Gwen Davis는 인공지능 에이전트의 사용이 확대됨에 따라 개발자의 가치가 모든 프로그래밍 코드를 직접 작성하는 것에서 도구를 지시하고, 도구의 결과물을 검토하며, 기술적 결정을 내리는 방향으로 더욱 크게 이동할 것이라고 본다. 이 글은 에이전트 관리, 첫 번째 답변을 그대로 받아들이지 않기, 절약한 시간을 더 광범위한 문제 해결에 투자하기라는 세 가지 실천을 제안한다.
인공지능 도구가 코드 작성 지원에서 더 큰 규모의 프로그래밍 작업을 수행하는 단계로 넘어가면서 개발자의 업무가 변화하고 있다. Gwen Davis에 따르면 이제 코드 작성만으로는 충분하지 않다. 해결책을 채택하기 전에 문제를 정의하고, 적절한 맥락을 제공하며, 결과물을 평가하고, 기술적 트레이드오프를 설명하는 일이 더욱 중요해지고 있다.
1. 인공지능을 단순히 사용하는 대신 지시하기
이 글은 인공지능에 의존하는 환경에서의 실행이 작업을 명확하게 정의한 뒤 업무를 배분하고 결과를 검토하는 방식으로 시작된다고 설명한다. 인증 경로를 추가하는 작업에서는 한 에이전트가 구현을 준비하고, 다른 에이전트가 문서를 작성하며, 세 번째 에이전트가 테스트 모음을 준비하도록 할 수 있다.
그렇다고 최종 결과에 대한 개발자의 책임이 사라지는 것은 아니다. 실질적인 변화는 개발자가 각 부분을 수작업으로 구현하는 데 쓰는 시간은 줄이고, 요구사항을 정의하고, 에이전트의 결과물을 조율하며, 무엇을 검토하거나 출시할 수 있는지 결정하는 데 더 많은 시간을 쓴다는 점이다. Davis는 인공지능 에이전트를 지시하는 방법을 배우는 일이 독립적인 실무 역량이 되었다고 결론짓는다.
2. 검토 없이 첫 번째 답변을 신뢰하지 않기
도구는 몇 초 만에 그럴듯해 보이는 해결책을 내놓을 수 있지만, 빠르게 읽는 것만으로는 드러나지 않는 결함이 포함될 수 있다. 이 글은 각 고객의 최신 주문을 반환하는 SQL 쿼리를 예로 든다. 해결책이 동일한 타임스탬프를 처리하지 못하거나, 적절한 인덱스를 제안하지 않거나, 대규모 테이블에서 성능이 저하될 수 있다.
Davis는 두 번째 모델을 사용해 첫 번째 모델의 작업을 비판하게 한 뒤 두 답변에 공학적 판단을 적용할 것을 제안한다. 그녀는 모델마다 강점과 맹점이 다르다고 지적하며, GitHub Copilot에 통합된 Rubber Duck 에이전트가 두 번째 모델을 사용해 계획, 코드, 테스트를 비판한다고 언급한다. 그러나 인간의 검토는 여전히 필수적이다. 핵심은 인간의 판단을 대체하는 것이 아니라, 계속 진행하기 전에 비판적 관점을 추가하는 데 있다.
3. 절약한 시간을 더 큰 문제 해결에 사용하기
인공지능이 구현의 더 많은 부분을 맡게 되면 개발자는 확보된 시간을 고객의 요구를 이해하고, 아키텍처상의 트레이드오프를 평가하며, 시스템을 설계하고, 도구가 자신을 대신해 내릴 수 없는 결정을 내리는 데 사용할 수 있다.
다크 모드 추가와 관련된 예에서는 인공지능이 변경 사항을 구현하고 테스트를 생성하며 문서를 업데이트할 수 있다. 반면 개발자의 목록에는 고객이 겪는 문제를 확인하고, 아키텍처상의 트레이드오프를 검토하며, 접근성을 점검하고, 성공 지표를 정하며, 해결책을 승인하는 일이 포함된다.
실제로 무엇이 달라지는가?
핵심 메시지는 프로그래밍 역량의 가치가 사라졌다는 것이 아니라 책임의 범위가 넓어진다는 것이다. 개발자는 여전히 결과의 품질에 책임을 지지만, 도구를 지시하는 능력과 도구의 오류를 발견하는 능력을 결합하고 구현을 프로젝트의 실제 목표와 연결해야 한다. 이 글은 일반적인 실무 지침을 제시하지만 이러한 실천의 효과를 측정할 지표나 에이전트에 위임해야 할 작업의 한계를 정하지는 않는다. 따라서 적용에 관한 결정은 프로젝트의 성격과 위험 수준에 따라 달라진다.