AI가 소프트웨어 엔지니어링의 중간층을 없애고 있다?
AI is removing the middle class of software engineering?
TL;DR Highlight
AI로 코드 생산은 싸졌지만 이해는 여전히 느려서, 판단력 있는 엔지니어만 값이 오른다
Who Should Read
AI가 만든 대형 PR을 매일 리뷰하며 코드베이스 품질이 걱정되는 시니어·리드 개발자
Core Mechanics
- AI가 속도 제한을 없앴다
- 약한 엔지니어링 문화의 프로젝트는 AI로 훨씬 빨리 무너진다고 한다.
- 글의 예시에서는 한 PR이 +24506 -3938줄이고, 리뷰할 PR이 7개에서 13개로 늘어난다.
- 코드는 싸졌고 이해는 여전히 비싸다
- 큰 변경을 만드는 건 싸고 빨라졌지만 변경이 뭘 하는지 이해하는 일은 여전히 느리다고 한다.
- 이해를 대신할 지름길은 아직 없다는 게 저자 입장이다.
- 잘못된 결정은 되돌리기 어렵다
- DB에 테이블·컬럼을 추가하는 건 LLM으로 10분이면 되지만 데이터가 쌓이면 못 지운다.
- 마이그레이션 계획, 실패 대비, 고아 외래키 방지는 여전히 사람 몫이라고 한다.
- 기존 프로세스는 이 속도를 전제로 설계되지 않았다
- 테스트·CI·코드 리뷰는 대량 변경이 불가능하던 시절을 위한 것이라고 한다.
- 병목이 된 검증 쪽에는 생성 줄이기, 더 나은 검증법 찾기, 품질 낮추기 세 선택지뿐이라고 한다.
- PR 수가 많다고 생산성이 높은 게 아니다
- 10개 PR을 올리면 다른 엔지니어 셋이 이틀간 리뷰·수정·디버깅하게 될 수 있다고 한다.
- 이러면 일을 다른 사람에게 넘긴 것이지 10배 생산성이 아니라는 주장이다.
Community Reactions
- AI는 나쁜 엔지니어를 10배로 증폭한다는 의견
- 오래 근무해 신뢰는 있지만 흥미를 잃은 엔지니어가 특히 위험하다는 의견이 있었다.
- AI는 넣어준 추상화와 계약만큼만 좋다는 의견도 있었다.
- 실제로 Kafka와 인프라 변경을 막느라 시간을 쓴다는 경험
- 인프라 레이어를 이해 없이 추가하는 사람들 때문에 주 몇 시간을 싸운다는 경험담이 있었다.
- 변경 속도가 올라 두더지 잡기가 됐다고 한다.
- 에이전트 승인 기준을 정해 쓴다는 경험
- full-auto 모드를 쓰지 않고 이해 못 한 건 승인하지 않는다는 사례가 있었다.
- 모르는 부분은 먼저 따로 공부한 뒤 승인·거부·수정한다고 한다.
- 과거에도 설명해 주는 사람은 없었다는 반론
- 예전에도 담당자가 떠나 직접 코드를 파야 했다는 경험이 여러 댓글에 있었다.
- 그래서 에이전트에 맡기는 게 왜 더 나쁜지 모르겠다는 의견이 있었다.
- AI가 풀지 못하고 고칠수록 문제가 늘면 설계 문제라는 의견
- 그럴 때는 추상화와 아키텍처를 갈아엎어야 한다는 경험칙이 제시됐다.
- 피곤해 계속 승인만 누르다 하루치 작업을 되돌렸다는 경험도 있었다.
How to Apply
- PR 템플릿에 직접 설명 칸 넣기
- 오늘 PR 템플릿에 '데이터 출처, 왜 이 구조인지, 새 추상화 이유'를 작성자가 직접 쓰는 칸을 추가한다.
- AI 대화 링크만 있고 칸이 비면 리뷰를 시작하지 않는다.
- PR 크기 상한 정하기
- 팀에서 줄 수나 파일 수 상한을 정하고 넘으면 쪼개서 다시 올리게 한다.
- 에이전트에게도 작업을 작은 단위로 나눠 시키도록 가이드한다.
- 새 인프라·스키마 변경은 설계 설명 요구하기
- Kafka, 서버리스, 테이블 추가는 필요성과 마이그레이션·롤백 계획을 먼저 문서로 받는다.
- 근거 없이 코드부터 올린 건 머지하지 않는다.
- 생산성을 PR 수가 아닌 팀 처리량으로 보기
- 리뷰 시간과 되돌린 변경 수를 같이 측정해 관리자에게 공유한다.
- PR 수와 줄 수만 보여주는 지표는 쓰지 않는다.
Try It
# Claude나 ChatGPT에 붙여넣기 (원문의 '이해 확인' 아이디어를 프롬프트로 옮긴 간이 버전)
너는 까다로운 시니어 리뷰어다. 아래 PR 설명과 diff를 보고 작성자가 이해했는지 검증할 질문을 만들어라.
{{PR 설명}}
{{diff}}
다음을 출력해라.
1. 새로 도입된 추상화·인프라·스키마 변경 목록과 각각 필요한 이유를 묻는 질문
2. 데이터가 어디서 와서 어디로 가는지 작성자가 직접 설명해야 할 질문 3개
3. 되돌리기 어려운 변경(마이그레이션 등)과 실패 시 계획을 묻는 질문
4. 이 PR을 3개 이하의 작은 PR로 나누는 제안
이어서 해 볼 것: 질문을 실제 PR 코멘트로 올리고 작성자가 AI 없이 답하게 해 보자.Terminology
관련 논문
같은 시뮬레이션, 다른 근거: 도구 출력을 파일로 넘기면 LLM 에이전트 정확도가 어디서 깎이나
긴 툴 출력을 파일로 넘기자 GPT-5.1은 정확도 11.3%p 하락, 정식 출력 지정하니 회복
가짜 뉴스가 진짜 폭락을: LLM 트레이딩 에이전트 대상 정보 주입 공격
가짜 헤드라인 한 줄로 LLM 트레이딩 에이전트 62%를 조종했다(프롬프트 주입은 14%)
Harness Engineering 101: LLM은 뇌, harness는 몸
에이전트는 JSON 배열을 관리하는 루프이고, 16개 챕터로 직접 만들어 본다
Harness²: 에이전트 harness를 스스로 고쳐 쓰는 재귀 최적화 프레임워크
모델은 고정하고 harness를 재귀로 고쳤더니 벤치마크 점수가 최대 11.8%p 올랐다
해고된 Savannah 경찰관, ICE 요원 남편에게 Flock 계정 공유
경찰관이 Flock 계정을 남편(ICE 요원)에게 공유했고, 감사에서 983건 검색이 드러나 해고됐다
tmux와 Claude Code: 세션, send-keys, 그리고 한계선
tmux로 Claude Code 여러 개를 돌리면 편하지만 에이전트 4개쯤에서 한계가 온다
Hybrid Reasoning Agents: 잠재 공간에서 생각하고 텍스트로 행동하는 LLM 에이전트
잠재 공간 추론과 텍스트 도구 호출을 섞었더니 성능 10.4%↑, 토큰 최대 54.7%↓