TL;DR
· 한 AI 창업자는 에이전트가 코드를 작성하는 것이 초기 경력 능력 순위를 바꾸고 있다고 말한다.
· 평가 가능한 작업은 모델에 더 적합하며, 인간은 문제를 판단하고 시간과 도구를 배분하는 법을 배워야 한다.
· 현금 수익이 유일한 목표는 아니며, 관계, 평판, 전달 품질이 격차를 벌릴 수 있다.

자신이 Scale AI, DeepMind, OpenAI, Google 등에서 근무했으며 현재 에이전트 네이티브 회사에서 일하고 있다고 밝힌 한 창업자가 영문 장문의 글에서 젊은이들을 위한 새로운 직업 조언을 제시했다. 배경은 AI 코딩 도구가 코드 완성에서 더 완전한 소프트웨어 엔지니어링 에이전트로 진화했다는 점이다. OpenAI가 2025년 Codex를 발표했을 때, 클라우드에서 기능 작성, 버그 수정, PR 제안 등의 작업을 병렬로 처리할 수 있지만 여전히 사람의 코드 검토와 검증이 필요하다고 밝혔다. 문제는 이제 표준 답안, 일반 코드, 평가 가능한 작업이 점점 저렴해지면서 젊은이들이 시간을 어디에 써야 하는지로 바뀌었다.

이 글의 핵심은 '프로그래머가 대체될 것이다'가 아니라, 초기 경력 선별 기준이 변화하고 있다는 점이다. 학교와 전통적인 면접은 정의가 명확하고 답이 분명하며 채점 가능한 문제를 대량으로 훈련하는데, 이것이 바로 모델이 가장 빠르게 발전하는 분야다. 미래에 사람을 더 잘 구분할 수 있는 것은 중요한 문제를 발견하고, 가치 높은 환경을 선택하며, 신뢰할 수 있는 평판을 쌓고, 에이전트가 생성한 중간 결과물을 전달 가능한 수준으로 다듬는 능력일 수 있다.

현금 제안이 유일한 답은 아니다, 시간과 평판이 더 희소하다

저자의 판단에 따르면, AI 창업 환경에서는 자본과 도구가 과거보다 더 쉽게 얻을 수 있지만, 고품질 시간, 강력한 관계, 신뢰할 수 있는 평판은 여전히 희소하다.

그는 개인 경험을 들어 이를 설명한다. Scale AI에 합류하기 전, 현금 보상이 더 높은 퀀트 직무 제안을 받았지만 결국 Scale을 선택한 이유는 더 강력한 커뮤니티, 더 넓은 제품 시나리오, 그리고 최전선 문제에 접할 기회가 더 많았기 때문이라고 밝혔다. 그의 회상에 따르면, 이후 Scale을 통해 대규모 언어 모델 추론 공급업체와 접촉하고 DeepMind와 OpenAI의 기회를 얻었으며, 이후 창업을 함께한 동료들을 만났다.

이러한 경험을 모든 사람의 직업 공식으로 일반화할 수는 없지만, 주는 시사점은 명확하다. 초기 경력 선택은 눈앞의 현금만 봐서는 안 된다는 것이다. 특히 AI가 소프트웨어 구축 장벽을 낮춘 후, 빠르게 수익을 낼 수 있는 작은 도구를 만드는 것은 더 이상 드문 일이 아니다. 장기적인 수익은 종종 더 어려운 문제, 더 뛰어난 사람들, 더 신뢰할 수 있는 이력 신호에서 나온다.

젊은이들이 물어야 할 것은 '어떤 기회가 즉시 더 많은 돈을 주는가'가 아니라, 이 일이 시간을 투자할 가치가 있는지, 뛰어난 사람들과 함께 할 수 있는지, 자신의 좋은 작업이 신뢰할 수 있는 사람들에게 보여질 수 있는지, 그리고 그것이 다음 기회의 신용 기반이 될 수 있는지다.

엔지니어의 가치가 '문제 해결'에서 '문제 선정'으로 전환

지능형 에이전트가 경계가 명확한 문제를 점점 더 많이 처리할 수 있게 되면서, 엔지니어의 가치는 더 이상 '해결할 수 있는지'가 아니라 '올바른 문제를 선택할 수 있는지'에 달려 있습니다.

