AI 시대의 개발자를 꿈꾸는 학생 개발자에게
2018년 백엔드 개발자를 꿈꾸는 학생개발자에게의 후속편으로, 2025년 말 학생들에게 받은 질문에 답했음
AI로 달라진 개발자의 역할부터 취업, 학습, 경력 발전까지 다룸. 미래를 확신하기 어려운 시점의 경험과 고민을 나누고자 함
모든 개발자가 AI 팀의 관리자가 된 시대
개발자는 여러 AI 에이전트에게 목표, 배경, 평가 기준을 제시하고 일을 나눠 맡기며 결과에 피드백을 주게 되었음
에이전트별 강점과 비용을 고려하고, 참조할 정보를 연결해 탐색 비용을 줄여야 함
각 에이전트의 컨텍스트를 좁힐수록 여러 작업의 맥락을 파악하고 빠르게 전환하는 부담은 사람에게 돌아옴
AI가 안전하게 고치고 빠르게 피드백을 받는 구조를 설계하는 일도 핵심 업무가 됨
모듈 경계가 분명하면 수정 범위를 좁힐 수 있지만, 경계가 흐리면 비슷한 코드를 여러 곳에 복제하기 쉬움
코드를 아는 개발자는 작업의 민감도에 따라 세밀한 감독과 큰 단위의 위임을 선택할 수 있음. AI가 설계와 업무 분배까지 맡을수록 사람은 투자와 위험을 감수하는 결정을 더 많이 하게 될 것으로 봄
AI에게 일을 맡겨도 책임은 사람이
AI가 모든 작업을 수행해도 사용자가 그 소프트웨어를 쓰게 하는 최종 결정과 영향에 대한 책임은 사람에게 돌아옴
앞으로 개발자라는 이름에는 민감한 시스템의 운영 환경에 코드 배포를 승인하는 사람이라는 의미가 커질 수 있다고 생각함

AI 생성 이미지. 출처: 네이버 D2
개발 환경에서 통과한 코드도 운영 환경의 트래픽, 데이터 용량, 다양한 실행 경로에서는 성능 지연이나 메모리 초과, 데이터 오염을 일으킬 수 있음
운영 DB를 실험 대상으로 삼는 데도 제약이 있음. 운영 경험과 도메인 지식은 개발 환경의 피드백만으로 발견하기 어려운 위험을 짚는 데 필요
의존성 취약점 점검, 정적 분석, 보안 관점의 AI 리뷰를 겹쳐 적용하고 새 취약점에 빠르게 대응할 체계를 갖춰야 함
사람이 어디까지 리뷰할지는 시스템과 모듈의 특성, 개발 단계에 따라 정하고 조직 차원에서 합의해야 함
Claude Code 팀의 사례는 PR 위험도에 따라 사람의 승인을 생략하거나 한 명 또는 두 명에게 받는 방식
결제, 자동 업데이트, CI 워크플로는 위험도 분류와 무관하게 사람이 승인
간소화 절차는 저장소별로 신뢰할 수 있다고 등록된 개발자에게만 허용하며, 에이전트 승인은 사람의 승인으로 인정하지 않음
사람에게서 맥락을 끌어내고 높은 기준을 조합하기
AI로 실행이 빨라질수록 사람 사이의 의사결정이 병목이 됨
문서, 프로토타입, 다이어그램, 코드 중 상대에게 가장 빠르게 피드백을 받을 수 있는 수단을 골라야 함
조직의 암묵적인 전제, 이해관계자의 온도 차, 서로 다른 우선순위는 직접 소통하며 알아내야 함
그 맥락을 명확한 지시로 바꾸고 AI가 참조할 수 있게 기록하는 일이 중요
팀 내부 용어의 정의와 범위도 맞춰 둘 필요가 있음
AI의 동조에 익숙해져 의견이 다른 사람과 조율하는 불편함을 피하지 않도록, 사람과 직접 부딪히는 경험을 이어 가길 권함
전문성은 보편적인 결과보다 높은 기준을 제시하고, 여러 기준을 목적에 맞게 조합하는 능력에서 드러난다고 생각함
AI가 운영에 문제없다고 판단한 N+1 쿼리를 실제 배포 환경을 고려해 받아들이지 않았음
반대로 모든 코드에 대규모 트래픽 기준을 적용하면 오버엔지니어링과 토큰 낭비가 됨
