Anthropic의 AI 우선 접근 방식에 대한 Mike Krieger의 견해

Instagram의 공동 창립자인 Mike Krieger는 Anthropic의 최고 제품 책임자(CPO) 역할에서 AI 엔지니어링의 개별 기여자 직책으로 전환했습니다. 그는 자신의 업무가 전략적 감독으로 제한되는 동안 다른 사람들이 AI 모델로 개발하는 것을 보면서 점점 더 커지는 'FOMO'(Fear Of Missing Out)를 이유로 들었습니다. 이러한 변화는 전 CTO를 포함한 숙련된 기술 리더들이 AI 개발의 역동적이고 혁신적인 환경을 수용하며 직접 엔지니어링으로 복귀하는 광범위한 산업 트렌드를 반영합니다.

엔지니어링 관행은 상세한 작업 분해 및 위임에서 AI 모델의 원하는 최종 상태 결과를 정의하는 방향으로 진화하고 있습니다. AI 모델은 점점 더 복잡한 작업을 자율적으로 완료하고 결정 및 절충안에 대한 설명을 제공할 수 있습니다. Krieger는 이러한 발전으로 AI 모델이 더욱 정교해지고 있으며, 명시적인 지시에서 더 광범위한 목표 설정으로 관리 스타일을 변경해야 한다고 언급합니다.

Krieger는 AI의 능력을 한계까지 끌어올리기 위해 사용자들이 AI와의 상호 작용에서 더 까다롭고 '비합리적'이 되도록 가르칠 것을 옹호합니다. 그는 초기 AI 제품 디자인이 종종 모델을 지나치게 제약하여 모델의 '자유도'와 잠재력을 제한했다고 말합니다. AI에 가상 머신 및 bash 실행과 같은 도구에 대한 직접적인 액세스를 제공하면 보다 포괄적이고 효과적인 문제 해결이 가능해지고 더 큰 혁신이 촉진됩니다.

Krieger는 AI를 사용하여 대규모 코드베이스를 Python에서 TypeScript로 포팅한 실제 사례를 제시했습니다. AI 모델은 Bun을 포함하는 우수한 배포 전략을 식별하여 마이그레이션을 촉발했습니다. 그는 2010년대에는 비실용적이라고 여겨졌던 이러한 작업이 이제 AI 지원으로 실현 가능하고 효율적이라고 언급했습니다.

Krieger는 동적 워크플로우를 구축하여 전체 Python 프로젝트를 TypeScript로 포팅하는 데 AI를 성공적으로 활용했습니다. 이 프로세스에는 AI가 코드를 확인하고 반복적으로 이중 확인하며, 두 버전을 읽고, 변환을 반복적으로 정제하는 과정이 포함되었습니다. 워크플로우는 주말 동안 완료되어 월요일까지 완전히 포팅된 버전을 얻었습니다.

Instagram에서 Python 3로 전환하는 동안 Krieger의 팀은 타입 힌트 추가를 돕기 위해 MonkeyType을 개발했습니다. MonkeyType은 런타임 타입 데이터, 특히 프로덕션에서 실제로 사용된 타입을 캡처하고 이를 코드베이스 내의 타입에 다시 매핑했습니다. 이 방법을 통해 코드 변환에 대한 보다 데이터 중심적이고 점진적인 접근 방식이 가능해졌습니다.

Krieger는 대규모 마이그레이션 중에 점진적 변경을 위한 명확한 경계를 식별하는 것이 매우 중요하다고 강조했습니다. 그는 '바다 전체를 끓이는 것'에 비유하며 밤새 전체 시스템을 개편하려는 시도와 관련된 위험에 대해 경고했습니다. 복잡성을 관리하고 잠재적인 중단을 줄이려면 점진적이고 명확하게 정의된 단계가 중요합니다.

Krieger는 인프라 확장을 위한 두 가지 지속적인 조언을 공유했습니다. 장애 발생 시 모호함을 방지하기 위해 잠재적으로 관련 있는 모든 지표를 철저히 사전 측정하고, 노브와 기능 플래그를 신중하게 구현하는 것입니다. 이러한 관행은 엔지니어가 정보에 입각한 결정을 내리고 런타임에 시스템 동작을 동적으로 조정할 수 있도록 합니다. 이러한 기능은 부하 변경을 효율적으로 관리하고, 때로는 몇 초 내에, 시스템 안정성과 성능을 보장하는 데 필수적입니다.