저자는 자신이 속한 팀이 면접 방식을 재설계했다고 언급합니다. 그 이유는 실제 업무에서 더 이상 모든 코드를 직접 작성할 필요가 없다면, 단순히 알고리즘 문제와 전통적인 시스템 설계를 평가하는 것이 업무 성과와의 상관관계가 낮아지기 때문입니다. 더 의미 있는 테스트는 지원자가 환경을 빠르게 이해하고, 해결할 가치가 있는 문제를 발견한 후 AI 도구와 외부 리소스를 활용해 결과를 도출할 수 있는지 확인하는 것입니다.

이는 에이전트가 코드를 작성하는 시대의 새로운 분업이기도 합니다. 모델은 목표가 명확하고 피드백이 분명한 작업을 처리하는 데 능숙하며, 사람은 어떤 문제가 중요한지, 어떤 경로를 시도할 가치가 있는지, 얼마나 많은 시간과 모델 호출 비용을 투입해야 하는지 판단해야 합니다.

학생들에게 AI가 숙제를 대신할 수 있다는 점은 좌절감을 줄 수 있습니다. 하지만 채용 관점에서 보면 지원자 간의 차이는 사라지지 않았습니다. 모두 AI를 사용해 답을 얻을 수 있더라도, 어떤 사람은 많은 시행착오와 프롬프트가 필요한 반면, 다른 사람은 비즈니스 직감, 기술적 배경, 맥락을 바탕으로 에이전트와 협력해 더 빠르게 방향을 찾습니다.

소위 'AI를 잘 활용한다'는 것은 단순히 문제를 모델에 던지는 것만을 의미하지 않습니다. 더 강력한 능력에는 문제 분해, 누락된 정보 식별, 언제 반복을 계속하고 언제 경로를 변경할지 판단, 그리고 결과가 비즈니스나 기술의 핵심 갈등을 실제로 해결했는지 검증하는 것이 포함됩니다.

소프트웨어를 만들기 쉬울수록, 더 어려운 문제에 가까워져야 한다

AI는 소프트웨어 구축의 진입 장벽을 낮추고, 단순한 시스템을 더 쉽게 복제할 수 있게 만들었습니다. 저자는 머신러닝 연구의 '쓴 교훈(Bitter Lesson)'을 빌려 직업 선택을 설명합니다. 장기적으로 볼 때, 일반적인 방법을 확장하는 것이 단일 작업에 대한 정밀 최적화보다 더 효과적이라는 것입니다.

회사와 개인의 경력에 적용하면, 이는 단순한 결과물의 해자(moat)가 얇아진다는 것을 의미합니다. 누구나 겉보기에 사용 가능한 시스템을 더 쉽게 만들 수 있지만, 진정으로 지속 가능한 가치는 충분히 어렵고 야심 찬 문제에 집중될 것입니다.

회사를 선택할 때 저자가 제시하는 기준은 다음과 같습니다. 이 회사가 해당 문제의 가장 야심 찬 버전을 해결하려고 하는지, 그리고 실제로 해결할 기회가 있는지입니다. 직무를 선택할 때는 이 역할이 자신이 회사가 해결 중인 최첨단 문제에 직접 접근할 수 있게 해주는지 확인해야 합니다.

또한 그는 초기 제품이 예쁘거나 데모가 인상적이라는 점에만 집중해서는 안 된다고 강조합니다. 그의 주관적인 평가에 따르면, Anthropic의 초기 데모는 당시 ChatGPT보다 못한 Slackbot에 불과했지만, 이것이 회사가 이후 완전히 다른 궤도로 나아가는 것을 막지 못했습니다. 초기 회사는 변하고, 제품도 변하며, 팀의 질, 시장 공간, 문제의 난이도가 장기적인 결과에 더 큰 영향을 미칩니다.

직업 기회도 비슷한 논리다. 고품질 기회가 항상 결과로 이어지는 것은 아니지만, 먼저 기회를 볼 수 있는 위치에 서야 한다. 그 자리에 설 수 있는지 여부는 여전히 장기간 쌓아온 능력, 평판, 그리고 다른 사람들이 기회를 알려줄 의향이 있는지에 달려 있다.