캐시는 성능을 높여도 데이터 정합성에는 위험할 수 있음. 서로 충돌하는 기준의 우선순위를 정하고 동료를 설득할 근거가 필요
실행되는 코드를 넘어 판단할 수 있는 지식
AI는 프로그램을 만드는 데 필요한 지식의 최소 수준을 낮추지만, 큰 책임이 따르는 코드를 승인하려면 문제를 알아볼 지식이 있어야 함
비용, 보안 요건, 호출 한도와 공급사 장애 때문에 항상 최상위 모델을 쓸 수 있는 것은 아님. 기반 기술을 깊이 알면 가용 모델이 달라져도 코드를 관리할 수 있음
AI가 만든 산출물을 자신의 지식과 역량으로 착각하는 태도를 경계해야 함. 배운 내용을 해석해 기존 지식과 연결하고, 다시 꺼내 자신의 말과 글로 설명하는 과정이 필요
넓이와 깊이를 고르기보다 판단에 필요한 지식의 연결 지도를 갖추고, 적어도 한 분야에서는 AI의 결과물을 비판할 깊이를 쌓길 권함
여러 분야의 기준이 충돌할 때 판단하려면 깊이 있는 분야를 시간을 두고 늘려 가야 함
회의 중 즉시 의견을 내거나 AI를 쓰기 어려운 장애 상황에 대응할 때는 머릿속 지식이 필요
자연어 스펙만으로 소스 코드를 대신할 수 있을까
소스 코드를 버리고 스펙에서 매번 재생성하면, 생성 시간과 토큰, 에너지 비용이 들고 같은 구현이 다시 나온다고 보장하기도 어려움
자연어는 경계와 해석이 모호해 수정의 영향 범위를 좁히기 어렵고, 운영에 맞춰 최적화한 쿼리 같은 세부 구현도 재현하지 못할 수 있음
자연어의 모호함을 보여주는 사례가 미국의 초과근무 수당 소송. ‘배송이나 유통을 위한 포장’에서 유통을 별도 업무로 읽는지에 따라 조건식의 괄호 위치와 결과가 달라짐

출처: 네이버 D2. 포장 없이 유통만 하는 경우 두 해석의 결과가 달라짐
큰 의도와 배경은 자연어 문서로 남기고, 정밀한 구현은 프로그래밍 언어로 표현하는 것이 적합하다고 봄. 소스 코드는 사람과 기계가 함께 이해하는 명확한 자산으로 가치가 남을 것
다만 변화가 빨라 이 믿음도 언제까지 유효할지는 확신하기 어려움. 지금의 구현 지식이 미래에도 같은 의미일지 계속 질문해야 함
백엔드라는 경계를 넓히되 전문성은 깊게
AI가 새 스택의 진입 장벽을 낮추면서 특정 레이어나 기술을 다룬다는 사실만으로 차별화하기는 어려워질 것으로 예상함
개발팀에는 필요에 따라 빈 역할을 메우는 사람이 필요함. 학생들도 진로를 특정 레이어에 한정하지 않았으면 하는 마음으로 전편 제목에서 ‘백엔드’를 뺐음
역할을 넓혀도 한 분야의 깊이는 여전히 필요. 풀스택이라는 직무 이름보다 조직 공동의 목표에 얼마나 기여했는지가 보상에 더 영향을 줄 것
취업 한파와 진로에는 확답하기 어려움
2018년에는 소프트웨어 수요가 생산성 증가보다 빠르게 늘어난다고 봤음. AI는 개발 사이클 전체에 참여하고 있어 과거의 경험만으로 인력 수요를 전망하기 어려움
저도 현재 취업 한파를 어떻게 봐야 할지, 개발자 취업 준비를 계속하는 것이 좋은 선택일지 확답하기 어려움
스스로의 역할을 넓게 정의하고 어떤 일을 왜 하고 싶은지 반복해서 질문하길 권함
관심이 바뀌더라도 그 사이를 관통하는 자신만의 주제를 찾으면 깊이를 쌓는 데 도움이 됨
건강, 가족, 전문성, 수익의 우선순위는 시기에 따라 달라짐. 지금 양보하기 어려운 가치를 기준으로 회사를 고르면 납득할 수 있는 선택에 가까워질 것
신입에게 필요한 것은 경험을 설명하는 힘
모든 신입에게 필수인 기술 스택이 있다고 생각하지 않음. 사용한 기술에서 어떤 문제를 만났고, 내부의 어떤 특성이 원인이었으며, 어떻게 해결했는지 설명하는 경험이 발전 가능성을 보여 줌
