지난 주말 제미나이와 회사 업무에 쓸 프로그램을 만들었다. 문과 출신에다, 엔지니어도 아니고, 누가 시킨 것도 아니다. 그냥 단순 업무를 좀 덜어보고자. 만들다 보니 이런 저런 아이디어가 계속 생겨 자정 가까운 시간까지 제미나이와 대화를 하고 버그를 수정했다. 총 3-4시간이 걸렸고 꽤 그럴싸한 결과가 나왔다. 사실 별거 아닌 경험으로 치부할 수도 있는데 이 작은 경험이 내게는 꽤 강력했다. 이런 식으로 지금 내가 하고 있는 많은 업무를 반자동화 하거나 좀 더 효율적으로 바꿔봐야겠다는 모티브가 되었다. 여러가지 아이디어를 모아 하나의 프로덕트(?)로 만들어 보겠다는 계기가 되었다.
작년까지만 해도 AI 코딩 성능이 이렇게까지 좋지 않았다. 학교 숙제를 할 때 수많은 시간 AI와 씨름을 해야 겨우 겨우 풀어낼 수 있었다. 내가 체감하기론 작년 말 제미나이 3.0 출시부터 상황이 많이 바뀐 것 같다. 코딩의 퀄리티가 눈에 띄게 좋아졌다. 코딩 한 줄 몰라도 아이디어를 구현할 수 있는 프로그램을 누구나 만들 수 있게 되었다. 아이디어, 실행력만 있으면 누구나 할 수 있다. 이런 말 어디서나 자주 들어왔는데 게으름에 짓눌려 미루고 있었다. 실제로 해보니 깜놀. 이런 것까지 되는구나 싶다. 앞으로 어디까지 발전할지 감도 안 잡힌다..
앤드류 교수님 왈 지금 인공지능의 유효 작업 시간은 7개월마다 2배 이상의 성능 향상을 보인다고 한다. (무어의 법칙의 3.5배) 나 같은 문과 출신도 코딩한 줄 안 쓰고 꽤 유용한 프로그램을 직접 만들어 쓸 수 있다. 그 동안 풀지 못 했단 수많은 분야의 산적한 문제(특히 의료?)를 AI와 협업하여 푸는 날을 곧 목도하게 될 것 같다.
인공지능의 도움이 아니었더라면 이 영상의 메세지도 접하지 못 했을 것이다. 접했어도 절반도 못 알아 들었을 수도 있고. 이제는 번역은 너무나 당연한 일이 된지 오래고, 끝까지 봐야할 긴 영상을 AI 요약으로 읽을 수 있게 되었다. 이를 통해 지적인 자극을 받고 영감을 얻는다. AI 요약이 정교화 되면서 유튜브 영상 시청을 할 필요성을 못 느끼게 된다. (구글 숏?ㅋ) 오히려 텍스트로 읽는 것이 여러모로 효과가 좋다. 잘 이용한다면 인공지능은 업무능력, 효율화 뿐 아니라 천연지능의 향상에 큰 도움을 주기도 한다.
앤드류 교수님은 인공지능 시대에 두 가지를 강조하신다.
지적 밀도가 높은 환경에 자신을 노출시킬 것. 동료와 친구. (벨리?)
무엇이든지 닥치는대로 만들어 볼 것.
올 해 2번은 꼭 해볼 생각이다. 업무적으로 개인적으로 이것저것 뚝딱거릴 생각이다. 누가 아나. 이러다 테크 기업으로 이직하게 될지. 인생 어떻게 풀릴지 모른다.
📌 2026년 코딩 개발자가 AI 시대에 생존하고 성공하기 위한 핵심 조언은 무엇인가?
AI 코딩 도구의 폭주하는 속도에 맞춰 최신 도구를 유연하게 갈아타고, 직접 코드를 짜는 구현 능력과 사용자를 공감하는 기획 능력을 통합한 프로덕트 엔지니어가 되어 끊임없이 만들고 시도하며, 지적 밀도가 높은 동료들과 연결 조직을 형성하는 것입니다.
💡 AI 시대에 개발자가 피해야 할 치명적인 실수는 무엇인가?
화려한 회사 브랜드만 보고 어떤 팀에서 누구와 일할지 모르는 통합 채용 제안을 수락하는 것입니다. 이는 성장 기회를 박탈당하고 커리어가 정체될 위험이 큽니다.
앤드류 응 교수가 제시하는 2026년 코딩 개발자 생존 전략은 ai 시대의 폭발적인 변화 속에서 우리가 무엇에 집중해야 하는지를 명확히 알려줍니다. AI 코딩 도구의 발전 속도가 인간의 이해 속도를 압도하는 지금, 구현 능력보다 무엇을 만들지 결정하는 '결정'의 능력이 핵심 병목이 되었음을 강조하며, 프로덕트 엔지니어로 거듭나기 위해 기획과 사용자 공감 능력을 통합해야 한다고 조언합니다. 이 콘텐츠는 단순히 기술 트렌드를 넘어, ai 시대의 커리어 성공을 위한 실질적인 사고방식 전환을 요구하는 강력한 로드맵을 제공합니다.
