AI 시대의 전문성

2026-05-12

태그: llms

코딩 에이전트 (coding agents)의 시대에 주니어 엔지니어를 채용하는 것이 의미가 있을까요?

주니어 엔지니어는 급여 측면에서나 시니어 엔지니어의 시간 측면에서나 비용이 많이 듭니다. 과거에는 코드 기여를 통해 이 비용을 부분적으로 회수할 수 있었지만, 오늘날에는 시니어 엔지니어의 산출물을 직접적으로 극대화하는 것이 더 효과적입니다. 채용 시장은 이러한 추세를 반영하고 있습니다. 시니어 엔지니어는 직장을 구하기 쉬운 반면, 컴퓨터 과학 (CS) 전공 졸업생들은 역대 최악의 시기를 보내고 있습니다. 그럼에도 불구하고 OpenAI, Anthropic, 그리고 많은 상위 기업들은 여전히 주니어 인재를 확보하기 위해 치열하게 경쟁하고 있습니다. 도대체 무슨 일이 일어나고 있는 걸까요?

이 에세이에서 저는 AI 시대에 변화하는 전문성의 본질에 대해 탐구해 보고자 합니다.

수학을 통한 비유

반세기 전 AI의 순간을 맞이했던 수학의 관점에서 AI의 영향을 생각해 보는 것이 도움이 된다고 생각합니다.

과거에는 수학 계산을 정확하고 빠르게 수행할 수 있는 사람을 뜻하는 "계산수 (calculator)"라는 직업이 있었습니다. 이들은 장부를 정리하고, 거리와 바람의 조정을 바탕으로 포병의 사격 각도를 계산하며, 선박과 항공기 동체의 최적 형상을 계산하는 등의 일을 했습니다. 이 직업은 더 이상 존재하지 않으며, 주판과 계산척 (slide rules)이 진지하게 사용된 마지막 시기는 과학용 계산기의 발명으로 인한 1970년대였습니다. 계산기는 시간이 흐를수록 더욱 정교해졌으며, 오늘날의 수치 모델링 소프트웨어 (numerical modeling software)는 전체 규모의 물리 및 공학 시뮬레이션을 실행합니다. (이 에세이의 목적을 위해, 저는 "계산수"라는 용어를 기초적인 계산기부터 모델링 소프트웨어에 이르기까지 모든 것을 의미하는 용어로 사용하겠습니다.)

계산기의 존재에도 불구하고, 우리는 고등학교에서 사람들이 대수학 (algebra), 기하학 (geometry), 미적분학 (calculus)을 배우고 익히기를 가르치고 기대합니다. 대학 수준으로 넘어가면, STEM 전공자들이 다변수 미적분학 (multivariable calculus), 상미분 방정식 (ODEs), 편미분 방정식 (PDEs), 통계학 (statistics), 그리고 선형 대수학 (linear algebra)을 배우기를 기대합니다. 졸업할 때쯤이면 그들 중 대다수는 매일 계산기를 사용하며, 가장 기본적인 암산 외에는 모든 계산 방법을 잊어버립니다.

이러한 불일치에 대해서는 두 가지 기본적인 설명이 가능합니다:

• (신호 가설 (Signaling hypothesis)): STEM 학위는 어려운 수학을 4년 동안 배우고 인내할 수 있는 사람들을 걸러내는 역할을 합니다.
• (기술 가설 (Skills hypothesis)): 수학 수업을 통해 고군분투하는 과정에서, 오늘날의 계산기(coding agents)를 작동시키는 데 가치 있는, 수치화하기 어려운 수학적 직관 (mathematical intuition)이 전달됩니다.

과거에는 신호 가설을 강력하게 믿었던 사람으로서, 저는 이제 점점 더 기술 가설을 믿게 되고 있습니다 (각 원인에 대한 기여도를 각각 약 50%라고 가정해 봅시다). 오늘날의 시니어 엔지니어들이 주니어 엔지니어들보다 코딩 에이전트 (coding agents)를 사용하는 능력이 훨씬 뛰어나다는 점은 명확하며, 이 중 상당 부분은 5년 이상의 수동 코딩 경험을 통해 고군분투하며 얻은 결과입니다.

변화하는 채용 시장

현재 코딩 에이전트에 추가적인 프롬프트를 입력 (additively prompt)하는 데 필요한 컴퓨팅 직관 (computing intuition)의 수준은 대략 5년 차 경력 수준에 해당합니다. 오늘날의 시니어들은 자신의 컴퓨팅 직관을 쌓는 과정에서 보수를 받을 수 있었던 행운을 누렸지만, 코딩 에이전트가 계속 발전함에 따라 그 격차는 커지고 있습니다.

코딩 에이전트의 발전과 학습 적성의 자연적인 차이 사이에서, 아마도 새로운 컴퓨터 과학 (CS) 졸업생의 약 50%는 영원히 따라잡지 못할 수도 있습니다. 일부 시니어 엔지니어들 또한 초기 우위를 점했음에도 불구하고 결국 변화의 곡선 뒤처지게 될 것입니다.

