AI 시대의 커리어 조언 - 문제를 푸는 능력보다 찾고 선택하는 능력

• AI는 정답과 평가 기준을 명확히 정의할 수 있는 문제에서 빠르게 발전하므로, 앞으로의 가치는
  훈련 과정 안에서 채점하기 어려운 문제를 발견하고 선택하는 능력에서 나옴
• 소프트웨어와 자본에 대한 접근은 쉬워졌지만 시간과 좋은 인간관계, 평판은 여전히 희소하므로, 단기적인 수입보다 의미 있는 일과 뛰어난 동료에 투자할 필요가 있음
• 에이전트가 잘 정의된 복잡한 작업을 해결할수록 사람은 어떤 문제에 시간과 토큰을 배분할지 결정하고, 환경을 이해해 해결할 가치가 있는 문제를 찾아야 함
• 누구나 기본적인 결과물을 만들 수 있게 되면서 평균적인 완성도의 가치는 낮아지고, 더 야심 찬 문제를 선택해
  마지막 10%의 완성도와 차별성까지 밀어붙이는 역량이 중요해짐
• 좋은 기회를 접할 확률과 실제 성과로 바꾸는 효율을 함께 높여야 하며, 연구 역시 직함보다 호기심과 실험, 시스템 이해와 결과 설명을 반복하는 태도에서 시작할 수 있음

학교가 가르치는 문제와 AI가 잘하는 문제

• AI 모델은 손실 함수와 평가 기준을 정의할 수 있는 작업에서 반복적인 학습을 통해 빠르게 좋아짐
• 학교 교육의 많은 부분도 정답이 알려진 문제를 풀고 그 답과 비교해 점수를 받는 구조
• 따라서 문제집과 시험에서 높은 성과를 내는 능력은 AI가 가장 빠르게 따라잡는 영역일 수 있음
• 앞으로 더 가치 있는 일은 모델 학습 기간 안에 정답을 만들고 채점하기 어려운 문제에 있음
• 무엇이 중요한 문제인지, 성공이 어떤 모습인지, 해결에 어느 정도 자원을 쓸 가치가 있는지를 정하는 일은 명확한 손실 함수로 표현하기 어려움
• 초기 경력자는 에이전트가 문제를 풀 수 있다는 사실에 낙담하기보다,
  어떤 문제를 왜 풀어야 하는지 판단하는 능력을 길러야 함

돈보다 희소한 시간과 관계, 평판에 집중하기

• Scale AI에 합류하기 전 더 많은 현금을 보장하는 퀀트 업계 제안도 받았지만, 다양한 제품과 뛰어난 사람을 접할 기회를 선택함
• Scale에서 LLM 추론 업체와 여러 응용 사례를 경험한 것이 이후 DeepMind와 OpenAI의 기회로 이어짐
• 당시 함께 일한 동료들은 이후 창업자 커뮤니티를 형성했고, 이 네트워크와 학습 기회는 포기했던 단기 보상보다 더 큰 가치가 됨
• AI 코딩과 자본 시장의 변화로 제품을 만들고 초기 자금을 구하는 일은 이전보다 쉬워짐
• 반면 실제 시간, 신뢰할 수 있는 인간관계와 관련 분야에서 입증된 평판은 여전히 복제하기 어려운 자원
• 학교와 프로젝트, 인턴십과 직장을 선택할 때 당장 돈을 벌기 쉬운 작업보다 의미 있다고 생각하는 문제에 집중할 것을 권함
• 좋은 일을 하고, 그 결과가 좋은 일을 하는 신뢰받는 사람들에게 알려지도록 만드는 과정이 장기적인 기회를 늘림

문제 해결만큼 문제 발견을 배우기

• 에이전트를 기본 작업 방식으로 사용하는 회사에서는 전통적인 LeetCode 문제와 일반적인 시스템 설계 면접이 실제 성과와 잘 연결되지 않을 수 있음

