AI 도입 5단계: 개발자가 알아야 할 AI 활용의 진화 과정

많은 개발자들이 AI 도입에 대한 부담감을 느끼지만, 사실 AI 도입은 각자의 여정에 따라 다른 단계에 있는 자연스러운 과정입니다. 클로드 코드(Claude Code)의 개발자 보리스 체르니(Boris Cherny)는 최근 트윗을 통해 AI 도입의 5가지 단계를 제시했습니다. 이 프레임워크는 현재 자신의 위치를 파악하고, 다음 단계로 나아가기 위한 방향성을 제공하여 막연한 불안감을 해소하는 데 도움을 줍니다.

Dan Vega는 이 프레임워크를 통해 개발자들이 스스로가 뒤처진 것이 아니라, 각자의 고유한 AI 도입 여정 위에 있음을 이해할 수 있다고 설명합니다. 이는 AI 기술 발전 속도에 대한 압박감 대신, 체계적인 접근 방식을 통해 AI 활용 능력을 점진적으로 향상시킬 수 있다는 메시지를 전달합니다.

보리스 체르니는 AI 도입에 있어 단순히 토큰 사용량을 늘리는 것만으로는 다음 단계로 나아갈 수 없다고 강조합니다. 대신, 각 단계에서 직면하는 병목 현상을 정확히 파악하고 이를 해결하는 것이 중요하다고 말합니다. 또한, AI 활용이 확대될수록 필요한 안전장치들을 미리 구축해야 한다고 덧붙였습니다.

그는 많은 엔지니어들이 AI를 통해 생산성을 크게 높이지만, 조직 전체가 이를 따라가지 못하는 상황을 자주 목격했다고 전합니다. AI 도입은 개인의 역량뿐만 아니라 팀과 회사의 전반적인 시스템과 문화가 함께 변화해야 하는 복합적인 과정이며, 모든 팀과 개인에게 하나의 올바른 경로가 존재하는 것은 아니라고 설명했습니다.

AI가 생성한 작업의 신뢰성을 확보하기 위해서는 AI 스스로 작업을 검증할 수 있는 메커니즘이 필수적입니다. 이는 클로드(Claude)와 같은 AI가 자체 작업을 처음부터 끝까지 확인할 수 있는 능력을 갖추는 것을 의미합니다.

구체적으로는 자동 모드를 활성화하여 AI가 스스로 판단하고 행동할 수 있는 권한을 부여하고, 자동화된 코드 검토 및 보안 검토를 기본으로 탑재해야 합니다. 나아가 여러 에이전트를 한 번에 효율적으로 관리할 수 있는 인터페이스를 사용하는 것이 중요하다고 Dan Vega는 설명했습니다.

AI 도입 5단계 프레임워크는 여러 구성 요소로 나뉘어 각 단계의 특징을 명확히 설명합니다. 주요 열은 '단계', '사용하는 에이전트 수', '현재 모습', '병목 현상', '해결에 도움이 되는 제품', 그리고 '안전장치'로 이루어져 있습니다.

특히 Dan Vega는 '병목 현상' 열을 가장 중요하게 언급하며, 무엇이 AI 도입을 가로막고 있는지 정확히 진단하는 것이 핵심이라고 말합니다. 각 단계별로 직면하는 주요 과제를 이해하고, 이를 해결하기 위한 구체적인 제품과 마련해야 할 안전장치들을 함께 제시하여 실질적인 로드맵을 제공합니다.

AI 도입 2단계는 'Parallel(병렬)' 단계로, 한 명의 엔지니어가 오케스트레이터를 사용하여 5~10개의 AI 에이전트를 동시에 지휘하는 상황을 의미합니다. 이 단계에서는 에이전트 수가 절대적인 기준이 아니라 AI의 자율성이 더 중요하게 다뤄집니다. 클로드(Claude)와 같은 AI는 테스트, 빌드 테스트, 린팅, 보안 스캔 등 자체적인 작업을 확인하며, 자동 모드는 항상 활성화되어 있습니다.

이 단계의 주요 병목 현상은 여전히 AI가 생성한 결과물을 사람이 수동으로 검토해야 한다는 점입니다. 개발자가 직접 코드를 작성하는 양은 줄어들지만, 대신 여러 에이전트가 생성한 결과 스트림들을 일일이 확인해야 하는 부담이 생깁니다.