Kafka를 써 봤는지보다 비동기 메시징이 왜 필요하고 무엇을 얻고 감수하는지 이해하는 것이 중요
학생이 경험하기 어려운 대규모 트래픽이나 MSA가 신입 공고에 적혀 있다면, 그런 문제를 풀 의지와 역량을 찾는 의도일 가능성이 높다고 봄
한 언어를 깊이 파도 좋은 무기가 됨. 실무에서는 문제와 조직 환경에 맞춰 다른 언어도 선택할 수 있어야 함
프로젝트에서 AI를 사용한 사실을 숨길 필요는 없음. 어떻게 지시했고, 무엇을 의심해 검증하고 고쳤는지 설명할 수 있으면 긍정적인 신호
채용 전형에서의 AI 사용은 과제별 안내를 따라야 함
큰 프로젝트나 전공 이력 자체보다 어려운 문제를 끝까지 해결한 과정이 신뢰를 줌. 실사용자의 패턴을 분석해 개선하고 그에 맞는 기술을 선택한 팀 프로젝트도 발전 가능성을 보여 줄 수 있음
동료의 피드백과 자신만의 학습 로드맵
부트캠프는 함께 배우고 피드백을 주고받을 동료와 멘토가 있는지 살펴보길 권함. 스터디, 오픈소스 기여, 여럿이 하는 작은 프로젝트도 좋은 방법
작은 목표를 만들고 짧은 주기로 피드백을 받아 다음 작업에 반영하는 경험을 반복해 보길 권함
먼저 풀고 싶은 문제를 정하고 관련 발표, 기술 블로그, 오픈소스 코드를 따라 공부하면 그 과정이 자신의 로드맵이 됨
포트폴리오에는 관심을 가진 이유, 가설, 어려움, 해결 과정, 배운 점이 하나의 이야기로 이어져야 함. 다른 분야의 지식과 개발 기술을 연결해 부가가치를 만드는 조합도 강점이 될 수 있음
작은 시스템에서 아키텍처를 발전시키기
작은 웹 서비스에서도 저장 위치, 요청 처리, 외부 연동 방식을 정하는 일이 아키텍처 설계. 왜 그렇게 구성했는지 설명하는 데서 시작할 수 있음
서버 한 대가 죽으면 어떻게 할지, 사용자가 100배가 되거나 데이터가 DB 한 대에 담기지 않으면 무엇을 바꿀지 가정하고 작은 실험으로 확인해 볼 것
트래픽 목표는 예상 사용자와 사용 패턴, 피크 시간대 등 비즈니스 목표에서 출발해 여유분을 더하고 실제 측정으로 수정함
지금 필요한 만큼 단순하게 만들고 필요가 생길 때 다음 구조로 발전시키는 태도가 좋은 아키텍트의 자질이라고 생각함
경력은 책임의 범위와 버티는 힘을 넓히는 과정
함께 일하고 싶은 개발자는 진행 상황과 막힌 지점을 공유하고, 팀의 빈자리를 메우며, 자신의 판단이 틀릴 수 있음을 인정하는 사람
판단 근거와 진행 과정을 글로 남기면 동료뿐 아니라 AI가 참조할 맥락도 됨
경력이 쌓일수록 기능 하나에서 프로젝트와 사업 성과로 책임 범위가 넓어짐. AI에게 맡긴 결과까지 책임져야 하는 시점도 더 빨리 찾아옴
짧은 주기로 완료 수준과 시기를 약속하고 지키거나, 배운 지식을 기록하고 공유하면서 작은 성취감을 쌓길 권함. 오래 걸리는 책임을 감당할 정신적 에너지의 바탕이 될 수 있음
스스로 생각하는 힘과 개발자의 책임
여러 사람의 판단을 접하면 자신만의 기술적 취향을 만드는 데 도움이 됨
연간 수십조 원의 거래를 처리하는 시스템의 아키텍처 개편에 참여하며 장애가 사용자와 동료에게 미치는 무게를 경험했음
기초 지식은 사고 위험을 알아보는 데도 쓰임
AI의 코드가 거의 완벽해져도 남은 위험을 알아보고 줄이는 지식에는 의미가 있다고 생각함. 위험을 모르면 AI에게 검증해야 할 질문조차 하기 어려움
AI가 틀렸을 때 결과를 함께 감당하고 끝까지 수습하리라 믿는 대상은 사람
책임을 다하며 쌓는 신뢰가 더 큰 의사결정을 맡길 수 있는 근거가 됨
