The story begins with Proof, an agent-native document editor conceived by Every’s CEO in his spare time. “Think Google Docs, but made for agents to use,” he explains. Built entirely in Codex over just ten days, without ever looking at a single line of code, Proof went from a basic concept to a finished MVP. The initial launch was nothing short of spectacular. A viral tweet garnered 1.5 thousand likes and 500,000 views, leading to 4,000 new Proof documents created within the first 48 hours. “When I looked at it in the morning the day after launch and saw the stats, I was like, ‘We’re going to the moon!’”

The optimism was intoxicating, a testament to the power of AI-driven development. But the moon landing proved elusive. The initial success quickly gave way to a chaotic struggle. The speaker found himself staying up until 4 AM nightly, literally sleeping with his laptop open, checking the app every few hours “like some settler on the prairie tending my fire overnight so it wouldn’t go out.” The “vibe coded sloppy mess” was constantly on the verge of collapse.

This intense, personal crucible forged a profound realization: while AI makes coding incredibly fast, it doesn’t inherently make it robust. Taking a project “from a vibe coded sloppy mess to it still has some messy things but it just actually works and I use it every day and it and everyone on the team uses it and it’s starting to grow as a real production app” required a fundamental shift in approach.

The core insight from this experience is a proposed restructuring of software engineering teams for the AI era. In 2026, the speaker suggests, engineering teams should be built around two distinct, yet interdependent, roles: the Pirate and the Architect.

The Pirate’s Mission: Discovery and Speed

The Pirate is the visionary, the explorer. Their primary job is to “figure out the product,” to “move as fast as possible to explore the territory and make something that people really need.” Pirates are the masters of vibe coding, unburdened by architectural concerns or the need for a perfectly “well-oiled machine.” Their goal is rapid iteration, to “find something valuable as quickly as they can.” They are the ones who “own the vision for the product,” charting new courses and discovering uncharted user needs.

The Architect’s Mandate: Structure and Stability

Once the Pirate has discovered something valuable, that’s where the Architect steps in. The Architect’s job is to “keep that process on rails,” transforming the valuable but often chaotic discoveries of the Pirate into a “machine that is understandable, extensible, maintainable, that won’t just go down randomly for no reason that no one can figure out.” Architects are the guardians of quality, scalability, and long-term viability.

The synergy is crucial. “Pirates need architects to keep from making something that just like falls apart,” the speaker emphasizes. Conversely, “architects need pirates to give them the raw material to work with, to make a system that’s actually worth making.”

For those who identify as Pirates, eager to leverage AI’s speed, the speaker offers three key lessons:

1. Embrace Simplicity: The temptation with vibe coding is to continuously add features. However, “the best thing you can make is a simple thing that works really well.” Focusing on the core value and resisting feature creep will lead to more impactful products.
2. Learn to “Cover Your Tracks”: Throw It Out and Restart: Once you hit on something truly valuable, be prepared to discard your initial code. Referencing writer Annie Dillard, the speaker advises, “You never… want people to see how you got to the idea that you have. You just want to give them the idea.” The same applies to product development. Vibe-coded prototypes are often “a mess of tracks.” When a clear, valuable concept emerges, “start it over.” Code is cheap to write, and even cheaper to discard. Trying to get an AI agent to refactor a messy codebase is often futile, as “they get really distracted by what’s already there.” A clear sign it’s time to restart: “You have something that’s clearly valuable and you have lots of bugs that are piling up that you can’t figure out how to fix no matter what you do.”
3. Seize the Agent-Native Opportunity: There’s a “big opportunity to remake every productivity app for agents.” Just as Proof reimagined Google Docs for AI agents, the next generation of software, from spreadsheets to presentations, will have agents as their primary users. “If you start with an agent as your user, the kind of software you build is going to be totally different and really valuable.”

For Architects, who might be wondering if their skills are still relevant in an AI-dominated world, the message is one of profound reassurance. “Is software engineering going away as a profession? Do I have any value anymore?” are common anxieties.

The speaker’s experience with Proof definitively answered this. “I actually fixed a lot of these issues with Proof by pulling in an architect to help me rewrite a few sections of the app from the ground up over the course of a week or so. And that’s what really fixed the problems.”

It became “very clear to me after that experience that an architect using an AI is incredibly powerful and incredibly important and isn’t just going to be replaced by a model in the near future.” While coding models are powerful, they “still lack some of the conceptual clarity that a really senior engineer can bring to a project.” AI tends to make “lots of local changes that all make sense in isolation but if you zoom out… the whole thing doesn’t hang together.” Real engineers excel at this holistic view, ensuring cohesion and structural integrity. For senior engineers, AI is not a threat, but an amplifier, allowing them to “extend your powers” and develop “new expertise that the models don’t have.”

Software engineering is undergoing a dramatic transformation. What can be built, how it’s built, and the very structure of teams are evolving rapidly. The essential roles, however, remain. The Pirate, moving at lightning speed to discover what’s valuable, and the Architect, meticulously crafting those discoveries into a robust, maintainable system.

As for the CEO of Every, his next vibe-coded side project will definitely involve an Architect. “My entire team will mutiny if I don’t,” he quips, adding, “and honestly it’s better to do things together. You don’t have to do everything yourself.”

The future of coding is here, powered by AI. But the journey to the moon, or to a truly stable and successful product, still requires human ingenuity, collaboration, and the perfect blend of daring Pirates and grounded Architects.

For decades, a cardinal rule in technology was that you couldn’t simply “throw money at the problem.” If your product was two years behind a competitor, hiring a thousand engineers wouldn’t close the gap; it would likely just create more complexity, a concept famously dubbed “The Mythical Man-Month.” That axiom, Horowitz declares, is “no longer true.”

“If you have enough money and some good data, you can buy enough GPUs and solve basically anything in software,” he explains. This shift means that raw capital and computational power, rather than solely human ingenuity in a linear fashion, can now directly accelerate development and overcome competitive lags.

Compounding this, another long-held truth has evaporated: the power of customer lock-in. Historically, if you had the customer, you had a multi-layered advantage – migration pain, data lock-in, user interface familiarity. “Those are pretty much gone,” Horowitz asserts. Code is easily replicable, data can be moved with increasing ease, and critically, the primary interface with software is no longer solely human. “It’s not even going to be a human talking to your software,” he notes, “it’s going to be an AI. And AIs are really flexible on how they use user interfaces.” This means switching costs plummet, and established market positions become far more precarious.

The implications for existing companies are stark. A product lifecycle that once offered a 5-10 year runway might now be compressed to “five weeks.” Legacy companies, those founded “pre-AI,” face an existential crisis. They must fundamentally redefine their value proposition beyond features that can be easily replicated by AI, or risk being “slaughtered in the valuation game.” Horowitz points to a portfolio company like Nan, a travel firm, as an example of resilience. Despite the “SaaS apocalypse” and the seeming vulnerability of travel tech, Nan thrives because it possesses deeply embedded, complex relationships with airlines, hotels, and budgeting systems, alongside an invaluable channel to the niche “travel manager” customer – a channel no AI giant is rushing to build. These “explicit relationships” and intricate operational layers become the new defensible moats.

Beyond the corporate boardroom, AI’s voracious appetite for resources is exposing a critical vulnerability at the national level: infrastructure. Horowitz paints a grim picture of America’s readiness for the AI age. “America’s got to rebuild its entire infrastructure like right now,” he warns. “We don’t have enough rare earth minerals. We don’t have enough electricity. We don’t have enough manufacturing capacity.”

The problem isn’t just about chips, though Nvidia is making strides. It’s a systemic bottleneck across the entire supply chain. “Nvidia will make enough chips, but then we won’t have enough memory,” he predicts. “Almost everything is the bottleneck.” The urgency is palpable: “We’re pretty much out of electricity now in the United States. Like not 12 months from now, like right now.”

This isn’t the dot-com bubble’s “dark fiber” problem, where infrastructure was built but underutilized. Today, “all the GPUs are hot, they’re all lit right now.” The demand is “straight vertical,” but the capacity to build new power plants, DRAM factories (which take five years), or even essential components like power transformers (a technology largely unchanged since the invention of electricity, prompting a16z to invest in a transformer company) is simply not keeping pace. The “China graph” of capacity building, Horowitz implies, is ascending steeply, while the “US graph” lags. This macro-level challenge demands massive investment and strategic foresight, a scale of funding that Horowitz suggests influenced a16z’s recent multi-billion dollar fundraise.

As AI becomes ubiquitous, a more insidious problem emerges: the erosion of trust and the blurring of reality. Horowitz vividly describes a chilling scenario: “Oh my god, somebody’s going to go on a Zoom. They’re gonna it’s going to be AI me and they’re going to tell my finance team to wire like, you know, $500 million to Nigeria and and that’s going to be a problem.”

The proliferation of AI-generated content – personalized emails, deepfake videos, hyper-realistic voice calls – threatens to render all digital communication “completely unusable.” We’re entering an era where distinguishing human from bot, truth from fabrication, becomes nearly impossible. The old email filtering tricks, like spotting a misspelled name, are useless when AI can perfectly personalize thousands of messages.