현대 개발은 세분화된 사용자 경험을 관리하고 반복적인 개발을 촉진하기 위해 기능 플래그에 크게 의존합니다. Krieger는 다양한 사용자 그룹이 다양한 제품 버전과 상호 작용할 수 있도록 하는 플래그의 유용성을 강조했습니다. 그는 또한 대화형 요소 또는 특정 반복을 위한 'Claude 코드 사용'의 역할을 언급하며, 동적 애플리케이션 동작을 위해 수천 개의 토글을 관리하는 정교한 접근 방식을 나타냅니다.

Anthropic의 제품 팀은 전통적인 하향식 관리 구조 없이 운영됩니다. 리드 또는 '엔진 관리자'의 역할은 주로 각 팀원이 가장 열정적인 작업에 배정되도록 하는 데 중점을 둡니다. 이 유연한 구조는 유동적이며, 제품이 상당한 관심을 얻고 더 명확한 조직이 필요할 때만 적응하고 확고해집니다.

Krieger는 Claude가 현재 단절된 제품 표면으로 인해 원활한 사용자 상호 작용을 방해하는 한계에 직면하고 있음을 인정했습니다. 목표는 다양한 디자인 요소 간의 인위적인 구분을 없애고 이를 완전히 기능하는 응용 프로그램에 통합하는 것입니다. 이를 달성하려면 지속적인 데이터 기능과 다양한 인터페이스에서 아티팩트를 공유하는 기능이 필요하며, 이는 보다 응집력 있는 사용자 경험을 가능하게 합니다.

Krieger는 수많은 기능이 낮은 개별 사용량과 복잡성 증가로 이어지는 'Microsoft Word 문제'를 언급했습니다. 그는 제품 제공을 간소화하기 위해 최근 '스타일' 기능을 '스킬' 기능으로 대체하기로 결정했다고 말했습니다. 그는 채팅, 코드, 공동 작업 세션 간의 인위적인 구분을 없애는 것의 중요성을 강조했습니다. 이러한 구분은 종종 효과적으로 상호 운용되지 못하고 그들 간의 위임을 방해합니다.

Krieger는 스타트업의 실험 프로세스를 단순화하는 AI 모델의 혁신적인 역할에 대해 논의했습니다. AI는 아이디어 생성이나 취향 문제를 직접적으로 해결하지 못할 수 있지만, 핵심 가치는 개발 및 반복 주기를 크게 가속화하는 데 있습니다. 이 기능은 스타트업이 더 빠르게 움직이고 초기 한계를 극복하여 새로운 세대의 기업가적 잠재력을 발휘할 수 있도록 합니다.

Krieger는 Google과 같은 대규모 플랫폼은 기존 통합으로 인해 종종 제약을 받으며, 이는 스타트업에게 이점을 제공한다고 주장했습니다. 스타트업은 특정 수직, 산업 또는 자신이 잘 이해하는 특정 사용자 그룹에 '레이저처럼 집중'함으로써 성공할 수 있습니다. 이러한 깊고 전문화된 지식은 주요 연구소에서 복제하기 어려운 경쟁 우위를 창출하여 소규모 기업이 틈새 시장에서 대기업을 능가할 수 있도록 합니다.

Krieger는 문제에 집중하는 4-5명 정도의 소규모 팀이 더 크고 복잡한 조직보다 지속적으로 더 빠르게 움직인다는 것을 확인했습니다. 그는 코드 작성 능력이 스타트업 성공의 주요 제한 요소가 아니었다고 강조했습니다. 대신, 진정한 성공은 사용자에 대한 깊은 이해와 이러한 통찰력을 기반으로 한 빠르고 반복적인 실행 능력에 달려 있습니다.

금융 부문은 수직 AI 개발의 핵심 영역으로 남아 있습니다. 이 분야의 중요한 과제는 AI 모델의 내재된 유연성과 검증 가능하고 불변하는 데이터의 중요한 필요성 사이에서 최적의 균형을 찾는 것입니다. 금융 기업은 규정 준수 및 책임성을 보장하기 위해 강력한 감사 로깅과 명확한 데이터 출처를 요구합니다. 이 공간에서 시스템 설계의 기술은 이러한 필수 규제 및 운영 요구 사항을 손상시키지 않으면서 에이전트 워크로드를 가능하게 하는 것입니다.