AI 도입 3단계는 'Supervised Autonomy(감독된 자율성)' 단계로, AI가 거의 모든 코드를 작성하는 수준에 이릅니다. 이 단계에서 개발자의 역할은 '모델이 어떤 컨텍스트를 놓쳤는가?'를 파악하는 것으로 변화합니다. 문제가 발생한다면, 대부분 AI가 적절한 MCP 서버나 기술에 대한 접근 권한이 없었거나, 필요한 컨텍스트를 제대로 이해하지 못했기 때문일 가능성이 큽니다.

이 단계에서는 AI 에이전트 트리가 너무 깊어져 사람이 일일이 관리하기 어려워지며, 루프가 광범위한 신뢰를 얻기 전에 에이전트 수를 무작정 확장하려는 함정에 빠질 수 있습니다. Dan Vega는 현재 많은 부분에서 감독된 자율성을 활용하며 루프를 실행하고 있다고 언급했습니다.

AI 도입 4단계는 'AI Native(AI 네이티브)' 단계로, AI가 완전히 자율적으로 작동하는 최고 수준의 AI 활용을 의미합니다. 이 단계에서는 AI 시스템이 모든 작업을 스스로 처리하며, 그 과정에서 발생하는 루프가 완전히 폐쇄된 형태로 운영됩니다.

이는 AI가 인간의 개입 없이 스스로 문제를 인식하고, 해결책을 고안하며, 실행하고, 그 결과를 검증하는 전 과정을 완벽하게 수행하는 상태를 말합니다. 이 단계에 도달하면 개발자는 AI 시스템의 상위 수준 관리 및 감독 역할에 집중하게 됩니다.

Dan Vega는 보리스 체르니의 AI 채택 5단계 프레임워크가 개발자 및 조직과의 깊이 있는 대화를 통해 얻은 사려 깊은 통찰력을 담고 있어 매우 훌륭하다고 평가했습니다. 이 프레임워크는 AI 도입의 현실적인 어려움과 발전 경로를 명확히 제시하며, 많은 이들에게 실질적인 도움이 될 수 있다는 점을 강조합니다.

Dan Vega는 보리스 체르니에게 이러한 귀중한 인사이트를 제공해준 것에 대한 감사를 표하며, 이 프레임워크를 통해 더 많은 개발자들이 AI 도입 여정을 이해하고 효율적으로 탐색할 수 있기를 기대했습니다. 이 5단계 프레임워크는 단순히 기술적인 측면뿐만 아니라, 조직 문화와 개인의 역할 변화까지 아우르는 포괄적인 시각을 제공합니다.

AI 도입 0단계인 'Gated' 단계는 AI 활용의 가장 기본적인 형태로, 개발자가 챗봇과의 수동적인 상호작용을 통해 작업을 수행하는 방식입니다. 예를 들어, 코드를 복사하여 클로드 AI(Claude AI)와 같은 챗봇에 붙여넣고, '읽지 않은 북마크 수를 세는 새 엔드포인트를 만들어 달라'는 식의 질문을 합니다.

이후 챗봇이 생성한 코드를 다시 복사하여 컨트롤러에 붙여넣는 식으로 작업이 진행됩니다. 이 과정은 매우 반복적이며, AI의 도움을 받더라도 모든 전송 과정에서 개발자의 직접적인 개입과 수동적인 복사-붙여넣기 작업이 필요합니다.

Gated 단계에서 가장 큰 병목 현상은 개발자 자신이 '전송 계층' 역할을 한다는 점입니다. AI가 생성한 모든 코드 라인이 개발자의 클립보드와 판단을 거쳐야만 실제 코드베이스에 적용될 수 있습니다. AI는 코드를 작성할 수 있지만, 코드베이스를 직접 보거나 테스트를 실행하거나 스스로 작업을 확인할 수 있는 능력이 없습니다.

이로 인해 AI가 생성한 코드에 대한 검증 수준이 전무하며, 모든 검증 책임이 개발자에게 전가됩니다. 결국 AI의 잠재력을 최대한 활용하기 어렵고, 수동적인 작업으로 인해 생산성 향상에도 한계가 명확하게 드러납니다.

AI 채택 1단계는 'Assisted Development(지원 개발)' 단계입니다. 대부분의 개발자가 현재 이 단계에 머물러 있거나 가장 오래 머물렀던 영역일 것입니다. 이 단계는 한 명의 엔지니어가 AI 에이전트와 함께 감독된 페어 프로그래밍을 수행하는 개념을 포함합니다. 클로드 코드(Claude Code), CLI, 데스크톱 또는 웹 기반 클로드(Claude)와 같은 에이전트들이 주로 사용됩니다.

