앞으로 얘기할 내용은 비단 개발자 뿐만이 아닌, 비 개발자에게도 해당되는 이야기임을 앞서 알려주고 싶습니다.

현재 LLM의 수준과 활용도

현 시장에서의 LLM의 발전은 그 자체만으로 충격일 정도로 빠르게 진행되고 있습니다. 그에 더불어 LLM 을 실생활에 녹일 수 있는 툴과 방법들마저 쏟아지고 있습니다. ai 모델을 내부에 탑재시킨 cursor 에디터를 예로 들 수 있고, 방법에 대한 부분은 MCP를 예로 들 수 있겠습니다.

cursor에 rules 만 제대로 적어주면 상당히 고퀄리티의 코드를 뽑아내 직접 적용해줍니다. 테스트코드의 경우 그 퀄리티는 상용 프로젝트에서 사용할 수 있다고 봐도 과언이 아닙니다.

현재 LLM은 신규 기능을 개발하는 것은 거의 손댈 필요가 없을 정도로 빠르고 정확한 코드를 작성해줍니다. 기능 요구사항만 제대로 알려준다면 그 기능만을 위한 코드를 구현해주는 건 이미 상용화 할 수 있을 정도의 높은 수준까지 올라왔다고 보입니다. 그렇다면 LLM은 문제가 없을까? 아닙니다. 당장 5일동안 LLM에 맞닿아 있으면서 내가 생각하는 두가지 문제가 있습니다.

한계 1: 외부 상황 인식 불가

LLM은 외부 상황을 디테일하게 알 수가 없다. 블로그 글을 작성할 수 있는 에디터 컴포넌트를 구현한다고 예를 들어보자.

바이브코딩을 통해 구현하면 LLM은 현재 기능에 딱 맞는 컴포넌트를 구현할 것이다. 만약 회사의 KPI가 '외부 바이럴이 중요하니 커뮤니티 성 서비스에 초점을 맞추자'라면, 실제 개발자는 유효성 검사·추가 템플릿을 외부에서 주입하게끔 설계함으로써 확장성을 높이고 결합도를 낮추는 방향으로 구현할 것이다.

LLM은 외부 상황을 고려하지 못하기 때문에 그에 맞는 코드를 뱉기가 힘든 상황이다.

한계 2: 완전무결한 코드 불가

LLM은 거의 완벽한 코드를 뽑아낼 수 있지만 완전무결한 코드를 뽑아낼 수 없다.

LLM이 뽑아낸 코드를 언젠가는 디버깅하고 직접 수정하거나, LLM에 수정을 요청해야하는 순간이 온다. LLM이 짜준 코드를 이해하지 않고 무조건 수용한다면 에러가 발생했을 때 어디서부터 수정해야하는지 파악하기가 매우 어려울 것이다.

LLM 의 발전 가능성

그렇다면 앞으로도 이러한 LLM의 한계가 유지될까? 전혀 아닙니다.

  1. 현재

    LLM은 외부 상황(KPI, 사업 방향성)을 반영하지 못하고, 완전무결한 코드를 생성할 수 없음

  2. 가까운 미래

    외부 상황(재정상태, MAU, DAU, 트래픽, 사업 방향성)을 특정 규격으로 작성·관리할 수 있는 툴 등장

  3. 중장기 미래

    LLM이 외부 상황 학습 후 적절한 설계 도출 가능, 디버깅 필요 빈도 확연히 감소

첫번째 과제였던 외부 상황(회사의 재정상태, MAU, DAU, 순간최고트래픽, 사업 방향성 등) 조차도 특정 규격으로 작성 및 관리할 수 있는 툴이 생성되고 그에 따른 설계를 해낼 수 있다고 봅니다. 그러한 툴이 생기고 설계를 시도한 순간부터 LLM은 그 자체를 학습할 것이기 때문에 시행착오를 겪더라도 결국 현재의 외부상황에 맞는 적절한 설계를 뱉어낼 수 있을 것입니다.

