이 영상은 2026년 AI 스타트업 Tano의 엔지니어링 팀이 실제로 어떤 일을 하는지 보여준다. 팀은 인플루언서 마케팅을 자동화하는 AI 에이전트를 만들고 있으며, 데이터베이스 문제를 해결하고 고객 성과를 측정하는 동시에 AI 코딩 도구를 활용해 제품을 빠르게 개발하고 있다. 가장 큰 변화는 엔지니어들이 예전처럼 모든 코드를 직접 작성하기보다, AI가 만든 결과물을 설계하고 검토하는 '아키텍트'에 가까운 역할로 바뀌고 있다는 점이다.

1. 데이터베이스 오류로 시작된 스타트업의 하루

영상은 음악과 함께 Tano 사무실의 일상적인 분위기를 보여주며 시작한다. 하지만 곧 팀원들이 데이터베이스 오류를 발견하면서 분위기가 달라진다. 누군가 "작동하지 않는다"고 말하고, 데이터베이스에서 statement timeout, 즉 데이터베이스 명령이 제한 시간 안에 끝나지 않아 취소되는 오류가 발생하고 있었다.

"지금 오류가 보이고 있어요."

"저도 오류가 보이고 있어요."

문제의 원인은 팀 일부가 인플루언서를 찾는 과정에서 데이터베이스를 조회하고 있는데, 쿼리가 지나치게 오래 걸리는 것이었다. 이 데이터베이스에는 Tano가 지금까지 협업한 인플루언서들의 정보와 성과가 쌓여 있었다. 예를 들어 Shopify 스토어의 상품을 홍보할 인플루언서에게 선물 코드나 기프트 코드를 보내는 기능, 그리고 자체 인플루언서 데이터베이스를 구축하는 작업이 진행 중이었다.

이 데이터베이스에는 각 인플루언서의 응답 속도, 발생시킨 매출, 과거 협업 성과 같은 정보가 저장된다. 이런 데이터는 다른 회사가 쉽게 확보할 수 없는 Tano만의 1차 데이터가 될 수 있다.

"우리가 지금까지 함께 일한 모든 인플루언서를 기반으로 자체 데이터베이스를 만들고 있어요. 얼마나 빨리 답했는지, 얼마만큼의 매출을 만들었는지 같은 1차 데이터를 모으는 거죠. 다른 곳에는 없는 정보일 겁니다."

데이터 규모는 수십만 행에 이르지만, 엔지니어 입장에서는 아주 거대한 데이터베이스는 아니라고 설명한다. 진행자는 데이터베이스가 수십만 개의 행을 가진다는 말에 놀라지만, 엔지니어는 이 정도는 일반적인 수준이라고 말한다. 이 장면은 겉보기에는 단순한 인플루언서 검색 기능도 실제로는 상당한 양의 데이터와 복잡한 시스템을 필요로 한다는 점을 보여준다.

2. 창립 엔지니어 Nathan과 Tano의 AI 에이전트

이후 영상에서는 Tano의 창립 엔지니어 Nathan Banji를 소개한다. Nathan은 자신이 평소와는 다르게 촬영을 위해 카메라 앞에서 일하고 있다며, 분위기가 자동차 경주 다큐멘터리인 Drive to Survive 같다고 농담한다.

"저는 Tano의 창립 엔지니어 Nathan Banji입니다."

Nathan이 담당하는 핵심 업무는 브랜드를 대신해 인플루언서와 대화하는 AI 에이전트를 만드는 것이다. 이 에이전트는 인플루언서에게 연락하고, 협업 조건을 조율하고, 유료 콘텐츠 계약을 성사시키며, 제휴 프로그램까지 운영할 수 있도록 설계된다.

기존에는 이런 업무를 광고 대행사나 내부 마케팅팀의 사람들이 직접 수행했다. 인플루언서를 검색하고, 연락하고, 답변을 기다리고, 조건을 협의하고, 결과를 추적하는 모든 과정에 사람이 필요했다. Tano는 이 반복적이고 수작업이 많은 과정을 AI 에이전트로 대체하려 한다.

