대부분의 개발자들은 여전히 2023년에 ChatGPT를 사용했던 것과 같은 방식으로 AI를 사용하고 있습니다.
채팅을 엽니다. 질문을 합니다. 코드를 복사합니다. 에디터에 붙여넣습니다. 반복합니다.
효과는 있습니다. 효과가 없다고 말하는 사람은 아무도 없습니다.
하지만 대부분의 사람들이 아직 눈치채지 못한 방식으로 이미 구식이 되어가고 있습니다. 그리고 이를 일찍 알아차린 개발자들은 조용히 나중에 따라잡기가 매우 어려울 이점을 쌓아가고 있습니다.
지금 새로운 범주의 개발자가 등장하고 있습니다. 그들은 다른 모든 사람들처럼 AI를 코딩 어시스턴트로 사용하지 않습니다. 그들은 AI를 중심으로 완전한 운영 체제를 구축하고 있습니다. 메모리, 컨텍스트, 특화된 에이전트, 검증 루프, 시간이 지남에 따라 복리 효과를 내는 워크플로우를 갖춘 체계적인 시스템입니다.
이 두 접근 방식 사이의 격차는 소프트웨어 개발에서 가장 중요한 경쟁 우위 중 하나가 되고 있습니다. 한 그룹이 다른 그룹보다 더 똑똑해서가 아닙니다. 한 그룹이 진정한 레버리지는 결코 모델 자체에 있는 것이 아니라 항상 모델을 둘러싼 시스템에 있다는 것을 더 일찍 이해했기 때문입니다.
오늘 이러한 변화를 이해하는 개발자들은 앞으로 몇 년 동안 계속해서 성장하는 이점을 갖게 될 것입니다. 소프트웨어 개발의 미래는 더 빠르게 코드를 작성하는 것이 아니라 규모에 맞게 지능을 오케스트레이션하는 것이기 때문입니다.
모두가 하고 있는 대화는 잘못된 대화입니다
지난 2년 동안 AI에 대한 모든 논의는 서로 다른 형태로 반복되는 하나의 질문에 의해 지배되어 왔습니다.
어떤 모델이 더 나은가?
Claude 대 GPT. GPT 대 Gemini. Gemini 대 DeepSeek. 오픈소스 대 독점. 모든 사람이 모델 자체가 경쟁의 종착점인 것처럼 벤치마크와 코딩 점수, 컨텍스트 윈도우, 추론 평가를 비교하고 있습니다.
그 대화는 그 대화를 나누는 사람들이 깨닫는 것보다 점점 덜 중요해지고 있습니다.
모든 소음 아래에서 더 가치 있는 질문이 조용히 떠오르고 있습니다.
언어 모델을 생산적인 소프트웨어 엔지니어로 어떻게 전환할 것인가?
질문에 답하는 챗봇이 아닙니다. 키 입력을 절약해주는 자동 완성 엔진이 아닙니다. 요청 시 함수를 생성하는 코드 생성기가 아닙니다. 작업을 계획하고, 솔루션을 연구하고, 코드를 검토하고, 버그를 찾고, 테스트를 작성하고, 문서를 업데이트하고, 긴 프로젝트에서 컨텍스트를 관리하고, 이전 결정에서 학습하고, 시간이 지남에 따라 자체 출력을 개선할 수 있는 실제 엔지니어링 시스템입니다.
이러한 변화는 지금 Claude Code와 같은 도구를 중심으로 일어나고 있습니다. 그리고 이는 벤치마크 논쟁이 시사하는 것보다 훨씬 더 큽니다.
AI 코딩 도구의 첫 번째 물결은 잘못된 문제를 해결했습니다
1세대 AI 코딩 도구는 거의 전적으로 코드 생성에 집중했습니다. 그것은 해결해야 할 명백한 문제였고 해결할 가치가 있는 실제 문제였습니다.
