바이브 코딩과 에이전틱 코딩
- 바이브 코딩(vibe coding): 소프트웨어 개발자가 AI에게 프롬프트로 만들고 싶은 것을 설명하고, AI가 소스 코드를 자동으로 생성하는 방식
- 바이브(vibe): 느낌, 분위기
- 좁은 의미로는 AI가 생성한 코드를 검토 없이 수용하고, 결과만 보고 후속 프롬프트로 변경을 지시하는 방식으로 말하기도 함
- 안드레이 카파시(Andrej Karpathy, OpenAI 공동 창립자, Tesla 전 AI 이사)가 2025년 2월 제안
- 에이전트형 코딩(agentic coding): 바이브 코딩을 가능하게 하는 기술적 방법론
- 자율적인 AI 에이전트가 최소한의 인간 개입으로 코드를 계획, 작성, 테스트, 수정
- 사용자의 질문이나 지시를 기다리지 않고 상위 목표에 따라 계획을 세우고 실행
- 여러 개의 외부 도구들을 활용
- 다수 하위 에이전트들에게 업무를 나누어 맡김
SaaS 종말론 SaaSpocalypse
- SaaS: Software as a Service의 약자
- 소프트웨어를 구독료를 내고 웹/앱을 통해 접속해 클라우드에서 사용하는 방식
- 대표적 사례: Notion, Slack, GitHub
- AI 에이전트가 직접 업무를 처리하거나 필요한 소프트웨어를 만들 수 있으면 SaaS의 수익 모델이 유지되기 어려움
- SaaS 관련 주식의 가격 하락
어떤 SaaS가 살아남을까?
- 독점 데이터가 저절로 쌓이는 구조를 가지고 있음
- 사람이 아닌 AI의 활동에 따라 과금됨
- 제품이 깊이 박혀 있어 빼내기 어려움
- 일반적 AI로 다룰 수 없는 고유한 AI가 필요한 업무
- 고객 환경이 규제·전문성에 묶여 있음
제본스의 역설 Jevons Paradox
- 1865년 영국의 경제학자 윌리엄 스탠리 제본스가 발견
- 영국에서 석탄 사용 효율의 증가가 석탄 사용의 증가로 이어진 현상
- 제임스 와트가 기존 증기 기관보다 석탄 사용 효율을 높인 증기 기관을 발명
- 특정 용도에 필요한 석탄량은 감소
- 다양한 산업 분야에서 증기 기관의 사용이 증가
- 전체 석탄 소비량 증가
- 제본스 역설의 반례: 농업 생산성 향상으로 식량 가격이 낮아졌지만 식량 수요가 증가하지는 않음
- 수요의 탄력성에 따라 달라짐
- AI에도 제본스의 역설이 적용된다는 주장이 제기
- 수요가 탄력적인 경우: 가격 하락보다 수요 증가폭이 커서 전체 사용량이 증가
- 수요가 비탄력적인 경우: 가격 하락에도 수요 증가폭이 작아 전체 사용량이 증가하지 않음
AI 도입은 생산성을 높이는가?
