Geoffrey Litt의 글 Understanding Is the New Bottleneck은 AI 코딩 시대의 병목이 어디로 이동하는지 묻는다. 예전에는 구현 속도가 문제였다. 이제는 AI가 초안을 빠르게 만들기 때문에, 사람이 그 결과를 이해하고 다음 판단으로 연결하는 능력이 더 큰 제약이 된다.

1) AI는 생산 병목을 없애지 않고 옮긴다

AI 코딩 도구가 잘하는 일은 분명하다. 함수 초안, UI 구현, 리팩터링, 테스트 보강 같은 작업을 사람이 직접 타이핑하는 것보다 훨씬 빠르게 만든다. 그래서 표면적으로는 “만드는 속도"가 올라간다.

하지만 소프트웨어 작업의 핵심은 코드 문자열을 생산하는 데서 끝나지 않는다. 왜 이 구조가 맞는지, 어떤 예외가 있는지, 나중에 어디가 바뀔 수 있는지, 사용자가 실제로 원하는 것이 무엇인지 이해해야 한다. AI가 코드를 빨리 만들수록 이 이해의 부담은 더 선명해진다.

예전에는 구현 시간이 길어서 자연스럽게 생각할 시간이 생겼다. 지금은 결과물이 먼저 도착한다. 사람은 더 짧은 시간 안에 더 많은 결정을 읽고 판단해야 한다. 병목은 손에서 머리로 이동한다.

2) 검토만을 위한 이해는 부족하다

많은 팀이 AI 결과물을 다룰 때 “검토할 수 있으면 충분하다"고 생각한다. 틀린 코드가 들어가지 않게 확인하면 된다는 관점이다. 물론 검토는 필요하다. 하지만 Litt가 강조하는 지점은 그보다 넓다.

이해는 방어 수단만이 아니다. 이해해야 더 좋은 질문을 던질 수 있다. 요구사항을 바꿀 수 있고, 설계를 단순화할 수 있고, 사용자가 진짜 막힌 지점을 다시 볼 수 있다. 사람이 시스템을 이해하지 못하면 AI에게 더 나은 방향을 제시하기 어렵다.

즉, 이해는 “AI가 낸 답을 채점하는 능력"이 아니라 “다음 판을 여는 능력"이다. 여기서 차이가 난다. 검토자는 틀린 부분을 찾지만, 참여자는 문제 자체를 다시 잡는다.

3) 읽지 않은 결과물은 인지 부채가 된다

AI가 만든 결과를 제대로 읽지 않고 합치면 당장은 빨라 보인다. 그러나 팀의 머릿속에는 아무것도 남지 않는다. 왜 이 파일이 바뀌었는지, 왜 이 추상화가 생겼는지, 어떤 선택지가 버려졌는지 설명할 사람이 줄어든다.

이것은 기술 부채와 다르지만 비슷하게 위험하다. 코드는 돌아가는데, 팀이 코드를 설명하지 못한다. 기능은 배포됐는데, 다음 변경을 어디서 시작해야 할지 모른다. 문서가 있어도 실제 판단 맥락이 사라져 있다.

그래서 AI 시대의 속도는 두 가지로 나뉜다.

  1. 결과물을 더 빨리 만드는 속도
  2. 사람이 결과물을 자기 이해로 흡수하는 속도

첫 번째만 빨라지면 잠깐은 생산성이 올라간다. 두 번째가 따라오지 않으면 어느 순간 변경 비용이 다시 폭발한다.

4) 좋은 도구는 사람을 빼지 않고 이해를 압축한다

여기서 필요한 도구는 “사람 없이 전부 처리하는 AI"만이 아니다. 더 중요한 방향은 사람이 더 빨리 이해하도록 돕는 도구다.

예를 들면 다음 같은 기능이 중요해진다.

  • 변경 이유를 코드 위치와 함께 설명한다.
  • 대안 설계와 버린 이유를 짧게 남긴다.
  • 실행 결과, 테스트 근거, 남은 불확실성을 분리해서 보여준다.
  • 큰 변경을 사람이 따라갈 수 있는 작은 단위로 쪼갠다.
  • 사용자가 질문하면 전체 맥락에서 답하고, 필요한 곳으로 바로 안내한다.

이런 도구는 사람의 역할을 없애지 않는다. 오히려 사람의 개입 지점을 더 좋게 만든다. AI가 더 많은 초안을 만들수록, 사람은 모든 줄을 직접 쓰는 대신 중요한 판단을 더 명확히 해야 한다.

5) 실무에 적용하는 작은 원칙

AI 코딩을 쓰는 팀이라면 다음 기준을 둘 수 있다.

첫째, 큰 변경은 “무엇이 바뀌었는가"보다 “왜 그렇게 바뀌었는가"를 남긴다. 결과 설명만으로는 다음 사람이 이어받기 어렵다.

둘째, 이해하지 못한 코드는 바로 합치지 않는다. 완벽히 외우라는 뜻이 아니다. 최소한 실패했을 때 어디를 봐야 하는지, 어떤 가정이 들어갔는지 말할 수 있어야 한다.

셋째, AI에게 작업을 맡길 때는 산출물뿐 아니라 설명 형식도 요구한다. 테스트 결과, 주요 설계 선택, 위험한 가정, 사람이 확인할 지점을 함께 받는 편이 낫다.

넷째, 팀은 “얼마나 많이 만들었나"만 보지 말고 “얼마나 잘 이해하고 이어받을 수 있나"를 봐야 한다. AI 시대의 유지보수성은 코드 품질만이 아니라 이해 가능성에 달려 있다.

결론 및 시사점

한 줄 결론: AI가 구현을 빠르게 만들수록, 사람의 진짜 일은 더 많이 생산하는 것이 아니라 더 빨리 이해하고 더 나은 판단으로 연결하는 것이다.

Litt의 글은 AI 개발 도구를 낙관하거나 비관하는 글이 아니다. 핵심은 역할의 이동이다. AI가 코드를 쓰는 속도를 올리면, 사람은 코드 작성자에서 맥락 설계자와 판단자로 더 많이 이동한다.

그래서 앞으로 중요한 역량은 단순한 프롬프트 작성법만이 아니다. 문제를 설명하는 능력, 결과를 읽는 능력, 불확실성을 드러내는 능력, 팀이 이어받을 수 있게 맥락을 남기는 능력이 함께 중요해진다. AI가 빨라질수록 이해는 더 비싸지고, 더 귀해진다.