GitHub Copilot은 AI가 진정으로 유용한 방식으로 코드를 자동 완성할 수 있음을 입증했습니다. ChatGPT는 소프트웨어 개발을 처음으로 대화형으로 만들었습니다. 모델은 빠르게 개선되었습니다. 컨텍스트 윈도우가 확장되었습니다. 코드 품질은 최소한의 편집만으로도 프로덕션에 바로 사용할 수 있는 수준까지 향상되었습니다.
한동안은 업계 전체가 하나의 명확한 목표를 향해 경주하고 있는 것처럼 느껴졌습니다. 더 적은 오류로 더 빠르게 더 많은 코드를 생성하는 것.
하지만 경험 많은 엔지니어들은 처음부터 명백했어야 할 무언가를 빠르게 발견했습니다.
코드를 작성하는 것은 소프트웨어 개발에서 가장 어려운 부분인 경우가 드뭅니다.
실제 작업, 즉 시니어 엔지니어의 시간 대부분과 팀 에너지 대부분을 소모하는 작업은 대개 다음과 같습니다. 불완전하거나 모순된 요구사항을 이해하는 것. 수년간의 역사와 결정이 내장된 코드베이스 전반에 걸쳐 솔루션을 연구하는 것. 얼마나 잘 생각되었는지에 따라 이점으로 복리화되거나 기술 부채로 복리화될 아키텍처 선택을 하는 것. 축적된 기술 부채를 관리하는 것. 계획 중에 아무도 생각하지 못한 엣지 케이스를 테스트하는 것. 정확성과 보안 및 유지보수성을 위해 구현을 검토하는 것. 압박 속에서 프로덕션 문제를 디버깅하는 것. 항상 약간 구식인 문서를 유지 관리하는 것. 무엇이 구축되고 있는지에 대한 서로 다른 멘탈 모델을 가진 사람들 간에 복잡한 프로젝트를 조정하는 것.
엔지니어링 수명 주기의 대부분은 에디터 외부에서 발생합니다.
그리고 바로 그 지점에서 전통적인 AI 워크플로우, 즉 채팅을 열고 코드를 복사하는 접근 방식이 완전히 무너지기 시작했습니다.
Claude Code가 이전의 모든 것과 진정으로 다르게 느껴지는 이유
Claude Code는 근본적으로 다른 아이디어를 도입했으며, 그 차이를 과소평가하기 쉽기 때문에 정확하게 언급할 가치가 있습니다.
AI를 가끔 도움을 구하는 대상으로 취급하는 대신, AI를 실행에 적극적으로 참여하는 주체로서 워크플로우 내부에 직접 배치합니다.
미묘한 차이처럼 들립니다. 전혀 미묘하지 않습니다.
챗봇은 지시를 기다리고 응답합니다. 연산자는 실행에 참여하고 실제 환경 내에서 작업을 수행합니다. 이 차이는 개발자와 도구 간의 관계의 전체적인 성격을 변화시킵니다.
개발자들이 처음으로 Claude Code를 진지하게 사용하기 시작했을 때, 대화는 AI가 특정 함수를 작성할 수 있는지 묻는 것에서 AI가 전체 워크플로우를 종단 간 처리할 수 있는지 묻는 것으로 전환되었습니다. 일단 그 질문이 마음속에 떠오르면, 당신은 코드 생성을 목표로 생각하는 것을 멈춥니다. 시스템에 대해 생각하기 시작합니다. 그리고 엔지니어링에서 진정한 레버리지는 항상 시스템에 존재해 왔습니다.
오늘날 Claude Code에서 가장 많은 것을 얻고 있는 개발자들은 가장 영리한 개별 프롬프트를 작성하는 사람들이 아닙니다. 그 주변에 가장 사려 깊은 시스템을 구축한 사람들입니다.