"브랜드를 대신해서 인플루언서와 대화하고, 협업을 성사시키고, 유료 콘텐츠를 만들고, 제휴 프로그램까지 운영할 수 있는 AI 에이전트를 만들고 있습니다."

"대행사처럼 전통적인 인간 팀을 이용하는 대신, 그 일을 AI 에이전트로 대체하는 거죠."

팀원들끼리는 누가 가장 뛰어난 소프트웨어 엔지니어인지 장난스럽게 묻기도 한다. 서로 상대방을 지목하다가, 한 사람은 농담으로 "Claude"라고 답한다. 이는 이미 팀 안에서 AI 도구가 실제 동료처럼 느껴질 정도로 업무에 깊이 들어와 있다는 분위기를 드러낸다. 😄

3. 채용과 Tano의 사업 비전

사무실에서는 한 지원자가 보낸 채용 지원서도 함께 살펴본다. 지원자는 인플루언서와 UGC 크리에이터들과 일한 경험, 핀테크 유니콘 기업에서의 소셜미디어 마케팅 경험, 개인 유튜브 채널을 1만 8천 명 이상으로 성장시킨 경험 등을 소개하고 있었다.

진행자는 지원서의 내용과 표현을 보며 감탄한다.

"이 지원서는 정말 대단한데요. 아이디어도 많고, 경험도 엄청나네요."

이어서 Tano의 공동창업자 Will이 회사를 소개한다. Tano는 영상을 촬영하는 시점으로부터 약 16개월 전에 설립됐다. 창업 목적은 기존 인플루언서 캠페인이 지나치게 비효율적이고 수작업에 의존한다는 문제를 해결하는 것이었다.

"Tano는 약 16개월 전에 설립했습니다. 너무 비효율적이고 수작업이 많은 인플루언서 캠페인을 해결하고 싶었기 때문이죠."

Tano의 장기적인 비전은 인플루언서 마케팅에만 머무르지 않는다. 궁극적으로는 모든 기업의 수작업 마케팅 업무 전체를 자동화하려 한다. 인플루언서 마케팅은 그 거대한 목표를 향해 들어가는 첫 번째 진입점이다.

"장기적으로는 전 세계 모든 기업의 수작업 마케팅 업무를 해결하는 것이 목표입니다. 인플루언서 마케팅은 그 목표를 향한 우리의 시작점이죠."

현재 Tano의 가장 큰 문제는 신규 고객을 확보하는 일이 아니다. 이미 함께 일하고 싶어 하는 기업이 많기 때문에, 오히려 고객이 늘어났을 때 이들에게 충분히 좋은 결과를 제공할 수 있는지가 더 중요하다.

"지금 가장 큰 문제는 새로운 고객을 데려오는 게 아닙니다. 고객을 가장 좋은 방식으로 지원할 수 있는지, 그리고 실제로 최고의 결과를 제공할 수 있는지가 문제죠."

회사는 인플루언서 운영 담당자와 같은 직무를 채용하고 있으며, 기술 인력뿐 아니라 실제 마케팅 캠페인을 운영할 사람도 필요로 한다.

4. 스타트업의 성장과 더 큰 도전을 위한 자본

업무 중간에는 SpaceX의 주가와 일론 머스크의 화성 탐사에 대한 이야기도 나온다. SpaceX 주식이 주당 135달러에서 224달러까지 올랐다는 이야기가 나오고, 한 팀원은 약 275파운드를 벌었다고 말한다. 하지만 그는 주가가 더 오를 수도 있었다는 생각에 아쉬워한다.

"얼마나 벌었어요?"

"275파운드요."

"그 정도면 나쁘지 않은데요."

"더 오를 수도 있었잖아요."

이들은 일론 머스크가 살아 있는 동안 SpaceX가 화성에 도달할 수 있을지 이야기한다. 만약 그 시기에 화성에 가지 못한다면 머스크가 직접 로켓을 타고 갈지도 모른다는 농담도 나온다. 🚀

이 대화는 곧 소프트웨어 스타트업과 우주산업의 연결로 이어진다. SpaceX의 일론 머스크, 블루 오리진의 제프 베이조스, 초음속 여객기를 개발하는 Boom Supersonic의 창업자처럼, 거대한 기술 기업이나 우주 관련 사업을 시작한 사람들 중에는 먼저 소프트웨어 사업으로 성공한 사람들이 많다는 것이다.

