Posts

boda.sh의 Generative UI 글은 AI가 인터페이스를 만든다는 말을 세부적인 설계 선택으로 풀어낸다. 단순히 HTML을 생성하는 기술을 소개하는 데 그치지 않고, 사용자의 의도에 맞춰 화면을 얼마나 자유롭게 바꿀 것인지, 그 자유를 어떤 규칙과 안전장치로 제한할 것인지 설명한다. 원문: Generative UI GenUI 핵심 정리 문제의식: AI 응답의 긴 텍스트 벽을 목적에 맞는 카드, 지도, 플래시카드 같은 일시적 UI로 바꾼다. 세 가지 방식: 기존 컴포넌트를 연결하는 Static/Controlled, 허용된 컴포넌트와 레이아웃을 조합하는 Declarative, raw UI 코드를 생성하는 Open-ended로 나눈다. 안전한 경계: 선언형 방식에서는 컴포넌트 카탈로그와 스키마가 AI가 실행할 수 있는 범위를 결정한다. 개방형 방식은 샌드박스가 필요하다. 프로토콜의 역할 분리: AG-UI는 에이전트와 클라이언트 사이의 이벤트를 전달하고, A2UI는 화면을 구성하는 컴포넌트와 속성을 표현한다. 실무 결론: 세 방식 중 하나를 고르는 것이 아니라, 제품의 위험도와 가변성에 따라 세 방식을 조합한다. 생성형 UI의 핵심은 화면 생성이 아니다 “AI가 생성한 사용자 인터페이스”라는 정의는 생각보다 넓다. Figma나 Claude Design으로 시안을 만드는 일, ChatGPT에 UI 코드를 작성하게 해 웹 앱으로 제공하는 일, AI로 발표 자료를 만들고 애니메이션을 넣는 일도 모두 생성형 UI라고 부를 수 있다. ...

Emil Kowalski의 글 Friction as a Feature는 제품이 줄이려 하는 **마찰(friction)**을 다른 각도에서 바라본다. 마찰은 느리고, 비효율적이며, 번거롭다. 그래서 제품은 오랫동안 마찰을 제거하는 방향으로 발전해 왔다. 하지만 제작 과정의 마찰에는 우리가 놓치기 쉬운 두 번째 역할이 있었다. 무엇을 만들기 전에 한 번 더 생각하게 만드는 문턱이었다. 이 글은 AI를 쓰지 말자거나 과거의 느린 제작 과정을 되살리자는 주장이 아니다. AI가 낮춘 제작 비용을 그대로 누리되, 그 비용이 우연히 담당했던 판단 기능을 제품과 팀의 과정 안에 다시 설계해야 한다는 제안이다. ...

Coinbase는 AI가 코드를 작성하는 환경에 맞춰 엔지니어 채용 면접을 1년 동안 다시 설계했다. 핵심 변화는 코드를 제한 시간 안에 직접 쓰는 능력에서 벗어나, AI를 어떻게 지시하고 결과를 검증하며 잘못된 판단을 교정하는지를 평가하는 방향으로 이동한 데 있다. 원문: Interviewing Engineers in the AI Era: Lessons from a Year of Rebuilding (Coinbase, 2026-07-13) TL;DR 핵심 정리 Coinbase의 AI 생성 코드 비중은 2025년 1분기 5.7%에서 4분기 50%를 넘었고, 현재는 인간 검토를 전제로 거의 100%까지 늘었다. 기존의 URL 단축기·메시지 큐 설계 같은 문제는 AI가 1분 안에 그럴듯한 답을 만들 수 있어, 암기력보다 판단력을 측정해야 하는 상황이 됐다. 면접은 프론트엔드 파일럿, 백엔드 저장소 기반 과제, 2026년 3월 전사 AI 역량 평가의 세 단계로 바뀌었다. 평가 기준은 AI 도구 사용, 적절한 적용, 한계 이해이며, 실무에 가까운 저장소 디버깅과 코드 리뷰가 핵심 과제가 됐다. 아직 검증 중인 영역은 면접 성과와 실제 업무 성과의 상관관계, 그리고 빠르게 낡는 AI 면접 문항의 유효기간이다. 1. 코드 생성이 빨라질수록 판단이 병목이 된다 Coinbase에 병합되는 코드 가운데 AI가 생성한 코드의 비중은 2025년 1분기 5.7%였다. 4분기에는 처음으로 50%를 넘었고, 글이 공개된 시점에는 인간이 모든 코드를 검토한다는 전제 아래 거의 100%에 도달했다고 설명한다. ...

