코드 생성, 설계서 초안 작성, 테스트 코드, 로그 분석, 장애 대응의 원인 분류, 클라우드 구성안——생성형 AI (Generative AI)는 IT 현장의 작업들을 차례차례 대신 수행하기 시작했습니다. 얼핏 보면 이는 단순한 생산성 향상의 이야기로 보입니다. Microsoft, Accenture, Fortune 100 기업의 개발자 4,867명을 대상으로 한 필드 실험에서는 AI 코딩 어시스턴트 (AI Coding Assistant)를 활용함으로써 태스크 완료 수가 약 26% 증가했다고 보고되었습니다 (Microsoft Research, 2024).

하지만 신경과학자이자 AI 연구자인 **비비안 민 (Vivienne Ming)**이 제시하는 관점을 IT 현장에 대입해 보면, 문제는 조금 더 심각합니다. AI가 빼앗는 것은 '일'만이 아닙니다. 경우에 따라서는 전문성을 습득하기 위해 필요했던 생각하는 과정 그 자체를 조용히 마모시킬 가능성이 있습니다——그렇게 읽는다면 논의의 초점이 바뀝니다.

IT 기술자가 앞으로 물어야 할 것은 "AI로 얼마나 빨리 만들 수 있는가"만이 아닙니다. 오히려 **"AI를 사용한 결과, 우리들의 기술력은 정말로 높아지고 있는가"**입니다. 본고에서는 민의 하이브리드 지능 (Hybrid Intelligence) 연구와 저서 『Robot-Proof: When Machines Have All the Answers, Build Better People』을 단서로, 현장에서 일어나고 있는 변화와 개인·조직이 되찾아야 할 설계를 연결해 나갑니다. 인지의 공동화를 다룬 '너무 편리한 AI는 왜 기술자의 사고를 약하게 만드는가'가 "왜 약해지는가"를 깊이 있게 다루고 있다면, 본고는 **"어떻게 사용해야 강해지는가"**에 대한 설계 지도로서 읽어주실 수 있을 것이라 생각합니다.

민은 생성형 AI를 현재의 설계 그대로 사용하면, 대다수 인간의 사고가 약해질 것이라고 주장합니다. 그녀의 EEG (뇌전도) 연구에서는 질문을 모델에 전달하고 돌아온 답을 그대로 받아들이는 이용자의 감마 대역 활동이 약 40% 저하되었다고 보고되었습니다 (Vivienne Ming Wants to Make You a Cyborg (Worth)).

민은 이용자를 세 가지로 분류합니다. **오토메이터 (Automater)**는 질문을 던지고 답변을 그대로 채택하는 사람입니다. **밸리데이터 (Validator)**는 원래 믿고 있던 것을 AI에게 확인시키는 사람입니다. 이 두 부류를 합치면 전체의 95%에 해당하며, AI를 사용하지 않을 때보다 퍼포먼스가 떨어진다는 것이 연구상의 결론입니다.

남은 5%가 **사이보그 (Cyborg)**입니다. 모델과 논쟁하고, 반대 의견을 **스틸맨 (Steelman, 가장 강력한 반론으로 재구성)**하게 만들며, AI를 신탁이 아닌 대화 상대로 다루는 사람들입니다. 이들은 AI 단독의 성적을 포함하여 누구보다 높은 성과를 내는 것으로 알려져 있습니다 (동상 (Worth)).

여기서 중요한 점은 차이가 학력이나 접근성의 차이가 아니라는 점입니다. 민은 이를 메타 학습 (Meta-learning)——배우는 법을 배우는 능력——의 문제라고 규정합니다. 이를 IT 현장에 대입하면, 프레임워크의 경험 연수보다 미지의 장애에 어떻게 마주하는가가 앞으로의 예측력을 갖게 된다는 이야기와 맞닿아 있습니다.

민의 논의를 IT 현장에 재해석하면, 에이전트형 AI는 "어떻게 하는가"를 위한 장치에 가깝다고 볼 수 있습니다. 과거의 방대한 코드, 설계 패턴, 문서, 장애 사례, 기술 기사, API 사양을 학습한 AI는 그럴듯한 절차나 그럴듯한 구현을 놀라울 정도로 빠르게 제시할 수 있습니다.