그 이유는 현실적으로 매우 큰 규모의 자금이 필요하기 때문이다. 처음부터 너무 급진적인 아이디어를 내놓으면 투자자를 설득하기 어렵다. 그래서 먼저 사람들이 이해하고 투자할 수 있는 사업을 만들고, 그 사업에서 얻은 자본과 경험을 바탕으로 더 과감한 도전에 나서는 방식이 가능하다고 설명한다.

"아무도 말도 안 되는 아이디어에 처음부터 투자하지는 않아요. 먼저 어느 정도 가능해 보이는 일을 해야 하고, 그다음 자기 돈으로 정말 대담한 일을 시작하는 거죠."

샘 올트먼 역시 OpenAI가 첫 번째 창업은 아니었다는 사례가 언급된다. 이전 사업에서 얻은 경험과 성공이 이후 OpenAI를 만드는 데 도움이 됐다는 것이다. 결국 현실적인 첫 사업이 더 큰 꿈을 실현하기 위한 발판이 될 수 있다는 이야기다.

5. AI 에이전트 개발의 가장 어려운 점

Will은 Tano가 겪는 엔지니어링상의 가장 큰 어려움을 설명한다. 핵심은 서로 다른 두 개의 비결정적 시스템을 동시에 다뤄야 한다는 점이다.

첫 번째는 AI 에이전트다. AI는 같은 상황에서도 항상 똑같은 방식으로 답하거나 행동하지 않을 수 있다. 두 번째는 실제 사람인 인플루언서다. 사람 역시 언제 답할지, 어떤 반응을 보일지, 어떤 조건을 제시할지 예측하기 어렵다.

"우리는 두 개의 비결정적 시스템을 함께 다루고 있습니다. 하나는 AI 에이전트이고, 다른 하나는 실제 사람입니다."

AI와 사람이 대화하는 과정에서는 예상하지 못한 상황이 끊임없이 발생한다. 인플루언서가 엉뚱한 질문을 하거나, 협상 중에 조건을 바꾸거나, 답장을 전혀 하지 않을 수도 있다. AI가 특정 상황에서 잘못된 판단을 내릴 가능성도 있다.

따라서 Tano가 완전한 자동화를 이루려면 수많은 예외 상황과 경계 사례(edge case)를 처리해야 한다.

"자동화된 시스템을 만들려면 결국 이런 예외 상황을 전부 해결해야 합니다."

단순히 AI가 자연스럽게 대화하는 것만으로는 충분하지 않다. 실제 거래를 성사시키고, 브랜드의 요구사항을 지키며, 문제가 생겼을 때 안전하게 대응할 수 있어야 한다. 이것이 AI 에이전트를 실제 비즈니스에 배포하는 일이 단순한 챗봇 제작보다 훨씬 어려운 이유다.

6. 느린 데이터베이스 쿼리와 타임아웃 문제 해결

앞서 발생한 데이터베이스 오류의 원인도 자세히 설명된다. 한 쿼리가 너무 느리게 실행되고 있었던 것이다.

쿼리란 데이터베이스에 원하는 정보를 달라고 보내는 명령이다. 단순한 검색이라면 빠르게 끝나지만, 많은 데이터를 훑거나 복잡한 조건을 적용해야 하면 시간이 오래 걸릴 수 있다.

"쿼리는 데이터베이스에 데이터를 달라고 보내는 명령입니다. 그런데 명령이 너무 복잡하거나 너무 많은 데이터를 살펴봐야 하면 결과를 반환하는 데 오랜 시간이 걸릴 수 있어요."

Tano의 시스템은 데이터베이스 쿼리가 일정 시간 이상 실행되지 않도록 제한하고 있다. 예를 들어 1분이 지나도 결과가 나오지 않으면 데이터베이스가 해당 요청을 자동으로 중단한다. 이것이 타임아웃이다.