두번째 과제는 완전히 해결될 수는 없겠지만 디버깅이 필요한 순간 자체가 지금에 비해 확연히 줄어들 것입니다. 디버깅이 필요한 순간의 빈도는 디버깅을 할 수 있는 인력이 필요한 수에 비례합니다. 이는 디버깅에 한정된 얘기가 아닙니다. 상부에 보고할 문서를 작성하던, 공공적인 예산을 검토하는 일을 하던, LLM이 인력을 완전 대체할 수는 없지만 LLM의 수준이 올라갈만큼 그 수준을 따라갈만큼 높은 수준을 가진 적은 인력 만이 검토하는 일을 진행할 수 있을 것입니다.

대체되지 않는 인력이 되려면?

대체되지 않는 인력에 대한 기준을 정할 때 무조건적으로 선행되어야하는 가정은 회사는 더 적은 인건비로 더 퀄리티 높은 결과물을 빠르게 뽑아내고 싶어한다는 것입니다.

그렇다면 범인(?)으로서 LLM에 대체되지 않으려면 어떻게 해야할까? 이는 시기에 따라 다르게 생각할 필요가 있습니다. 여기서 간과하면 안되는 것은 각 시기마다 필요한 능력이 다르다는 것이 아닌, 비교적 빠르게 다가오는 시기에 필요한 능력이 그 후에 다가오는 시기에는 중요도가 떨어질지언정 기본 함양이 되어있어야한다는 것입니다.

가까운 미래 — 필요 역량

장점

  • LLM 결과물을 빠르게 이해하고 수용 여부 판단
  • 외부 상황·이슈를 종합 파악해 LLM 방향성 유도
  • 프로젝트를 외부 상황에 접목시키는 시야
  • 깊이있는 지식으로 결과물 검토
  • LLM 도구에 빠르게 적응·십분 활용

고려할 점

  • LLM의 즉각적 오류 해결 수준 낮음
  • 외부 맥락 이해 불가

중장기 미래 — 필요 역량

장점

  • 광범위한 지식 기반 비즈니스 관점 결과물 생성
  • 비즈니스적 교류를 통한 전략 결정 능력
  • 비전 설정 능력
  • 이정표 관리
  • 복잡성 제어 능력

고려할 점

  • LLM이 거의 완벽한 결과물 산출
  • 고수준 검토자만 생존

먼저 당장 내일부터의 미래를 생각해보겠습니다. 앞서 '현재 LLM의 수준과 활용도' 에서 말했듯이, 아직은 LLM 의 즉각적인 오류 해결의 수준이 높지 않고 외부 상황에 대해 정확한 학습을 할 수 없습니다. 따라서 LLM이 만들어낸 결과물을 빠르게 이해하고 적용할지 말지 결정할 수 있고, 외부 상황과 이슈 상황을 빠르게 숙지해 그에 맞는 방향으로 LLM을 유도할 수 있는 능력이 경쟁력이 될 것입니다. 그러기 위해서는 프로젝트를 외부 상황에 접목시켜서 볼 수 있는 시야와 LLM이 구현한 결과물을 깊이있는 지식으로 검토할 수 있는 능력이 필요하다고 생각합니다. 그리고 LLM에 빠르게 적응하고 십분 활용할 수 있는 능력이 경쟁력이 될 수 있겠습니다.

그 다음의 미래는 어떤 모습일까? LLM 이 거의 완벽한 결과물을 뽑아내고 외부 상황을 활용할 수 있는 상태라고 가정해보겠습니다. 광범위한 범위의 지식으로 비즈니스적인 관점의 결과물을 생성하는 능력, 나아가 비즈니스적인 교류를 통해 이를 결정할 수 있는 능력이 경쟁력이 될 수 있을 것입니다.

TDD의 주도자로 많이 알려져있는 켄트벡은 앞으로 가치가 높아지는 기술로 비전 설정 능력, 이정표 관리, 복잡성 제어 능력을 말하고 있습니다. LLM의 발전 속도에 발 맞춰가면서 LLM을 적극 활용할 수 있고(기본 소양), 또 결과물에 대해 피드백할 수 있으며(복잡성 제어 능력), 비즈니스적인 교류와 관점으로 결과물을 생성할 수 있는 능력(이정표 관리, 비전 설정 능력)이 필요하다고 생각합니다.

