이 글은 AI 에이전트가 개발 생산성의 기준을 어떻게 바꾸는지를 다룬다. 저자 lauren은 과거에는 코드 줄 수나 PR 수가 좋은 성과 지표가 아니었다고 보지만, AI 에이전트가 보편화된 이제는 품질과 영향력을 전제로 한 작업량(volume) 역시 중요한 신호가 되었다고 주장한다. 핵심은 단순히 PR을 많이 내는 것이 아니라, 에이전트를 신뢰하고 운영하는 '소프트웨어를 만드는 기계'를 구축하는 능력이다.

1. 과거에는 PR 수가 핵심 지표가 아니었던 이유

lauren은 AI 에이전트가 등장하기 전부터 일해 온 엔지니어들이라면, 코드 줄 수나 PR 개수로 생산성을 판단하는 방식에 당연히 회의적일 것이라고 말한다. 자신도 원래는 같은 생각이었다고 인정한다.

대규모 팀에서는 보통 산출량보다 영향력(impact) 이 중요했다. 가령 단 한 줄의 설정 변경만으로도 회사 비용을 수백만 달러 절감할 수 있다면, PR 하나와 코드 한 줄이어도 매우 큰 성과가 될 수 있다. 따라서 많은 PR을 냈다는 사실 자체가 좋은 엔지니어링을 뜻하지는 않았다.

"예전에는 영향력에 집중했기 때문에 물량은 중요하지 않았습니다. PR 몇 개만으로도 높은 영향력을 낼 수 있었죠."

다만 PR 수나 코드 작성량이 전혀 언급되지 않았던 것은 아니다. 이는 주로 조직 내 성과 분포의 양 끝단을 판단할 때 나타났다.

• 부정적인 쪽에서는 업무 수행에 어려움을 겪는 사람이 지나치게 적은 산출량을 보일 수 있었다.
• 반대쪽에는 혼자 집중해서 엄청난 양의 문제를 해결하고, 여러 PR을 연달아 내놓는 이른바 '코딩 머신(coding machine)' 유형이 있었다.

즉 과거에도 물량은 일부 의미가 있었지만, 어디까지나 영향력과 결합된 보조 지표였으며 극단적인 사례를 볼 때 주로 쓰였다는 설명이다.

2. AI 에이전트가 만든 새로운 생산성 기준

lauren은 AI 에이전트의 등장으로 과거 대형 기술 기업에서만 다루던 생산성 문제가 이제는 중소 규모 회사의 문제가 되었다고 본다. 누구나 강력한 코딩 모델을 활용할 수 있게 되었기 때문이다.

최신 AI 모델은 인간보다 빠른 속도로, 때로는 인간보다 더 뛰어난 코드 작성 능력을 보여 준다. 따라서 예전과 똑같은 수의 PR만 내고 있다면, 이제는 자신의 생산성 방식에 문제가 없는지 되돌아볼 필요가 있다는 것이다.

"이제 누구나 코딩 머신이 될 능력을 갖게 되었습니다."

"외계 지능이 이미 여기 있는데도, 인간 코딩 머신보다 더 많이 배포하지 못한다면 왜 그런지 멈춰서 생각해 봐야 하지 않을까요?"

여기서 말하는 핵심은 단순히 AI에게 코드를 시키고 PR 수를 늘리라는 뜻이 아니다. AI를 활용하는 환경에서는 이전보다 훨씬 큰 산출량을 낼 잠재력이 생겼으며, 그 잠재력을 실제 성과로 연결하는 방법을 고민해야 한다는 주장이다.

3. 생산성을 키우는 핵심은 에이전트에 대한 신뢰

lauren은 자신이 계속 강조해 온 핵심 개념으로 신뢰(trust) 를 다시 꺼낸다. 에이전트가 만든 결과물을 신뢰할 수 있도록 검증 체계와 작업 방식을 갖추지 못하면, 아무리 뛰어난 모델을 써도 생산성을 크게 확장하기 어렵다는 것이다.