"1분보다 오래 걸리는 쿼리는 타임아웃이 발생합니다. 시간이 다 됐으니 결과를 내놓지 못한 요청을 실패시키는 거죠."

이런 제한은 불편해 보이지만 데이터베이스 전체를 보호하기 위해 필요하다. 오래 걸리는 쿼리가 계속 쌓이면 데이터베이스에 처리해야 할 요청이 밀려 거대한 대기열이 생길 수 있다. 어떤 작업은 데이터를 읽거나 수정하는 동안 데이터베이스에 잠금(lock)을 걸기도 하는데, 이런 작업이 많아지면 다른 요청들까지 느려진다.

"오래 걸리는 쿼리가 많아지면 모든 것이 느려집니다. 요청이 계속 쌓이고 데이터베이스가 잠기면 결국 전체 시스템이 멈출 수도 있어요."

따라서 엔지니어는 단순히 오류 메시지를 없애는 것이 아니라, 어떤 쿼리가 느린지 찾아내고, 필요한 데이터만 효율적으로 조회하도록 쿼리와 데이터베이스 구조를 개선해야 한다. 이 장면은 AI 스타트업의 업무가 거창한 AI 모델 개발만으로 이루어지는 것이 아니라, 데이터베이스 성능 최적화 같은 기본적인 엔지니어링 작업에도 크게 의존한다는 점을 보여준다.

7. 인플루언서 마케팅에서 중요한 것은 '적합성'과 측정

이후 대화는 Tano가 해결하려는 인플루언서 마케팅 문제로 넘어간다. 인플루언서가 스토리에 링크를 공유했는지, 해당 링크를 통해 실제 유입이 발생했는지 등을 확인하는 장면이 나온다.

Will은 오늘날 마케팅에서 중요한 것은 단순히 유명한 크리에이터를 섭외하는 것이 아니라고 설명한다. 먼저 타깃 고객이 어디에 있는지 알아야 하고, 그 고객에게 가장 설득력 있게 말할 수 있는 크리에이터를 찾아야 한다.

"우리의 고객이 어디에 있는지, 그리고 누가 그들에게 가장 설득력 있게 말할 수 있는지를 명확히 알아야 합니다."

크리에이터는 제품을 판매할 수 있는 매우 강력한 채널이지만, 브랜드와 맞지 않는 인플루언서를 선택하면 효과가 떨어진다. 적절한 사람에게, 적절한 메시지를, 적절한 장소와 시점에 전달해야 한다.

"올바른 크리에이터와 함께 올바른 메시지를 전달하고, 그 메시지가 크리에이터에게도 진정성 있게 느껴지도록 연결하는 것이 핵심입니다."

결국 중요한 것은 진정성, 타깃 고객과의 적합성, 메시지의 정확성, 그리고 성과 측정이다. 단순히 조회 수가 높다는 이유만으로 좋은 캠페인이라고 판단할 수는 없다. 실제로 얼마나 많은 고객을 데려왔고, 얼마의 매출을 만들었는지를 확인해야 한다.

8. CAC와 CPM으로 캠페인 성과를 측정하다

Tano 팀은 고객에게 더 나은 보고서를 제공하기 위해 인플루언서 캠페인에 들어간 다양한 비용을 분석하고 있었다. 이를 바탕으로 CAC, 즉 고객 획득 비용과 CPM, 즉 광고 노출 1,000회당 비용을 계산하려 한다.

"인플루언서 채널을 운영하는 데 들어간 모든 비용을 살펴보고, 고객 획득 비용과 CPM을 계산하려고 합니다."

Tano가 목표로 하는 것은 기존 광고 플랫폼보다 더 효율적인 캠페인을 만드는 것이다.

"Meta의 유료 광고보다 더 낮은 CPM을 만들고 싶습니다."

Will은 인플루언서 마케팅의 가장 큰 문제를 두 가지로 정리한다.

1. 캠페인을 실행하는 과정에 마찰이 많다.
2. 캠페인의 성과를 측정하기가 어렵다.