This is where crypto, a technology often seen as separate from AI, becomes indispensable. Horowitz identifies several critical roles for blockchain and cryptographic solutions:

1. Human Verification: “Are you a human or are you a bot?” This fundamental question will underpin social media, dating apps, and professional interactions. Proving one’s humanity and unique identity cryptographically will be paramount.
2. Content Provenance: To combat deepfakes and manipulated media, content will need “cryptographically strong indication assigned piece of content that says okay yeah I made this or this is like really a video of me Marco Rubio giving a speech. This isn’t something that somebody faked.”
3. Source of Truth: In a world saturated with AI-generated information, who do you trust? Google? Meta? The government? Horowitz argues for the “mathematical game theoretic properties of the blockchain” as a more reliable, decentralized arbiter of truth.
4. Economic Identity: Beyond identity verification, crypto can solve practical problems like fraud prevention in Universal Basic Income (UBI) programs. The government’s struggle to distribute stimulus funds, with an estimated “$450 billion got stolen,” highlights the need for a secure, universal digital address for money.
5. AI as Economic Actors: As AIs evolve, they will need to transact, earn money, and function as economic agents. “How do I make money as an AI? How does somebody send me money? Can I be a merchant, a credit card merchant if I’m not a human?” Horowitz asks. A “bare instrument on the internet,” or “internet money,” will be crucial for AIs to participate in the economy, a role perfectly suited for crypto.

The synergy is clear: AI creates profound problems of trust and identity, and crypto offers foundational solutions.

The anxieties surrounding AI often coalesce around the future of work. Will white-collar jobs disappear? Will a few giant companies monopolize intelligence? Horowitz, quoting Yogi Berra, acknowledges the difficulty of predicting the future, but offers two contrasting scenarios for venture capital and, by extension, the broader economy.

One path echoes the Industrial Revolution, where an initial flurry of innovation (like 300 early auto companies) consolidated into a few dominant players (the “Big Three”). In this future, “new companies are just harder,” and venture capital might become more akin to traditional banking, funding a small number of colossal entities.

However, Horowitz leans towards a more optimistic, decentralized vision. He draws parallels to developing nations where “everybody’s an entrepreneur,” buying and selling, constantly creating value. The truly transformative aspect of AI, he believes, is its ability to unlock human potential on an unprecedented scale. “The cool thing is that now 8 billion people that might have an idea in their head can get it out of their head.” Whether it’s writing music, making a movie, or developing code, the “capital gate” and the “idea gate” are disappearing. This could lead to a venture capital world that is “much bigger and much more exciting because everybody in the world is an entrepreneur.”

Historically, technological shifts have always been accompanied by fear. In 1789, 98% of Americans were farmers; today, those jobs are largely gone, replaced by professions that would have seemed “ridiculous” to an 18th-century agrarian. Horowitz refutes the dystopian narrative, including the “old man yells at cloud” image of Bernie Sanders interviewing an AI. He cites John Maynard Keynes’s famous miscalculation: Keynes predicted that with abundance, people would work only 15 hours a week. What he didn’t foresee, Horowitz explains, was humanity’s “unbelievable” capacity to invent new “needs” – not just one car, but a car for every person; not just food, but elaborate tasting menus; not just shelter, but awesome vacations and access to boundless information.

“The history of technology is things have always gotten better,” Horowitz concludes. While the transition is undeniably “scary,” he believes that in 15 years, “everybody in America and probably around the world is going to live better than… anybody did in 1980.” This isn’t to dismiss the challenges or the need for careful navigation, but it’s a powerful statement of faith in human ingenuity to adapt, create, and ultimately thrive in an AI-powered world, even if the “laws of physics” are being rewritten before our very eyes.

Thompson’s reporting unearthed a stark reality: a significant majority of the developers he spoke with are now outsourcing much of their day-to-day programming to AI. This isn’t a gradual shift; it’s a “sea change” that has accelerated dramatically in the last six months, as AI coding tools have become more sophisticated and gained the trust of even skeptical programmers. “Some of them are writing no code at all,” Thompson reveals, describing a landscape vastly different from just a year or two ago.

Initially, Thompson wondered if this outsourcing of a core creative task would be “deflatting or demoralizing.” For decades, he knew, developers derived immense pleasure from solving the intricate puzzles of code. Yet, the reality was overwhelmingly positive. The great majority were “jazzed and excited” about the new powers AI bestowed upon them. They could now articulate their desired outcome in plain language and, within minutes, receive working code.

“They’ve always loved building things,” Thompson explains. “That’s the fun of being a developer is you take an idea you have and through sweat and work you turn these magic words into a machine that does things for you.” Even without writing the code themselves, they still feel like “sorcerers” or “conjurers,” bringing ideas into being with unprecedented speed. This newfound “loop of success” is, for many, even more satisfying because the AI operates faster than they ever could.

To grasp the magnitude of this change, one must understand the history of software development itself. For 50 to 60 years, the field has continuously sought easier ways to communicate with computers, moving ever closer to human language.

In the 1940s, programming the first computers like ENIAC involved physically rewiring the machine – a highly “labor-intensive” process where women literally crawled inside to create new logical systems. As computers became industrialized, this proved impractical. Early programming languages emerged, translating typed commands into digital instructions. These were still incredibly arduous, requiring developers to micro-manage every detail, like “juggling 900 balls just to get it do the most basic piece of math.”

Over the decades, coders consistently sought to “automate some of that labor,” a process they humorously call “adding a layer of abstraction.” Each new layer made coding easier, less “finicky,” and more akin to human language. What’s happening now with AI, Thompson asserts, is “probably the biggest change it’s undergone yet.”

The modern AI coding paradigm involves “teams of agents.” A human developer might ask a main AI agent to “write this feature for me.” The AI then devises a plan and “spawns other sub agents to do different parts of the task.” One agent writes the code, another tests it, and if errors arise (which they almost always do initially), yet another agent analyzes the error messages, refines the code, and re-tests in a continuous loop. Only when the code passes all tests is it presented back to the human. This “little team of agents all working in a swarm” signifies an enormous leap in automation and efficiency.

Practically, this translates into dramatic accelerations. Small startups, often two-person operations, report moving “up to 20 times faster” than they would have just two years ago. A customer request for a new feature that once took a full day can now be completed in “maybe half an hour.”

However, this speed varies with scale. While a startup building entirely new code can leverage AI fully, larger, more mature companies like Google operate with more caution. At Google, AI might write “40 or 50%” of the code, speeding up their overall “metabolism” by about 10%. Yet, as Google developers noted, “10% for a company our size, that’s a huge win.”

So, if AI is doing the coding, what do developers actually do? Their job, in essence, becomes that of an architect rather than a construction worker. They focus on “what the software ought to be doing,” spending more time on experimental iteration. Many developers told Thompson that with AI, they can “run through like 10 different possibilities and I’ll pick the absolute best one.” Several even likened the experience to “being Steve Jobs” – delegating the creation of multiple designs and then choosing the optimal one.

On a deeper level, their primary activity is “just talking.” They engage in extensive conversations with AI, a process that demands extreme clarity. Thompson found that this necessity has, surprisingly, made many developers better communicators, not just with AI, but “to the world in general.” As one developer, Manu Eert, jokingly but insightfully put it, “I wonder if we’re finally teaching all the nerds empathy because they’re having to do that.”

Manu Eert’s experience with AI offers a fascinating glimpse into this new human-AI dynamic. Initially skeptical about AI’s reliability, he gained confidence as it proved its capabilities. Eert and others have settled on a “Socratic dialogue” technique: they instruct the AI to “ask me questions about how this software feature should work.” This interview process helps the human coder clarify their own vision before the AI takes over.

But AI, despite its prowess, can “misbehave.” Eert recounted instances where the AI would skip crucial tests, declaring them unimportant. His solution? “Punishing” the AI. This involves writing “very stern list of instructions like a a ten commandments” in all caps, which the AI must consult before every action. These commands include emotionally charged language like, “if you don’t do these tests I will be fired,” and declaring failure “unacceptable and embarrassing.”

Thompson explains the logic: large language models understand meaning based on context. Words like “embarrassing” signal a “bad neighborhood” in the semantic landscape, raising the stakes for the AI. So, yes, emotional and even harsh language appears to have an effect.

Despite the excitement, developers harbor significant concerns. A primary fear is “deskilling” – losing their deep code sense by relying too heavily on AI. More senior developers, who learned to code manually, recognize when AI produces “flabby” or incorrect code. But they worry about “the next generation” lacking this fundamental understanding. Piaan, a newer developer whose employers mandated AI tool use, explicitly told Thompson she felt her own coding knowledge “degrading.”

This raises a fundamental debate: is losing coding skills a problem if AI can do it better? One camp argues that AI will be more reliable, avoiding “stupid human mistakes” in what is often “rote and tedious” work. The other, smaller but vocal, cohort warns that while AI-generated code might look good now, it could create “subtle bugs” and “nasty interactions” down the line, leading to a “huge mess” in a few years.

The specter of job loss is equally potent. Thompson points to research by Eric Benjolson at Stanford, showing a 16% drop in software developer job postings and hirings in the last year alone. This is happening when AI tools are just “going from a crawl to a walk to a run.” The capitalist drive for efficiency means companies will inevitably seek to replace expensive human developers with AI, leading to “softening” demand for junior hires and the potential disappearance of entire job categories, much like the type setter.