CRUD 처리 생성, React 컴포넌트 작성, SQL 및 Terraform, Dockerfile, 테스트 코드 출력, 로그를 통한 원인 후보 제시, 설계서 정형화, API 사양 요약——이러한 작업은 AI가 특히 잘하는 영역입니다. 다만, 그 대부분은 어딘가에서 본 적이 있는 문제입니다. 즉, 기존의 해법을 빠르게 적용할 수 있는 것의 가치는 AI에 의해 급격히 낮아지고 있습니다.

반대로, 앞으로 강해지는 것은 미지의 문제를 올바르게 정의할 수 있는 것입니다. 사양의 모호함을 언어화하고, 파탄 조건을 미리 파악하며, 기술 선정의 이유를 설명하고, AI의 출력을 리뷰하며, 장애 시 가설을 세울 수 있는 것——"무엇을 만드는가"가 기술자의 가치를 결정한다——'코드를 쓰는 사람에서 과제를 형상화하는 사람으로'에서 언급된 "과제를 형상화하는 능력"은 바로 이 방향을 향하고 있습니다.

AI 도입 현장에서는 흔히 이렇게 말합니다. "지루한 작업은 AI에게 맡기면, 인간은 더 고도화된 업무에 집중할 수 있다". 확실히 정형 작업의 자동화는 실무상 상당히 유효합니다. 하지만 IT 기술자에게 "지루한 작업"은 단순한 잡무가 아니었습니다.

신입 엔지니어가 에러 메시지를 읽고, 공식 문서(Official Documentation)를 찾고, Stack Overflow를 비교하며 읽고, 로그를 추적하고, 가설을 세우며, 실패하면서 고쳐나가는 과정——그 과정은 비효율적으로 보입니다. 하지만 그 비효율 속에서 에러를 읽는 법, 의존 관계를 보는 법, 설계의 핵심, 보안상의 위화감, 성능 저하의 징후, 코드의 위험성, 사양의 모호함에 대한 감도가 **인지적 격투 (Cognitive Struggle)**를 통해 길러졌습니다.

QCon London 2026의 Yinka Omole 씨 또한, 가장 가치 높은 전문성은 유행하는 기술뿐만 아니라, 변화를 초월하여 통용되는 이해에 뿌리를 두고 있다고 말합니다 (The Hidden Power of Boring Problems (QCon London 2026)). AI가 처음부터 답을 내놓아 버리면, 이 격투 과정이 생략됩니다. 결과적으로, 동작하는 것은 만들 수 있지만 왜 동작하는지 설명하지 못하고, 장애 발생 시 스스로 원인을 분리(Isolation)해내지 못하며, AI의 출력이 위험한지 판단할 수 없는——그런 기술자가 늘어날 리스크가 있습니다. '막히는 사람'이 평가받는다——AI가 빨라질수록, 기술자에게 남는 업무의 정체인 '막힘' 또한 바로 이 격투의 연장선상에 있습니다.

오해해서는 안 될 점은, '코드를 쓰는 사람의 가치가 없어진다'는 이야기가 아니라는 것입니다. 오히려 코드를 읽는 능력, 쓰는 능력, 동작을 설명할 수 있는 능력은 점점 더 중요해집니다. 민(Ming) 자신도 소프트웨어 엔지니어링을 포함한 많은 전문직에서, 기존 패턴을 대조하는 것에 의존하던 부분이 범용화(Commodity)되고 있다고 지적합니다 (Vivienne Ming Wants to Make You a Cyborg (Worth)). 가치가 떨어지는 것은 구현자가 아니라, 기존 패턴을 그대로 적용하기만 하는 기술자입니다.

튜토리얼대로 만들기만 하는 것, AI의 코드를 그대로 붙여넣기만 하는 것, 설계 이유를 설명하지 못하는 것, 에러 발생 시 AI에게 통째로 떠넘기는 것, 보안이나 운영을 뒷전으로 미루는 것, "동작하니까 OK"로 끝내는 것——이러한 방식은 AI가 가장 잘하는 영역과 겹칩니다. 반대로 강해지는 것은, 전제 조건을 의심하고, 파탄 조건을 생각할 수 있으며, AI 출력을 리뷰할 수 있고, 인간·업무·운영까지 포함하여 설계할 수 있는 기술자입니다. AI가 코드를 쓰는 시대에 IT 기술자의 일은 '사라지는' 것이 아닙니다. '중심(重心)'이 이동할 뿐이며, 그 '중심의 이동' 또한 같은 지도 위에 그려질 수 있습니다.