병목 현상은 거의 항상 지능이 아닙니다
대부분의 사람들은 AI가 평범한 결과물을 생성할 때 모델이 충분히 똑똑하지 않기 때문이라고 가정합니다. 이 가정은 마침내 모두가 기다리는 결과를 생성할 더 나은 모델에 대한 끊임없는 탐색으로 이어집니다.
현실에서 병목 현상은 거의 항상 컨텍스트입니다. 지능이 아닙니다. 컨텍스트입니다.
상상할 수 있는 최고의 소프트웨어 엔지니어를 고용한 다음 문서도, 프로젝트 기록도, 코딩 표준도, 이전 아키텍처 결정에 대한 기록도, 이미 발견되어 수정된 버그에 대한 지식도 제공하지 않는 것을 상상해보십시오. 그 엔지니어는 엄청나게 어려움을 겪을 것입니다. 능력이 부족해서가 아닙니다. 능력을 유용하게 만드는 컨텍스트 없이 작업하기 때문입니다.
AI 모델은 이전에 무엇이 있었는지에 대한 기억 없이 새로 시작하는 모든 대화에서 정확히 동일한 문제에 직면합니다.
이것은 사람들이 처음 접할 때 혼란스러워하는 것을 설명합니다. 두 명의 개발자가 정확히 동일한 모델을 사용하고 완전히 다른 도구에서 나온 것처럼 보이는 결과를 얻을 수 있습니다. 한 명은 진정으로 유용하고 프로덕션 준비가 된 결과물을 얻습니다. 다른 한 명은 원래 코드가 필요했던 것보다 더 많은 수정이 필요한 평범한 결과물을 얻습니다.
그 차이는 거의 항상 모델이 아닙니다. 차이는 컨텍스트 관리입니다. 한 개발자는 모델이 잘 작동하는 데 필요한 것을 제공했습니다. 다른 개발자는 그렇지 않았습니다.
이것은 심각한 수준에서 AI로 작업하는 것에 대해 이해해야 할 가장 실질적으로 중요한 것 중 하나입니다. 당신은 단지 모델을 선택하는 것이 아닙니다. 당신은 그 모델이 효과적으로 작동할 수 있는 환경을 구축하고 있는 것입니다. 환경은 그 안에 있는 모델의 원시적인 능력보다 출력을 훨씬 더 많이 결정합니다.
컨텍스트가 새로운 인프라가 되고 있습니다
대부분의 AI 논의는 프롬프트에 초점을 맞춥니다. 프롬프트는 가시적인 계층이기 때문입니다. 그것은 당신이 입력하는 것입니다. 그것은 당신이 보는 것입니다. 그것은 당신이 제어하고 있는 것처럼 느껴집니다.
하지만 프롬프트는 표면에 불과합니다.
일관되게 성공적인 모든 AI 워크플로우 아래에는 대부분의 사람들이 명시적으로 생각하지 않고 거의 공개적으로 논의하지 않는 훨씬 더 큰 인프라가 있습니다.
그 인프라에는 매번 처음부터 시작하는 대신 세션 간에 정보를 유지하는 메모리 시스템, 모델이 참조할 수 있는 형태로 결정, 표준 및 패턴을 캡처하는 지식 저장소, 한 번에 모든 것을 모델에 과부하시키지 않고 적시에 올바른 정보를 표면화하는 컨텍스트 검색, 올바른 입력이 그들 사이를 흐르며 올바른 순서로 작업을 시퀀싱하는 워크플로우 오케스트레이션, 다음 단계로 이동하기 전에 표준에 대해 출력을 확인하는 평가 루프, 모델이 건드릴 수 있는 것과 없는 것을 정의하는 보안 제어, 오류가 복리화되기 전에 포착하는 검증 파이프라인, 시스템이 저조한 출력을 생성하는 지점을 식별하여 개선할 수 있도록 하는 성능 모니터링이 포함됩니다.