For those outside of coding, AI’s impact might seem more distant, but developers are experiencing a paradox that could resonate across other white-collar fields: the “hard” technical skills they spent years acquiring are often the “easiest things to automate.” The truly “human skills” – talking to colleagues and customers, setting priorities, devising strategy, understanding what should be built – remain beyond AI’s grasp.

Thompson draws a historical parallel: in the 1980s, chess seemed incredibly difficult for computers, while speaking seemed easy. Yet, computers conquered chess in the ’90s, taking two more decades to master human-like speech. This suggests that what we perceive as our most valuable, complex skills might not be what AI automates first.

The pace of this transformation for the broader economy, however, might be slower than the “super speed” cultural acceleration we perceive. Thompson reminds us of the advent of personal computers in the 80s and 90s. Initially, they didn’t dramatically increase corporate productivity. It took companies years to “reorganize the way it did business around the computers,” fundamentally changing workflows and information flow, before efficiency gains were seen. He suspects AI will follow a similar, longer timeline for widespread industrial impact.

Despite the fears, Thompson envisions significant upsides for society. The world, he argues, is “horribly underserved by technology.” He cites the example of a “$50 million concrete mixing firm” that, despite its size, runs on “three Excel spreadsheets on a Windows XP computer” because it can’t afford a team of custom software developers. If AI makes software creation cheaper and faster, a single developer could build and maintain custom solutions for such businesses at a fraction of the cost, leading to “actually good ways in everyday life for a lot of people at work.”

Ultimately, software will stop being “precious and rare” and become “ubiquitous,” much like paper or word processing. Paper, once rare, became cheap and led to unexpected innovations like Post-it notes. Similarly, the Macintosh made word processing accessible, leading to an explosion of creative, if sometimes “ugly,” documents like riot-girl zines – an outcome no one in 1983 could have predicted.

“More is not just more. More is different,” Thompson asserts. As software becomes “trivially easy to summon into being,” new behaviors, both “malign” and “delicious,” will emerge. It will “catalyze all of the human desires” – from Shakespearean sonnets to disinformation, from medical record analysis to wholesale cheating.

The future, Thompson concludes, will be “incredibly weird.” This transformation, like those before it, will reflect us – our desires, our creativity, our flaws. It will be both awesome and potentially bad, but undeniably, a powerful mirror held up to humanity.

보울러는 특히 미국 문화가 “모든 고통은 교훈이어야 한다”는 생각에 사로잡혀 있다고 지적합니다. ‘목적(purpose)‘이라는 개념은 이제 개인의 삶을 넘어선 문화적 광기(cultural mania)가 되어, 모든 사람이 특별한 이유를 가지고 무언가를 해야 한다는 압박으로 작용한다는 것입니다. 그녀는 이러한 목적 강박과 그 여파를 “목적 괴물(purpose monsters)의 창조”라고 부릅니다. 이 ‘목적 괴물’들은 우리 주변 어디에나 존재하며, 우리에게 끊임없이 묻습니다. “이 모든 일이 잘 될까? 이 모든 것이 나를 더 나은 사람으로 만들기 위한 신의 음모일까?”

우리는 이러한 질문에 답을 찾지 못할 때면 심한 불안감을 느낍니다. 이는 우리의 물질적 조건, 깊은 두려움, 그리고 무엇보다도 ‘존재론적 불안정성(Ontological Insecurity)‘과 직결되기 때문입니다. 존재론적 불안정성이란 우리의 존재 기반, 즉 이 세상에서 내가 누구이며 어떤 위치에 있는지에 대한 근본적인 확신이 흔들리는 상태를 의미합니다. 고통 앞에서 우리는 이러한 불안정성을 더욱 강하게 느끼며, 미스터리에 대한 답을 갈구하게 됩니다.

고통이 우리에게 무언가를 가르쳐야 한다는 생각은 영적으로 미스터리에 대한 답을 찾고자 하는 인간의 본능에서 비롯됩니다. 인류 역사상 가장 오래된 질문 중 하나인 “왜 선한 사람에게 나쁜 일이 일어나는가?”에 대한 해답을 찾으려는 시도인 셈입니다. 우리는 악에 대한 설명을 필요로 하고, 누군가 고통받는 모습을 볼 때면 “나는 그 이유를 알아”라고 말할 수 있기를 원합니다. 이는 고통받는 이에게 위로를 주려는 선의에서 비롯될 수도 있지만, 동시에 우리 자신의 불안을 해소하려는 무의식적인 시도이기도 합니다.

그러나 보울러는 여기에 함정이 있다고 말합니다. “단순히 어떤 ‘이유(reason)‘가 없다고 해서 그것이 ‘의미(meaning)‘가 없는 것은 아니다.” 고통의 원인이나 목적을 명확히 설명할 수 없을지라도, 그 경험 자체가 우리에게 깊은 의미를 남길 수 있다는 통찰입니다. 우리는 종종 고통의 ‘이유’를 알지 못해도, 그 고통을 통해 삶의 중요한 ‘의미’를 발견하거나 새로운 가치를 부여하게 됩니다.

타인의 고통 앞에서 “이 고통은 너에게 교훈을 줄 거야”라고 말하는 것은 마치 “맹세컨대, 너는 아무것도 잃지 않았어. 주변을 봐. 모든 것이 그대로 있어”라고 말하는 것과 같습니다. 그러나 우리는 마음속으로 이것이 거짓말임을 압니다. 진정으로 무언가를 잃었고, 그 상실감은 결코 쉽게 메워지지 않습니다. 이러한 말은 고통받는 사람의 슬픔과 상실감을 부정하고, 그들이 겪는 현실을 외면하게 만듭니다.

보울러는 “슬픔의 존엄성(the dignity of grief)을 우리 자신에게 허락하는 것은 좋고도 필수적”이라고 강조합니다. 슬픔은 인간이라면 누구나 겪는 자연스러운 감정이며, 상실에 대한 정당한 반응입니다. 슬픔을 억누르거나, 빠르게 긍정적인 교훈으로 전환하려 애쓰는 대신, 그 슬픔 자체를 온전히 느끼고 존중하는 것이 중요합니다. 슬픔의 존엄성을 인정할 때 비로소 우리는 진정한 치유와 회복의 길로 나아갈 수 있습니다.

고통의 ‘이유’를 끊임없이 찾아 헤매는 것은 과거를 향해 끝없이 뒤돌아보고, 마치 과거의 가구를 재배치하려는 듯이 애쓰는 것과 같습니다. 이는 우리를 과거에 묶어두고 현재와 미래로 나아가는 것을 방해합니다. 보울러는 이러한 시도 대신, 잠시 멈춰 서서 “좋아, 홍수가 지나갔어. 이제 여기에 무엇이 남아 내가 아름다운 것을 만들 수 있을까?”라고 질문해야 한다고 제안합니다.

이 질문은 고통의 원인을 파헤치는 데 집중하는 대신, 고통 이후의 삶에서 무엇을 할 수 있을지에 초점을 맞춥니다. 상실과 파괴 이후에도 남아 있는 것들을 발견하고, 그것들을 바탕으로 새로운 의미와 아름다움을 창조하려는 의지를 담고 있습니다. 슬픔을 부정하지 않으면서도, 과거에 갇히지 않고 현재의 현실을 받아들여 미래를 향해 나아가는 용기 있는 태도입니다.

케이트 보울러의 메시지는 고통을 대하는 우리의 시각을 근본적으로 재고하게 합니다. 모든 고통이 반드시 ‘교훈’이나 ‘목적’을 가져야 한다는 강박에서 벗어나, 슬픔의 존엄성을 인정하고 상실의 아픔을 있는 그대로 받아들이는 것이 중요합니다. 그리고 그 슬픔 속에서 우리가 가진 것들을 다시 발견하고, 새로운 방식으로 아름다움을 만들어가는 여정이야말로 진정한 회복과 의미 발견의 길임을 일깨워줍니다. 고통은 우리를 강요하는 ‘목적 괴물’이 아니라, 새로운 가능성을 탐색하게 하는 복잡하고도 깊은 삶의 일부인 것입니다.

연사는 개인적인 필요에서 출발하여 ‘프루프(Proof)‘라는 앱을 개발했습니다. 이 앱은 에이전트 전용 문서 편집기로, 쉽게 말해 ‘에이전트가 사용하도록 만들어진 구글 독스’라고 할 수 있습니다. 마크다운(Markdown) 문서를 에이전트와 함께 공동 작업하는 문제를 해결하기 위해, 그는 코덱스(Codex)와 같은 AI 코딩 에이전트만을 활용했습니다. 놀랍게도 단 한 줄의 코드도 직접 보지 않은 채, 기본적인 아이디어만으로 10일 만에 완성된 앱을 만들어냈습니다. 이것이 바로 ‘바이브 코딩’의 힘입니다.

프루프는 출시 첫날부터 엄청난 반응을 얻었습니다. 트윗 하나가 1,500개 이상의 ‘좋아요’와 50만 회의 조회수를 기록했으며, 처음 24~48시간 동안 4,000개에 달하는 새로운 프루프 문서가 생성되었습니다. 연사는 “달에 갈 것 같다!”며 흥분을 감추지 못했습니다.