NotAShelf의 Taste Is All That’s Left는 AI가 무엇이든 빠르게 만들어 주는 시대에 소프트웨어 제작자의 가치가 어디로 이동하는지 묻는다. 원문의 답은 취향(taste)이다. 여기서 말하는 취향은 색상이나 문체에 대한 개인적 선호가 아니라, 여러 개의 그럴듯한 결과 중 무엇이 맞고 무엇이 부족한지 알아보는 판단 감각이다. Taste 핵심 정리 병목의 이동: AI는 아이디어를 작동하는 결과물로 바꾸는 비용을 크게 낮추지만, 무엇을 만들 가치가 있는지는 대신 결정하지 않는다. 노력이라는 필터의 제거: 예전에는 제작 비용이 낮은 품질의 결과물이 시장에 쏟아지는 것을 자연스럽게 억제했다. 이제 그 필터가 약해져 선택과 큐레이션이 중요해졌다. 취향의 형성: 취향은 좋은 결과물을 소비한다고 생기지 않는다. 직접 만든 나쁜 결과물을 오래 겪고 실패를 반복하면서 쌓인다. 보이지 않는 비용: 취향은 “다시 하자”라고 말하게 하지만, 그로 인해 막은 사고나 거절한 평범한 결과는 대시보드에 잘 드러나지 않는다. 실무적 결론: AI 활용의 경쟁력은 더 많이 생성하는 데 있지 않고, 무엇을 남기고 버릴지 판단하는 기준을 명시하는 데 있다. 1) 제작의 벽이 낮아졌다 소프트웨어를 만들 때 가장 큰 장벽은 오랫동안 아이디어와 작동하는 프로그램 사이에 있었다. API 문서를 읽고, 잘못된 버전을 붙잡고, 오류를 고치며 몇 시간 또는 몇 주를 보내야 했다. 실제로 배포되는 결과물을 만드는 일은 말로만 아이디어를 설명하는 사람과 끝까지 실행하는 사람을 가르는 벽이었다. ...

AI에게 답을 물으면 판단이 더 정확해질 것이라고 생각하기 쉽다. 그러나 최근 연구는 AI가 틀린 답을 제시하는 상황에서, 사람의 정확도뿐 아니라 자신이 모른다는 사실을 알아차리는 능력까지 약화될 수 있다고 지적한다. 원문: AI advice made people three times less accurate but twice as confident TL;DR 요약 핵심 결과: AI를 사용할 수 있을 때 ‘모르겠다’고 답한 비율은 44%에서 3%로 감소했다. 정확도와 확신의 역전: 정답률은 27%에서 9%로 떨어졌지만, 답에 대한 확신은 30%에서 76%로 높아졌다. 실험 설계: 연구진은 AI가 자주 틀리는 영화 속 유니폼 색상 같은 시각적 세부사항을 질문했다. 실무 원칙: AI의 답을 먼저 보지 말고 자신의 판단을 기록한 뒤, 근거와 불확실성을 대조해야 한다. 연구가 보여준 판단의 변화 연구진은 프랑스와 이탈리아의 세 대학 소속 연구자들로, Valerio Capraro, Chiara Marcoccia, Walter Quattrociocchi가 참여했다. 실험에서는 영화 장면의 시각적 세부사항처럼 AI 모델이 잘못 답하기 쉬운 질문을 사용했다. AI가 대체로 잘 맞히는 문제를 고른 것이 아니라, 도구의 신뢰성이 낮은 상황에서 사람이 어떻게 반응하는지를 본 것이다. ...

