목차 (Agenda)

AI시대 IT의 변화 – AI 분야 세계적인 석학 앤드류 응(Andrew Ng)이 전하는 IT의 미래

AI 시대를 이끄는 앤드류 응 교수의 조언을 바탕으로, 변화하는 IT 산업 속에서 개발자와 기술 리더가 어떤 역량과 전략을 갖춰야 하는지 알아보세요.

2026년 01월 30일

AI 시대의 커리어 대전환, 개발자의 생존 전략은 무엇인가

오늘은 AI 분야의 세계적인 석학 앤드류 응(Andrew Ng) 교수가 스탠포드 대학교 강단 (Stanford CS230(Autumn 2025) “Lecture 9: Career Advice in AI”) 에서 전한 충격적이면서도 통찰력 있는 메시지를 깊이 있게 분석해 보고자 합니다. 단순히 기술의 발전 속도를 논하는 것을 넘어, 개발자와 IT 의사결정자들이 직면한 ‘직업의 본질적 변화’와 ‘생존 전략’을 다루고 있는 이 강연은 현재 IT 업계에 종사하는 모든 분들에게 시사하는 바가 큽니다.

특히 이 글에서는 AI로 인해 변화하고 있는 IT 산업과 종사자의 역할을 명확히 정리하고, 앤드류 응 교수가 제시하는 미래 로드맵을 전문가적인 시각에서 서술형으로 풀어내겠습니다.

1. 앤드류 응(Andrew Ng): AI의 민주화를 이끈 선구자

앤드류 응은 스탠포드 대학교 컴퓨터공학과 교수로서 AI 연구소(SAIL) 소장을 역임하며 학문적 토대를 닦았습니다. 그의 업적 중 가장 주목할 만한 것은 구글의 전설적인 엔지니어 제프 딘(Jeff Dean)과 함께 ‘구글 브레인(Google Brain)’을 공동 설립한 것입니다. 이는 오늘날 딥러닝(Deep Learning) 기술의 실질적인 시발점이 되었으며, 현재의 생성형 AI 혁명으로 이어지는 기술적 뿌리가 되었습니다.

이후 그는 교육 플랫폼인 코세라(Coursera)를 공동 설립하여 전 세계 1억 3천만 명에게 지식을 전파하며 ‘AI의 민주화’를 이끌었고, 중국 바이두의 수석 과학자로 재직하며 1,300명 규모의 AI 그룹을 총괄 지휘했습니다. 현재는 아마존 이사회 멤버로서 수조 원 규모의 AWS 인프라 및 AI 칩 개발 투자를 승인하는 위치에 있으며, AI 펀드와 랜딩 AI를 통해 실리콘밸리의 유망 스타트업을 발굴하고 있습니다. 즉, 그는 AI 기술의 태동기부터 현재의 산업화 단계까지 모든 과정을 주도해 온 ‘설계자’입니다.

2. AI 시대, IT 미래의 핵심: ‘속도의 공포’와 ‘도구의 진화’

앤드류 응 교수가 진단하는 현재 IT 시장의 핵심은 ‘착시 현상을 넘어선 폭발적인 지능의 성장’입니다. 일각에서는 AI 모델의 발전 속도가 둔화된 것이 아니냐는 의문을 제기하지만, 이는 벤치마크(성능 평가 지표)가 이미 포화 상태에 이르렀기 때문입니다. AI는 이미 인간이 만든 시험지에서 100점을 맞았고, 더 어려운 문제를 풀고 있는 중입니다.

지능 지구력(Intellectual Stamina)의 폭발

앤드류 응은 ‘METR’라는 조직의 보고서를 인용하며 충격적인 사실을 전합니다. AI가 인간의 개입 없이 스스로 과제를 해결할 수 있는 유효 작업 시간은 매 7개월마다 2배씩 늘어나고 있습니다. 반도체 성능이 2년마다 2배가 된다는 ‘무어의 법칙’보다 3.5배나 빠른 속도입니다. 특히 코딩 영역에서의 능력은 70일마다 2배씩 강력해지고 있습니다. 이는 1년 전에는 상상도 못 했던 복잡한 소프트웨어를 이제는 누구나 손쉽게, 그것도 아주 빠르게 만들 수 있는 시대가 되었음을 의미합니다.

AI 빌딩 블록의 시대 (LLM, RAG의 이해)

과거의 개발이 ‘벽돌을 하나하나 쌓아 올리는 과정’이었다면, 미래의 개발은 이미 완성된 ‘지능형 레고 블록’을 조립하는 형태가 됩니다. 여기서 독자 여러분이 반드시 이해해야 할 핵심 기술 개념이 있습니다.