1. 앤드류 응 교수의 경력과 AI 시대의 현실 인식
1.1. 앤드류 응 교수의 주요 경력
스탠포드 컴퓨터 사이언스 강단: 앤드류 응 교수는 스탠포드 컴퓨터 사이언스 강단에서 학생들을 만났습니다.
AI 연구 및 딥러닝 기초: 과거 스탠포드 AI 연구소장으로서 학계 최전선에 있었으며, 구글 브레인을 공동 설립하여 현재의 제미나이(Gemini) 기반이 된 딥 러닝의 기초를 닦았습니다.
코세라(Coursera) 설립 및 교육: 2012년 코세라를 공동 설립하여 전 세계 1억 3천만 명이 사용하는 교육 플랫폼으로 성장시켰으며, 이 중 800만 명에게 딥러닝과 AI 지식을 직접 가르쳤습니다.
중국 AI 기반 기술 구축: 중국으로 건너가 바이두(Baidu)의 수석 과학자로서 1300명 규모의 AI 그룹을 지휘하며 중국 AI 기반 기술을 구축했습니다.
AWS 투자 및 AI 칩 검토: 현재 아마존 이사회에서 매 분기 제프 베이조스, 앤디 제시와 함께 수조 원 규모의 아마존 웹 서비스(AWS) 클라우드 서버 투자 및 AI 칩 개발 예산을 검토하고 승인하는 위치에 있습니다.
AI 스타트업 및 생태계 기여: AI 펀드, 랜딩 AI(Landing AI), deeplearning.ai를 설립하여 실리콘밸리 유망 스타트업을 발굴하고 산업 혁신에 기여하며 AI 생태계에 깊이 관여하고 있습니다.
오늘의 역할: 오늘만큼은 여러 직함과 이력을 내려놓고, 연구자이자 선배로서 AI 시대의 생존과 진로에 대한 현실적인 조언을 나누고자 합니다.
2. AI 발전 속도에 대한 오해와 실제 지능 지구력의 증명
2.1. AI 발전 속도에 대한 오해와 벤치마크의 한계
최신 모델에 대한 의문: 최근 GPT나 제미나이 모델에 대해 "그냥 좋은 수준"이거나 "발전 속도가 둔화되어 끝물 아닌가"라는 의심 섞인 시선이 존재합니다.
오해의 원인: 이러한 오해는 포화 상태에 이른 벤치마크, 즉 '고장 난 점수표' 때문이라고 분석됩니다.
벤치마크의 한계: AI에게 주어진 시험지의 만점이 100점으로 정해져 있어, AI가 100점을 달성하면 더 이상 성적 향상이 그래프상으로 나타나지 않는 착시 현상이 발생합니다.
인간의 눈높이: 인간의 눈높이는 100점짜리 초등학생 시험지가 아닌 더 복잡하고 어려운 현실 문제를 풀기를 요구하므로, 성장이 멈춘 것이 아니라 시험지가 너무 쉬워져 그래프가 평평해 보이는 것뿐입니다.
2.2. AI의 '지능 지구력' 증가와 코딩 분야의 폭발적 성장
미터(Metar) 보고서의 충격: 오픈AI나 앤트로픽 같은 빅테크 최신 모델을 검증하는 미터 조직의 보고서가 큰 충격을 주었습니다.
새로운 측정 기준: 미터는 AI가 해결할 수 있는 일의 크기를 측정하기 위해 인간이 그 일을 하는 데 걸리는 시간을 기준으로 사용했습니다.
시간 증가의 의미: GPT-2 시절에는 스마트폰 자동 완성 수준(1초 미만)의 가벼운 과제였으나, 시간이 지남에 따라 4초, 8초, 1분, 2분짜리 논리적 일(복잡한 요약, 코드 오류 찾기)로 늘어났습니다.
무거운 현실 문제 지탱: 시간이 기하급수적으로 늘어난 것은 버퍼링이 아니라, AI가 무거운 현실 문제를 지탱하기 시작했다는 기초 체력의 증거입니다.
유효 작업 시간의 두 배 증가 속도: 이 연구에 따르면 AI가 혼자 해결할 수 있는 유효 작업 시간은 매 7개월마다 두 배로 길어지고 있습니다. 이는 무어의 법칙(2년마다 두 배)보다 3.5배에서 5배 이상 빠른 속도입니다.
코딩 분야의 더블링 타임: AI가 해결할 수 있는 생각의 깊이가 두 ...
