AI 생산력과 엔지니어링 생산성은 같지 않다

출처 및 AI 안내: 이 글은 제미니의 개발실무 유튜브를 기반으로 작성되었습니다. gpt-5.6-sol 모델을 사용해 생성·편집했습니다.

AI 에이전트는 격려하지 않아도 많은 결과물을 만든다. 이것은 생산력이다. 엔지니어링 생산성은 더 어려운 질문을 포함한다. 그 결과가 운영을 견디고, 다음 목표를 방해하지 않으며, 장애가 났을 때 다른 사람이 이해하고 고칠 수 있는가.

최근의 개인 실험에서는 복잡한 조직 업무일수록 이 차이가 크게 보였다. 아직 잠정적인 판단이며 작업의 종류, 사람, 품질 기준, 에이전트에 제공한 맥락에 따라 결론은 달라질 수 있다.

복잡한 업무의 맥락은 누군가 넣어야 한다

작은 애플리케이션은 한 세션 안에서 설명할 수 있을 때가 많다. 회사 일 주변에는 운영의 역사, 마케팅의 사정, 경영진의 결정, 규제와 산업 변화처럼 한 번에 담기 어려운 정보가 붙어 있다.

전사 미팅에서 중요한 발표가 나왔다고 가정해 보자. 팀원은 기존에 아는 사실과 발표를 연결하고 우리 팀이 무엇을 바꿔야 하는지 생각하기 시작한다. 에이전트가 볼 수 있는 것은 발표와 함께 제공된 맥락뿐이다. 비슷한 수준의 답을 얻으려면 관계, 판단 기준, 예상되는 영향을 사람이 구체적으로 설명해야 할 수 있다.

맥락을 충분히 주면 결과가 좋아지기도 했다. 동시에 준비에 드는 노력과 토큰이 늘었다. 맥락을 만들고 유지하는 비용도 엔지니어링 작업에 포함해야 한다.

동기부여 비용은 명세 비용으로 바뀐다

사람과 일하려면 동기, 신뢰, 커뮤니케이션이 필요하다. 분명한 관리 비용이다. 에이전트는 사기를 북돋울 필요가 없는 대신 사실과 제약, 평가 기준을 분명하게 받아야 한다.

좋은 동료는 한 단계 더 나아간다. 새 목표를 축적된 경험과 연결하고, 시키지 않은 영향까지 발견하며, 다음 문제를 만들 방향에 이의를 제기한다. 지금의 에이전트도 제공된 정보 안에서는 잘 사고하지만, 이런 확장을 얻으려면 내가 세부 방향을 잡아 줘야 할 때가 많았다. 그 가이드를 모두 쓰는 일도 비용이다.

그렇다고 사람이면 언제나 더 낫다는 뜻은 아니다. 일을 나누지 못하거나 잘못된 방향으로만 사고하는 동료라면 에이전트보다 기여가 작을 수도 있다. 어떤 사람과 어떤 상황을 비교하는지에 따라 답이 달라진다.

첫 완료가 아니라 다음 이동으로 판단한다

빨리 끝내는 것은 유용하지만 프로젝트가 첫 목표에서 종료되는 경우는 드물다. 오늘 목표에는 빨리 도착했어도 다음 목표로 가는 길을 막는 코드라면 생산력은 높이고 생산성은 낮췄을 수 있다. 오래 가져갈 수 있고, 장애가 나도 내가 짧은 시간 안에 이해하고 고칠 수 있는지가 개인적인 품질 기준이다.

메모리도 같은 문제를 가진다. 사람은 운영의 역사를 축적하고 사건 사이의 관계를 자연스럽게 만든다. 에이전트 메모리도 정리하고 점검할 수 있지만 의도적인 관리가 필요하며, 개인 실험에서는 그 비용만큼 만족스러운 결과가 늘 나오지는 않았다.

일의 종류에 따라 조직에 필요한 사람이 줄어들 가능성은 있다. 그러나 가정으로 든 팀 규모는 인력 비율이나 고용 전망이 아니다. 필요한 인원은 업무, 허용할 품질, 비용, 팀 안의 판단력에 따라 달라진다.

2026년 현재 유용한 구분은 이 정도다. 에이전트는 생산력을 크게 높일 수 있다. 생산성은 맥락과 메모리, 리뷰와 복구 가능성, 좋은 동료의 자발적인 사고까지 함께 갖춰질 때 비로소 판단할 수 있다.