고성과 엔지니어와 엔지니어링 리더가 AI를 활용해 코드베이스, 새로운 기술, 복잡한 문제를 더 빠르게 이해하고 학습하는 방법을 알아봅니다.
이 뉴스레터는 **CodeRabbit**의 후원을 받습니다.
더 적은 발견 항목. 실제 위험만.
AI가 생성한 코드는 풀 리퀘스트에서 놓치기 쉬운 취약점을 만들 수 있습니다.
CodeRabbit Security는 전체 코드베이스의 맥락을 활용해 데이터 흐름, 의존성, 최신 변경분 너머의 패턴을 추적하며 복잡한 버그와 보안 위험을 지속적으로 검토합니다.
오늘 여러분의 저장소에서 CodeRabbit Security를 실행해 보세요.
이 뉴스레터를 후원해 주신 CodeRabbit에 감사드립니다. 오늘의 생각으로 돌아가겠습니다!
AI는 그 어떤 도구보다 빠르게 엔지니어링을 바꾸고 있습니다. 불과 몇 년 사이에 우리는 모든 코드 줄을 직접 작성하던 방식에서 AI 보조 엔지니어링을 소프트웨어를 만드는 표준적인 방식으로 여기는 단계까지 왔습니다.
이러한 변화는 많은 불확실성을 낳았습니다. 많은 사람이 어떤 역량이 여전히 가치 있을지, 역할은 어떻게 진화할지, AI에 의존하는 것이 성장에 도움이 될지 아니면 지나치게 의존하게 만들지를 자문하고 있습니다.
하지만 AI는 코드를 더 빠르게 작성하기 위한 도구만은 아닙니다. 학습을 위한 가장 강력한 도구 중 하나가 될 수도 있습니다. 핵심은 이를 효과적으로 사용하는 방법을 아는 것입니다.
이 글에서는 고성과 엔지니어와 엔지니어링 리더가 더 빠르게 배우기 위해 AI를 어떻게 사용하는지 알아봅니다. 더 중요하게는, 이러한 작업 방식의 바탕에 있는 사고방식을 배우게 됩니다.
시작해 봅시다!
이 글은 O’Reilly에서 출간 예정인 제 책 “The Multiplier Mindset”의 한 장을 각색한 버전입니다. 이 책은 곧 출간되며, 지금 사전 주문할 수 있습니다!
AI 사용 방식에 있어 대부분의 엔지니어와 엔지니어링 리더는 세 부류로 나뉩니다.
이들은 AI를 신뢰하지 않기 때문에 아예 사용을 거부하는 엔지니어입니다. 대체로 업계의 많은 변화를 겪어 본 경험 많은 사람들입니다.
이들은 변화에 소극적이며, 자신이 알고 잘하는 것에 머무르기를 선호합니다. 이들의 사고방식은 “15년 동안 잘 작동했는데, 왜 바꿔야 하지?”입니다. 하지만 이런 태도는 새로운 것을 배우고 기술을 발전시키는 데 방해가 될 수 있습니다.
이들은 AI 도구에 너무 크게 의존한 나머지 비판적으로 사고하지 않게 되고, 효율도 떨어지는 사람들입니다. 이들은 흔히 AI 도구 환경을 잘 이해하는 경험이 적은 엔지니어입니다. 그러나 AI 도구에 대한 과도한 의존은 종종 평범한 결과물로 이어집니다.
더 나쁜 것은, 일부는 자신이 사용하는 AI 결과물이 팀의 기준에 부합하는지조차 확인하지 않는다는 점입니다! 그러면 검토자가 모든 문제를 찾아내는 일을 떠맡게 되며, 이는 엔지니어가 처음부터 제대로 작업했을 때보다 훨씬 더 많은 시간이 걸릴 수 있습니다.
이들은 AI를 자신의 전문성을 대체하는 수단이 아니라 노력을 증폭하는 방법으로 보는 엔지니어와 엔지니어링 리더입니다. 반복 업무를 없애고, 더 빠르게 배우며, 더 많은 아이디어를 탐색하고, 인간의 판단이 가장 중요한 문제에 시간을 더 많이 쓰기 위해 AI를 활용합니다. 또한 이들은 가장 큰 영향력을 발휘하는 사람들입니다.
여러분은 증폭자 부류에 속해야 합니다. “멋진 새 도구”를 근거 없는 신뢰가 아니라 호기심을 갖고 대해야 합니다. 새로운 것을 시도하고 배우려는 의욕이 있어야 하지만, 훌륭한 엔지니어링 기본 원칙과 관행은 굳게 지켜야 합니다. 잡무는 위임하되, 판단이 필요한 결정까지 위임해서는 안 됩니다.
더 높은 수준에서 사고하는 데 AI를 활용해야 합니다. 그것이 바로 엔지니어링 증폭자가 된다는 뜻입니다. 다음 섹션에서는 AI를 사용해 중요한 작업에서 영향력을 증폭하는 방법을 살펴봅니다.