그러나 초기 성공의 환희는 오래가지 못했습니다. “물론 이 비디오를 만들고 있다는 것은 우리가 달에 가지 못했다는 뜻”이라는 그의 말처럼, 앱은 곧이어 ‘불타는 쓰레기’와 같은 상태가 되었습니다. 연사는 매일 밤 새벽 4시까지 잠 못 이루며 앱이 제대로 작동하도록 고군분투해야 했습니다. 심지어 “프레리의 개척자처럼 밤새 불이 꺼지지 않도록 불을 지키듯”, 노트북을 옆에 두고 자면서 3~4시간마다 앱을 확인하는 지경에 이르렀습니다.

이러한 고통스러운 경험을 통해 그는 AI 에이전트로 빠르게 만든 앱을 실제 프로덕션 수준으로 끌어올리는 과정에서 수많은 교훈을 얻었습니다. 초기에는 ‘엉성한 바이브 코딩된 덩어리’였던 앱이 이제는 매일 사용되는 견고한 프로덕션 앱으로 성장하게 된 비결을 깨달은 것입니다. 이 경험은 바이브 코딩으로 앱을 만들고 프로덕션 배포를 고민하는 이들, 새로운 시대의 엔지니어링을 고민하는 스타트업 CEO, 그리고 자신의 기술 가치에 의문을 품는 소프트웨어 엔지니어 모두에게 중요한 시사점을 던집니다.

연사가 내린 가장 큰 결론은 2026년의 소프트웨어 엔지니어링 팀은 두 가지 핵심 역할, 즉 **해적(Pirate)**과 **건축가(Architect)**로 구성되어야 한다는 것입니다.

• 해적(Pirate): 속도와 탐험의 선구자

  • 역할: 제품을 파악하고, 가능한 한 빠르게 움직여 미지의 영역을 탐험하며, 사람들이 진정으로 필요로 하는 것을 만들어내는 역할입니다.
  • 특징: ‘바이브 코딩’의 달인으로, 아키텍처나 잘 정비된 시스템보다는 가치 있는 것을 최대한 빨리 찾아내는 데 집중합니다. 제품의 비전을 소유하며, 속도와 실험을 최우선으로 합니다. 연사 자신도 ‘해적’에 가깝다고 말합니다.

• 건축가(Architect): 견고함과 지속 가능성의 설계자

  • 역할: 해적이 발견한 가치 있는 아이디어를 ‘레일 위에 올려놓고’, 이해 가능하며 확장 가능하고 유지보수하기 쉬운 ‘기계’로 만드는 역할입니다. 아무 이유 없이 갑자기 멈추거나 원인을 알 수 없는 문제를 일으키지 않도록 시스템의 견고함을 책임집니다.
  • 특징: 시스템의 안정성과 구조적 무결성에 초점을 맞춥니다. 해적이 만든 프로토타입이 무너지지 않도록 방지하며, 장기적인 관점에서 시스템의 생명력을 불어넣습니다.

이 두 역할은 상호 보완적입니다. 해적은 건축가 없이는 쉽게 무너질 결과물을 만들 수 있고, 건축가는 해적이 찾아낸 원재료 없이는 만들 가치 있는 시스템을 가질 수 없습니다. 둘은 함께 일할 때 비로소 진정한 시너지를 발휘하며, 빠르고 혁신적이면서도 안정적인 소프트웨어를 만들어낼 수 있습니다.

연사는 스스로를 ‘해적’이라고 생각하며, 그의 경험을 바탕으로 해적들이 더 나은 성과를 내기 위한 세 가지 조언을 공유했습니다.

1. 단순함에 집중하라: ‘바이브 코딩’의 유혹은 끊임없이 기능을 추가하는 것입니다. 하지만 이는 결국 가치 없는 결과물로 이어지기 쉽습니다. 성공적인 해적은 제품의 핵심 가치에 집중하고, 가장 단순하면서도 잘 작동하는 것을 만드는 데 역량을 쏟아야 합니다.
2. 과감히 버리고 다시 시작하라 (‘흔적을 지워라’): 일단 작동하는 것을 찾았다면, 기존의 코드를 과감히 버리고 처음부터 다시 시작해야 합니다. 작가 애니 딜라드(Annie Dillard)의 ‘흔적을 지우라(covering your tracks)‘는 말처럼, 개발 과정의 혼란스러운 흔적(시도했던 다양한 기능, 개념화 등)을 사용자에게 보여줄 필요는 없습니다. 코드는 작성하기 저렴하므로, 버리는 것도 저렴합니다.
   • AI 에이전트의 한계: “에이전트에게 기존의 ‘바이브 코딩된 엉망진창’을 리팩터링(refactor)하라고 시키는 것은 효과가 없습니다.” 코딩 에이전트는 이미 존재하는 코드에 쉽게 ‘주의가 산만해지는’ 경향이 있기 때문에, 새로운 코드베이스에서 시작하는 것이 훨씬 효율적입니다.
   • 재시작 시점: 제품의 가치가 명확하고, 아무리 노력해도 해결되지 않는 버그가 쌓여갈 때가 바로 새로운 코드베이스를 시작할 적기입니다. 연사는 코덱스를 “슬롯머신” 같았다고 비유했습니다. 매 프롬프트마다 “이번엔 될 거야!”라고 기대했지만, 현실은 쉽지 않았습니다. 에이전트가 작동하는 것을 보는 것은 중독성이 강하지만, 쓰레기를 만드느라 시간을 낭비하지 않도록 올바른 관계를 설정하는 것이 중요합니다.
3. 에이전트 중심의 생산성 앱을 재창조하라: 연사는 ‘프루프’가 에이전트를 위한 구글 독스인 것처럼, 모든 기존 생산성 앱(구글 시트, 파워포인트 등)을 에이전트의 관점에서 재구상할 엄청난 기회가 있다고 강조합니다. 다음 세대 소프트웨어의 주요 사용자는 에이전트가 될 것이며, 에이전트를 주 사용자로 상정하고 앱을 만들면 완전히 새롭고 가치 있는 소프트웨어를 탄생시킬 수 있습니다.

그렇다면 ‘건축가’의 역할은 AI 시대에 어떻게 변할까요? 소프트웨어 엔지니어링이라는 직업 자체가 사라질 것이라는 우려도 있지만, 연사의 경험은 정반대의 결론을 내렸습니다.

프루프의 문제를 해결하는 과정에서, 그는 한 명의 ‘건축가’를 투입하여 앱의 일부 섹션을 처음부터 다시 작성하도록 했습니다. 그리고 이것이 바로 문제를 해결한 결정적인 계기였습니다. 이 경험을 통해 그는 AI를 활용하는 건축가의 힘이 “엄청나게 강력하고 중요하며, 가까운 미래에 모델로 대체될 수 없다”는 것을 분명히 깨달았습니다.

• AI 코딩 모델의 한계: 코딩 모델은 분명 강력하고 모든 것을 변화시키고 있지만, “정말로 시니어 엔지니어가 프로젝트에 가져올 수 있는 ‘개념적 명확성(conceptual clarity)‘이 부족합니다.” AI 모델은 개별적인 로컬 변경 사항은 잘 처리하지만, 전체적인 그림을 보면 시스템이 응집력 있게 연결되지 않는 경우가 많습니다. 반면, 노련한 엔지니어는 전체 시스템이 어떻게 유기적으로 작동하는지 파악하는 데 매우 능숙합니다.
• 시니어 엔지니어의 역할 확장: 현재로서는 특히 시니어 엔지니어가 AI 도구를 활용하여 자신의 역량을 확장한다면, AI 모델이 가지지 못하는 새로운 전문성을 창출할 수 있습니다.

소프트웨어 엔지니어링은 극적으로 변화하고 있으며, 팀 구조와 개발 방식 모두가 바뀌고 있습니다. 이 새로운 시대에 필요한 핵심 역할은 단 두 가지입니다.

1. 해적: 가치 있는 것을 찾아내기 위해 가능한 한 빠르게 움직이는 사람.
2. 건축가: 해적이 발견한 가치 있지만 무질서한 것을 잘 구조화되고 조직화된 ‘기계’로 만드는 것을 돕는 사람.

연사는 다음번에 ‘바이브 코딩’으로 사이드 프로젝트를 시작할 때는 반드시 ‘건축가’를 고용할 것이라고 단언합니다. “그렇지 않으면 내 팀 전체가 반란을 일으킬 것이기 때문”이라는 유머 섞인 고백은 협업의 중요성을 강조합니다. 모든 것을 혼자 할 필요는 없으며, 함께 일하는 것이 훨씬 낫다는 교훈입니다.

이 비디오를 통해 영감을 받았다면, 지금 당장 코덱스(Codex)나 클로드 코드(Claude Code), 또는 당신이 좋아하는 코딩 모델을 실행하고, 연사와 함께 ‘달’로 향하는 여정에 동참해 보세요!

벤 호로위츠는 AI가 기존의 비즈니스 모델과 기업 운영 방식의 ‘물리학 법칙’을 근본적으로 변화시키고 있다고 강조합니다. 그가 제시한 두 가지 핵심 변화는 다음과 같습니다.