AI 시대의 기술자에게 가장 중요해지는 것은 **질문(Question)**입니다. AI 에이전트(AI Agent)를 도입하는 상황을 생각해 봅시다. 얕은 질문은 "어떤 AI 에이전트를 사용해야 하는가", "어떤 모델이 가장 고성능인가", "어떤 도구가 저렴한가"——도구 선택에서 끝나버립니다.

기술자가 정말로 물어야 할 것은 더 깊은 부분입니다. 어떤 업무를 자동화해도 되는가. 어디에 인간의 승인을 남겨야 하는가. 오작동했을 때 누가 알아차리는가. AI의 판단 로그는 남는가. 권한을 어디까지 부여할 것인가. 외부 API를 호출할 때의 제약은 무엇인가. 개인정보나 기밀 정보는 어디를 통과하는가. 실패 시 정지할 수 있는 설계로 되어 있는가. 그 자동화가 인간의 판단력을 약화시키지는 않는가.

여기까지 생각할 수 있는 기술자는 AI 시대에도 가치가 떨어지지 않습니다. AI는 '답'을 내는 데는 능숙할지 몰라도, 애초에 무엇을 물어야 하는가를 문맥에 따라 정의하는 것은 여전히 인간의 책임이기 때문입니다. 에이전트의 권한 설계나 정지 조건에 대해서는, AI 에이전트를 사용할 때 '어디까지 맡기고 어디서 멈출 것인가?'——Anthropic의 실측 연구가 알려준 내용이 질문의 구체적인 예시로서 참고가 됩니다.

AI 도입에서 가장 위험한 것은, 효율화만을 목적으로 하는 것입니다. 물론 효율화는 중요합니다. 개발 속도, 유지보수 비용, 문의 대응, 문서 작성, 테스트 자동화——AI로 개선할 수 있는 영역은 많습니다.

하지만 효율화만을 쫓다 보면, 주니어들이 기초를 배울 기회를 잃고, 리뷰가 형식화되며, AI 출력을 검증하지 않게 되고, 설계 판단의 이유가 남지 않으며, 장애 대응력이 떨어지고, 기술 부채(Technical Debt)가 보이지 않게 되어, "왜 그렇게 했는지" 아무도 설명할 수 없게 됩니다——단기적으로는 빠르지만, 장기적으로는 위험한 상태에 빠지게 됩니다.

AI에 의해 작업량은 늘어납니다. 코드도 늘고, 문서도 늘고, 자동화 플로우도 늘어납니다. 하지만 그것을 이해하고, 감사(Audit)하고, 유지보수할 수 있는 인간의 능력이 길러지지 않는다면, 조직은 오히려 **취약(Fragile)**해집니다. 민은 향후 5년을 '기존 역할을 조금 효율화하는 조직'이 아니라, 하이브리드 지능(Hybrid Intelligence)을 전제로 재설계하는 조직이 승리할 것이라고 말합니다 (Vivienne Ming Wants to Make You a Cyborg (Worth)). 이는 효율화 이야기가 함정이 될 수 있다는 경고로 읽힙니다.

밍(Ming)이 중시하는 것은 개별 기술이 아니라 **메타 학습 (Meta-learning)**입니다. IT 기술자에 대입해 보면, 이는 특정 언어나 프레임워크를 암기하는 능력이 아닙니다. 새로운 기술, 새로운 제약, 새로운 장애물, 새로운 리스크를 마주했을 때, 자신의 학습 방식을 재구성할 수 있는 능력입니다.

모르는 영역에서도 가설을 세운다. 즉시 정답으로 뛰어들지 않는다. 반증을 찾는다. 여러 선택지를 비교한다. 자신의 이해 부족을 인정한다. 실패로부터 구조를 추출한다. 타인의 관점을 받아들인다. 질문 자체를 수정한다——이러한 능력은 '소프트 스킬 (Soft skill)'이라기보다, AI 시대의 기술자에게 있어 **기반 OS (Base OS)**에 가깝습니다.