새로운 것을 훨씬 빠르게 배우려면 엔지니어링 관행을 잘 이해하고, 필요한 것을 얻기 위해 다양한 자원을 활용할 수 있는 능숙함이 필요합니다.
훌륭한 엔지니어는 코드베이스를 파일별로 살펴보거나 문서의 모든 단어를 읽으며 이해하려고 몇 시간을 쓰지 않습니다. AI를 활용해 코드베이스에서 낯선 부분을 빠르게 이해하고, 아키텍처와 응용 프로그래밍 인터페이스, 그 밖에 관련된 요소를 개괄적으로 파악합니다. 몇 가지 예를 살펴보겠습니다.
AI를 사용하면 몇 시간 만에 코드베이스를 이해하는 데 도움이 됩니다. 의료 업계에서 일하는 수석 소프트웨어 엔지니어 Jeff Morhous는 새 코드베이스를 다뤄야 할 때 AI를 어떻게 사용하는지에 관한 기고 글을 Engineering Leadership 뉴스레터에 썼습니다.
그는 네 단계 프로세스를 제시했으며, 이 섹션에서 이를 요약합니다.
1단계: /init을 사용해 큰 그림 파악하기
코드베이스에 이미 CLAUDE.md 및/또는 AGENTS.md 파일이 있다면 이를 읽어 보세요. 없다면 Claude Code의 /init 명령을 실행하세요. 이 명령은 코드베이스를 훑어보고, 가장 중요한 기능에 대한 이해를 CLAUDE.md에 문서화합니다.
토큰이 더 많이 들더라도 /init을 실행할 때는 상위 등급 모델을 사용하세요. 초기에 추론에 쓴 토큰은 충분히 가치 있는 투자입니다.
Sonnet 같은 저렴한 모델로 계획 모드를 사용하면, 계획이 중요한 아키텍처를 간과하거나 중대한 실수를 포함할 가능성이 더 높아집니다. 반대로 추론 능력이 더 강한 모델은 혼자서는 생각하지 못했을 내용을 종종 제시합니다.
2단계: 아키텍처 지도 만들기
시스템의 주요 구성 요소, 책임 경계, 의존성을 이해하는 데 도움이 되도록 초기에 저장소 지도를 만드는 것이 현명합니다.
이를 위해 사용할 수 있는 프롬프트는 다음과 같습니다.
3단계: 테스트 전략 식별하기
애플리케이션의 테스트 피라미드를 이해하고 빠르게 확신을 얻고 싶다면, 즉시 애플리케이션의 테스트 패턴을 파악해야 합니다. 이를 위해 사용할 수 있는 프롬프트는 다음과 같습니다.
4단계: 앱 실행하기
아직 앱을 실행하지 않았다면, 실행 안내가 필요할 것입니다. 다음 프롬프트로 설정 단계를 요청하세요.
이렇게 하면 실행 중인 서비스와 검증 단계로 끝나는 하나의 “정상 경로” 설정 절차를 얻을 수 있습니다.
요즘 제가 대화하는 엔지니어 중 점점 더 많은 사람이 기술에 구애받지 않게 되고 있습니다. 프런트엔드와 백엔드 사이의 경계는 계속 흐려지고 있습니다.
서로 다른 프로그래밍 언어도 마찬가지입니다. 특정 기술을 잘 다룬다면, 그 기술의 엔지니어링 기본 원칙과 구체적인 패턴을 잘 이해하고 있을 가능성이 큽니다.
개념은 꽤 비슷하고 문법만 다르므로, AI를 사용하면 새로운 기술을 훨씬 더 쉽게 배울 수 있습니다. Python 전문가라면 자신의 지식과 AI를 결합해 Java와 PHP에서도 생산적으로 일할 수 있으며, 이는 다른 많은 프로그래밍 언어와 프레임워크에도 마찬가지입니다.
특정 기술 하나를 충분히 이해하게 되면, 필요할 때 AI를 활용해 다른 기술도 잘 다룰 수 있게 될 수 있습니다.
예를 들어, Java 프로젝트에서 작업해야 하는 경험 많은 Python 엔지니어라고 가정해 보겠습니다. 먼저 AI에 자신에 관한 맥락을 제공합니다. 다음과 같은 프롬프트를 사용할 수 있습니다.
다음 단계에서는 실제 수행하는 작업에 관해 더 구체적으로 설명할 수 있습니다. Spring Boot를 사용하는 새 프로젝트에 합류한다면 다음 프롬프트를 사용할 수 있습니다.
그 이후에는 작업 중 AI를 사용해 낯선 코드에 대한 설명을 받고, 잠재적인 실수가 있는지 코드를 검토하세요.
지난 10년 정도 동안 새로운 기술을 배우는 표준적인 방법은 튜토리얼 동영상을 보는 것이었습니다. 대신 무언가를 만들 때 특정 부분을 이해하도록 AI의 도움을 받아 보세요.
왜 어떤 것들이 그렇게 되어 있는지 반드시 물어보세요. 새 프레임워크를 배울 때처럼 시작할 수 있지만, 이번에는 만들면서 배우는 것이 목표입니다. 경험 많은 React 엔지니어가 Angular를 빠르게 익히고 싶다고 해 보겠습니다. 다음 프롬프트로 시작할 수 있습니다.