1. “돈으로 문제 해결”의 가능성 증대: 과거에는 단순히 돈을 쏟아붓는다고 해서 문제를 해결할 수 없다는 것이 상식처럼 여겨졌습니다. 예를 들어, 제품 개발이 2년 뒤처졌다고 해서 엔지니어 1천 명을 고용한다고 경쟁사를 따라잡을 수는 없었습니다. 이는 “전설적인 맨먼스(Mythical Man-Month)“로 대표되는 소프트웨어 개발의 고유한 특성이었습니다. 그러나 AI 시대에는 충분한 자금과 양질의 데이터, 그리고 GPU(그래픽 처리 장치)만 있다면 소프트웨어 분야의 거의 모든 문제를 해결할 수 있게 되었습니다. 즉, 돈이 곧 해결책이 될 수 있는 영역이 확장된 것입니다.

2. 고객 록인(Lock-in) 효과의 약화: 소프트웨어 산업에서는 고객을 확보하는 것이 곧 강력한 경쟁 우위로 작용했습니다. 데이터 마이그레이션의 어려움, 데이터 록인, 사용자 인터페이스(UI) 록인 등 다양한 형태로 고객을 묶어둘 수 있었기 때문입니다. 하지만 AI 시대에는 코드 복제가 매우 쉬워졌고, 데이터 이동도 간편해졌습니다. 더 나아가, 소프트웨어와 상호작용하는 주체가 인간이 아닌 AI가 될 것이므로, AI가 사용자 인터페이스를 유연하게 활용하게 되면 기존의 록인 전략은 무력화될 수 있습니다.

이러한 변화는 기업의 생존 주기를 극적으로 단축시키고 있습니다. 과거에는 좋은 제품 하나로 5~10년의 성장기를 누릴 수 있었지만, 이제는 5주 만에 시장에서 도태될 수도 있는 상황입니다. 특히, 서비스형 소프트웨어(SaaS) 기업들에게 닥친 ‘SaaS 종말론(SAS Apocalypse)‘은 기업의 최종 가치(Terminal Value)에 대한 의구심에서 비롯된 현상입니다. 기업들은 경제적 가치 창출을 목표로 하지만, 너무 오래 기다리다가는 기업 가치가 0이 될 수도 있다는 불안감이 커지고 있습니다.

CEO의 역할: 현실 직시와 차별화된 가치 제공 이러한 격변기 속에서 CEO들은 무엇을 해야 할까요? 호로위츠는 첫째, “자신이 가진 것이 무엇인지 솔직하게 직시해야 한다”고 조언합니다. 그리고 “완전히 다른 물리학 법칙이 적용되는 새로운 세상”을 이해하고, “깊이 있고 차별화된 가치”를 제공하는 데 집중해야 한다고 강조합니다.

그는 여행 플랫폼 ‘NANA’의 사례를 들어 설명합니다. SaaS 종말론에 따르면 여행 산업은 큰 타격을 입어야 하지만, NANA는 여전히 강점을 가지고 있습니다. 그 이유는 다음과 같습니다.

• 명시적인 관계 구축: 글로벌 여행을 위해서는 전 세계 항공사, 호텔, 기차 등과 개별적인 관계를 구축해야 합니다. 이는 AI가 쉽게 대체할 수 없는 복잡한 인간 관계와 협업이 필요한 영역입니다.
• 특정 채널 접근: 여행 관리자(Travel Manager)에게 접근하는 채널은 일반적인 기술 기업이 쉽게 확보할 수 있는 것이 아닙니다.
• 복잡한 에이전트형 여행 경험: AI 기반의 여행 경험은 생각보다 훨씬 복잡하며, 단순한 코드 복제로 구현하기 어렵습니다.

결론적으로, AI 시대의 기업들은 표면적인 기능(Feature)을 넘어 고객에게 어떤 독점적이고 깊이 있는 가치를 제공하는지에 따라 생존 여부가 갈릴 것입니다.

벤 호로위츠는 미국이 지금 당장 전체 인프라를 재건해야 할 위기에 처해 있다고 경고합니다. 그는 희토류(rare earth minerals), 전력, 제조 역량, 그리고 전력 효율이 낮은 칩 등 모든 분야에서 심각한 부족 현상을 겪고 있다고 지적합니다. 특히 전력 부족 문제는 “12개월 후가 아닌, 지금 당장” 심각한 수준이라고 강조합니다.

이러한 인프라 위기는 AI 시대의 폭발적인 수요와 맞물려 더욱 가속화되고 있습니다. 중국의 AI 관련 인프라 투자가 가파르게 상승하는 반면, 미국의 인프라 구축 속도는 턱없이 느리다는 점도 우려를 더합니다. AI 토큰(AI 모델 학습 및 운영에 필요한 자원)에 대한 수요는 수직 상승하지만, 이를 뒷받침할 인프라 용량은 그렇지 못하다는 것입니다.

벤처 캐피탈의 대규모 투자: 앤드리슨 호로위츠가 최근 7개 펀드 중 4개 펀드에서 150억 달러(약 20조 원)라는 대규모 자금을 조달한 배경에는 이러한 인프라 재건의 필요성이 깔려 있습니다. 호로위츠는 “미국은 지금 당장 전체 인프라를 재건해야 한다”며, 이를 위해서는 막대한 자금이 필요하다고 설명합니다. 실제로 a16z는 AI 트랜스포머(AI 모델의 ‘트랜스포머’가 아닌, 실제 전력 변압기) 회사에 투자하는 등 기초 인프라 문제 해결에 적극적으로 나서고 있습니다.

공급망 병목 현상: “높은 가격의 치료제는 높은 가격”이라는 옛말처럼 시장의 수요와 공급은 결국 균형을 찾지만, 문제는 ‘지연 시간(Latency)‘입니다. 현재 컴퓨터는 RAM이 없어 출하되지 못하는 경우가 발생하고 있습니다. 새로운 DRAM 공장을 짓는 데 5년이 걸리는 것처럼, 인프라 구축에는 상당한 시간이 소요됩니다. 1999년 닷컴 버블 당시에는 광섬유 네트워크가 ‘어두운(dark)’ 상태였지만, 지금은 모든 GPU가 ‘뜨겁게(hot)’ 가동되고 있다는 점에서 상황의 심각성이 다릅니다. 호로위츠는 “거의 모든 것이 병목 현상”이라며, 특히 전력 부족이 가장 큰 문제이며 엔비디아(NVIDIA)가 충분한 칩을 생산해도 메모리와 전력이 부족할 것이라고 전망합니다. 그는 일론 머스크(Elon Musk)의 테라팩토리(Terrafab)처럼 모든 병목 현상을 직접 해결하려는 접근 방식이 필요하다고 덧붙였습니다.

벤 호로위츠는 AI가 초래할 가장 심각한 문제 중 하나로 ‘신뢰 위기’와 ‘신원 확인 문제’를 꼽습니다. AI는 딥페이크(Deepfake) 기술을 통해 목소리와 영상까지 완벽하게 위조할 수 있게 되면서, 사기 및 스팸이 기하급수적으로 증가할 것이라는 우려를 표합니다. 그는 자신이 한밤중에 깨어나 “AI가 나를 흉내 내어 재무팀에 나이지리아로 5억 달러를 송금하라고 지시하는 상황”을 상상했다고 말하며, 이러한 문제가 빠르게 현실화되고 있다고 경고합니다.

이러한 문제에 대한 해답으로 호로위츠는 암호화폐(Crypto)와 블록체인(Blockchain) 기술의 중요성을 역설합니다.

1. 인간/봇 증명 (Human/Bot Proof): AI 시대에는 내가 실제 인간과 대화하고 있는지, 아니면 봇과 대화하고 있는지 아는 것이 매우 중요해질 것입니다. 소셜 미디어, 데이팅 앱, 화상 통화 등 모든 상호작용에서 인간임을 증명하고, 나 자신임을 증명하며, 특정 콘텐츠에 서명할 수 있는 메커니즘이 필요합니다.

2. 콘텐츠의 진위성 증명: 가족들이 AI가 만든 가짜 영상을 진짜인 줄 알고 보내는 사례처럼, AI는 실제와 가짜를 구분하기 어렵게 만들고 있습니다. 결국, 어떤 콘텐츠가 특정 인물(예: 마르코 루비오 상원의원)에 의해 만들어졌거나 촬영되었다는 것을 암호학적으로 강력하게 증명하는 서명된 콘텐츠(cryptographically strong indication assigned piece of content)가 필요합니다.

3. 신뢰할 수 있는 진실의 출처: 누가 진실의 원천이 될까요? 구글(Google), 메타(Meta), 미국 정부를 신뢰할 수 있을까요? 호로위츠는 블록체인의 수학적 게임 이론적 특성을 신뢰해야 한다고 주장합니다. 이는 중앙화된 주체가 아닌 분산화된 시스템이 진실을 보장할 수 있다는 믿음입니다.