밍이 사이보그 행동을 예측하는 특성으로 꼽는 것은 지적 호기심 (Intellectual curiosity), 유동적 지능 (Fluid intelligence), 지적 겸손 (Intellectual humility), **관점 취득 (Perspective taking)**입니다 (AI's cyborg problem (Yahoo Finance / Fortune)). 이들은 키보드에 손을 대기 전부터 측정 가능한 특성이라고 하며, 동시에 단련될 수 있다고도 언급됩니다. 좋은 소식은 95%에서 5%로 이동하는 것이 가능하다는 점입니다. 나쁜 소식은, AI를 더 많이 사용한다고 해서 도달할 수 있는 것이 아니라, 사용법을 바꾸고 정답을 건네주는 제품의 유혹에 의도적으로 저항할 필요가 있다는 것입니다 (Vivienne Ming Wants to Make You a Cyborg (Worth)).

기술자가 AI를 사용하는 것 자체는 피할 수 없습니다. 오히려 사용해야 합니다. 다만, 사용법을 잘못 선택하면 자신의 능력을 깎아먹게 됩니다.

위험한 사용법은 "이 코드를 작성해줘", "이 에러를 고쳐줘", "이 설계서를 만들어줘", "이 장애 원인을 알려줘"와 같이, 완성물을 내놓게만 하는 방식입니다. 더 나은 사용법은 "이 설계의 파탄 조건을 들어줘", "이 코드의 위험한 전제를 지적해줘", "다른 안을 3가지 제시하고 비교해줘", "이 장애 가설에 대한 반증을 제시해줘", "운영 시 곤란한 점을 나열해줘", "내 설명에서 취약한 부분을 지적해줘"——즉, 사고를 심화시키는 방향으로 요청하는 것입니다.

밍은 흥미로운 실험 결과도 보고하고 있습니다. 정답을 전혀 내놓지 않는 소크라테스 (Socrates) 모델——표준 벤치마크에서는 0점——이, 측정된 하이브리드 지능의 평균치에서는 가장 높은 성과를 냈다는 것입니다. AI가 정답을 주는 것을 거부하자, 이용자의 2배 이상이 사이보그 모드로 전환되어 탐색을 시작했다는 결과입니다 (Vivienne Ming Wants to Make You a Cyborg (Worth)). AI를 대필자로 만들면 인간의 사고는 약해집니다. AI를 반론자, 리뷰어, 혹은 브레인스토밍 파트너로 만들면 인간의 사고는 강해집니다.

앞으로의 IT 교육은 단순히 AI 도구의 사용법을 가르치는 것만으로는 불충분합니다. 필요한 것은 **"AI가 있는 상태에서 어떻게 학습 능력을 떨어뜨리지 않을 것인가"**입니다.

신입 사원 연수에서는 처음부터 AI에게 코드를 쓰게 하는 것이 아니라, 먼저 스스로 가설을 쓰고, AI에게 다른 안을 내게 하고, 차이점을 비교하며, 왜 다른지 설명하고, AI 안의 위험 요소를 찾고, 최종 판단을 자신의 언어로 남기는——이러한 순서가 메타 학습을 보호합니다. 장애 대응 훈련에서도 AI에게 원인을 묻기 전에, 어떤 로그를 볼 것인지, 어떤 가설부터 검증할 것인지, 영향 범위는 어디인지, 재현 조건은 무엇인지, 롤백(Rollback) 판단은 언제 내릴지를 인간이 먼저 정리해야 합니다. AI는 그 다음에 사용합니다. 이 순서가 중요합니다. Red Hat Developers 또한 "왜 이 코드인가"를 생각하는 습관을 강조해야 한다고 지적하고 있습니다 (The Uncomfortable Truth About Vibe Coding (Red Hat Developers)).

