'AI 코딩 시대 최고의 기술 스택은 AI가 잘 아는 언어와 프레임워크다.'
코딩의 상당 부분을 AI에게 맡기는 요즘 꽤 설득력 있는 말입니다.
하지만 정말 그럴까요?
사실 'AI'가 특정 언어를 얼마나 잘 아는지는 중요하지 않습니다.
AI가 만든 최종 결과물의 퀄리티는 결국 그 코드를 이해하고 판단하는 '인간 개발자의 역량'에 달려있기 때문입니다.
어떤 근거들이 있는지 한번 살펴볼까요.
AI가 코드를 이해하는 방식
이 이슈의 핵심을 이해하려면 인공지능 모델이 어떻게 만들어지는지 알아야 합니다. AI 모델은 기본적으로 기존에 작성된 수많은 텍스트 예시(벡터 데이터)를 바탕으로 다음에 올 토큰(token)을 예측하는 장치일 뿐입니다. 기존 코드 베이스, 스택 오버플로우, 블로그 게시물 등 수억 개의 문서를 학습한 상태죠. 이를 기반으로 일련의 토큰 '다음에' 어떤 토큰이 와야 할지 매우 정확하게 예측하는 머신입니다.
적어도 초기 AI 모델에 입력된 데이터는 '사람들'이 공개적으로 제공한 것들이었습니다. 깃허브(GitHub), 깃랩(GitLab) 등 진짜 사람들이 코드를 배포하는 곳에 공개된 코드 베이스였죠. 당시의 AI는 이 데이터를 기반으로 훈련되었기 때문에, 훈련 시점에 가장 인기 있었던 프로그래밍 언어에 가장 많이 노출되었을 것입니다.
훈련 시점 당시 가장 자주 사용되고 가장 많이 작성된 코드를 가장 잘 학습한 셈입니다.
이런 맥락에서 지난 10년간 굉장히 많이 사용된 자바스크립트(JavaScript) 같은 언어에 AI가 가장 많이 노출된 것은 당연합니다. 게다가 Next.js나 Vercel 같은 호스팅 솔루션 덕분에 프론트엔드와 서버 양쪽에서 모두 훌륭하게 작동하니 더할 나위 없죠. 자바스크립트는 가장 인기 있는 언어 중 하나가 되었고, 많은 사람이 코드를 작성하고 공개했던 만큼 AI가 최적으로 학습할 수 있는 데이터가 되었습니다.
PHP, Ruby, C#, Java처럼 오랫동안 널리 사용되어 온 인기 언어 역시 같은 맥락에서 AI 시스템 내부에 잘 반영되어 있습니다. 반면 Erlang 같은 니치하고 마이너한 언어는 상대적으로 학습량이 충분하지 않을 거고요.
모델은 자신이 '학습한 것만' 알 수 있습니다.
'이미 훈련받은 데이터로부터만' 추론할 수 있습니다.
따라서 AI가 잘 이해하는 것을 기반으로 기술 스택을 선택한다면 답은 간단합니다.
사람만 코딩을 하던 시대에 많이 사용된 프로그래밍 언어와 프레임워크를 선택하면 됩니다(Javascript, Typescript, PHP, Ruby, Python, C, C++ C#, SQL 등).
문제는 AI의 기본 훈련이 끝난 이후에 만들어진 언어나 프레임워크 버전에서 발생합니다.
물론 최근 많이 사용되고 있는 MCP(Model Context Protocol) 등의 기술로 이 문제를 어느 정도 해결하고 있습니다. 특정 프레임워크 버전의 전체 문서를 학습하여 AI 시스템이 직접 학습하며 코딩을 해나가는 방식이니까요. 문제를 해결하는 동안 실시간으로 지식을 업데이트할 수 있습니다.
결론적으로는 프로젝트에 어떤 프레임워크를 선택하는지는 사실 중요하지 않습니다.
기본 설정과 추가적인 설정을 통해 원하는 수준의 결과물을 만들어 낼 수 있는 시대가 되었습니다.
그럼에도 불구하고 '우리'가 기술 스택을 알아야 하는 이유
하나의 가상 사례를 들어볼게요.
당신이 자바스크립트 개발자인데 메모리 안전성과 성능 때문에 모든 것을 러스트(Rust)로 작성해야 한다는 말을 들었다고 가정해 봅시다. 코딩 AI 에이전트에게 러스트로 백엔드 서버를 구축하라고 지시하고, AI는 러스트로 코드를 만들어 낼 것입니다.
그런데 그 결과물은 자바스크립트만 알던 개발자가 이해하지 못하는 러스트의 코드가 됩니다.
"러스트 코드를 이미 잘 알고 있는가?"
이 질문에 'Yes'라고 대답할 수 없다면 사실상 어떻게 작동하고 있는지 모르는 블랙박스를 만들고 있는 셈입니다. 그저 작동하는지 안 하는지만 확인할 수 있을 뿐이죠.
완성된 코드가 작동하지 않을 때 우리는 AI에게 고쳐달라고 할 수밖에 없는 상황입니다. 여기서 문제점이 발생하죠. 왜 고쳐야 하는지, 무엇을 고쳐야 하는지, 그리고 그 수정 사항이 현재 구현된 결과물보다 어떻게 더 낫거나 달라져야 하는지에 대해서는 말해줄 수 없습니다.