🧭

비전 설정 능력

LLM을 적극 활용하면서 발전 속도에 발맞춰가는 기본 소양

🗺️

이정표 관리

비즈니스적 교류와 관점으로 결과물을 생성하고 방향을 결정하는 능력

🎛️

복잡성 제어 능력

LLM 결과물에 대해 깊이있게 피드백하고 품질을 관리하는 능력

Action Item

🔬

LLM·MCP 실생활 적용

삶과 밀접한 곳에 최대한 많이 적용해보며 현재 발전 정도와 한계를 직접 체감

🔧

문제 해결 깊이 강화

내 분야의 경험과 깊이를 키워 LLM이 보지 못하는 외부 상황을 유도할 수 있는 역량 확보

🌐

직무 경계 허물기

AI로 인해 세분화된 역할이 하나로 합쳐질 수 있으므로, 인접 직무와의 융합 가능성 모색

<details> <summary>정리본</summary>

앞으로 말씀드릴 내용은 개발자뿐 아니라 비개발자에게도 해당되는 이야기임을 먼저 말씀드립니다.

현재 LLM의 수준과 활용도

현재 시장에서의 LLM(대형 언어 모델) 발전 속도는 그 자체만으로도 충격적일 만큼 빠르게 진행되고 있습니다.

또한, LLM을 실생활에 접목할 수 있는 다양한 도구와 방법들이 지속적으로 등장하고 있습니다.

예를 들어, AI 모델이 내장된 Cursor 에디터는 명확한 규칙(rules)만 입력해주면 상당히 고품질의 코드를 자동으로 생성해주고 직접 프로젝트에 적용할 수 있게 해줍니다.

테스트 코드의 경우, 그 퀄리티는 상용 프로젝트에 바로 사용할 수 있을 정도로 높은 수준이라고 판단됩니다.

현재 LLM은 신규 기능을 개발할 때 사람이 직접 코드를 작성하지 않아도 될 정도로 빠르고 정확한 코드 구현이 가능합니다. 기능 요구사항만 명확하게 전달하면, 그에 맞는 코드를 자동으로 생성해주는 수준까지 올라와 있습니다.

하지만 그렇다고 해서 LLM에 아무런 문제가 없는 것은 아닙니다. 최근 5일간 LLM을 집중적으로 활용해본 결과, 제가 느낀 대표적인 한계는 다음의 두 가지입니다.

LLM의 한계 - 외부 상황을 고려하지 못함

LLM은 현재 외부 상황에 대한 이해가 부족합니다.

이것이 왜 문제가 되는지 구체적인 예로 설명드리겠습니다.

예를 들어, 블로그 글 작성용 에디터 컴포넌트를 개발한다고 가정해봅시다. 이때 LLM에게 요구사항을 입력하면, 기능만 충실하게 반영된 컴포넌트를 구현해줄 것입니다.

하지만 만약 회사의 KPI가 **"외부 바이럴을 중시하므로 커뮤니티성 서비스에 집중한다"**라면, 개발자는 유효성 검사와 템플릿 삽입 기능을 외부에서 주입할 수 있도록 설계해 확장성과 유연성을 확보할 것입니다.

반대로 외부성과 무관한 내부 시스템이라면, 유효성 검사 로직을 컴포넌트 내부에 포함시키는 방식이 더 적절할 수 있습니다.

이처럼, LLM은 외부 맥락이나 비즈니스 전략을 고려할 수 없기 때문에, 단순 요구사항만으로는 최적의 설계를 도출하기 어렵습니다.

LLM의 한계 - 완전한 코드라고 보기 어려움

두 번째 문제는, LLM이 거의 완벽에 가까운 코드를 생성할 수는 있지만, 결코 완전무결하지는 않다는 점입니다.