Warp 창업자이자 전 Google Docs 수석 엔지니어인 Zach Lloyd는 글 The guide to software factories에서 소프트웨어 개발의 다음 변화를 설명한다. 개발자가 터미널에서 코딩 에이전트를 직접 조종하는 방식에서, 이슈 분류부터 배포와 모니터링까지를 클라우드에서 자동으로 흘려보내는 클라우드 소프트웨어 팩토리로 이동한다는 주장이다. Factory 핵심 정리 핵심 변화: 대화형 에이전트를 개발자별 도구로 두는 대신, SDLC 전체를 하나의 자동화 루프로 연결한다. 자동화 범위: 원문에서 소개한 Warp 팀의 경험으로는 전체 PR의 약 20~30%를 자동화하고 있으며, 완전 자동화가 어려운 작업도 리뷰·검증·모니터링은 자동화할 수 있다. 세 계층: 클라우드 런타임·샌드박스, 오케스트레이션·통합·사람 개입, 측정·평가·메모리로 구성된다. 경영 관점: 토큰 사용량이 아니라 실제 출시된 제품과 비용의 비율로 에이전트의 사업 가치를 측정해야 한다. 도입 원칙: 사람의 개입 경로를 남기고, 여러 모델·하네스를 지원하며, 데이터·컴퓨트·추론 엔드포인트의 선택권을 보존해야 한다. 대화형 코딩 에이전트만으로는 부족하다 Copilot, Cursor, Claude Code 같은 도구를 개발자에게 배포하는 일은 AI 도입의 좋은 출발점이다. 실제로 많은 조직이 먼저 모든 엔지니어에게 도구를 제공하고, 사용량과 도입률을 추적하며, 토큰을 많이 쓰는 팀을 격려했다. 새로운 기술을 현장에 빠르게 퍼뜨리는 단계에서는 합리적인 접근이다. ...

Richard MacManus의 **「5 Trends That Defined AI Engineering at World’s Fair 2026」**은 AI Engineer World’s Fair 2026에서 반복해서 등장한 주제를 다룬다. 2023년의 관심사가 LLM이 자율적으로 행동할 수 있는지 증명하는 일이었다면, 이제는 에이전트를 신뢰할 수 있는 제품과 조직 시스템으로 운영하는 일이 중심이 되었다. 원문: 5 Trends That Defined AI Engineering at World’s Fair 2026 TL;DR 핵심 정리 관심사의 이동: 에이전트의 능력보다 에이전트를 둘러싼 하네스, 컨텍스트, 권한, 평가, 상태 관리가 중요해졌다. 루프 설계: 에이전트가 작업을 반복하는 내부 루프와 사람이 방향을 조정하고 결과를 평가하는 외부 루프를 분리해야 한다. 기업 도입: FDE와 소프트웨어 팩토리는 조직의 데이터·업무 흐름·승인 지점까지 함께 설계하는 역할로 확장된다. 개발자 인터페이스: 코딩 에이전트는 자동완성 도구를 넘어 저장소를 탐색하고 코드를 수정·검증하는 작업 환경이 되고 있다. 스킬의 부상: 스킬은 절차와 품질 기준을 에이전트가 재사용할 수 있게 만들지만, 작고 목적이 분명해야 유지할 수 있다. 1) 에이전트보다 에이전트를 둘러싼 시스템이 중요해진다 초기의 에이전트 논의는 모델이 계획을 세우고 도구를 사용해 목표를 달성할 수 있는지에 집중했다. AutoGPT, BabyAGI 같은 프로젝트는 자율성의 가능성을 보여주는 실험이었다. 그러나 실제 운영 환경에서는 모델의 한 번의 능력보다 어떤 컨텍스트를 주고, 어떤 도구와 권한을 열어주며, 결과를 어떻게 평가하고, 상태를 어떻게 보존하는가가 더 큰 차이를 만든다. ...