이때 선호하는 AI 코딩 도구의 계획 모드가 유용할 수 있습니다. 제안된 계획과 아키텍처를 검토한 다음, 이와 같은 질문을 하기 시작하세요.
그런 다음 프로젝트를 한 부분씩 만들어 가는 것을 강력히 권합니다. 단 한 번에 끝내려 하며 최선을 바라지만은 마세요. AI를 학습 파트너로 활용하세요.
알아보지 못하는 패턴을 발견했다면, 바로 그때 왜 그 패턴이 있는지, 가능한 대안은 무엇인지, 그리고 물론 그 패턴이 이미 이해하고 있는 개념과 어떻게 연결되는지를 물어봐야 합니다.
또한 AI를 사용해 코드를 검토할 수 있습니다. 이를 위한 프롬프트는 다음과 같을 수 있습니다.
목표는 여러분이 이해하고 배우는 것이므로, AI가 가능한 한 많은 코드를 작성하게 하는 데 최적화하지 마세요. 특정 코드가 왜 존재해야 하는지와 그것이 전체 시스템에 어떻게 영향을 미치는지에 관한 결정에 집중하세요.
Conway의 법칙은 소프트웨어 시스템의 구조가 그것을 만드는 조직의 의사소통 구조를 반영한다고 말합니다.
아마도 그것이 소프트웨어 업계의 사람들이 기술과 인간 모두가 관련된 어려운 문제를 그토록 많이 해결해야 하는 이유일 것입니다.
AI에게 가정을 검증하게 하고, 대안을 제시하게 하며, 놓친 부분을 찾아달라고 요청하면 사고 파트너로 활용할 수 있습니다. 다음과 같은 방법이 있습니다.
기술 명세 또는 아키텍처 결정 기록을 대규모 언어 모델에 공유하세요. 아이디어를 철저히 검증해 달라고 요청하세요.
이해관계자나 관리자와 어려운 대화를 준비할 때, 하고 싶은 말을 담은 대본 초안을 작성한 뒤 대규모 언어 모델에게 피드백을 주고 다듬는 일을 도와달라고 요청하세요. 대본을 다듬은 뒤에는 자연스러워질 때까지 소리 내어 연습하세요!
구체적인 문제를 가능한 한 명확하게 설명해 공유하고, 대규모 언어 모델에게 해결책에 관한 아이디어를 제시해 달라고 요청하세요. 대규모 언어 모델에 문제를 명확히 설명하려는 노력은 더 나은 해결책을 낼 뿐 아니라 여러분의 이해도 정교하게 만듭니다.
AI에게 글을 검토해 달라고 요청하세요. 제안된 변경 사항은 직접 적용하여 충분히 생각하고, 자신의 목소리와 문체에 맞게 조정하세요.
다음 말로 이 글을 마무리하겠습니다.
엔지니어링의 목표는 결코 모든 것을 혼자 하는 것이 아니었습니다. 엔지니어는 더 높은 영향력을 내는 작업에 시간을 쓰기 위해 항상 도구를 사용해 왔으며, 대규모 언어 모델은 결과를 예측하기가 훨씬 어렵다는 점만 제외하면 더 강력한 도구일 뿐입니다.
그러니 특히 새로운 것을 더 빠르게 배우기 위해 이를 유리하게 활용하세요! 여러분은 할 수 있습니다.
이 글이 마음에 드셨나요? 💙 좋아요 버튼을 꼭 눌러 주세요.
피드백이나 추가할 내용이 있나요? 💬 댓글을 꼭 남겨 주세요.
도움이 될 만한 지인이 있나요? 🔁 이 게시물을 꼭 공유해 주세요.
이 뉴스레터 후원에 관심이 있으신가요? 여기에서 후원 옵션을 확인하세요.
올해 후반에 출간되는 제 책 “The Multiplier Mindset”은 여기에서 확인하세요.
Engineering Leadership Store의 멋진 상품은 여기에서 살펴보세요.
저와 함께 일하고 싶으신가요? 모든 옵션은 여기에서 확인할 수 있습니다.
LinkedIn, X, YouTube, Bluesky, Instagram 또는 Threads에서 저를 찾을 수 있습니다.
읽고 싶은 특정 주제에 관해 요청하고 싶으시다면 info@gregorojstersek.com으로 이메일을 보내실 수 있습니다.
이 뉴스레터는 여러분과 같은 독자의 유료 구독으로 운영됩니다.
아직 유료 구독자가 아니라면, 전체 경험을 누리기 위해 유료 구독을 고려해 보세요!
여기에서 관심 가는 것은 무엇이든 찾아 각자의 상황에서 시도해 보셔도 좋습니다. 어떻게 되었는지 알려 주세요! 주제는 보통 엔지니어링 전반, 리더십, 관리, 확장 가능한 제품 개발, 팀 구축 등에 관한 것입니다.