언젠가는 해당 코드를 디버깅하거나 수정을 요청해야 하는 순간이 반드시 오게 됩니다.

이때, LLM이 작성한 코드를 이해하지 못한 상태라면, 오류 발생 시 어디서부터 수정을 시작해야 할지조차 파악하기 어려운 상황에 직면할 수 있습니다.

LLM의 발전 가능성

그렇다면 이 두 가지 한계가 앞으로도 유지될까요? 저는 그렇지 않다고 생각합니다.

외부 상황 학습 가능성

앞서 언급한 첫 번째 한계(외부 상황 미반영)는,

회사의 재무 상태, 사용자 지표(MAU, DAU), 트래픽, 전략 등을 일정한 포맷으로 정리하고 관리하는 툴이 생긴다면, 이를 바탕으로 LLM도 설계를 반영할 수 있게 될 것입니다.

이러한 데이터가 체계화되면, LLM은 결국 현재의 외부 상황에 맞는 구조나 전략을 스스로 반영할 수 있게 될 것입니다.

디버깅 문제의 감소

두 번째 한계는 완전히 해결되지는 않겠지만, 디버깅이 필요한 빈도는 앞으로 점점 줄어들 것입니다.

디버깅이 필요한 빈도가 줄어든다는 것은, 디버깅을 담당할 인력의 수요가 감소한다는 의미이기도 합니다.

이는 단순히 코드를 고치는 일에 국한되지 않고,

문서 작성, 예산 검토, 정책 설계 등 다양한 분야에서 '고수준 검토자'로서의 역할만 살아남게 될 것임을 시사합니다.

대체되지 않는 인력이 되기 위해

회사는 언제나 더 적은 인건비로 더 높은 퀄리티의 결과물을 빠르게 얻고자 합니다.

그렇다면 LLM에 대체되지 않는 인력이 되기 위해 우리는 어떤 방향으로 준비해야 할까요?

이 질문에 대한 답은 시기별로 달라질 수 있습니다.

중요한 점은, 빠르게 다가오는 시기에 필요한 능력들이, 먼 미래에는 상대적으로 중요도가 낮아지더라도 기본 소양으로는 반드시 갖추고 있어야 한다는 점입니다.

가까운 미래

아직 LLM은 즉각적인 오류 해결 능력이나 외부 맥락의 이해 수준이 높지 않습니다.

따라서 지금은 다음의 능력들이 경쟁력이 됩니다:

  • LLM이 생성한 결과물을 빠르게 이해하고 수용 여부를 판단하는 능력
  • 외부 상황과 이슈를 종합적으로 파악해 LLM의 방향성을 유도하는 능력
  • LLM 도구에 빠르게 적응하고 능동적으로 활용할 수 있는 능력

중장기 미래: LLM이 완성형에 가까워졌을 때

LLM이 외부 정보를 자유롭게 활용하고, 거의 완벽에 가까운 결과물을 만들어낸다면,

이후에는 다음과 같은 역량이 경쟁력이 될 것입니다:

  • 광범위한 지식을 기반으로 결과물의 비즈니스적 영향까지 고려하는 능력
  • 조직 내외 커뮤니케이션을 통해 전략을 설계하고 협의하는 능력

TDD의 선구자인 **켄트 벡(Kent Beck)**도 미래에 가치가 올라갈 역량으로 다음을 언급한 바 있습니다:

  • 비전 설정 능력
  • 이정표 관리
  • 복잡성 제어 능력 이는 곧 LLM 시대에서 요구되는 인재상과도 일맥상통합니다.

Action Item 제안

  • LLM과 MCP를 다양한 실제 업무에 적용해보기 → 직접 사용해보며, 현재 한계와 가능성을 체감합니다.

  • 내 분야에 대한 깊이 있는 문제 해결력 강화 → LLM이 이해하지 못하는 외부 맥락을 내가 설명하고 유도할 수 있어야 합니다.

  • 기존 직무 경계를 허물기 → AI 시대에는 직무 간 경계가 흐려질 것이므로, 인접한 역할과의 융합 가능성을 모색합니다.

</details>