Meta와 같은 대형 광고 플랫폼은 광고 제작과 집행 과정이 비교적 간단하고, 클릭 수·전환율·구매액 등 다양한 지표를 정밀하게 측정할 수 있다. 반면 인플루언서 마케팅은 사람을 찾고, 연락하고, 협상하고, 콘텐츠를 검토하고, 성과를 추적하는 과정이 복잡하다.

"인플루언서 마케팅에는 두 가지 큰 문제가 있습니다. 하나는 마찰이 너무 많다는 것이고, 다른 하나는 측정이 매우 어렵다는 것입니다."

Tano가 이 두 문제를 모두 해결하면 인플루언서 마케팅을 프로그래매틱 마케팅 채널, 즉 데이터와 자동화에 기반해 대규모로 운영할 수 있는 광고 채널로 만들 수 있다고 본다.

"이 두 가지를 모두 해결한다면 인플루언서 마케팅을 프로그래매틱 마케팅 채널로 만들 수 있습니다. 그게 바로 궁극적인 목표죠."

9. 크리에이터 경제와 1,000억 달러의 기회

Will은 인플루언서 마케팅 시장에 존재하는 거대한 불균형을 설명한다. 전 세계 소비자들이 보는 관심과 콘텐츠의 상당 부분이 크리에이터에게 집중되어 있지만, 실제 광고 예산은 그만큼 배분되지 않고 있다.

그의 설명에 따르면 크리에이터들은 소비자 관심의 약 80%를 차지하지만, 전 세계 마케팅 예산 중 크리에이터에게 투입되는 비중은 약 5%에 불과하다.

"크리에이터들은 소비자 관심의 약 80%를 받고 있지만, 마케팅 예산은 5% 정도만 받고 있습니다."

이처럼 관심은 크리에이터에게 몰려 있는데 예산은 따라가지 못하는 이유는 인플루언서 마케팅이 어렵고 확장하기 힘들기 때문이다. 기업 입장에서는 수많은 크리에이터를 찾고 관리하며, 각각의 성과를 측정하는 일이 너무 번거롭다.

Tano는 에이전틱 AI를 통해 이 문제를 해결하고자 한다. 만약 크리에이터 마케팅에 투입되는 예산 비중을 5%에서 20% 수준으로 끌어올릴 수 있다면, 약 1,000억 달러 규모의 추가 지출이 이 시장으로 이동할 수 있다고 전망한다.

"만약 인플루언서 마케팅 예산을 5%에서 20%까지 끌어올린다면, 약 1,000억 달러의 지출이 이 산업으로 이동하게 됩니다."

Tano는 그 거대한 시장에서 최대한 많은 가치를 확보하는 것을 목표로 한다. 즉, 단순히 AI로 메시지를 작성하는 서비스가 아니라, 인플루언서 발굴부터 협상, 콘텐츠 제작, 성과 분석까지 전체 캠페인을 자동화하는 플랫폼을 만들려는 것이다.

10. 코딩 초보자에게 필요한 첫걸음

잠시 쉬는 시간에는 Nathan이 커피를 마시는 모습이 나온다. 그는 얼음과 우유를 넣은 아이스커피를 간단히 만들어 마신다.

"커피를 좋아해요?"

"좋아하죠. 특히 아이스커피요. 커피 알갱이와 우유만 넣고 저으면 됩니다."

이후 진행자는 코딩을 전혀 모르는 초보자 입장에서 Nathan에게 소프트웨어 엔지니어가 되려면 무엇부터 해야 하는지 묻는다. Nathan은 정답이 하나로 정해져 있는 것은 아니지만, 하버드대학교의 온라인 입문 강의인 CS50을 추천한다.

"완전한 초보자라면 하버드의 CS50 강의를 보는 것이 좋은 출발점일 것 같아요."

CS50은 컴퓨터과학의 기본 개념을 폭넓게 다루는 강의이며, 전체 강의가 길기 때문에 여러 단계로 나누어 시청할 수 있다고 설명한다. 다만 CS50 하나를 봤다고 해서 컴퓨터과학의 모든 기초를 완전히 이해하게 되는 것은 아니다.