미래에는 결국 디버깅, 코드 수정, 기능 확장 등 많은 프로그래밍 영역이 자동화될 것이 분명합니다. 하지만 오류를 발견하고 코딩 프로젝트의 인프라를 이해하는 '사람 개발자'의 역량은 여전히 필요합니다.
우리가 어떤 프로그래밍 언어로든 무엇이든 만들 수 있는 최고의 도구를 가지고 있다고 하더라도, 여전히 특정 프로그래밍 언어를 배우고 깊이 이해해야 합니다.
AI가 많은 문서를 가져올 수 있는 활발한 생태계를 가진 언어를 선택하세요. 린디 효과(Lindy effect)라는 것이 있습니다. 아이디어나 기술이 살아남는 생존 기간이 길어질수록 그 기대 수명이 함께 더 길어진다는 법칙입니다. 오랫동안 살아남은 것들이 앞으로도 오랫동안 살아남을 가능성이 높습니다. 강력한 커뮤니티와 히스토리를 가진 언어를 선택하세요.
오히려 AI 생태계가 이러한 경향을 더욱 증폭시킬 것입니다. AI 코딩 에이전트가 특정 프레임워크와 언어로 결과물을 만들어내고 깃허브에 업로드하면, 이는 다시 다음 세대 AI 모델의 훈련 데이터로 사용될 테니까요.
자신이 능숙하고 잘 이해하는 기술을 선택하세요. 그래야 AI가 제안하는 코딩 결과물에 대해 정확히 어떤 일이 일어나는지 알 수 있습니다.
여전히 사람이 그 언어를 알고 이해해야 합니다.
그렇다면 올바른 선택은?
만약 지금 여러분이 'AI는 알고 있지만 나는 모르는' 생소한 프레임워크나 기술 스택을 사용해야 할지 고민하고 있다면, 여러분이 이미 이해하고 있는 스택으로 돌아가서 천천히 기술을 배우세요.
완전히 새로운 기술을 새로운 프로젝트에 적용하고서 AI가 어떻게든 완벽한 결과물을 만들어주기를 바라지 마세요. 전혀 지속가능한 해결책이 아닙니다.
우리 각자가 코드의 모든 부분을 이해할 수 있어야 합니다.
잠재적인 확장성을 어떻게 가져갈지, 특이한 엣지 케이스를 어떻게 대응할지, 여러 더러운 데이터를 직접 처리하는 처리하는 경험을 쌓아야 합니다. 그리고 이 작업들은 우리가 사용하고 있는 기술에 대한 탄탄한 이해를 필요로 하죠.
자신의 지혜를 인공지능에게 아웃소싱하지 마세요.
결국은 통제권을 아웃소싱하게 되고 궁극적으로 소유권을 아웃소싱하게 됩니다.
만약 AI에게 모든 것을 맡겼다가 망가지게 되면 고칠 수 있는 사람을 어차피 고용해야 하고, 다시 작성해야 하고, 비즈니스에 재무적인 손실과 시간 기회비용 모두 가져오게 됩니다. AI에게 맡기는 의존도와 시간이 커질수록 그 복잡도가 걷잡을 수 없이 커져 버리기 때문이죠.
AI 중심으로 기술을 선택하지 마세요.
내가 잘 이해하고 있는 분야를 기준으로 기술을 선택하세요.
AI 시대에도 여전히 최고의 기술 스택은 내가 잘 이해하고 있는 기술 스택입니다.
MBTI 테스트 기반 수익형 웹사이트 만들기 - 인프런
사실 이 강의의 핵심은 후반부에 있어요.
내 사이트 광고 솔루션을 붙이는 방법, AWS, CloudFlare, Vercel에 사이트를 배포하는 방법, Google Analytics를 내 사이트에 붙이는 방법, SEO 최적화를 위한 사이트 설정 방법 등이 담겨있죠.
웹 사이트 자체를 만드는 내용도 물론 중요하지만, 이보다는 '수익을 발생하도록 만드는 도구 사용법'에 초점을 맞췄어요.
우리가 갖춰야 할 태도는 '빠르게 시도하고 빠르게 검증해서 빠르게 수익화하기'예요. 가설을 세우고 그 가설에 맞는 프로덕트를 빠르게 만들어 빠르게 검증하고 수익화하는 것이죠. 이제 몇 개월, 몇 년을 걸려서 엄청난 프로덕트를 만들고 나서 검증을 했는데 실패하고 낙심하는 패턴은 운의 영역이 아니라 실력의 영역입니다.
그래서 저처럼 프로그래밍으로 수익화하고 싶은 분들, 회사를 위한 개발이 아니라 본인 스스로를 위한 수익형 개발을 하고 싶은 분들. 그분들이 고통스럽게 오랜 기간 시행착오 겪지 않도록 수익형 웹사이트 개발 강의를 만들었습니다.
현재 얼리버드 기간이라 한달 동안 30% 할인 중입니다. 필요하신 분들은 한달 되기 전에 미리 수강 신청 해두세요.
부디 우리 모두 나만의 수익형 서비스를 만들어 새로운 자본주의 시대에서 살아남아 봅시다.
의견을 남겨주세요