채용에서도 이력서상의 기술 스택(Skill set)만으로는 판단이 어려워질 것입니다. React를 몇 년 사용했는지, AWS를 몇 년 사용했는지——물론 중요합니다. 하지만 그 이상으로 보아야 할 것은 모르는 문제에 어떻게 마주하는지, 모호한 사양을 어떻게 정리하는지, 자신의 실수를 어떻게 수정하는지, 반증을 환영할 수 있는지, 책임 추궁이 아닌 학습으로 나아갈 수 있는지입니다. 면접에서는 정답이 있는 문제뿐만 아니라, 의도적으로 정답이 없는 설계 과제를 내어 **"무엇을 알고 있는가"가 아니라 "모를 때 어떻게 생각하는가"**를 확인하는 것이 AI 시대의 채용에서 중요해질 것입니다.

많은 조직이 AI 도입의 성과를 작업 시간 단축률, 티켓 처리 수, 코드 생성량, 문서 작성 속도로 측정합니다. 이것들은 중요하지만, 충분하지는 않습니다.

정말로 확인해야 할 것은 리뷰 품질이 향상되었는가, 장애 대응력은 유지되고 있는가, 주니어의 이해도는 깊어지고 있는가, 설계 판단에 대한 설명 책임(Accountability)은 남아 있는가, AI 출력물에 대한 검증 문화가 있는가, 기술적 부채(Technical Debt)가 늘어나지는 않았는가, 인간의 판단력은 강해지고 있는가—입니다. AI 도입의 최종적인 평가 축은, **"인간의 능력을 키우고 있는가, 아니면 소비하고 있는가"**여야 합니다. 민(Ming)이 비영리 단체인 The Human Trust에서 개발을 시작한 Hybrid Intelligence Index (HIX) 역시, 에이전트 단독이 아니라 인간과 AI의 페어(Pair)**를 분석 단위로 삼고 있습니다 (The Human Trust).

지금까지의 이야기를 내일부터 바로 실천할 수 있는 형태로 정리하겠습니다.

먼저, AI에게 답을 내놓으라고 하기 전에 자신의 가설을 단 한 줄이라도 적으세요. 그다음, AI의 출력을 그대로 채택하지 말고 "이 안이 무너지는 조건은 무엇인가"라고 반드시 물으세요. 나아가 AI를 사용한 작업에서는 최종적으로 "왜 이런 판단을 내렸는가"를 자신의 언어로 남기세요. 이것만으로도 AI 의존으로 인한 사고력 저하는 상당히 방지할 수 있습니다.

조직에서는 AI 이용 리뷰를 도입하고, 설계 판단 로그를 남기며, 주니어에게는 AI 없는 연습도 수행하게 하고, 장애 대응 훈련에서는 AI 사용 전 프로세스를 마련하며, AI가 틀린 사례를 공유해야 합니다. "동작한다"가 아니라 **"설명할 수 있다"**를 평가 기준으로 추가하는 것—이 다섯 가지가 메타 학습(Meta-learning)을 조직 문화로서 지키기 위한 최소한의 세트입니다.

AI는 IT 기술자의 업무를 크게 변화시킵니다. 하지만 중요한 것은 "AI에게 일자리를 빼앗길 것인가"가 아닙니다. 정말로 물어야 할 것은, **"AI를 사용함으로써 우리는 더 현명해지고 있는가"**입니다.

AI 덕분에 개발은 빨라집니다. 자료 작성도 빨라지고, 조사도 빨라집니다. 하지만 그 이면에서 가설을 세우는 힘, 실패로부터 배우는 힘, 위화감을 느끼는 힘, 설계 이유를 설명하는 힘이 약해진다면 기술자로서의 기반은 무너져 내릴 것입니다. 앞으로의 IT 기술자에게 필요한 것은 AI를 피하는 것이 아닙니다. AI를 사용하면서 자신의 사고를 단련하는 것입니다.

빠르게 만드는 능력뿐만 아니라, 깊게 생각하고, 질문을 던지며, 실수로부터 배우고, 미지의 문제에 맞설 수 있는 능력—그것이야말로 AI 시대에 마지막까지 가치를 지니는 기술자의 조건입니다. 민(Ming)이 95%와 5%라고 부른 차이는 운명이 아니라 설계의 선택이라고 말합니다 (Vivienne Ming Wants to Make You a Cyborg (Worth)). 개인의 사용법도, 팀의 평가도, 교육도 채용도, 모두 그 선택을 쌓아온 결과에 다름 아닙니다.

작성일: 2026년 5월 24일