• 작성자의 회사는 사람이 코드를 직접 입력하지 않는 에이전트 중심 환경으로 운영돼, 후보자의 평가 방식도 이에 맞춰 바꿈

• 면접에서는 다음 능력을 살펴봄

• 처음 주어진 환경을 빠르게 이해함

• 해결할 가치가 있는 문제를 찾아냄

• 기존 환경과 제약을 존중하면서 실제 해결까지 수행함

• 강력한 에이전트가 잘 정의된 복잡한 문제를 맡을 수 있을수록 사람의 역할은 문제 선택과 자원 배분으로 이동함

• 같은 에이전트를 사용하더라도 후보자마다 답에 도달하는 시간과 소비하는 토큰에는 큰 차이가 있었음

• 좋은 후보자는 높은 수준의 직관과 외부 맥락을 제공해 에이전트가 불필요한 탐색을 하지 않도록 이끎

• 개인 프로젝트나 빠르게 성장하는 회사처럼 해결할 문제의 수가 사람보다 많은 환경에 몰입한 경험이 이러한 능력을 기르는 데 도움이 됨

가장 야심 찬 형태의 문제를 선택하기

• 연구의 쓴 교훈(Bitter Lesson)은 사람이 설계한 개별 최적화보다 계산량을 확장할 수 있는 일반적인 방법이 장기적으로 더 강해진다는 관점

• 문제와 회사를 선택할 때도 작은 응용 사례보다 같은 문제의 더 일반적이고 야심 찬 형태를 해결하는 곳을 찾으라고 제안함

• AI로 기본 소프트웨어를 만드는 장벽이 낮아지면서 단순한 제품은 누구나 비교적 쉽게 만들 수 있게 됨

• 쉽게 복제 가능한 기능만으로는 오래 유지되는 가치를 만들기 어려우며, 큰 문제에 집중하고 해결하기 어려운 부분까지 다뤄야 함

• 회사를 평가할 때는 두 가지를 확인할 필요가 있음

• 해당 분야에서 가장 야심 찬 형태의 문제를 풀고 있는가

• 그 문제를 실제로 해결할 팀과 기술, 시장 기회를 갖췄는가

• 역할을 고를 때도 회사가 해결하려는 핵심 문제의 최전선에서 직접 일할 수 있는지 살펴야 함

• 현재 제품만 보고 초기 회사를 평가하기보다 팀과 시장을 봐야 하며, 좋은 팀의 제품은 시간이 지나면서 크게 달라질 수 있음

마지막 10%가 결과의 차이를 만듦

• 제품의 마지막 10%는 전체 작업의 90%를 요구하지만 보상의 90%도 만들어낸다는 관점을 적용함
• 에이전트가 대충 작성한 프롬프트만으로 만들어내는 결과가 새로운 평균이 되면서, 기본적인 구현 자체는 차별점이 되기 어려움
• 가치는 특정 문제에 대한 고유한 관점과 세부 사항을 끝까지 다듬는 실행력에서 나옴
• 첫 시도부터 완벽한 결과를 기대하기보다 반복하면서 다음 버전에 배운 내용을 반영해야 함
• 에이전트와 모델의 발전 속도가 빠른 경우 기존 구현을 계속 수선하기보다, 이전 시도에서 얻은 교훈을 가지고 새 세대의 도구로 다시 시작하는 편이 나을 수도 있음
• 개인 프로젝트에서도 조금 더 시간을 들여 완성도, 깔끔한 아키텍처, 확장성, 창의성을 개선하는 연습이 필요함
• 빠르게 무언가를 만든 경험보다
  평균적인 결과를 뛰어넘을 때까지 반복한 흔적이 후보자를 구분함