"에이전트의 결과물을 신뢰하기 위한 작업을 하지 않았다면, 생산성을 확장하는 일은 매우 어렵습니다."

AI 에이전트를 제대로 활용하려면 더 많은 토큰, 즉 AI 모델 사용량이 필요할 수 있다. 하지만 저자는 이를 단순한 API 비용이 아니라 '지능 1단위당 비용(cost per intelligence)' 으로 바라봐야 한다고 말한다.

과거에는 많은 소프트웨어 엔지니어를 고용해야 했고, 그에 따라 높은 인건비가 들었다. 반면 토큰도 현재는 비싸지만 시간이 지나며 더 저렴해질 가능성이 크다. 저자는 지금 비싸 보이는 비용도 6개월~1년 안에는 감당 가능한 비용이 될 수 있다고 전망한다.

"에이전트를 가진 엔지니어 한 명은 수십 명, 어쩌면 수백 명의 엔지니어가 하던 일을 비용의 일부만으로 해낼 수 있습니다."

4. 엔지니어의 일은 '소프트웨어 생산'에서 '생산 시스템 구축'으로

lauren이 보기에 아직 많은 개발자가 완전히 체감하지 못한 현실은, 소프트웨어 엔지니어의 직업 자체가 이미 바뀌었거나 곧 크게 바뀔 것이라는 점이다.

물론 엔지니어의 일이 원래부터 코드 작성만은 아니었다. 그러나 AI 에이전트 시대에는 엔지니어가 직접 모든 소프트웨어를 만드는 역할에서 더 나아가, 소프트웨어를 작성하는 시스템과 기계 자체를 설계·운영하는 역할로 옮겨 간다.

"이제 우리의 일은 단지 소프트웨어를 생산하는 일이 아니라, 소프트웨어를 작성하는 기계를 만드는 일입니다."

저자는 이를 '소프트웨어 공장(software factory)', 또는 자신이 선호하는 표현으로는 '미슐랭 주방(Michelin kitchen)' 에 비유한다. 훌륭한 식당 주방이 재료, 조리 과정, 역할 분담, 품질 관리를 체계적으로 설계하듯이, AI 에이전트를 활용하는 개발 조직도 작업 흐름과 품질 기준, 검토 및 개선 과정을 정교하게 만들어야 한다는 의미다.

이런 대규모 에이전트 활용 방식은 아직 연구되고 있는 분야이지만, lauren은 자신의 경험을 자랑하기보다 엄격한 방식으로 에이전트를 운영했을 때 가능한 수준을 보여 주기 위해 공유한다고 밝힌다. 🍳

5. 하루 수백 개 PR에 대한 질문과 답변

Emil Kowalski는 lauren의 주장에 대해 진지한 의문을 제기한다. 그는 하루에 수백 개의 PR을 배포하는 일이 왜 필요한지, 무엇을 위해 그렇게 많은 PR을 내야 하는지 이해하기 어렵다고 말한다.

"하루에 수백 개의 PR을 배포하는 것이 어떻게 말이 되는지 누가 설명해 줄 수 있나요? 애초에 왜 그렇게 많은 PR을 배포해야 하나요?"

이에 lauren은 자신의 PR이 특정 작업 하나를 쪼개서 부풀린 결과가 아니라, 여러 프로젝트를 병렬로 진행한 결과라고 설명한다. 자신의 업무에는 다음과 같은 지속적 작업이 포함된다.

• 성능의 지속적인 개선
• 사용자 보고를 바탕으로 한 버그 수정
• Grok 봇 코드베이스의 지속적인 리팩터링과 개선
• 에이전트가 더 쉽게 작업하도록 코드베이스를 정비하는 일
• 팀 전체의 개발 속도를 높이기 위한 기반 작업

"저는 여러 프로젝트를 병렬로 진행하기 때문에 금방 누적됩니다."