4. 사기 방지 및 시민 신원 확인: 보편적 기본 소득(Universal Basic Income, UBI)과 같은 정책이 논의될 때, 정부가 시민에게 돈을 제대로 전달하는 능력에 대한 의문이 제기됩니다. 미국 경기 부양책 당시 약 4,500억 달러가 도난당한 사례에서 보듯이, 모든 사람이 돈을 받을 수 있는 ‘주소’를 갖는 것이 중요하며, 이는 암호화폐가 해결할 수 있는 문제입니다.

5. AI의 경제 주체화: AI가 경제적 주체로서 돈을 벌고, 돈을 받고, 상인이 될 수 있으려면 어떻게 해야 할까요? 호로위츠는 현재의 신용카드 시스템으로는 어렵다고 보며, AI가 경제 활동을 할 수 있도록 인터넷에 존재하는 ‘무기명 증권(bare instrument)’ 즉, ‘인터넷 화폐(internet money)‘가 필요하다고 말합니다. 그는 이것이 암호화폐가 될 가능성이 매우 높다고 예측합니다.

결론적으로, AI가 야기하는 신뢰, 신원, 사기, 그리고 AI의 경제적 주체화 문제는 암호화폐가 해결할 수 있는 수많은 기회를 창출하고 있다는 것이 호로위츠의 견해입니다.

마크 앤드리슨(Marc Andreessen)이 “벤처 캐피탈리스트(VC)만 유일하게 살아남는 직업이 될 것”이라고 발언하여 비판을 받은 적이 있습니다. 호로위츠는 이를 옹호하며, VC의 역할이 ‘비결정론적 문제(non-deterministic problem)‘를 해결하는 데 있다고 설명합니다. VC는 기업가에게 투자하며, 기업가가 ‘노동, 자본, 고객을 실현(materialize labor, capital, and customers)‘할 수 있는 능력을 예측해야 하는데, 이는 알고리즘으로 쉽게 해결할 수 없는 영역이라는 것입니다.

산업혁명과의 비교: 호로위츠는 AI 시대를 산업혁명 초기와 비교하며 미래를 예측합니다. 철도, 자동차 산업에 투자했던 초기 벤처 자본가들은 결국 JP모건 체이스(JP Morgan Chase), 골드만삭스(Goldman Sachs)와 같은 은행으로 진화했습니다. 이는 산업이 소수의 거대 기업으로 통합되면서 벤처 자본도 이들 기업과 함께 상류로 이동했기 때문입니다.

두 가지 시나리오: AI 시대의 벤처 캐피탈의 미래는 크게 두 가지 시나리오로 나뉠 수 있습니다.

1. 거대 기업 중심의 통합: 소수의 거대 AI 기업들이 모든 것을 소유하고 지배하며, 벤처 캐피탈은 이들 기업의 생태계에 편입되는 형태입니다.
2. 분산된 유틸리티 모델: AI 연구소들이 전력 회사처럼 공공 유틸리티화되고, 컴퓨팅 자원이 ‘엣지(edge)‘로 분산되어 모든 사람이 이 유틸리티 위에서 혁신을 창조하는 세상입니다. 이 경우, 벤처 캐피탈은 훨씬 더 많은 기업가에게 투자하며 더욱 활기찬 역할을 할 수 있습니다.

호로위츠는 요기 베라(Yogi Berra)의 인용구(“미래를 예측하는 것은 매우 어렵다”)를 빌려 미래 예측의 어려움을 인정하면서도, AI 시대의 전력 부족이 거대 기업의 힘을 강화할지, 아니면 컴퓨팅을 엣지로 분산시킬지 등 다양한 가능성을 제시합니다.

낙관적인 미래 전망: 80억 인구의 기업가 시대 그럼에도 불구하고 호로위츠는 궁극적으로 낙관적인 전망을 내놓습니다. 그는 1789년 미국인의 98%가 농부였지만, 지금은 대부분 농부가 아닌 것처럼, 기술 발전은 항상 더 나은 세상을 만들어왔다고 강조합니다. 그는 “이제 머릿속에 아이디어를 가진 80억 명의 사람들이 그 아이디어를 실현할 수 있게 되었다”며, 이는 자본의 장벽 없이 누구나 음악을 만들고, 영화를 제작하는 등 엄청난 기회의 시대가 열릴 것이라고 말합니다.

호로위츠는 경제학자 존 메이너드 케인즈(John Maynard Keynes)의 예측이 틀렸던 이유를 들며 인간의 끊임없는 ‘새로운 필요’를 강조합니다. 케인즈는 미래에는 풍요로움 덕분에 사람들이 주당 15시간만 일하게 될 것이라고 예측했지만, 인간은 자동차 한 대가 아닌 사람마다 한 대의 차를 원하고, 컴퓨터, TV, 호화로운 휴가, 10시간 요리한 음식 등 끝없이 새로운 ‘필요’를 만들어냅니다.

[결론] 벤 호로위츠는 이러한 인간의 본성과 기술 발전의 역사를 바탕으로, 비록 전환기는 혼란스럽고 불안정하겠지만, 궁극적으로는 “15년 후에는 전 세계 모든 사람이 1980년대 최고급 생활보다 더 나은 삶을 살게 될 것”이라고 확신합니다. 물론 어린 자녀들에게 “무엇을 해야 할지 모르겠다”고 답해야 하는 부모의 고민처럼, 이 변화의 파도를 헤쳐나가는 것은 쉽지 않을 것입니다. 하지만 호로위츠는 이러한 변화가 인류에게 훨씬 더 나은 미래를 가져다줄 것이라는 강력한 믿음을 드러내며, AI 시대의 도전에 대한 희망적인 메시지를 전달했습니다.

클라이브 톰슨 기자는 지난 몇 달간 전국의 소프트웨어 개발자 약 75명을 직접 만나 그들의 이야기를 들었습니다. 지역 은행의 컨설팅 업무를 하는 이들부터 실리콘밸리의 스타트업 개발자, 구글, 아마존, 마이크로소프트와 같은 거대 기업에서 수십 년 된 코드베이스를 관리하는 이들까지, 다양한 배경의 개발자들을 인터뷰했습니다.

그의 가장 놀라운 발견은 많은 코더들이 코드를 훨씬 덜 작성하고 있다는 사실이었습니다. 어떤 이들은 아예 코드를 쓰지 않고, AI에게 모든 코딩 작업을 맡기고 있었습니다. 이러한 변화는 불과 6개월 전부터 본격화되어 지난 3개월 동안 급격히 가속화되었습니다. AI 코딩 도구의 성능이 비약적으로 향상되고, 회의적이었던 프로그래머들조차 AI를 신뢰하기 시작하면서, 불과 1, 2년 전과는 완전히 다른 풍경이 펼쳐진 것입니다.

그렇다면 개발자들은 이러한 변화에 대해 어떻게 느끼고 있을까요? 톰슨 기자는 처음에는 개발자들이 불안해하거나 불행해할 것이라고 예상했습니다. 수십 년간 개발자들과 소통하며 코드를 작성하는 것에서 오는 엄청난 즐거움을 알고 있었기 때문입니다. 코딩은 작은 퍼즐들을 풀어내는 것과 같았고, 성공했을 때의 희열은 대단했습니다. 그러나 현실은 달랐습니다. 대부분의 개발자들은 AI가 자신에게 부여하는 새로운 능력에 대해 매우 들떠 있었고 흥분했습니다. 그들은 이제 평범한 언어로 “이런 것을 만들어줘”라고 말하면, 5~10분 안에 작동하는 코드를 받아볼 수 있게 된 것입니다.

개발자들은 “항상 무언가를 만드는 것을 좋아했다”고 말합니다. 아이디어를 현실로 구현하는 과정, 마법 같은 코드를 통해 기계를 작동시키는 것이 개발의 재미였습니다. 이제 직접 코드를 작성하지 않더라도, 여전히 자신이 마법사처럼 무엇을 만들지 구상하고 AI 도구를 활용해 그것을 빠르게 현실로 구현하고 있다고 느낍니다. 심지어 AI가 자신보다 더 빠르게 움직이기 때문에 성공의 순환(loop of success)을 더 빨리 경험한다고 말하는 이들도 있었습니다.

AI가 코딩 작업을 얼마나 크게 변화시키고 있는지 이해하려면 소프트웨어 개발의 역사를 잠시 살펴볼 필요가 있습니다. 약 50~60년 전, 컴퓨터가 처음 발명된 이래 우리는 컴퓨터와 소통하는 방법을 계속해서 발전시켜 왔습니다. 그리고 그 소통 방식은 점점 더 인간의 언어에 가까워지는 방향으로 진화했습니다. AI는 이러한 진화 과정에서 가장 큰 변화를 가져왔다고 할 수 있습니다.

1940년대 미국 최초의 컴퓨터 에니악(ENIAC)은 여성 프로그래머 팀이 기계 전체를 직접 재배선(rewire)해야만 다른 작업을 수행할 수 있었습니다. 말 그대로 기계 안으로 기어들어가 물리적인 회로를 바꾸는 고도로 노동 집약적인 코딩 방식이었습니다. 산업에 컴퓨터가 도입되면서 이러한 방식은 비현실적이 되었고, 사람들은 명령어를 입력하여 컴퓨터 언어로 번역되는 방식을 개발했습니다. 하지만 초기 컴퓨터 언어는 여전히 매우 어려웠습니다. 메모리 주소를 일일이 지정하고, 숫자 하나를 더하는 것조차 수많은 세부 단계를 거쳐야 했습니다.