- 2026년 6월 8일 한국은행 BOK 이슈노트 "AI 도입은 생산성을 높이는가?: 초기 3년의 효과 분석"
- 국내 취업자의 절반 이상(51.8%)이 생성형 AI를 업무에 활용
- 생성형 AI를 활용하는 근로자들은 같은 일을 처리하는 데 평균 3.8% 더 짧은 시간을 사용
- 주 40시간 근무를 기준으로 하면 매주 약 1.5시간
- 이러한 시간 절감이 전부 생산에 투입된다고 가정하면 잠재적인 생산성 향상 효과는 약 1.0%p
- 그러나 ChatGPT 출시 이후 한국의 시간당 생산성(=GDP/총노동시간) 추세는 변화 없음
- 일부 그룹(자영업자, 청년층, 전문직)은 AI로 아낀 시간을 업무처리량 증가에 활용
AI 도입이 생산성 증가로 이어지지 않는 요인
- AI가 업무 전체가 아닌 특정 작업에 국한
- 업무 시간을 20% 이상 상당폭 단축한 작업은 4.4%에 불과
- 대부분 업무는 여전히 AI의 혜택을 보지 못함
- 업무 특정 단계에 병목이 존재하면 업무 전체는 여전히 지연
- 예: AI를 활용해 데이터 분석과 보고서 작성을 신속히 처리해도 결재 과정에서 지체되면 전체 프로세스의 생산성은 변하지 않음
- 기업내 조직문화, 근로자의 행태, 업무 절차 등의 경직성으로 AI 도입만으로 실질적인 성과개선 없음
- 추가 성과에 대한 보상이 미약하면 남는 시간을 생산 활동에 재투입할 유인이 적을 수 있음
- 자영업자나 전문직 집단은 업무 자율성이 높고 추가 성과에 대한 보상이 커서 상대적으로 뚜렷한 생산성 증가가 관측된 것으로 추측
바이브 코딩과 전문성
- 2026년 6월 16일 Anthropic이 발표한 분석 결과
- 2025년 10월부터 2026년 4월까지 약 23만 5천 명의 사용자가 참여한 약 40만 건의 대화형 세션에 대한 분석
- 누가 무엇을 결정하는가
- 계획 결정의 70%는 사람
- 실행 결정의 20%만 사람
- 사용자의 전문성이 높을수록 AI가 한 번에 더 많은 작업을 수행
- 사용자의 전문성을 5단계로 분류
- 초보자 세션에서는 프롬프트마다 약 5개의 클로드 동작과 약 600단어의 출력
- 전문가 세션에서는 12개 동작과 약 3,200단어 출력
사용자의 전문성이 높을수록 성공률이 높음
- 사용자의 전문성이 높을수록 세션의 성공률이 높음
- 초보자는 검증된 성공을 15%, 부분적 성공을 77%
- 중급 이상은 검증된 성공을 28
33%, 부분적 성공을 9192%
직업보다는 전문성이 더 중요
- 코드를 생성하는 세션, 즉 최소 한 줄의 코드를 추가하거나 수정하는 세션의 경우
- 소프트웨어 종사자의 검증된 성공은 34%, 비종사자는 29%로 5%p 차이
- 두 그룹의 성공률이 모두 증가했음에도 불구하고 7개월 동안 차이가 확대되거나 축소되지 않음
- 관리직 종사자의 검증된 성공률이 37%로 소프트웨어 엔지니어 직종보다 더 높음
- 텍스트만 보고 AI가 관리자로 분류한 것
- 실제로 관리자가 아니라 "관리자처럼 행동"하는 사용자일 수 있음
AI에 대한 지나친 의존이 전문성을 떨어트림
- 2026년 1월 29일 Anthropic이 발표한 연구 결과
- 52명의 주니어 개발자에게 새로운 라이브러리 사용법을 학습하게 함
- 두 가지 기능을 코딩하는 과제
- 무작위로 절반은 직접 코딩, 절반은 AI 도구를 사용해서 코딩
- AI를 사용하면 약 2분 더 빨리 풀었지만 통계적으로 유의미하지는 않음
- 과제 후 퀴즈 점수에는 통계적으로 유의미한 차이
- 직접 코딩한 개발자들: 67점
- AI 사용한 개발자들: 50점
AI와 상호작용 수준에 따라 점수가 달라짐
- 낮은 수준의 상호작용: 퀴즈 점수도 낮음
- 전적으로 AI에 의존
- 처음에는 질문으로 시작했지만 결국 모든 것을 AI에게 위임
- 디버깅을 AI에 의존
- 높은 수준의 상호작용: 퀴즈 점수가 높음
- AI로 코드를 생성하고 나서 이해를 위해 질문
- 코드 생성과 설명을 함께 요청
- 개념적인 질문만 하고 과제는 직접 완료