이러한 시스템은 AI가 엔지니어링 조직에 진정으로 유용해지는지, 아니면 일부 키 입력을 절약하고 데모에서 사람들에게 깊은 인상을 주는 값비싼 자동 완성 엔진으로 남아 있는지를 결정합니다.
오늘날 이러한 계층을 구축하고 있는 회사와 개인 개발자들은 효과적으로 AI 시대의 운영 체제를 구축하고 있습니다. 그들은 단지 존재하는 도구를 사용하는 것이 아닙니다. 그들은 다음 세대의 도구가 실행될 인프라를 구축하고 있습니다.
에이전틱 개발의 부상과 그것이 훌륭한 팀이 구축되는 방식을 반영하는 이유
이것이 소프트웨어 개발이 나아가고 있는 방향이며, 이미 직관적으로 이해가 되는 것과 연결하면 더 쉽게 이해할 수 있습니다.
진정으로 효과적인 엔지니어링 조직이 어떻게 작동하는지 생각해보십시오. 한 사람을 고용하여 모든 것을 하도록 요청하지 않습니다. 특정 영역에 깊은 기술을 가진 전문가가 있습니다. 문제 공간을 이해하는 연구자. 구조적 결정을 내리는 아키텍트. 구현에서 문제를 발견하는 검토자. 제품 중심 엔지니어가 놓치는 방식으로 잘못될 수 있는 것에 대해 생각하는 보안 엔지니어. 가정을 현실에 대해 테스트하는 QA 엔지니어. 시스템을 함께 작업하는 모든 사람이 이해할 수 있도록 만드는 기술 문서 작성자. 프로덕션에서 모든 것을 계속 실행하는 운영자.
동일한 패턴이 고급 AI 워크플로우 내에서 나타나고 있습니다.
오늘날 잘 설계된 에이전틱 시스템은 결정이 내려지기 전에 문제 공간을 조사하는 리서치 에이전트, 그 연구를 기반으로 구조적 접근 방식을 설계하는 아키텍처 에이전트, 아키텍처 사양에 따라 코드를 작성하는 구현 에이전트, 요구사항 및 엣지 케이스에 대해 구현을 검증하는 테스팅 에이전트, 취약점을 검토하는 시큐리티 에이전트, 구축된 내용과 그 이유를 캡처하는 문서화 에이전트, 릴리스 프로세스를 관리하는 배포 에이전트를 통해 이동할 수 있습니다.
각 시스템은 특정 책임을 가지고 있습니다. 각 시스템은 특정 문제에 집중합니다. 함께 그들은 챗봇처럼 행동하기보다는 정의된 역할과 명확한 인수인계를 가진 엔지니어링 조직처럼 행동합니다.
이것이 가장 정교한 Claude Code 사용자들이 더 이상 개별 프롬프트를 작성하는 데 대부분의 시간을 소비하지 않는 이유입니다. 그들은 워크플로우를 설계하는 데 시간을 보내고 있습니다. 프롬프트는 더 큰 시스템의 한 단계에 대한 입력일 뿐입니다. 일관되게 좋은 결과를 생성하는 것은 시스템입니다.
메모리는 궁극적으로 모델 기능보다 더 중요할 수 있습니다
이것은 대부분의 사람들이 충분히 진지하게 받아들이지 않는 변화이며, 앞으로 몇 년 동안 가장 중요하게 여겨질 변화라고 생각합니다.
모델은 빠르게 개선되고 있으며 사용 가능한 최고 모델 간의 격차는 좁혀지고 있습니다. 프론티어 모델 간의 벤치마크는 점점 더 가까워지고 있으며 멀어지지 않고 있습니다. 대화를 지배하는 모델 전쟁은 줄어들고 있는 차이점을 놓고 싸우고 있습니다.
그러나 메모리는 줄어들지 않는 복리 이점을 만듭니다. 그들은 성장합니다.
