개인 AI 공장 만들기: AI 코딩 워크플로우에 대한 현실적 논의

이 글은 AI 코딩 도구(특히 Claude Code)를 활용해 개인 개발자가 "AI 공장"을 구축하는 경험과, 이에 대한 다양한 개발자들의 솔직한 의견을 시간순으로 담고 있습니다. AI가 실제로 얼마나 유용한지, 어디까지 자동화가 가능한지, 그리고 그 한계와 현실적인 문제점은 무엇인지에 대한 깊은 논의가 이어집니다.

1. "AI의 '아하' 모먼트"와 첫 경험

글의 시작은 Claude Code와 같은 AI 코딩 도구를 사용하다가 "아하!" 하는 순간을 경험한 개발자의 이야기로 시작합니다.
이 개발자는 Claude Code에게 위험 플래그(--dangerously-skip-permissions)를 주고 복잡한 문제를 맡겼더니, AI가 여러 도구를 스스로 활용해 문제를 해결하는 모습을 보고 놀라움을 느꼈다고 합니다.

"Claude에게 어려운 문제를 맡기고, 몇 분 동안 혼자서 다양한 도구를 돌리며 문제를 해결하는 모습을 지켜보는 순간이 바로 그 '아하' 모먼트입니다."

이 개발자는 486 어셈블리로 된 만델브로트 프랙탈 생성기를 도커에서 컴파일, 실행, 디버깅까지 AI가 해내는 것을 시연해 보였고, 결과도 만족스러웠다고 합니다.

2. "트리비얼(사소한) 예제" 논란과 AI의 한계

이후 여러 개발자들이 등장해, 이런 예제가 실제로는 너무 단순한(trivial) 문제라는 점을 지적합니다.
어셈블리나 도커 같은 환경은 이미 AI의 학습 데이터에 많이 포함되어 있고, 실제로 복잡한 문제는 아직 AI가 잘 해결하지 못한다는 의견이 나옵니다.

"컴퓨터 과학에서 가장 어려운 문제는 '트리비얼하지 않은 LLM 데모'를 만드는 것일지도 모릅니다."

또 다른 개발자는, AI가 잘하는 일은 명확한 성공 기준이 있는, 쉽게 검증 가능한 작업에 한정된다고 말합니다.

• 실제로 소프트웨어 엔지니어의 업무 중 75~99%는 이런 단순 작업이지만,
• 복잡한 시스템을 설계하고 검증하는 일은 여전히 인간의 몫이라는 점을 강조합니다.

"AI가 수주 걸릴 일을 10달러 미만, 한 시간 만에 해낸다면 그건 꽤 가치 있는 일입니다."

3. "트리비얼"과 "논트리비얼"의 경계

여기서 "논트리비얼(non-trivial)"의 정의에 대한 논의가 이어집니다.

• 논트리비얼한 예제란, 여러 전문 분야의 인력이 몇 달에 걸쳐 만들어야 하는 복잡한 시스템을 의미합니다.
• 이런 예제는 AI가 결과를 내놓아도, 사람이 직접 검증하고 재설계해야 하므로 실제로는 시간이 오래 걸립니다.

"논트리비얼한 예제는, 결과물을 보고 'AI가 잘했네'라고 바로 판단할 수 있는 게 아니라, 사람이 직접 들어가서 복잡성을 파악하고 검증해야 하는 작업입니다."

이런 이유로, AI의 진짜 한계는 훈련 데이터에 없는, 완전히 새로운 문제를 풀 때 드러난다는 의견도 나옵니다.

4. 실제 현업에서의 AI 활용과 한계

많은 개발자들이 AI가 실제로 얼마나 쓸모가 있는지에 대해 자신의 경험을 공유합니다.

• 간단한 코드 생성, 반복 작업, 문서화 등은 AI가 빠르고 저렴하게 처리할 수 있습니다.
• 하지만 복잡한 시스템, UI/UX, 아키텍처 설계, 일관성 유지 등은 여전히 사람이 직접 개입해야 합니다.

"AI가 코드를 잘 만들어도, 저는 항상 코드 변경 사항을 직접 확인하고 최적화합니다. 그냥 맡기면 버그가 생겨서 고객이 피해를 보더라고요."

또한, 여러 AI 에이전트를 동시에 돌리면 각각이 완전히 다른 방식으로 문제를 해결해 일관성이 무너진다는 문제도 지적됩니다.

"각 에이전트가 완전히 다른 아이디어로 접근해서, 사용자 경험이 일관되지 않아요. 결국 수천 줄의 지침 파일을 만들어야 하는데, 이게 오히려 더 복잡해집니다."

