다는데 나보고 어쩌란 말인가.
그런데 이제는 “AI가 이게 맞다고 했다”며 주장하는 경우가 있다. AI의 의견을 검토 없이 주장의 근거로 삼는 것도 단순 중계다.
개발자가 AI의 답변을 그대로 전달하는 일을 계속하면 팀에 불필요한 존재가 된다는 것을 명심해야 한다.
3.2 무의미한 문서 생성
개발자든 비개발자든 부실한 개발 문서에 맺힌 한을 풀어내듯 이제는 AI로 자잘한 것까지 문서로 남기는 일이 자주 보인다.
내 생각에 불필요한 문서를 만드는 데는 두 가지 이유가 있는 것 같다.
하나는 없는 것보다 낫다는 생각이다. 문서가 있으면 다른 누군가에게 도움이 될 거라는 막연한 기대다.
다른 하나는 책임 회피다. 문서에 적어 놨으니 읽지 않은 사람의 잘못이라고 주장하기 위해서다.
어느 쪽이든 정작 자신은 그 문서를 읽지 않는다는 공통점이 있다.
동작하지 않는 문서는 최소화하는 게 좋다. 코드가 바뀔 때마다 관련 문서를 업데이트한다는 보장이 없기 때문이다.
규칙이나 절차 같은 것은 문서로 설명하기보다는 스크립트로 만들거나 린터를 설정하거나 테스트를 작성하는 게 더 낫다.
최상위 아키텍처나 설계 의도처럼 코드만으로 알기 어렵고 쉽게 바뀌지 않는 정보가 문서로 남길 가치가 있는 것들이다.
개별 작업의 진행 상황이나 완료 보고는 작업 관리 도구에 남긴다.
AI 코딩에서는 AI에게 궁금한 것을 물어보면 언제든지 코드를 분석하고 알려주기 때문에 소스코드가 곧 문서다. 코드를 분석하면 쉽게 알 수 있는 정보는 문서로 만들면 안 된다.
3.3 주사위 던지기
팀장은 팀원의 역량을 고려해서 작업을 맡기기 마련이다. 간혹 팀원에게 버거운 작업을 맡기기도 하지만 그런 경우 실패해도 책임을 묻지 않는다.
AI의 작업 결과가 마음에 들지 않는다고 불만을 쏟아내는 개발자들이 종종 있다. 기대와 다른 결과가 나왔다면 작업 지시에 어떤 문제가 있었는지 검토해야 한다.
문제의 원인을 그대로 두고 마음에 들 때까지 AI에게 재작업을 시키는 것은 주사위를 던지는 것과 같다. 당장은 몇 번의 재시도로 원하는 결과를 얻을 수 있을지도 모른다. 그러나 프로젝트가 복잡해질수록 더 많은 운이 필요해질 것이다.
운에 기댈수록 프로젝트의 주도권은 AI에게 넘어가고, 결국 뜻대로 프로젝트를 진행하기 어려워질 것이다.
3.4 운영 환경 접근 허용
AI에게 운영 환경 접근 권한을 주고 배포나 장애 대응을 지시하는 경우가 있다. 그러나 AI는 언제든지 실수할 수 있다.
AI의 DB 접근만 막으면 괜찮다고 생각할지도 모르겠다. 그러나 백엔드 코드를 고쳐 애플리케이션을 통해 데이터를 변경할 수 있다.
읽기 전용 권한만 줬다고 안심할 수도 없다. 권한을 잘못 설정해 쓰기 권한이 포함됐을 수도 있고, 다른 도구나 계정에는 변경 권한이 남아 있을 수도 있다. AI가 작업을 끝내기 위해 다른 접근 경로를 시도하다가 의도하지 않은 변경을 일으킬 가능성도 고려해야 한다.
AI가 운영 환경에 접근할 수 있다면 언젠가 어떤 식으로든 사고가 일어난다고 생각해야 한다.
안전장치는 사람의 실수나 장치의 결함으로 무너질 수 있으므로 이중, 삼중으로 마련해야 한다. 그 출발점은 AI가 운영 환경에 접근하지 못하게 하는 것이다.
4. 개발자의 학습법
AI가 구현을 대신하면 개발자는 무엇을 배우고 어떤 경험을 쌓아야 할까?
4.1 소프트웨어 공학의 기본에 집중하기
작년까지 나는 디자인 패턴이나 TDD 같은 소프트웨어 공학 기법에 관심을 갖는 팀원들에게 공부해 봤자 누가 알아주는 것도 아니고 제대로 평가받지 못한다고 조언했다.
소프트웨어 공학을 잘 아는 개발자가 많지 않아 자신의 역량을 제대로 평가받기 어렵다. 디자인 패턴에 관심이 있다고 하면 오히려 안 좋게 보는 경우도 많았다. 차라리 React나 Vue, Java, Node.js 등 다양한 기술을 섭렵한 개발자가 더 높이 평가됐다.
물론 그전에도 소프트웨어 공학은 중요했다. 다만 작은 프로젝트에서는 그 중요성이 덜 드러났을 뿐이다.
그런데 AI의 등장으로 생각이 완전히 바뀌었다. AI의 빠른 구현 속도를 감당하려면 설계와 테스트 자동화 같은 소프트웨어 공학 역량이 필수다. 반면에 React나 Java 같은 응용 기술로 AI와 경쟁하기 어려워졌다.