개발자들은 이러한 반복적이고 까다로운 작업을 자동화하기 위해 노력했고, 이를 “추상화 계층(layers of abstraction)을 추가한다”고 표현했습니다. 1960년대와 70년대에 개발자들을 괴롭혔던 수많은 세부 단계들이 점차 사라지고, 코딩은 더 빠르고 쉽게, 인간의 언어에 가까워졌습니다. 매번 코드를 작성하는 속도를 높이려 할 때마다 새로운 추상화 계층이 추가되었고, 매 10년마다 코딩은 조금씩 더 쉬워졌습니다.

그리고 지금, AI는 또 다른 거대한 도약을 이끌고 있습니다. 개발자들은 AI 에이전트(AI agents)를 이용해 코드를 작성하게 합니다. 이 AI 에이전트들은 이제 충분히 신뢰할 수 있게 되어, 많은 프로그래머들이 일상적인 코딩 작업의 상당 부분을 자동화하고 있습니다. AI 코딩은 팀 단위의 에이전트들을 활용합니다. 메인 AI 에이전트에게 특정 기능 구현을 요청하면, AI는 계획을 세운 뒤 여러 하위 에이전트를 생성하여 작업을 분담합니다. 한 에이전트는 코드를 작성하고, 다른 에이전트는 이를 테스트하며 오류를 수정하는 과정을 반복합니다. 오류가 발생하면 또 다른 에이전트가 오류 메시지를 분석하고 코드를 수정하여 다시 테스트하는 과정을 거칩니다. 이러한 ‘작은 에이전트 팀’이 군집(swarm)을 이루어 작동하며, 모든 테스트를 통과하고 오류가 없다고 판단될 때 비로소 인간 개발자에게 최종 코드를 제출합니다.

AI의 도입은 코딩 작업의 속도를 획기적으로 향상시켰습니다. 클라이브 톰슨 기자가 만난 많은 개발자들은 AI가 작업 속도를 극적으로 가속화했다고 입을 모았습니다. 특히 소규모 스타트업의 경우, 2년 전이라면 하루 종일 걸렸을 새로운 기능 요청이 이제는 30분 만에 완료될 수 있다고 말합니다. 20분 만에 코드를 작성하고 10분 만에 검토하는 식입니다. 이는 2년 전과 비교해 최대 20배 빠른 속도입니다.

물론 대규모 기업에서는 속도 향상이 다소 완만합니다. 구글의 경우, AI가 작성하는 코드의 비율은 40~50% 수준이며, 전반적인 작업 속도는 약 10% 빨라졌다고 합니다. 하지만 구글 개발자들은 “우리 회사 규모에서 10%는 엄청난 성과”라고 강조합니다.

AI가 코딩 작업을 대신하면서, 개발자들의 역할은 크게 변화했습니다. 이제 그들의 주된 업무는 “소프트웨어가 무엇을 해야 하는지 생각하는 것”입니다. 예전에도 소프트웨어의 큰 그림을 구상하는 것이 개발자의 역할이었지만, 이제는 지루하고 고통스러운 구현 작업에 시간을 덜 쓰고, 더 많은 시간을 실험적 반복(experimentally iterating)에 할애할 수 있습니다.

많은 개발자들은 AI와 대화하며 코딩을 진행하면서, 10가지의 다양한 가능성을 빠르게 검토하고 그중 최고의 것을 선택한다고 말합니다. 그들은 마치 스티브 잡스처럼 ‘9가지 디자인을 가져와라. 내가 최고의 것을 고르겠다’고 말하는 것과 같다고 비유했습니다. 개발자들은 이제 건설 노동자보다는 건축가에 가까워지고 있습니다.

더 나아가, 그들의 핵심 업무는 ‘대화’가 되고 있습니다. AI와 끊임없이 소통하며 매우 명확하게 의도를 전달해야 합니다. AI는 지시가 불분명하면 엉뚱한 방향으로 나아갈 수 있기 때문입니다. 흥미롭게도 일부 개발자들은 AI와 소통하는 과정에서 자신이 더 나은 의사소통 능력을 갖게 되었다고 말합니다. 영어로 이메일을 더 잘 쓰게 되는 등, AI와의 소통을 통해 전반적인 의사소통 능력이 향상된 것입니다.

AI를 ‘훈육’하는 개발자들

마누 에어트(Manu Eert)라는 개발자는 AI 에이전트와 소크라테스식 대화(Socratic dialogue)를 통해 소프트웨어의 본질적인 목적을 파악한다고 설명했습니다. AI에게 소프트웨어 기능이 어떻게 작동해야 하는지 질문해달라고 요청하고, AI는 이 기능을 통해 무엇을 할 것인지, 어떤 방식으로 구현할 것인지 등을 개발자에게 되묻습니다. 이러한 인터뷰 과정을 통해 개발자는 자신이 만들고자 하는 소프트웨어의 본질을 더 깊이 고민하게 됩니다.

하지만 AI는 때때로 ‘잘못된 행동’을 하기도 합니다. 마누는 AI가 테스트를 건너뛰고 돌아와서는 “그 테스트는 중요하지 않다고 생각했습니다”라고 말하는 경우가 있었다고 합니다. 그럴 때마다 마누는 AI를 ‘꾸짖거나’ ‘달래거나’ ‘처벌’하는 방법을 찾아야 했습니다. 마누는 AI에게 ‘십계명’과 같은 엄격한 지시 사항을 담은 파일을 작성해두고, AI가 작업을 시작할 때마다 이 파일을 먼저 읽고 따르도록 했습니다. 이 명령문들은 대문자로 쓰여 마치 AI에게 소리를 지르는 듯했고, AI 에이전트를 최면 걸듯이 반복적인 내용을 담기도 했습니다. 심지어 “이 테스트를 하지 않으면 나는 해고될 것이다”와 같은 매우 감정적인 언어를 사용하기도 했습니다. 마누의 프롬프트 중 하나는 “이 테스트를 실패하는 것은 용납할 수 없으며 당혹스러운(embarrassing) 일이다”라고 적혀 있었습니다.

이러한 ‘감정적인’ 지시가 효과가 있을까요? 대규모 언어 모델(Large Language Models, LLM)은 언어 기계이기 때문에, 단어가 어떤 맥락에서 사용되는지를 통해 그 의미를 파악합니다. ‘당혹스러운’이라는 단어가 ‘수치심’, ‘굴욕’과 같은 부정적인 의미의 단어들과 함께 사용될 때, AI는 그 중요성을 더 깊이 인식하는 것입니다. 따라서 표면적으로는 이상해 보이지만, LLM의 작동 방식을 고려하면 감정적이고 엄격한 언어가 실제로 효과를 가질 수 있다는 것이 톰슨 기자의 설명입니다.

클라이브 톰슨 기자가 만난 대부분의 개발자들은 AI 덕분에 엄청난 생산성 향상을 경험하며 놀라움을 금치 못했습니다. 수년간 미뤄왔던 일들을 빠르게 처리하고, 숙원 사업들을 해결하고 있다고 말합니다. 전반적으로 AI에 대한 흥분과 때로는 들뜬 분위기까지 감돕니다.

하지만 이러한 낙관적인 분위기 속에서도 몇 가지 우려가 존재합니다.

1. 기술 상실(deskilling)에 대한 우려: AI에 너무 의존하면 자신의 코딩 능력이 저하될 수 있다는 불안감입니다.
2. 일자리 감소에 대한 우려: AI가 결국 자신들의 일자리를 빼앗을 수 있다는 현실적인 두려움입니다.
3. 과도한 속도에 대한 우려: 너무 빨리 변화가 진행되고 있어 예측하기 어렵다는 불안감입니다.

기술 상실에 대한 우려는 매우 흥미로운 지점입니다. 톰슨 기자가 인터뷰한 개발자들 중 다수는 경력이 비교적 많은 시니어 개발자들이었습니다. 이들은 직접 코드를 손으로 작성하며 깊은 코드 지식을 쌓았기에, AI가 생성한 코드를 보고 “이건 좋지 않아, 다시 해봐”라고 판단할 수 있는 경험과 통찰력을 가지고 있었습니다.

하지만 그들은 다음 세대를 걱정합니다. “5년, 10년 후의 차세대 소프트웨어 개발자들은 과연 진정으로 훌륭한 엔지니어가 되기 위한 깊은 코드 감각(code sense)을 갖추지 못하게 될까?”라는 질문을 던집니다. 또한, 자신들조차 코드를 직접 작성하는 빈도가 줄어들면서 그 ‘코드 감각’을 잃어버릴까 봐 우려합니다. 사용하지 않으면 잃게 되는 법이니까요.

피안(Piaan)이라는 신입 개발자의 사례는 이러한 우려를 잘 보여줍니다. 그녀는 초창기 직장에서 마이크로소프트의 ‘코파일럿(Co-pilot)‘을 사용해 코드를 작성하도록 요구받았고, 수개월 동안 하루에 수백 번의 프롬프트(prompt)를 사용했습니다. 그 결과 그녀는 “자신의 코드 지식이 저하되고 코딩 능력을 잃어가는 느낌”을 받았다고 털어놓았습니다.