이 단계의 핵심은 AI가 코드 생성 과정에 적극적으로 개입하지만, 모든 결정과 최종 검증은 개발자의 감독 아래 이루어진다는 점입니다. 개발자는 AI 에이전트의 제안을 검토하고, 필요한 경우 수정하며, 최종적으로 코드베이스에 통합하는 역할을 합니다. Dan Vega는 이 단계가 AI를 활용하여 개발자의 생산성을 높이면서도 통제력을 유지하는 실용적인 방법이라고 설명했습니다.

Assisted 단계에서 클로드 코드(Claude Code)의 '계획 모드'는 매우 유용하게 활용됩니다. Dan Vega는 'Read Later' 프로젝트에서 새로운 엔드포인트를 추가하는 시나리오를 예로 들며, 먼저 계획 모드로 전환하는 것이 중요하다고 설명했습니다. 계획 모드는 에이전트의 가장 강력한 기능 중 하나로, 구체적인 계획 없이 코드를 작성하는 것을 방지합니다.

이를 통해 개발자는 AI 에이전트와 함께 마치 페어 프로그래밍을 하듯이 작업을 진행할 수 있습니다. AI가 먼저 전체적인 작업 계획을 제안하고, 개발자가 이를 검토하고 승인한 후 실제 코드 작성 단계로 넘어가는 방식입니다. 이는 AI가 무작정 코드를 생성하는 것을 막고, 개발자의 의도와 일치하는 결과물을 얻는 데 도움을 줍니다.

클로드 코드(Claude Code)의 계획을 검토하고 실행하자 세 가지 편집 작업이 진행되었으며, 빌드 테스트를 통해 문제가 없는지 확인되었습니다. 구체적으로는 북마크 컨트롤러에 '태그'로 검색할 수 있는 새로운 엔드포인트가 추가되었고, 북마크 서비스는 리포지토리(repository)를 호출하도록 변경되었습니다. 리포지토리에는 'findByTag'라는 새로운 동적 파인더 메서드가 추가되어 'SELECT * FROM bookmark WHERE tags LIKE' 구문을 사용하여 전달된 태그를 찾는 기능을 구현했습니다.

Dan Vega는 겉으로 보기에는 이 모든 변경 사항이 괜찮아 보인다고 평가했습니다. AI가 계획에 따라 코드를 성공적으로 생성하고, 빌드 테스트까지 통과한 상황을 보여주며, AI가 기본적인 코드 작성 작업을 얼마나 효율적으로 수행하는지 시연했습니다.

AI가 생성한 태그 검색 기능을 테스트하는 과정에서 예상치 못한 버그가 발견되었습니다. 로컬호스트 8085/api/bookmarks 엔드포인트에 '자바' 태그로 요청했을 때, 예상했던 '자바' 관련 북마크뿐만 아니라 '자바스크립트' 태그가 포함된 북마크도 함께 검색되는 문제가 발생했습니다.

이는 AI가 생성한 SQL 쿼리인 'tags LIKE' 구문이 '자바'를 검색할 때 '자바스크립트'처럼 '자바'라는 단어가 포함된 다른 태그까지 일치시키는 방식으로 작동했기 때문입니다. Dan Vega는 이처럼 수동적인 검증과 간단한 테스트를 통해서 AI 에이전트가 만든 코드에 버그가 있음을 직접 확인했습니다.

AI 에이전트가 계획을 세우고 대부분의 코드를 작성하여 타이핑 작업은 줄어들었지만, 진정한 병목 현상은 개발자 혼자서 모든 것을 검증해야 한다는 점에 있습니다. Dan Vega는 자신이 바로 이 '검증 루프'이며, 이 루프가 오직 자신 한 사람에게 의존하고 있다는 점을 문제로 지적했습니다.

작업을 확장하고 여러 작업을 동시에 처리하게 되면, 각 세부 사항에 대한 개발자의 주의와 검토가 필수적이 됩니다. 이는 개발자의 시간과 역량에 한계를 부여하며, AI를 통해 얻을 수 있는 생산성 향상을 저해하는 요소로 작용합니다. 결국 한 명의 개발자가 모든 검증 책임을 지는 구조로는 AI 도입의 다음 단계로 나아가기 어렵다는 한계를 드러냅니다.