5. AI 코딩 워크플로우의 실제 모습과 고민

여러 개발자들이 자신만의 AI 코딩 워크플로우를 소개합니다.

• 여러 에이전트가 서로 대화하며 문제를 해결하는 방식,
• 계획(plan) 문서를 먼저 만들고, 질문을 통해 명확히 한 뒤 코드를 생성하는 방식,
• 작은 작업은 AI에 맡기고, 중요한 부분은 직접 관리하는 방식 등 다양한 시도가 있습니다.

"저는 항상 먼저 질문을 하게 하고, spec.md 문서를 만든 뒤에 코드를 작성하게 합니다. 이게 훨씬 효율적이더라고요."

하지만, 이런 워크플로우도 복잡한 대규모 프로젝트에서는 한계가 명확하다고 고백합니다.

"작은 작업에는 정말 도움이 되지만, 더 복잡한 작업에는 대부분 직접 개입해야 했어요. 결국 최종 결과물은 제 책임이니까요."

6. AI의 가치와 미래에 대한 다양한 시각

AI의 가치에 대해선 극명하게 엇갈린 의견이 나옵니다.

• "AI는 이미 충분히 가치 있다"는 입장과,
• "아직은 비싼 취미, 반복 작업 자동화 수준"이라는 회의론이 공존합니다.

"AI가 단순한 작업을 빠르게 해주는 건 정말 대단한 힘이에요. 하지만 결국 수백만 명이 피곤한 상태에서도 할 수 있는 일일 뿐이죠."

"AI가 만든 코드에 애정이 안 생겨요. 결국 중요한 프로젝트는 직접 손을 대게 되고, 나머지는 그냥 방치하게 되더라고요."

또한, AI가 만든 코드는 결국 '일회용'이고, 진짜 자산은 계획과 프롬프트, 에이전트의 조합이라는 의견도 나옵니다.

"코드는 일회용입니다. 진짜 자산은 계획과 지침, 그리고 에이전트들이죠."

7. AI 코딩의 실제 비용과 구독제 이슈

AI 코딩 도구의 구독제와 비용에 대한 현실적인 고민도 나옵니다.

• Claude Max 등 고가 구독제는 많은 사용량을 감당할 수 있지만,
• 프로 요금제는 금방 한도에 도달한다는 불만도 있습니다.
• 여러 세션을 병렬로 돌리면 한도가 더 빨리 닳는다는 팁도 공유됩니다.

"프로 요금제로 여러 세션을 돌리면 1시간도 안 돼서 한도에 걸려요. 한 번에 하나씩만 돌리면 3~4시간은 괜찮아요."

8. AI 코딩의 미래와 개발자의 역할

마지막으로, AI가 발전해도 개발자의 역할은 여전히 중요하다는 점이 강조됩니다.

• AI가 모든 걸 자동화하는 세상이 올 수도 있지만,
• 아직은 개발자가 직접 설계, 검증, 일관성 유지, 아키텍처 관리를 해야 한다는 현실이 지적됩니다.

"시니어 개발자는 항상 시니어 역할을 해야 해요. AI든 사람이든, 방향성을 잡아주고 구조를 만들어줘야 하죠."

또한, AI가 만든 코드의 품질, 일관성, 유지보수성에 대한 우려도 여전합니다.

"AI가 만든 코드는 종종 이상한 구조로 빠지기도 하고, 결국 내가 다시 뜯어고쳐야 할 때가 많아요."

핵심 키워드 및 요약

• 트리비얼 vs 논트리비얼: AI가 잘하는 일과 못하는 일의 경계
• AI 코딩 워크플로우: 계획-질문-코드생성-검증의 반복
• 일회용 코드, 누적되는 프롬프트와 계획
• 비용과 구독제의 현실
• 일관성, 품질, 검증의 어려움
• 개발자의 역할 변화와 한계
• AI의 실제 가치와 미래에 대한 논쟁

마무리

이 글을 통해, AI 코딩 도구가 개발자의 생산성을 크게 높여주지만, 아직은 복잡한 문제와 대규모 시스템에서는 한계가 명확하다는 점을 알 수 있습니다.
AI가 만들어내는 "개인 공장"의 비전은 분명 매력적이지만, 계획, 검증, 일관성 유지 등 인간의 역할은 여전히 중요합니다.
AI와 함께 일하는 방법을 계속 실험하고, 각자의 워크플로우를 발전시켜 나가는 것이 앞으로의 과제임을 많은 개발자들이 공감하고 있습니다. 🚀

"프로그래밍은 영원히 바뀌었습니다. 이 변화를 빨리 받아들이는 게 좋을 거예요."