평범한 결과는 더 싸고, 마지막 10%가 더 가치 있다

간단한 프롬프트 하나로 AI 에이전트가 중간 수준의 결과를 생성할 수 있을 때, 평범한 산출물의 가치는 하락하고, 마지막 다듬기 작업의 가치는 상승한다.

원문은 Sequoia Capital의 Alfred Lin의 말을 인용해, 마지막 10%가 종종 90%의 작업이자 90%의 수익을 창출한다고 설명한다. AI 시대에 이 말은 더 현실적으로 다가온다. 70점짜리 결과는 점점 더 얻기 쉬워지고 있기 때문에, 사람을 진정으로 구분 짓는 것은 독특한 시각, 세부 사항에 대한 집중, 반복 능력, 아키텍처 품질, 확장성 및 창의성이다.

첫 번째 버전의 AI 출력이 완벽한 경우는 드물다. 진정한 작업은 종종 후속 반복 과정에서 발생한다: 무엇이 잘못되었는지, 어떤 부분을 재구성해야 하는지, 어떤 경험이 매끄럽지 않은지, 어떤 경계 조건이 누락되었는지, 언제 차세대 모델을 활용해 처음부터 다시 만들어야 하는지 등을 발견하는 것이다.

이러한 능력은 프로젝트, 인턴십 및 실제 업무를 통해 연마할 수 있다. 조금 더 시간을 들여 다듬고, 아키텍처를 깔끔하게 만들고, 확장성을 고려하며, 사용자가 실제로 사용하고 싶어할 만한 세부 사항까지 신경 쓰면, 이 모든 것이 포트폴리오와 면접에서 흔적으로 남는다.

전통적인 엔지니어링 능력이 사라진 것은 아니다. 변화는 코드 작성 자체의 희소성이 줄어들고, 판단력, 미적 감각, 시스템 이해도 및 전달 품질이 더 중요해졌다는 점이다. AI는 더 많은 사람이 중간 수준에 도달할 수 있게 하지만, 남은 격차는 오히려 메우기 더 어려워졌다.

연구의 문턱은 낮아졌지만, 연구는 직함이 아니다

글의 마지막 부분은 '연구에 진입하는 방법'에 대한 논의로 이어진다. 저자는 AI가 연구를 최고 수준의 연구소에만 국한시키지 않고, 오히려 초기 진입 장벽을 낮췄다고 주장한다.

현대 연구는 물론 더 많은 컴퓨팅 파워에 의존하지만, 출발점은 매우 단순할 수 있다: 기존 모델을 사용하고, 자신의 직관을 평가로 전환하며, 공개 최적화 리더보드에 참여하고, 클라우드 컴퓨팅 플랫폼이 학생과 연구자에게 제공하는 크레딧을 활용해 아이디어를 일찍 테스트하는 것이다. 대부분의 아이디어는 결국 규모를 확장할 때 실패하지만, 실패를 이해하는 것은 연구 판단력을 키우는 일부다.

연구자는 우선 하나의 작업 방식이지, 단순한 직위가 아니다. 최첨단 연구소에서의 연구는 종종 호기심, 새로운 아이디어 시도, 인프라와의 조율, 시스템 세부 사항 이해, 빠른 디버깅, 그리고 결과의 가치를 명확히 설명해 더 많은 자원을 확보하는 과정이 혼합되어 있다. 많은 훈련은 '연구원'이라는 직함을 얻은 후에야 시작될 필요가 없다.

이 기사가 남긴 직업적 조언은 비관적이지 않다. AI는 표준 답변, 일반 코드, 평가 가능한 작업을 더 저렴하게 만들었으며, 젊은이들이 더 일찍 실제 문제에 접할 수 있게 해준다. 기회는 여전히 존재하지만, 분배 방식이 달라졌다. 중요한 문제를 찾고, 고품질 환경에 진입하며, 신뢰할 수 있는 평판을 쌓고, 결과를 마지막 단계까지 밀어붙일 수 있는 사람이 다음 기회를 더 쉽게 잡을 수 있다.

BlockBeats 공식 커뮤니티에 참여하세요:

Telegram 구독 그룹：https://t.me/theblockbeats

Telegram 토론 그룹：https://t.me/BlockBeats_App

Twitter 공식 계정：https://twitter.com/BlockBeatsAsia