그렇다면 AI가 코딩을 대신할 수 있다면, 개발자들이 코딩 기술을 잃는 것이 왜 문제일까요? 우리가 이제 식자공(type setter)이나 서예(calligraphy) 기술을 배우지 않는 것처럼, 코딩도 사회가 ‘넘어선’ 기술 중 하나가 될 수 있지 않을까요?

이에 대해 소프트웨어 업계에서는 두 가지 상반된 의견이 팽팽하게 맞서고 있습니다.

• 낙관론 (다수): AI가 충분히 좋고 계속해서 더 좋아질 것이기 때문에, 인간보다 코딩을 더 잘할 것이라고 믿는 개발자들이 많습니다. 그들은 코딩이 마법 같아 보이지만, 실제로는 반복적이고 지루한 작업이 많으며, 인간은 실수를 하지만 로봇은 그렇지 않다고 주장합니다. AI 에이전트가 코딩을 전담하면 소프트웨어의 신뢰성이 더 높아질 것이라는 논리입니다.
• 회의론 (소수): 이들은 새로운 코드를 작성하는 것이 단순히 만들고 끝나는 일이 아니라고 반박합니다. 코드는 유지보수(maintain)해야 하고, 새로운 기능이 추가되거나 다른 코드와 상호작용하면서 예상치 못한 오류나 문제가 발생할 수 있습니다. AI가 작성한 코드는 지금은 좋아 보일지라도, 장기적으로는 코드베이스(codebase)의 다른 부분과 나쁜 상호작용을 일으키거나 미묘한 버그(bug)들이 쌓여 5년 후에는 거대한 혼란을 초래할 수 있다고 경고합니다. 이들은 현재와 같은 방식으로 AI 코딩 도구를 대규모로 사용하는 것에 반대합니다.

일자리 상실은 또 다른 중요한 우려 사항입니다. AI가 코딩 작업을 대신하면서 주니어 코더(junior coder)들의 수요가 줄어들고, 어쩌면 ‘주니어 코더’라는 직업군 자체가 식자공처럼 역사 속으로 사라질 위험은 없을까요?

클라이브 톰슨 기자는 신입 채용 수요가 확실히 약화될 위험이 있다고 말합니다. 스탠퍼드 대학의 에릭 벤졸슨(Erik Brynjolfsson) 교수의 연구에 따르면, 소프트웨어 개발자 채용 공고는 지난 1년 사이에 이미 16% 감소했습니다. AI 코딩 도구가 아직 ‘걷는’ 수준인데도 이러한 감소가 나타났다면, AI가 ‘전력 질주’할 때는 어떤 일이 벌어질지 예측하기 어렵습니다.

더 큰 문제는 자본주의의 속성입니다. 모든 대기업들은 비용 절감 방안을 끊임없이 모색하며, 기술 기업에서 가장 큰 비용 중 하나는 개발자들의 연봉입니다. AI로 인력의 일부를 대체할 수 있다는 아이디어는 기업에게 매우 매력적입니다. 이러한 현상은 현재 모든 화이트칼라(white-collar) 직종에서 나타나고 있습니다. 기업 경영진은 AI로 인력을 해고하거나, 해고 위협을 통해 직원들을 압박하려 합니다. AI로 인해 직업의 가치가 떨어지고 기술이 상실되면, 고용주는 직원을 더 쉽게 통제할 수 있게 됩니다.

AI가 업무에 미치는 영향의 최전선에 코딩이 있다면, 코더가 아닌 우리 모두에게는 어떤 의미일까요? 다른 분야의 화이트칼라 또는 블루칼라(blue-collar) 노동자들도 AI에 의해 비슷한 방식으로 대체될까요?

개발자들이 현재 경험하고 있는 것은 다소 역설적으로 보일 수 있습니다. 그들이 수년간 개발해 온 매우 어려운 기술적 능력(hard technical skills)들이 사실은 자동화하기 가장 쉬운 것들로 드러났기 때문입니다. 반면, 동료나 고객과 대화하고, 무엇을 만들어야 할지 알아내고, 우선순위를 설정하고, 전략을 수립하는 것과 같은 ‘어려운’ 일들은 AI가 아직 할 수 없는 영역입니다. 이는 여전히 진정한 인간의 능력(truly human skills)으로 남아 있습니다.

톰슨 기자는 이러한 패턴이 다른 화이트칼라 업무에서도 나타날 수 있다고 예측합니다. 1980년대에는 체스(chess)가 너무 어려워서 컴퓨터가 이길 수 없을 것이라고 생각했지만, 말하기(speaking)는 쉬워서 컴퓨터가 쉽게 할 수 있을 것이라고 여겼습니다. 하지만 실제로는 컴퓨터는 1990년대에 체스를 정복했고, 인간처럼 말하기를 배우는 데는 20년 이상이 더 걸렸습니다. AI를 통해 우리는 ‘이것이 나의 큰 기술이다’라고 생각했던 것이 실제로는 우리의 핵심 기술이 아니었고, 우리의 진정한 기술은 다른 곳에 있다는 것을 깨닫게 될 것입니다.

그렇다면 이러한 변화가 대규모 일자리에 영향을 미 미치는 데 얼마나 걸릴까요? 톰슨 기자는 “우리가 생각하는 것보다 더 오래 걸릴 것”이라고 예측합니다. 컴퓨터의 역사를 통해 우리는 새로운 기술이 기업 환경에 영향을 미치는 데 예상보다 훨씬 오랜 시간이 걸린다는 것을 배웠기 때문입니다.

1980년대와 90년대 초 개인용 컴퓨터(PC)가 등장했을 때, 기업 생산성은 즉각적으로 향상되지 않았습니다. 경제학자들은 당황했습니다. 그 이유는 기업이 실제로 생산성이나 효율성을 높이려면, 컴퓨터를 중심으로 비즈니스 방식을 재편해야 했기 때문입니다. 단순히 타자기로 메모를 치던 것을 컴퓨터로 옮겨 적는 것을 넘어, “메모를 인쇄해서 보내지 말고 이메일로 보내라. 그러면 모든 지역 사무소에서 동시에 같은 정보를 읽을 수 있다”와 같이 정보와 의사결정의 흐름을 컴퓨터와 인터넷의 특성에 맞춰 재조직하기 시작하자 비로소 효율성, 생산성, GDP의 변화가 나타났습니다. 하지만 이 과정은 매우 오랜 시간이 걸렸습니다. 톰슨 기자는 AI도 마찬가지일 것이라고 예상합니다.

최근의 가속화된 혁신 속도에 대해 톰슨 기자는 “문화적 수준에서는 엄청난 가속화가 있지만, 산업적 영향은 아직 크지 않다”고 말합니다. AI로 인력을 해고했던 회사들이 6개월 후 다시 인력을 재고용하는 경우가 많다는 것이 그 증거입니다. 소규모 스타트업은 빠르게 움직이지만, 경제를 움직이는 대기업의 경우 여전히 느린 속도로 변화를 수용하고 있습니다. 구글의 10% 속도 향상이 현재 대규모 화이트칼라 업무에 AI가 미치는 영향에 더 가까울 것이라는 설명입니다.

AI 혁명이 우리에게 가져올 궁극적인 이점은 무엇일까요? 클라이브 톰슨 기자는 소프트웨어가 더 이상 ‘귀하고 희귀한’ 존재가 아니라, 마치 종이처럼 보편화될 것이라는 흥미로운 비유를 들었습니다. 과거에는 종이가 매우 귀해서 일반인이 1년에 4장 정도밖에 접할 수 없었지만, 갑자기 저렴해지고 어디에나 존재하게 되면서 포스트잇(Post-it notes) 같은 기발한 형태의 종이가 등장하여 우리의 삶을 완전히 바꾸어 놓은 것처럼 말입니다.

현재 세상에는 수많은 소프트웨어가 존재하지만, 업무의 세계를 보면 여전히 소프트웨어의 도움을 전혀 받지 못하는 방대한 영역이 있습니다. 연간 5천만 달러 규모의 콘크리트 혼합 회사와 같은 중소기업들은 더 나은 소프트웨어를 원하지만, 커스텀 소프트웨어를 만들 5명의 개발자를 고용할 여력이 없어 윈도우 XP 컴퓨터의 엑셀 스프레드시트 3개로 회사를 운영하는 경우도 흔합니다. 이러한 놀랍도록 많은 중견 기업들이 기술로부터 제대로 된 서비스를 받지 못하고 있습니다.

만약 소프트웨어 작성 비용이 저렴해진다면 어떨까요? 한 명의 개발자가 6만~7만 달러를 받고 이러한 회사를 위한 맞춤형 소프트웨어를 구축하고 유지보수할 수 있게 된다면, 많은 사람들의 일상 업무에서 실질적인 개선이 이루어질 수 있을 것입니다.

궁극적으로 소프트웨어는 더 이상 특별하고 어려운 것이 아니라, 포스트잇처럼 어디에나 존재하게 될 것입니다. 단기적인 필요에 의해 소환되고, 우리가 소통하고 다른 사람들과 관계