이 에세이의 서두에 던진 질문에 답하자면: 오직 일부 주니어 엔지니어만이 채용할 가치가 있습니다. 구체적으로는, 졸업 후 약 2~3년 이내에 유용한 수준의 "코딩 직관 (coding intuition)" 임계값에 도달할 수 있을 만큼 충분히 뛰어난 사람들입니다. 이러한 졸업생은 그리 많지 않기 때문에, 소수의 엘리트 기업들이 이 인재를 확보하기 위해 치열하게 경쟁합니다.

2류 소프트웨어 컨설턴트 계층은 계속 성장하여 전체 채용 시장의 규모를 확장하겠지만, 그들의 급여가 오늘날의 시니어 엔지니어들만큼 빠르게 성장할 것이라고는 예상하지 않습니다.

모두가 약간의 코딩은 배워야 한다

소프트웨어 엔지니어링 (Software Engineering) 분야에 진입하기 위한 문턱이 높아지고 있음에도 불구하고, 저는 여전히 모든 사람이 약간의 코딩은 배워야 한다고 생각합니다. 너무나 자주, 사람들이 컴퓨터를 단순히 만들어진 기능만 수행할 수 있는 가전제품처럼 취급하는 것을 봅니다. 만약 당신이 컴퓨터를 스크립트 작성 (Scriptable) 또는 프로그래밍 (Programmable)이 가능한 대상으로 생각하지 않는다면, AI에게 무언가를 자동화해 달라고 요청할 생각조차 하지 못할 것입니다! 이는 다른 많은 분야에도 마찬가지로 적용됩니다! 수학, 법률, 세무, 의학, DIY 주택 수리 등등... 질문하는 방법만 안다면, 이제 풍부하고 저렴한 전문 지식을 월 20달러에 이용할 수 있습니다.

제가 생각하는 주요 단계별 성취는 다음과 같습니다:

• 1~2주: 해당 분야가 무엇인지에 대한 기본적인 이해와 AI에게 무언가를 요청할 때 사용할 일반적인 용어 습득.
• 1~2개월: AI에게 무엇을, 어떻게, 언제 요청해야 하는지에 대한 기본적인 이해.
• 4~6개월: (필요에 따라 외부 자료를 활용하여) 출력 결과의 정확성을 검증할 수 있는 능력.

만약 당신이 이미 소프트웨어 엔지니어라면, 데이터 과학 (Data Science), 프론트엔드 (Frontend), 백엔드 (Backend), 보안 (Security), 그리고 성능 최적화/프로파일링 (Performance Optimization/Profiling) 등을 조금씩 시도해 볼 수 있을 것입니다. 이들은 모두 별개의 기술 세트 (Skillsets)입니다.

다음은 데이터 과학에서의 "어떻게 + 언제 + 정확성"에 대한 예시입니다: 한 동료가 데이터 세트에 대해 상관관계 분석 (Correlational Analysis)을 수행하던 중, 무슨 일이 일어나고 있는지 이해하는 데 어려움을 겪고 있었습니다. 저는 그에게 말 그대로 Claude에게 "NMF를 사용하여 더 보기 좋게 만들어줘"라고 요청해 보라고 제안했습니다. 그러자 갑자기 유용한 클러스터 (Clusters)들이 나타나기 시작했습니다.

(이 프롬프트의 확장 버전: 쌍별 거리 행렬 (Pairwise Distance Matrix)에 NMF를 적용하면 k개의 클러스터 중심점 (Cluster Centroids)과 클러스터 멤버십 점수 (Cluster Membership Scores)를 얻을 수 있습니다. argmax(클러스터 점수)에 따라 원래의 거리 행렬을 재정렬하면 클러스터가 강조됩니다. 여기서 "어떻게"는 "NMF"라는 키워드를 아는 것이고, "언제"는 "거리 행렬에서의 클러스터링 (Clustering on distance matrices)"이며, "정확성"은 이를 사용하기 위한 전제 조건을 아는 것입니다.)

결론

결론

숙제를 스스로 하세요! AI에 대해 이상하리만큼 흔하고 허무주의적인 견해 중 하나는, 너무 열심히 노력하지 말고 그저 AI를 사용해 수업 과정을 스피드런 (speedrun) 하라는 것입니다. 저는 이것이 아마도 가능한 최악의 대응일 것이라고 생각합니다. 직접 과업을 수행하는 것이 숙련도 (mastery)를 쌓는 가장 좋은 방법이며, 여러분이 중학교 수학 시간에 계산기를 사용하지 못했던 것처럼, 수업 과제를 수행할 때 AI 사용을 자제해야 합니다. 계산기에 대한 조언은 제가 어렸을 때 거만하게 들렸고, 이 AI에 대한 조언도 아마 비슷하게 들릴 것입니다. 하지만 저는 이것이 진정으로 여러분 자신을 위한 것이라고 믿습니다. 이 조언은 졸업 후에도 계속 유효합니다. 적어도 한 번은 직접 손으로 해보기 전까지는 AI를 사용하지 마세요.