Pareto Principle

AI가 소프트웨어 엔지니어를 대체할 것이라는 전망이 끊임없이 제기되지만, 실제 데이터는 정반대의 그림을 보여주고 있습니다. AI 적용이 가장 빠르고 앞선 분야인 소프트웨어 엔지니어링에서조차 대규모 해고나 노동력 감소는 일어나지 않았으며, 그 이유는 단순히 AI의 능력 부족이 아니라 소프트웨어 개발이라는 작업의 근본적인 구조 에 있습니다. TL;DR 요약 AI 해고는 대부분 AI 워싱 : Block, Snap, Intuit 등 유명 기업의 해고 사례 분석 결과 실제 원인은 재정 압박과 구조조정이었으며, 뉴욕주 WARN Act에서 AI 관련 체크박스를 사용한 사례는 0.2%에 불과하다. Decide-Execute-Deliver Sandwich : AI는 중간의 Execute(코딩)만 압축했을 뿐, 양 끝의 Decide(무엇을 만들지 결정)와 Deliver(테스트·검증·배포·책임)는 여전히 인간의 깊은 맥락 이해가 필요하다. 코딩은 전체 업무의 일부에 불과하다 : 개발자들이 실제로 코딩에 사용하는 시간은 9~61% 수준이며, 나머지는 미팅·디버깅·코드베이스 이해 등에 소요된다. 미국 소프트웨어 엔지니어 고용은 여전히 성장 중 : AI 이후 성장률이 다소 둔화되었을 뿐, 절대 고용 수치는 감소하지 않았다. 원문: Why AI hasn’t replaced software engineers, and won’t ...

AI 에이전트의 미래는 이미 와 있지만, 아직 균등하게 퍼지지 않았다 (William Gibson 인용). 테크 업계에서는 코딩 에이전트가 폭발적으로 성장 중. 긴 작업을 처리하고, 제품 전체를 에이전트로 만드는 사례가 속출. 모델 성능이 급격히 좋아지면서 코딩 분야가 가장 먼저 변하고 있음. 일반 지식 노동자 (비테크 기업 포함)에게는 아직 초기 단계. AI는 질문 답변·정보 검색 정도의 ‘도우미’ 역할에 그치고, 대규모 자동화·실제 업무 생산은 미미함. 그러나 현재 모델만으로도 화이트칼라 업무의 상당 부분을 바꿀 수 있고, 앞으로 2년 내 각 분야 전문가를 능가할 가능성이 매우 높음. 가장 큰 장벽 = Context Gap (맥락 부족) 에이전트가 제대로 일하려면 조직의 ‘집단 지식’이 AI에게 읽기 쉬운 형태로 제공되어야 하는데, 대부분 기업은 다음과 같은 문제로 어려움을 겪음: ...

출처: https://andresmax.com/large-software-teams-ai-age/ 주요 논제 AI 시대에 대규모 software 팀의 역할이 크게 바뀌고 있다. AI가 개발 생산성을 극적으로 높여 5인 팀 이 2016년의 50인 팀 수준의 출력을 낼 수 있게 되었지만, 대규모 팀이 완전히 사라지는 것은 아니다. 대신 최소 팀 규모는 줄어들고 , 팀을 구성하는 이유(제품 사고, 시스템 복잡성, 조직적 필요)가 달라졌다. 1. 대규모 팀의 기존 문제점과 AI의 영향 과거(2016년) MVP 개발 시 보통 5~7명 (백엔드 23명, 프론트 12명, 디자이너 1명, PM 1명)이 필요했다. 2026년 현재 AI 활용 시 2~3명 (풀스택 엔지니어 12명 + 코딩 가능한 디자이너 + PM 01명)으로 압축 가능. AI가 개인 생산성을 40~60% 향상시킨다. 구체적 가속화 예시: 보일러플레이트 코드: 몇 시간 → 몇 분 (5~10배) 디버깅: 3060분 → 1015분 (2~4배) 새로운 프레임워크 학습: 며칠 → 몇 시간 (3~5배) 테스트 작성, 문서화, 코드 리뷰 준비 등도 2~4배 빨라짐. 그러나 AI가 해결하지 못하는 영역이 여전히 존재: ...

이 뉴스레터는 15명의 실전 엔지니어·엔지니어링 리더 들이 실제로 사용 중인 AI 보조 엔지니어링(AI-Assisted Engineering) 경험을 모아 정리한 글이다. 스타트업부터 대기업까지 다양한 규모와 배경의 사람들이 공유한다. 원문: How to Do AI-Assisted Engineering 핵심 메시지 AI는 생산성을 크게 높여 주지만, 단순히 “AI한테 코드 짜라고 시키면 끝"이 아니다. 엄격한 설계 + AI 구현 + 공격적인 리뷰 + 반복 이 핵심 공식이며, 인간의 판단과 감독 을 절대 빼놓을 수 없다는 점을 모든 기고자가 강조한다. 주요 워크플로우 패턴 (공통점) 아이데이션 / 설계 단계 (가장 중요) ...

출처: https://addyo.substack.com/p/the-80-problem-in-agentic-coding 1. 80% 문제란 무엇인가? 초기 성과(80%)의 함정 : AI 에이전트는 복잡한 코드 작성, 라이브러리 선택, 기본 구조 설계 등 작업의 80%를 순식간에 해냅니다. 하지만 이는 사용자에게 “거의 다 끝났다"는 착각을 줍니다. 나머지 20%의 난이도 : 실제 배포 가능한 수준으로 만드는 나머지 20%(엣지 케이스 처리, 기존 코드와의 완벽한 통합, 보안 및 성능 최적화 등)는 훨씬 더 어렵고 시간이 많이 걸립니다. 2. 왜 이런 문제가 발생하는가? 맥락 파악의 한계 : 에이전트가 전체 코드베이스의 비즈니스 로직이나 사소한 종속성을 완벽히 이해하지 못해 “그럴듯하지만 틀린” 코드를 생성할 때가 많습니다. 검증의 어려움 : AI가 짠 코드를 검토하는 것이 사람이 처음부터 짜는 것보다 더 많은 인지적 에너지를 소모할 수 있습니다. 루프의 부재 : 에이전트가 스스로 실행 결과를 확인하고 수정하는 과정(Agentic Workflow)이 아직 인간 개발자의 직관만큼 정교하지 않습니다. 3. 해결을 위한 제언 (어떻게 나아가야 하는가?) 인간과 AI의 협업 모델 : AI를 단순히 ‘코드 생성기’가 아닌, 인간의 의도를 끊임없이 확인하고 피드백을 받는 ‘파트너’ 로서 설계해야 합니다. 테스트 자동화의 중요성 : 80% 지점에서 멈추지 않으려면, 에이전트가 직접 단위 테스트를 작성하고 통과할 때까지 반복하는 능력이 필수적입니다. 작은 단위의 작업 분할 : 한 번에 큰 기능을 맡기기보다, 명확하게 정의된 작은 단위로 작업을 나누어 에이전트에게 맡길 때 성공률이 높아집니다. 요약하자면: 아디티아 아가왈(Aditya Agarwal)은 AI 코딩 에이전트가 ‘마법처럼 코드를 짜주는 도구’에서 ‘실제로 업무를 끝마칠 수 있는 도구’ 가 되기 위해서는, 단순히 생성 능력을 키우는 것이 아니라 추론, 검증, 그리고 인간 개발자와의 긴밀한 상호작용 이 핵심이 되어야 한다고 강조합니다.