비슷한 원시 지능을 가진 주니어 엔지니어와 비교하여 시니어 엔지니어를 진정으로 가치 있게 만드는 것이 무엇인지 생각해보십시오. 경험입니다. 그리고 경험이 중요한 이유는 경험이 메모리를 생성하기 때문입니다. 메모리는 무엇이 효과가 있고 무엇이 효과가 없는지에 대한 직관을 생성합니다. 직관은 더 적은 에너지로 더 빠르게 더 나은 결정을 내리게 합니다. 이러한 더 나은 결정은 시간이 지남에 따라 빠르게 복제될 수 없는 실적과 판단의 깊이로 복리화됩니다.
메모리가 없으면 모든 프로젝트는 이전에 무엇이 있었는지에 관계없이 0부터 시작합니다. 만들어진 기록이 없기 때문에 모든 실수가 반복됩니다. 배운 모든 교훈은 세션이 끝나면 사라집니다. 잘 작동했던 모든 워크플로우는 다음에 필요할 때 다시 구축되어야 합니다. 이는 모든 프로젝트에서 보이지 않게 축적되는 엄청난 비효율성입니다.
이것이 가장 미래 지향적인 AI 시스템 구축자들이 세션 간에 컨텍스트를 전달하는 세션 지속성, 검색 가능한 형태로 패턴과 결정을 캡처하는 장기 메모리, 재설정되지 않고 스스로 구축되는 지식 축적, 이전에 효과가 있었던 것을 기반으로 시스템을 개선하는 워크플로우 진화에 집중하는 이유입니다.
실제로 오고 있는 미래는 단순히 더 똑똑한 모델이 아닙니다. 기억하고 개선하는 더 똑똑한 시스템입니다. 복리 이점은 그러한 시스템을 가장 먼저 구축하는 사람에게 속합니다.
대부분의 사람들이 완전히 무시하고 있는 숨겨진 계층
진정한 이점이 어디에 있는지 생각할 때 계속해서 돌아오는 관찰이 있습니다.
세 명의 개발자가 오늘날 정확히 동일한 Claude 모델을 사용할 수 있습니다. 한 명은 코드를 수동으로 작성하는 것보다 약간 나은 평균적인 결과를 얻습니다. 한 명은 출력을 의미 있게 가속화하는 훌륭한 결과를 얻습니다. 한 명은 모델을 중심으로 전체 소프트웨어 회사를 구축하고 몇 년 전에는 어떤 규모의 팀으로도 불가능했을 것들을 생산합니다.
이 세 가지 결과의 차이는 지능이 아닙니다. 적어도 직접적으로는 노력조차 아닙니다. 그것은 인프라입니다.
승리하는 기술 스택은 점점 더 모델이 맨 위에 앉아 있고, 보이고 지속적으로 논의되며, 그 아래의 모든 것이 실제 경쟁 우위가 있는 곳인 레이어 케이크처럼 보입니다. 모델 아래의 메모리. 그 아래의 워크플로우 오케스트레이션. 출력을 확인하는 평가 시스템. 경계를 정의하는 보안 제어. 반복적인 단계를 제거하는 자동화. 모든 것을 함께 연결하는 실행 파이프라인.
대부분의 사람들은 최상위 계층에만 집중합니다. 그들은 모델에 집중합니다. 모델은 그들이 직접 상호 작용하는 것이고 마케팅이 강조하는 것이기 때문입니다.
가장 높은 레버리지, 즉 지금 가장 큰 이점이 구축되고 있는 곳은 보이는 계층 아래의 모든 것에 존재합니다.
이 순간이 클라우드 혁명을 떠올리게 하는 이유
유사점을 진지하게 받아들일 가치가 있습니다. 그것은 항상 그 순간에는 선택 사항처럼 보이지만, 나중에 돌아보면 정확하다는 것이 계속해서 입증되고 있기 때문입니다.