특히 코드베이스를 에이전트 친화적으로 바꾸는 작업은 단순한 유지보수가 아니다. AI가 코드 구조를 더 잘 이해하고 변경할 수 있게 만들면, 에이전트를 쓰는 팀원들 모두가 더 빨라질 수 있다. 따라서 많은 PR은 단지 개인의 코딩량이 아니라, 전체 개발 시스템을 계속 개선한 흔적일 수 있다.

lauren은 또한 개발자의 중요한 역할이 앞으로 '소프트웨어를 만드는 기계를 만드는 것' 이 될 것이라고 다시 강조한다. 직접 이러한 방식으로 일하지 않는 사람에게는 낯설고 과장처럼 느껴질 수 있지만, 실제로 해 보면 그 논리가 매우 자연스럽게 보인다고 말한다.

"직접 하지 않으면 이해하거나 납득하기 어려울 수도 있지만, 실제로 해 보면 정말 말이 됩니다."

6. AI 사용 경험의 차이가 만드는 이해의 간극

다른 사용자 sophie는 AI 분야의 혼란이 커지는 이유를 이렇게 표현한다. 코딩 모델을 매일 쓰지 않는 사람은 발전 속도가 얼마나 빠른지 이해하기 어렵고, 반대로 매일 쓰는 사람은 변화 속도에 지나치게 익숙해져 이를 다른 사람에게 평이하게 설명하기 어렵다는 것이다.

"매일 코딩 모델을 쓰지 않으면 발전 속도가 얼마나 빨라지는지 이해하기 어렵습니다. 하지만 매일 쓰는 사람은 어느 정도 'AI 정신병'에 걸려서, 그것을 이해하기 쉬운 방식으로 설명하는 게 불가능할 수도 있어요."

lauren은 이 말에 공감한다. AI 에이전트 기반 개발이 실제 현장에서 어느 정도까지 작업 방식을 바꾸는지 경험한 사람과 그렇지 않은 사람 사이에는 큰 인식 차이가 생길 수 있다는 맥락이다.

대화 중에는 lauren의 작업 방식을 따라 이미 600개의 PR을 만들고 있다는 반응도 나오며, lauren은 이를 반갑게 맞이한다. 반면 PR 개수를 자랑하는 문화가 이상하게 느껴진다는 의견도 이어진다. 해당 사용자는 데모를 많이 만들고 산출량의 가치를 이해하지만, PR 수를 과시하는 행위가 왜 중요한지 모르겠다고 솔직히 말한다.

7. PR 수는 자랑거리가 아니라 품질을 지키며 더 빨라지려는 도전

마지막으로 lauren은 PR 물량을 어떻게 해석할지는 개인의 선택이라고 답한다. 자신에게 많은 PR은 단순한 자랑의 대상이라기보다, 약 8개월 전 낮았던 생산성을 마주하고 세운 개인적인 도전 과제였다.

"저는 생산성이 훨씬 낮았던 8개월 전에 이것을 하나의 도전으로 봤습니다. 품질을 타협하지 않으면서 어떻게 더 빨라질 수 있을까? 바로 거기서 배움이 시작됐습니다."

결국 이 글은 많은 PR이 언제나 좋은 것은 아니다라는 전제를 버리지 않는다. 대신 AI 에이전트 시대에는 이전의 생산성 기준을 그대로 고수하기보다, 품질·영향력·신뢰 체계를 갖춘 상태에서 더 큰 작업량을 낼 수 있는 개발 시스템을 구축해야 한다고 주장한다.

8. 마무리

lauren의 메시지는 단순하다. AI 시대의 엔지니어는 코드를 직접 작성하는 사람에만 머무르지 않고, AI가 안정적으로 더 많은 고품질 소프트웨어를 만들도록 설계하는 사람이 되어야 한다. PR 수는 그 자체로 성과가 아니지만, 충분한 품질 관리와 영향력을 전제로 한다면 변화한 생산성의 현실을 보여 주는 하나의 신호가 될 수 있다.