AI 에이전트의 자체 검증에 대해 흔히 오해하는 부분이 있습니다. 많은 이들이 에이전트가 자체 작업을 확인하기 위해 테스트를 작성하는 것을 충분한 '게이트(gate)'로 간주하지만, Dan Vega는 이것이 진정한 게이트가 아니라고 지적합니다.

진정한 게이트는 AI가 생성한 변경 사항을 판단하는 과정과 무관하게 작동해야 합니다. 즉, AI가 테스트를 통과했다고 해서 그 결과가 무조건 신뢰할 수 있는 것은 아니며, 독립적인 검증 프로세스가 필요하다는 의미입니다. 이는 AI가 아무리 정교하게 자체 검증을 수행하더라도, 최종적인 신뢰성 확보를 위해서는 외부적인 안전장치가 필요하다는 점을 강조합니다.

AI 도입 3단계인 '자율성'을 시연하기 위해 클로드 코드(Claude Code)의 자동 모드를 켜고 루프를 실행했습니다. Dan Vega는 AI 에이전트에게 백로그에 있는 체크되지 않은 항목들을 찾아 완료되면 체크표시하고, 모든 항목이 체크되면 작업을 멈추도록 지시했습니다.

이 시점에서 개발자는 더 이상 이 과정에 직접적으로 개입할 필요가 없습니다. 작업을 시작한 후 다른 업무를 하거나 자리를 비워도 AI가 스스로 모든 작업을 처리합니다. 기존에 설정된 모든 관문(gate)과 자동 리뷰어는 그대로 유지되며, AI는 이러한 안전장치 안에서 자율적으로 작업을 수행합니다.

3단계 자율성 시연 결과, AI 에이전트는 백로그에 있던 모든 항목들을 성공적으로 처리했습니다. 푸시 알림 기능, 할 일 관리, 백로그 완료 처리, 페이지 매김 구현, 중복 감지, 그리고 통계 엔드포인트 추가 등 다양한 작업들이 개발자의 개입 없이 완료되었습니다.

이 과정에서 총 30개의 테스트가 통과되었으며, 각 변경 사항은 커밋(commit)되기 전에 적대적인(adversarial) 검토를 거쳤습니다. 루프는 모든 작업이 완료된 후 종료되었고, 모니터링 시스템도 정상적으로 작동했습니다. Dan Vega는 백로그에 새 항목이 추가되면 언제든지 이 루프를 다시 시작할 수 있다고 설명하며, 이것이 바로 3단계의 자율성이라고 강조했습니다.

AI 도입 3단계 '자율성'의 핵심은 단순히 작업 속도를 높이는 것이 아니라, 개발자의 '부재'를 가능하게 하는 데 있습니다. 시연된 작업이 약 26분 정도 소요되었지만, Dan Vega는 자신이 찾던 유일한 가치가 속도만이 아니었다고 설명합니다. 오히려 어디론가 가야 하거나 회의에 참석해야 할 때, 개발자 개입 없이 작업을 시작하고 진행할 수 있다는 점이 중요했습니다.

만약 속도만이 중요한 요소였다면 병렬 에이전트를 사용하는 2단계로도 충분했을 것입니다. 그러나 3단계의 진정한 의미는 AI에게 자율성을 부여하여 개발자의 직접적인 개입 없이 기능 목록 전체를 스스로 처리하도록 하는 것입니다. 여기서 '확장'의 개념은 더 많은 에이전트를 사용하는 것이 아니라, 개발자가 작업에서 '부재'할 수 있는 능력을 의미하며, 이는 개발자의 다른 중요한 업무에 집중할 수 있는 여유를 제공합니다.

AI 도입 단계를 진행할 때 고려해야 할 중요한 주의사항이 있습니다. 보리스 체르니는 단순히 토큰(token) 사용량만으로는 다음 단계로 나아갈 수 없다고 강조했습니다. 대신, 각 단계는 기본적으로 '가드레일(guardrail)'을 통해 획득된다는 점을 명심해야 합니다.

이 여정에서 현재 자신의 위치를 정확히 파악하는 것이 중요하며, 이는 다음으로 나아가야 할 방향을 제시해 줍니다. 가드레일은 AI의 자율성이 높아질수록 잠재적인 위험을 관리하고 안전하게 작업을 수행할 수 있도록 돕는 필수적인 안전장치입니다. 따라서 AI 기술을 도입하고 발전시키는 과정에서는 기술적인 역량 강화뿐만 아니라, 각 단계에 맞는 견고한 안전장치를 함께 구축하는 데 주력해야 합니다.