Vivek Haldar는 매일 자신의 과거 글을 다시 발굴해 LinkedIn 게시물 초안을 만드는 에이전트 스킬을 운영한다. 이 워크플로우는 원래 자연어 지시만으로 작성되어 있었다. 어떤 소스를 검색할지, 최근에 다룬 글인지 어떻게 확인할지, 어떤 글을 고를지, 최종 초안을 어떤 형태로 만들지 모두 스킬 문서에 적어 둔 방식이다. 원문: How I Cut an AI Agent’s Token Use by 94% — Vivek Haldar 핵심 핵심 정리 출발점: 자연어 스킬은 처음부터 완벽한 프로그램을 만들지 않고, 반복 실행하며 실제 워크플로우를 발견하게 한다. 컴파일 대상: 소스 조회, 콘텐츠 인벤토리 생성, 최근 게시물 확인, 필터링, 상태 관리는 일반 코드로 옮긴다. LLM이 맡을 일: 필터링된 후보 중 좋은 글을 고르고, LinkedIn 초안을 작성하는 의미 중심 작업만 남긴다. 측정 결과: 저자의 실행에서 토큰 사용량은 94%, 지연 시간은 87% 감소했고 출력 품질은 사실상 같았다. 자연어 스킬은 탐색 단계에 적합하다 처음부터 전용 프로그램을 만드는 일은 성급할 수 있다. 어떤 규칙이 정말 필요한지, 어느 단계에서 사람의 판단이 개입하는지, 예외가 얼마나 자주 발생하는지 아직 알 수 없기 때문이다. ...

antirez(Salvatore Sanfilippo)의 글 Control the ideas, not the code는 AI 시대에 프로그래머가 무엇을 통제해야 하는지를 다시 묻는다. 코드 그 자체가 아니라, 소프트웨어에 담긴 아이디어·설계·방향을 손에 쥐는 일이 중심이 된다는 주장이다. Ideas 핵심 정리 핵심 주장: 코드를 계속 보면 오히려 영향력이 줄어들 수 있다. 아이디어를 통제하면 줄 단위 코드 열람은 자주 비효율이 된다. LLM의 강약: 국소적으로 좋은 코드는 잘 쓰지만 큰 설계는 상대적으로 약하다. 함수·줄을 스캔하기보다 설계가 맞는지 묻는 편이 빠르다. 기회비용: 하루 8시간 중 코드 읽기에 쓰면, 방향 설정·아이디어·최적화·QA에 쓸 시간이 줄어든다. 실무 함의: 사람 손이 들어가는 제품에서는 코드 리뷰가 아직 필요할 수 있지만, 장기적으로는 설계 문서와 검증이 더 큰 자산이 된다. 왜 이 이야기를 계속하는가 antirez는 2024년 1월부터 AI 프로그래밍에 대해 글을 써 왔다. Redis에 복귀했고, 로컬 LLM 추론용 오픈소스(DwarfStar)도 만들고 있다. 그럼에도 사람들이 듣기 싫어하는 이야기를 반복하는 이유는, 변화에 덜 준비된 사람들 — 종종 자신보다 젊은 사람들 — 의 충격을 줄이려는 의도라고 밝힌다. ...

프린스턴 대학의 Arvind Narayanan이 ICML 2026 키노트에서 던진 질문은 단순하다. AI 능력이 계속 올라갈 때, 우리에게 남은 일은 무엇인가? 그는 이 불안을 정면으로 다루며 AI as Normal Technology 프레임워크를 중심으로 세 가지 주장을 펼친다. 첫째, 재귀적 자기개선 같은 불연속성이 오기 전까지 이 프레임은 유효하다. 둘째, 랩에서 어떤 마일스톤을 달성해도 그것이 곧바로 전면 실업을 만들지 않는다. 셋째, 미래 직업은 지금과 근본적으로 달라지므로 대규모 적응이 필요하다. TL;DR 핵심 정리 AI as Normal Technology: AI는 산업혁명급 변환 기술이지만, 경제적 영향은 능력 → 제품 → 초기 채택 → 조직 적응의 네 단계를 거치며 적응은 수십 년이 걸린다. 능력-신뢰성 격차: 최근 24개월 프론티어 모델에서 accuracy는 크게 올랐으나 reliability는 5~10%p 수준만 개선되어, 완전 자동화보다 협업 에이전트가 당분간 더 성공적이다. Decide-Execute-Deliver: AI는 중간 Execute(코딩 등)만 압축하고, 양 끝의 결정·기획과 검증·책임은 오히려 확장될 수 있다. 역할 이동: 검증 가능한 구축 작업은 AI로 넘어가고, 인간의 핵심 역할은 평가·조향·판단·취향으로 이동한다. 목표: 랩의 마일스톤에 굴복하는 것이 아니라, AI를 정신의 크레인으로 쓰는 공초지능(co-superintelligence)을 향해 통제권을 유지하는 것이다. 원문: What will be left for us to work on? 주석 슬라이드: ICML 2026 annotated slides ...