오늘날 대부분의 개발자들은 에이전틱 워크플로우를 흥미로운 실험이나 시간이 있을 때 탐구할 가치가 있는 생산성 향상으로 보고 있습니다. 이것은 2008년과 2009년에 클라우드 컴퓨팅이 보였던 방식과 정확히 같습니다. 사람들은 자체 서버를 계속 실행할 수 있다고 생각했습니다. 초기에 클라우드 인프라를 구축한 개발자들은 엔지니어링을 과도하게 하는 것처럼 보였습니다. 그런 다음 클라우드가 표준이 되었고 전환을 하지 않은 사람들은 갑자기 수정하는 데 비용이 많이 드는 방식으로 뒤쳐졌습니다.
동일한 패턴이 버전 관리, 컨테이너, 지속적 통합 및 배포에서 나타났습니다. 모든 인프라 변경은 처음에는 실험할 시간이 있는 사람들을 위한 선택적 생산성 해킹처럼 보입니다. 그런 다음 그것을 일찍 채택한 조직에게는 경쟁 우위가 됩니다. 그런 다음 그것은 기본 작업 방식이 되고 다른 모든 사람들은 따라잡는 처지가 됩니다.
에이전틱 개발은 동일한 궤적을 따르고 있습니다. 오늘날 그것은 실험적이며 이에 대해 엄청나게 흥분하는 소수의 개발자에 의해 실행됩니다. 내일은 경쟁력을 유지하려는 엔지니어링 조직에 의해 기대될 것입니다. 초기 채택이 지속적인 이점을 창출하는 창은 지금 열려 있으며 무기한 열려 있지 않을 것입니다.
개발자 기술 세트는 특정 방향으로 진화하고 있습니다
소프트웨어 엔지니어링 역사의 대부분 동안 성공은 구현 능력과 밀접하게 상관관계가 있었습니다. 얼마나 빨리 올바른 코드를 작성할 수 있는지. 특정 언어와 프레임워크를 얼마나 깊이 이해했는지. 얼마나 많은 알고리즘을 기억하고 적용할 수 있는지. 이러한 기술은 엄청나게 중요했으며 여전히 중요합니다.
그러나 향후 10년 동안 가장 높은 레버리지를 가진 개발자들은 점점 더 다른 능력 세트에 집중할 것입니다.
올바른 순서와 각 단계에서 올바른 입력 및 출력으로 복잡한 작업을 통해 AI 에이전트를 시퀀싱하는 워크플로우 설계. 모델이 압도당하지 않고 잘 수행하는 데 필요한 것을 갖도록 컨텍스트 관리. 사용되기 전에 출력을 검증하는 평가 시스템 구축. 지식을 축적하고 시간이 지남에 따라 개선되는 메모리 아키텍처 생성. 각각 특정 문제에 집중하는 특화된 에이전트 조정. 출력 볼륨이 증가함에 따라 품질을 유지하는 검증 프로세스 정의. 신뢰할 수 있는 자동화된 시스템으로 함께 연결되는 실행 파이프라인 구조화.
직업은 무언가를 구축하는 것에서 지능을 지휘하는 것으로 진화하고 있습니다. 코드를 작성하는 것에서 코드를 생성하는 시스템을 설계하는 것으로. 구현에서 오케스트레이션으로.
이것은 숙련도가 어떻게 보이는지에 있어 상당한 변화입니다. 그것을 일찍 인식하고 지금 그러한 기술을 구축하기 시작하는 개발자들은 엔지니어링 우수성에 대한 기존 정의에 대해 계속 최적화하는 사람들과는 매우 다르게 포지셔닝될 것입니다.
이것이 어디로 이어지며 얼마나 멀리 떨어져 있을 수 있는지
AI와 개발자 관계의 진화는 인식 가능한 단계를 통해 이동하는 것으로 보입니다.
첫 번째 단계는 코드를 구성하고 표시했지만 작성에 기여하지는 않은 도구로 모든 것을 수동으로 생산하는 개발자가 에디터로 작업하는 것이었습니다.