기회의 수와 성공 전환율 함께 높이기

• 축구의 기대 득점인 xG는 거리와 각도, 골키퍼 위치 등을 바탕으로 얼마나 좋은 득점 기회를 만들었는지를 나타냄
• 효율은 그 기회를 실제 득점으로 바꾸는 비율
• 커리어에서도 좋은 기회를 접할 가능성과 그 기회를 올바르게 선택하고 성과로 만드는 능력이 모두 필요함
• 작성자는 2023년과 2024년에 초기 Anthropic과 Cursor의 제안을 거절하고 DeepMind와 OpenAI를 선택한 개인 경험을 소개함
• 결과만 놓고 어떤 선택이 최선이었는지 판단하기보다 당시의 관심 분야와 문화, 목표에 맞는 결정을 했다고 평가함
• Cursor와 Anthropic의 기회도 관련 분야에서 쌓은 평판과 개인적으로 투자한 연구 경험을 통해 들어왔음
• 모든 기회가 성공으로 이어지지는 않지만 좋은 사람과 문제 가까이에 있어야 기회를 볼 가능성도 높아짐
• 기회를 많이 만드는 것만큼 충분한 정보를 수집하고 자신의 기준으로 선택해 실제 결과를 내는 효율도 중요함

AI가 모든 지식 노동을 같게 만들지는 않음

• 미래의 강력한 AI가 잘 정의된 작업 대부분을 수행해도 사람마다 선택하는 문제와 자본 배분 방식은 다를 것으로 봄
• 같은 시스템을 사용할 수 있어도 무엇을 중요하게 여기고 어떤 문제에 자원을 투입하는지에 따라 결과가 달라짐
• 사람의 차별성은 모델보다 더 많은 사실을 기억하는 데서 나오기보다, 가치 있는 목표를 설정하고 제한된 자원을 배분하는 판단에서 나옴
• 팀과 시장이 좋은 초기 회사를 고르는 일도 현재 제품의 기능 목록보다 이러한 판단 능력을 평가하는 과정에 가까움
• 경력이 길어질수록 문제 해결 속도뿐 아니라 어떤 환경과 사람, 문제를 선택했는지가 누적돼 다음 기회를 결정함

지금도 연구에 들어갈 수 있음

• 연구를 시작하려면 반드시 프런티어 연구소의 직함이나 대규모 자체 인프라가 먼저 필요한 것은 아님

• 현재 공개된 모델을 사용하고 자신의 직관을 평가 기준으로 구체화하는 것부터 연구를 시작할 수 있음

• 공개 최적화 리더보드는 아이디어를 구조적으로 시험하고 다른 접근과 비교할 수 있는 공간

• Modal 같은 연산 제공업체가 학계에 제공하는 크레딧을 활용해 실험 비용을 줄일 수도 있음

• 많은 아이디어는 규모를 키우면 실패하지만, 왜 실패하는지 이해하는 과정이 무엇이 실제로 작동하는지 배우는 출발점

• 연구자의 실제 작업은 다음 요소가 섞여 있음

• 새로운 아이디어를 탐색할 만큼의 호기심

• 인프라 문제를 해결하며 실험을 구현하는 끈기

• 오류를 빠르게 찾을 수 있는 전체 시스템에 대한 깊은 이해

• 결과의 가치를 설명해 더 많은 연산 자원을 확보하는 능력

• 연구는 특정 직업명보다 이러한 활동을 반복하는
  사고방식과 행동 방식에 가까움

개인 경험에 기반한 조언

• Scale AI와 DeepMind, OpenAI, 초기 스타트업과 대기업에서 일한 6년간의 경험과 현재 에이전트 중심 회사를 채용하는 관점에서 나온 조언
• 노동시장 전반의 변화를 실증적으로 분석한 연구라기보다, 빠르게 변하는 AI 업계에서 초기 경력자가 무엇을 연습해야 하는지에 대한 개인적 견해
• 핵심은 코딩이나 문제 해결이 더 이상 필요 없다는 것이 아니라, 그 위에
  문제 발견과 선택, 자원 배분, 마지막 완성도를 더해야 한다는 것
• 여전히 기회는 많지만 의미 있는 문제를 찾고 뛰어난 결과를 만들어내는 사람에게 더 큰 보상이 집중될 것이라는 전망

댓글과 토론