AI 코딩 시대에도 결국 도메인 전문가가 이긴다는 데이터가 나왔다

AI가 칼질을 대신해도, 생선을 아는 사람이 필요함

• 기사에서 든 비유가 꽤 정확함

  • 칼질은 서툴지만 생선의 좋은 부위를 아는 셰프와, 칼은 잘 다루지만 생선을 모르는 셰프 중 누구를 뽑을 거냐는 질문임
  • 바이브코딩 시대에는 AI가 칼질을 대신하니, 결국 중요한 건 무엇이 좋은 결과인지 아는 사람이라는 얘기임

• 앤트로픽 보고서가 이걸 데이터로 보여줌

  • 보고서 제목은 ‘에이전틱 코딩 시대에도 지속되는 전문성의 가치’임
  • 2025년 10월부터 6개월간 약 23만5000명이 클로드 코드로 만든 40만 건의 세션을 분석함
  • 세션은 첫 프롬프트부터 최종 결과물까지 AI와 주고받은 전체 작업 흐름을 뜻함

전문가 프롬프트는 처음부터 다름

• 연구팀은 프롬프트를 보고 사용자의 업무 전문성을 5단계로 나눔

  • “이 데이터를 분석해서 차트 만들어줘”처럼 맥락 없는 요청은 초보자 쪽으로 분류함
  • “하드 리프레시를 관리형과 비관리형 슬롯으로 나누고, 관리형은 30분마다, 나머지는 하루 한 번 리프레시”처럼 도메인 용어와 관계가 들어간 요청은 전문가 쪽으로 봄

• 차이는 작업량에서 바로 드러남

  • 초보자는 프롬프트 하나로 평균 약 5개 작업과 600단어 출력을 얻는 데 그침
  • 전문가는 한 번의 지시로 12개 작업과 3200단어 출력을 끌어냄
  • 같은 AI를 써도 문제를 정의하는 능력이 다르면 산출물의 밀도가 달라지는 셈임

• 성공률도 꽤 벌어짐

  • 초보자 세션의 업무 성공률은 부분 성공을 포함해 77%였음
  • 중급 이상은 91~92%까지 올라감
  • 프롬프트 잘 쓰는 법 이전에, 문제 자체를 잘 아는지가 성패를 가른다는 쪽에 가까움

일이 꼬였을 때 진짜 실력이 나옴

• 전문성의 차이는 오류 상황에서 더 크게 벌어짐

  • 난관에 부딪힌 세션을 성공으로 마무리한 비율은 초보자 4%, 전문가 15%였음
  • 중도 포기 비율은 초보자가 19%였고, 중급 이상은 5~7%에 그침

• 이유는 AI의 헛소리를 판별할 수 있느냐임

  • 같은 할루시네이션을 봐도 초보자는 그대로 받아들이거나 작업을 멈출 가능성이 큼
  • 전문가는 오류를 알아채고 수정 방향을 제시해 세션을 다시 끌고 감
  • 연구진도 전문성의 가치는 AI 에이전트를 올바른 방향으로 이끄는 능력에 있다고 봄

딜로이트 사례는 남 얘기가 아님

• 코딩 밖에서도 같은 문제가 터짐

  • 딜로이트 호주법인은 호주 정부 의뢰로 복지 시스템 관련 237쪽 보고서를 제출함
  • 이후 한 보건·복지법 연구자가 존재하지 않는 논문이 인용된 사실을 발견함
  • 딜로이트는 참고 문헌 오류를 인정하고 수정본을 다시 올렸고, 용역비 일부도 반환함

• 세계적인 컨설팅 회사도 AI 오류를 못 잡아냈다는 게 핵심임

  • 오류는 그 분야를 아는 연구자 눈에만 보였음
  • 축적된 지식, 의심하는 습관, 더블체킹 루틴도 결국 전문성의 일부임

신입을 AI로 대체하면 파이프라인이 끊김

• 기사 후반은 채용 이야기로 이어짐

  • AI 확산과 함께 직원 1000명 이상인 국내 정보기술 기업 11곳의 지난해 20대 신입 사원 수가 2년 전의 절반 수준으로 줄었다고 함
  • SK텔레콤은 20대 신규 입사자가 218명에서 108명으로 줄었고, LG유플러스는 280명에서 96명으로 급감함

• 단기 비용 절감은 가능하지만 중장기 리스크가 큼

  • 하버드대 에이미 에드먼슨 교수는 신입 직원을 AI로 대체하는 건 직원이 의사결정자로 성장하는 파이프라인을 끊는 일이라고 지적함
  • 지금 주니어를 안 뽑으면 몇 년 뒤 시니어 후보도 사라지는 구조임

• IBM은 반대로 움직이고 있음

  • 올해 초 미국 내 신입 채용을 3배로 늘리겠다고 발표함
  • IBM 최고인사책임자는 의사소통, 판단력, 리더십은 AI로 대체되지 않는다고 말함
  • 신입 개발자는 반복 코딩과 데이터 정리를 AI에 맡기고, 첫해부터 고객과 소통하며 비즈니스 솔루션을 도출하는 역할로 재설계됨

• 결국 AI 시대의 신입은 사라지는 게 아니라 일이 바뀌는 쪽에 가까움

  • 인사 부서 신입도 모든 질문에 직접 답하는 대신, HR 챗봇이 틀렸을 때 산출물을 바로잡고 관리자와 소통하는 역할을 맡음
  • 사람은 AI가 만든 결과를 검토하고, 맥락을 붙이고, 의사결정으로 연결하는 쪽으로 이동함

---

기술 맥락

• 에이전틱 코딩에서 바뀌는 건 개발자가 코드를 한 줄씩 쓰는 비중이에요. 대신 목표, 제약, 예외 상황을 AI에게 설명하고 결과를 검증하는 일이 훨씬 중요해져요.

• 앤트로픽 데이터가 흥미로운 이유는 프롬프트 요령보다 도메인 지식의 차이를 보여주기 때문이에요. 전문가는 처음부터 시스템의 상태, 제약, 원하는 변경 범위를 구체적으로 말하니까 AI가 더 긴 작업을 한 번에 수행할 수 있어요.

• 문제가 생겼을 때 격차가 커지는 것도 자연스러워요. AI가 틀린 코드를 내거나 잘못된 가정을 세우면, 그걸 알아보려면 코드 문법보다 업무 규칙과 데이터 의미를 알아야 하거든요.

• 딜로이트 사례가 같이 나온 건 AI 할루시네이션이 개발팀만의 문제가 아니라는 뜻이에요. 법률, 복지, 인사, 회계 같은 영역에서도 결과를 검증할 사람이 없으면 그럴듯한 오류가 그대로 외부 문서가 될 수 있어요.

• IBM의 선택은 신입을 없애는 대신 역할을 바꾸는 쪽이에요. 반복 작업은 AI에 맡기되, 신입이 고객 맥락과 판단 업무를 일찍 접하게 해야 몇 년 뒤 의사결정자가 생기거든요.