LLM (Large Language Model, 거대 언어 모델): 방대한 텍스트 데이터를 학습하여 인간의 언어를 이해하고 생성하는 AI 모델입니다. GPT나 Claude, Gemini 등이 이에 해당하며, 단순한 텍스트 생성을 넘어 추론과 코딩 능력을 갖춘 ‘두뇌’ 역할을 합니다.
RAG (Retrieval-Augmented Generation, 검색 증강 생성): LLM은 학습하지 않은 최신 정보나 기업 내부의 데이터를 모릅니다. RAG는 LLM이 답변을 생성하기 전에 신뢰할 수 있는 외부 데이터베이스나 문서에서 관련 정보를 ‘검색(Retrieval)’하여 이를 바탕으로 답변을 생성하도록 하는 기술입니다. 이를 통해 AI의 고질적인 문제인 환각(Hallucination) 현상을 줄이고 전문성을 높입니다.
온톨로지(Ontology)와 데이터 구조: AI가 데이터를 제대로 이해하려면 데이터 간의 관계와 의미를 정의한 ‘온톨로지’가 중요해집니다. 앤드류 응 교수는 직접 언급하지 않았지만, RAG와 결합하여 기업 데이터를 AI가 이해할 수 있는 지식 그래프 형태로 구조화하는 작업은 미래 개발자의 핵심 역량이 될 것입니다.

이러한 기술들이 연결하여 개발자는 이제 ‘코드 작성자’가 아닌 ‘시스템 설계자’로 진화해야 합니다.

3. 개발자의 미래와 회사 선택의 조건: ‘제품 엔지니어(Product Engineer)’의 부상

AI가 코딩 구현(Implementation) 비용을 ‘0’에 수렴하게 만들면서, IT 조직의 병목 구간이 완전히 이동했습니다. 과거에는 기획자가 아이디어를 내도 엔지니어가 이를 구현하는 데 오랜 시간이 걸렸지만, 이제는 구현 속도가 너무 빨라져 ‘무엇을 만들지 결정하는 것’이 가장 어렵고 비싼 자원이 되었습니다.

엔지니어와 기획자(PM)의 경계 붕괴

앤드류 응 교수는 실리콘밸리에서 일어나고 있는 극적인 변화를 소개합니다. 과거 엔지니어 8명당 제품 관리자(PM) 1명이던 비율이, 이제는 1:1 혹은 2:1까지 좁혀지고 있습니다. AI 도구로 무장한 엔지니어의 속도를 기존 방식의 기획이 따라가지 못하기 때문입니다.

따라서 미래의 유망한 개발자는 단순히 코드를 잘 짜는 사람이 아닙니다. 사용자의 니즈를 파악하고, 기획 의도를 이해하며, 스스로 제품의 방향성을 결정할 수 있는 ‘공감하는 엔지니어’, 즉 제품 엔지니어(Product Engineer)가 되어야 합니다.

회사를 선택하는 기준: ‘지적 밀도’와 ‘투명성’

이 강연 계열 자료에서 “회사 선택”은 의외로 단순하게 귀결됩니다. 브랜드보다 팀입니다.

그렇다면 어떤 회사를 선택해야 할까요? 앤드류 응은 브랜드의 화려함보다 ‘함께 일하는 동료’를 보라고 조언합니다.

이 조언을 AI 시대 관점에서 조금 더 날카롭게 해석하면, 회사 선택 기준은 “연봉/복지” 이전에 학습 곡선과 실행 루프가 맞는지로 이동합니다.

프론티어 도구를 ‘업무 표준’으로 허용하는가도구가 빠르게 바뀌는 시대에는, 개인이 밤에 공부해서 따라잡는 것만으로 한계가 있습니다. 조직이 “검증된 범위 내에서 새 도구를 써서 생산성을 끌어올리는 문화”를 갖고 있어야 합니다. ‘반 세대 뒤처지면 생산성이 급락한다’는 메시지가 반복되는 이유가 여기에 있습니다.
문제정의–프로토타입–피드백의 사이클이 빠른가코딩이 빨라질수록, 오래 걸리는 것은 “사용자 피드백”과 “무엇을 만들지 결정하는 일”이 됩니다. 36kr 요약은 엔지니어링 속도가 빨라지면, 사용자 피드백이 새로운 병목이 된다는 관찰을 담고 있습니다.따라서 개발자 입장에서는, 제품/서비스가 짧은 루프로 실험하고 학습하는 구조인지(프로토타이핑, 실사용자 접점, 실험이 허용되는지)를 보는 것이 커리어 성장에 더 직접적입니다.
“팀의 사람”이 지식을 공유하는 연결 조직인지레딧 노트는 “주변 사람들”을 굉장히 직접적으로 강조합니다. 아직 인터넷에 정리되지 않은 통찰이 동료/네트워크를 통해 오가고, 그 연결 조직이 개인의 속도를 만든다는 취지입니다.
책임 있는 속도를 운영 체계로 갖고 있는가“Move fast and be responsible”는 단지 태도가 아니라 운영 모델입니다. 실험은 빨라야 하지만, 프로덕션 품질(보안/신뢰성/확장성)을 무시하면 장기적으로 커리어에 독이 됩니다. 이 균형을 조직이 제도화했는지(샌드박스/가드레일/리뷰/릴리즈 체계)를 확인하는 것이 중요합니다.

결국 “좋은 회사”는 “AI를 도입했다”고 말하는 회사가 아니라, 개발자가 더 빠르게 배우고 더 정확히 만들게 되는 시스템을 가진 회사입니다. 그리고 그 시스템은 대체로 “팀”에서 드러납니다.