소프트웨어 공학은 서로 연결된 지식을 모두 이해해야 하기 때문에 특히 어렵다. 예를 들어 객체지향 프로젝트에서 TDD를 활용하려면 OOP와 분석·설계에 대한 깊은 이해가 필요하다. 연결된 지식을 제대로 이해하지 못하면 프로젝트의 생산성 향상에 큰 도움이 되지 않는다.
AI로 개발이 쉬워졌을지 몰라도 개발자에게 요구되는 역량은 더 높아진 것이다.
4.2 직접 코딩하기
AI가 구현을 대신해 주니 직접 코딩할 기회는 거의 사라졌다. 그러나 직접 코딩하며 어떤 문제가 생길 수 있는지, 현재 구조의 장단점은 무엇인지, 더 나은 구조는 없는지 고민하는 과정은 여전히 필요하다.
함수나 클래스 같은 작은 단위부터 모듈이나 여러 서비스로 구성된 시스템까지, 좋은 구조에는 낮은 결합도와 높은 응집도라는 공통된 원칙이 있다. 직접 코딩하며 익힌 사고방식은 더 큰 구조를 판단할 때도 쓰인다. 이런 경험이 쌓여야 AI가 구현한 코드를 직접 보지 않아도 무엇이 잘못될 수 있는지 예상하고, AI에게 검토를 지시할 수 있다.
테스트 코드도 직접 작성해 봐야 효율적이고 의미 있는 테스트가 무엇인지 알 수 있다. 이런 경험 없이 AI에게 테스트 작성을 맡기면 무의미한 테스트가 산처럼 쌓여도 문제를 파악하기 어려울 것이다.
새 프로젝트의 초기 구현만 반복하면 비슷한 고민에 머물기 쉽다. 하나의 프로젝트를 계속 고치며 구조를 개선하는 경험을 쌓는 것을 추천한다.
프로젝트가 문제없이 동작하면 굳이 더 고칠 이유가 없다고 생각할 수 있다. 학습용 프로젝트에서 중요한 것은 얼마나 잘 만들었느냐다. 더 잘 만드는 데에는 끝이 없다. 반복해서 고치는 일이 지겹게 느껴지더라도 무엇이 문제인지 집요하게 고민해야 한다.
학습에 지름길은 없다. 고민하는 만큼 성장할 수 있다.
5. 마치며
AI로 인해 개발 방법이 근본적으로 바뀐 것은 아니다. 분석·설계·구현·검증이라는 기본 과정은 그대로다. 다만 개발자 개개인에게 변화가 크게 느껴지는 것은 자신이 해야 할 일이 달라졌기 때문이다.
직접 구현하던 때에는 자신이 맡은 영역의 언어나 프레임워크에 집중해도 일을 해낼 수 있었다. 작은 프로젝트에서는 TDD 같은 개발 방법이 필수는 아니었고, 설계가 부족해도 직접 코드를 고치며 어떻게든 문제를 해결할 수 있었다.
설계와 테스트 자동화, 체계적인 작업 관리는 원래 큰 프로젝트에서 더 필요했던 것들이다. 이제는 한 개발자가 AI에게 구현을 맡겨도 프로젝트가 빠르게 커진다. 이 규모를 감당할 역량이 개발자 개인에게 갑자기 요구된다는 점이 AI 코딩이 어려운 근본적인 이유다.
AI 코딩이 보편화되면서 누구나 어느 정도 개발을 할 수 있게 됐다. 이런 상황에서 개발자의 가치는 AI를 의도한 방향으로 끌고 가는 역량에 있다. 스스로 판단하고 검증하지 않은 채 AI에게 끌려가기만 하는 개발자의 설 자리는 빠르게 사라질 것이다.
개인적인 생각
개발자는 사라지게 될까?
AI의 발전 속도가 눈부시다. AGI를 이미 달성했다는 주장도, 멀지 않았다는 전망도 나온다. 그런데 AI가 지금 같은 발전 속도를 유지할 수 있을까? 아직은 두고 봐야 한다. 나는 현재의 성과만으로 AI가 인간의 사고 전반을 넘어설 것이라고 확신하기는 어렵다.
AI가 더 발전해서 개발자라는 직업도 언젠가는 사라질지 모른다. 다만 개발자를 완전히 대체할 정도라면, 남아 있을 직업도 많지 않을 것이라고 생각한다. 개발이 재미있다면 계속 나아가도 좋겠다.
신입 개발자는 이제 필요 없는 걸까?
신입 채용이 줄었다는 이야기는 개발뿐 아니라 변호사나 회계사 같은 분야에서도 들린다. 나는 신입이 필요 없어진 것이 아니라 AI로 당장의 인력 수요가 줄어든 것이라고 생각한다.
개발이 쉬워질수록 프로젝트의 규모는 커질 것이고, 이를 감당할 역량을 갖춘 개발자는 계속 필요할 것이다.
지금까지는 학원에서 6개월 과정을 마치고 개발자로 취업하는 경우도 많았다. 앞으로는 4년제 대학에서 열심히 공부해도 필요한 역량을 갖추기 쉽지 않을지도 모른다. 개인적으로는 개발자가 더 높은 전문성을 요구받게 되는 변화를 환영한다.
신입 개발자는 시니어 개발자와 경쟁할 수 있을까?
여러 언어나 프레임워크를 다뤄 온 경력이 AI 코딩에서 큰 우위가 되지는 않는다. 내가 만난 시니어 개발자 중에서 설계와 테스트 같은 소프트웨어 공학 역량을 꾸준히 쌓아 온 사람은 드물었다. 신입이라도 이런 역량을 갖춘다면 경쟁할 기회가 있다고 생각한다.