Nathan은 컴퓨터과학을 전공한 사람도 여전히 배워야 할 것이 많다고 말한다. Neil 역시 수학과 컴퓨팅을 공부했지만, 학위를 마쳤다고 해서 컴퓨팅의 모든 기본 원리를 이해했다고 말할 수는 없다고 답한다.

"컴퓨팅에는 배울 것이 너무 많아요. 모든 기본을 다 이해했다고 말한다면, 아마 거짓말을 하고 있거나 아주 뛰어난 학자일 겁니다."

진행자는 컴퓨터과학을 전공하지 않았지만 자신을 "비전문적인 엔지니어"라고 소개하며 농담한다. 이 대화는 소프트웨어 엔지니어링이 한 번의 강의나 학위만으로 끝나는 분야가 아니라, 계속 배우고 익혀야 하는 영역이라는 점을 보여준다.

11. AI 이전과 이후의 소프트웨어 엔지니어링

영상 후반부의 핵심 주제는 AI가 소프트웨어 엔지니어의 업무를 어떻게 바꾸었는가이다. Nathan은 불과 1~2년 전만 해도 전통적인 애자일 팀에서 엔지니어들이 직접 코드를 작성했다고 설명한다.

당시 개발 도구에는 자동완성 기능이 있었지만, 이는 개발자가 입력하려는 함수 이름이나 다음 몇 줄을 예측해주는 수준이었다. 개발자는 여전히 코드를 직접 작성하고, 각 기능이 어떻게 작동하는지 하나씩 고민해야 했다.

"예전에는 팀원들이 함께 일하면서 코드를 직접 작성했습니다. IDE가 자동완성을 제공하긴 했지만, 개발자를 대신해 코드를 작성해주지는 않았죠."

이후 GitHub Copilot과 Cursor 같은 도구가 등장하면서 자동완성의 수준이 크게 높아졌다. 이제 AI는 한 줄이 아니라 여러 줄의 코드를 제안하고, 개발자는 키보드의 Tab 키를 눌러 그 제안을 빠르게 받아들일 수 있다.

"이제는 한 줄이 아니라 여러 줄의 코드를 예측합니다. 우리는 직접 모든 코드를 작성하기보다 Tab 키를 눌러 제안을 받아들이게 됐죠."

그리고 Claude Code와 같은 에이전트형 코딩 도구가 등장하면서 변화는 더욱 커졌다. 개발자가 자연어로 작업을 요청하면 AI가 여러 시간에 걸친 긴 작업을 수행하고, 하나의 기능 전체를 구현할 수도 있게 됐다.

"이제 Claude Code에 작업을 요청하면 몇 시간에 걸친 긴 작업을 수행하고, 사실상 하나의 기능 전체를 만들어낼 수도 있습니다."

그 결과 소프트웨어 엔지니어의 역할은 모든 코드를 직접 손으로 작성하는 사람에서, 시스템을 설계하고 AI에게 적절한 작업을 지시하는 아키텍트로 바뀌고 있다.

"우리는 모든 것을 직접 손으로 만드는 사람에서, 일종의 아키텍트가 되어가고 있습니다."

12. 엔지니어는 코드를 덜 쓰지만 더 많이 판단한다

Nathan은 현재 자신이 코드를 거의 직접 작성하지 않는다고 말한다.

"저는 이제 코드를 거의 작성하지 않아요. 정말 놀라운 일이죠."

그렇다고 엔지니어의 일이 쉬워졌다는 뜻은 아니다. 오히려 AI가 세운 계획을 평가하고, AI가 만든 코드를 검토하고, 여러 Pull Request를 살펴보는 일이 더 중요해졌다. 예전에는 많은 엔지니어가 코드 리뷰를 귀찮은 업무로 생각했지만, 이제는 코드 리뷰가 업무의 핵심이 되어가고 있다.

"이제는 계획을 판단하고, 더 많은 PR을 검토하는 일이 중심입니다."

"예전에는 많은 소프트웨어 엔지니어들이 PR 리뷰를 싫어했는데, 이제는 그게 사실상 업무의 큰 부분이 됐어요."