두 번째 단계는 질문에 답하고, 요청 시 코드를 생성하고, 특정 작업을 가속화하는 AI 어시스턴트로 작업하는 개발자가 주요 생산자로 남아 있는 것입니다.
가장 진보된 실무자들이 오늘날 있는 세 번째 단계는 개발자가 AI 팀에 더 가까운 것으로 작업하는 것입니다. 워크플로우의 다른 부분을 처리하는 여러 특화된 시스템과 함께 개발자는 모든 출력을 직접 생산하기보다는 지시하고 검토합니다.
네 번째 단계는 수평선에 보이기 시작하는데, 개발자가 AI 운영 체제로 작업하는 것입니다. 연구, 계획, 구현, 테스트, 보안, 문서화 및 배포를 통합 기능으로 처리하는 완전한 인프라와 함께 개발자는 실행자가 아닌 아키텍트 및 의사 결정자로 운영됩니다.
오늘날 대부분의 현역 개발자는 2단계와 3단계 사이 어딘가에 있습니다. 3단계로의 움직임은 가속화되고 있습니다. 4단계는 보이는 것만큼 멀지 않을 수 있습니다.
실제로 주목할 가치가 있는 것
현재 AI에 대한 대화의 대부분은 모델 전쟁에 초점을 맞추고 있습니다. Claude 대 GPT. 오픈소스 대 독점. 실제 성능을 반영할 수도 있고 반영하지 않을 수도 있는 평가에 대한 벤치마크 점수.
이러한 논쟁은 흥미롭고 완전히 가치가 없는 것은 아닙니다. 그러나 그것들은 그것을 하는 사람들이 생각하는 것보다 훨씬 덜 중요할 수 있습니다.
더 큰 이야기는 소프트웨어 개발 자체가 에이전틱화되고 있다는 것입니다. 소프트웨어가 구축되는 방식의 구조가 근본적인 수준에서 변화하고 있으며, 단지 주변부에서 더 빨라지는 것이 아닙니다.
그 세계에서 승자는 반드시 가장 똑똑한 개별 모델에 접근할 수 있는 개발자가 아닐 것입니다. 그들은 그 모델 주변에 가장 똑똑한 시스템을 구축한 개발자일 것입니다. 컨텍스트 관리가 원시적인 모델 기능보다 더 중요하다는 것을 이해한 사람들. 메모리가 복리 이점을 창출한다는 것을 이해한 사람들. 워크플로우 설계가 진정한 레버리지가 있는 곳이라는 것을 이해한 사람들. 코드를 생성하는 것보다 지능을 오케스트레이션하는 것이 더 가치 있는 기술이라는 것을 이해한 사람들.
Claude Code는 단지 도구로서뿐만 아니라 신호로서 중요합니다. 그것은 지능이 때때로 상담이 아닌 프로그래밍 가능한 인프라가 될 때 소프트웨어 엔지니어링이 어떻게 보이는지에 대한 가장 명확한 초기 모습 중 하나입니다.
일단 그 변화가 완전히 자리 잡으면, 질문은 더 이상 AI가 코드를 작성할 수 있는지 여부가 아닙니다. 모든 사람은 이미 그것이 코드를 작성할 수 있다는 것을 알고 있습니다.
질문은 완전한 소프트웨어 개발 수명 주기 중 얼마나 많은 부분을 구축하고 실행하는 방법을 이해하는 개발자가 지시하는 잘 설계된 AI 시스템이 소유할 수 있는지가 됩니다.
그 질문에 대한 답은 매달 커지고 있습니다. 그리고 지금 그 답을 향해 구축하고 있는 사람들은 조용히 복리화되고 충분히 커지면 따라잡기가 매우 어려워지는 이점을 가지고 작업하고 있습니다.
우리는 여전히 이것의 가장 초기 장에 있습니다. 향후 2~3년 동안 내려진 결정은 그 후 오랜 시간 동안 중요할 것입니다.