4. 앤드류 응이 가장 중요하게 얘기하는 원칙들

마지막으로 앤드류 응 교수가 강조하는 가장 중요한 원칙은 ‘실행’과 ‘책임‘입니다.

이 강연(및 요약 자료)에서 반복적으로 드러나는 원칙은, “AI 기술을 어떻게 공부할까” 이전에 “어떻게 일하고, 무엇을 쌓을까”에 가깝습니다.

“그냥 만들어 보세요” — 실력은 ‘설명’이 아니라 ‘산출물’로 증명됩니다

AI 시대에는 ‘시도 비용’이 급격히 내려갔습니다. 예전에는 작은 프로토타입도 시간이 많이 들었지만, 이제는 AI 보조로 프로토타입을 훨씬 빠르게 만들 수 있습니다. 그래서 앤드류 응은 “준비가 끝날 때까지 공부만 하지 말고, 작더라도 일단 만들어서 학습하라”는 방향을 강하게 줍니다.

쉽게 말하면: 이력서의 문장보다, “작동하는 데모 1개”가 훨씬 강합니다.
현장 적용:
- 1~2일짜리 MVP(아주 작은 최소 기능)를 만들고
- 사용자의 반응/데이터를 보고
- 그 다음에 확장 여부를 결정하는 루프를 돌리라는 뜻입니다.

“코딩은 더 싸지고 빨라집니다” — 그래서 경쟁력은 ‘무엇을 만들지’에 생깁니다

강연의 가장 중요한 구조 인식은 이것입니다.

코드를 작성하는 비용이 낮아질수록, 병목은 구현(implementation)에서 명세/문제정의(specification)로 이동한다는 관찰입니다.

쉽게 말하면: 이제 “코드 잘 짜는 사람”만으로는 부족하고, “무엇을 왜 만들어야 하는지”를 더 잘 정의하는 사람이 강해집니다.
현장 적용: 개발자가 다음 영역을 끌어안아야 합니다.
- 사용자의 ‘진짜 문제’를 구조화하기
- 요구를 ‘검증 가능한 문장’으로 바꾸기(성능/품질/제약 포함)
- 우선순위를 결정하고 실험으로 확인하기

“도구의 최전선(Frontier)을 따라가세요” — 반 세대 뒤처지면 생산성은 크게 무너집니다

앤드류 응은 AI 코딩/업무 도구의 변화 속도를 굉장히 현실적으로 봅니다. 조금만 늦어도 생산성 격차가 크게 벌어진다는 메시지가 반복됩니다.

쉽게 말하면: 실력 격차가 아니라 “도구/워크플로우 격차”로 생산성 차이가 벌어집니다.
현장 적용(핵심은 ‘제품명’이 아니라 습관):
- 매주/격주로 “새 워크플로우 1개”를 업무에 붙여보고
- 효과가 있으면 팀 표준으로 승격시키고
- 없으면 과감히 버리는 루틴을 가지라는 뜻입니다.

“빠르게 하되, 책임 있게” — 실험과 운영은 같은 규칙으로 하면 망합니다

그가 제시하는 태도는 단순한 “빨리빨리”가 아닙니다. 요지는 실험 단계와 운영 단계의 규칙을 분리하라는 것입니다. 36kr 요약에서 “Move fast and be responsible”로 정리됩니다.

쉽게 말하면:
- 프로토타입은 속도와 학습이 우선이고
- 프로덕션은 보안·안정성·운영성이 우선입니다.
현장 적용:
- 샌드박스(격리 환경)에서는 과감히 만들고
- 프로덕션 반영 시점에는 가드레일(권한/감사/테스트/릴리즈)을 엄격히 두라는 뜻입니다.

“회사 선택은 브랜드가 아니라 팀” — 커리어는 ‘같이 일하는 사람’이 좌우합니다

요약 노트들에서 공통적으로 나오는 결론은 팀의 질이 커리어를 결정한다는 점입니다. “어느 팀에 배치되는지 숨기는 회사는 피하라”는 조언으로까지 연결됩니다.

쉽게 말하면: 좋은 동료/좋은 매니저/좋은 기준이 있는 팀에서 성장 속도가 완전히 달라집니다.
현장 적용(인터뷰에서 확인할 질문의 방향):
- 팀이 최근 3개월간 어떤 실험을 했는지
- 실패를 어떻게 기록하고 공유하는지
- 코드리뷰/배포/장애 대응이 어떤 ‘규칙’으로 돌아가는지이런 질문에서 “팀의 실체”가 드러납니다.

“프로그래밍은 더 중요해집니다” — AI가 대신 코딩할수록 ‘정확히 지시하는 능력’이 핵심입니다

AI가 코드를 더 많이 대신할수록, 사람은 “대충 말해도 알아서 되겠지”가 아니라 정확한 지시(요구·제약·품질 기준)를 내릴 수 있어야 합니다. 36kr 요약은 “프로그래밍을 배울 필요 없다”는 식의 조언을 강하게 경계하며, 미래 핵심을 “컴퓨터에게 무엇을 하라고 정확히 말하는 능력”으로 잡습니다.