AI가 만든 코드가 항상 올바른 것은 아니다. AI는 매우 그럴듯한 코드를 만들어낼 수 있지만, 시스템 전체의 맥락을 놓치거나 예상하지 못한 오류를 포함할 수 있다. 따라서 엔지니어는 AI의 결과물을 무조건 받아들이는 것이 아니라, 그 코드가 왜 그렇게 작동하는지 이해하고 검증해야 한다.

Nathan은 AI 모델을 매우 똑똑한 차세대 자동완성에 비유한다. AI는 엄청난 양의 데이터로 학습했기 때문에 놀라운 결과를 내지만, 인간처럼 본질적인 지능이나 이해력을 가진 존재는 아니라는 설명이다.

"이 모델들은 아주 똑똑하지만, 본질적으로 지능적인 존재는 아닙니다."

"엄청난 데이터를 학습한 매우 똑똑한 다음 단어 예측기라고 할 수 있어요. 일종의 스테로이드를 맞은 자동완성 같은 거죠."

따라서 개발자가 시스템을 어떻게 설계할지, 어떤 원칙을 적용할지, AI가 만든 코드가 실제 요구사항에 맞는지 판단하는 능력은 여전히 중요하다.

"우리가 그 코드를 이해할 수 없다면, 우리에게는 좋은 코드가 아닙니다."

결국 엔지니어가 작성하는 코드의 양은 줄어들 수 있지만, 설계 능력, 문제 정의 능력, 코드 검토 능력, 시스템을 이해하는 능력은 오히려 더 중요해진다.

13. AI 시대 소프트웨어 엔지니어의 미래

영상은 AI가 소프트웨어 엔지니어링의 방향을 완전히 바꾸고 있다고 강조하며 마무리된다. 불과 2년 전과 비교해도 개발자가 일하는 방식은 크게 달라졌다. 직접 코드를 한 줄씩 작성하는 시간이 줄어든 대신, 여러 AI 에이전트를 활용해 더 큰 단위의 기능을 만들고 결과물을 통제하는 방식으로 바뀌고 있다.

"우리는 2년 전과 완전히 다른 방향으로 가고 있습니다."

하지만 AI가 모든 것을 대신해주는 것은 아니다. AI가 생성하는 코드를 평가하려면 여전히 탄탄한 프로그래밍 지식과 시스템 설계 능력이 필요하다. AI가 만든 결과를 이해하지 못한 채 사용하면 새로운 오류와 보안 문제를 만들 수 있다.

따라서 앞으로의 엔지니어는 단순히 코드를 빠르게 입력하는 사람이 아니라 다음과 같은 역할을 수행하게 될 가능성이 크다.

• 문제를 정확하게 정의하는 사람
• AI 에이전트에게 적절한 작업을 나누어 맡기는 사람
• 시스템의 전체 구조를 설계하는 사람
• AI가 작성한 코드를 검토하고 수정하는 사람
• 실제 사용자와 비즈니스 요구사항에 맞는지 판단하는 사람

영상의 마지막에서 진행자는 시청자들에게 소프트웨어 엔지니어링과 스타트업 구축 과정에 대한 이야기가 도움이 되었기를 바란다고 말하며, 구독과 좋아요를 부탁한다.

"이 영상을 통해 소프트웨어 엔지니어링과 스타트업을 만드는 방법에 대해 많이 배웠기를 바랍니다."

마무리

Tano의 하루는 데이터베이스 오류를 해결하는 일부터 AI 에이전트를 설계하고, 인플루언서 마케팅의 성과를 측정하며, 채용과 사업 전략을 논의하는 일까지 매우 다양하게 이어진다. 이 영상이 보여주는 가장 큰 변화는 AI가 엔지니어를 없애는 것이 아니라, 엔지니어의 역할을 바꾸고 있다는 점이다.

이제 엔지니어는 코드를 직접 작성하는 시간보다 AI가 만든 결과물을 설계하고 검증하는 데 더 많은 시간을 쓴다. 결국 AI 시대에도 중요한 것은 코드를 얼마나 많이 쓰느냐가 아니라, 무엇을 만들어야 하는지 이해하고, AI를 올바른 방향으로 이끌며, 그 결과를 책임질 수 있는 능력이다.