[태그:] AI 코딩

  • Copilot이 짜주는 SQL은 검토해도 “왜 이 설계인가”에는 답이 없다 — 데이터 엔지니어링 fundamentals의 진짜 가치

    Copilot이 짜주는 SQL은 검토해도 “왜 이 설계인가”에는 답이 없다 — 데이터 엔지니어링 fundamentals의 진짜 가치

    데이터 파이프라인이 점점 더 복잡해지는 회사에서 3년 차 데이터 엔지니어가 흔히 부딪히는 장면이 있다. GitHub Copilot이나 Cursor가 Airflow DAG를 순식간에 뽑아내고, dbt 모델 코드도 한 줄씩 자동 완성해 준다. 옆자리 20년 차 시니어는 “이제 코딩은 AI가 99% 한다”고 말하면서 리뷰할 코드량을 줄여 나간다. 그런데 정작 본인이 머지하려고 손을 올리면 갑자기 막막해진다. 이 DAG가 우리 도메인의 어느 SLO를 만족하는지, 이 테이블 파티션 키 선택이 6개월 후 백필 비용 곡선을 어떻게 바꾸는지, 이 조인이 다음 분기 트래픽 3배 증가 시 어디서 터질지 — 이런 질문에는 AI 출력 어디에서도 답이 찾을 수 없다.

    화면 너머의 비슷한 고민은 시니어 개발자의 무게중심 이동을 다룬 칼럼에서도 반복적으로 다뤄진다. ‘구현 속도’와 ‘설계 판단력’은 다른 차원의 역량인데, AI 도구들이 전자를 너무 잘해 주기 때문에 후자가 오히려 가려지는 현상이 나타나고 있다. 원글의 질문자가 경험하는 답답함의 본질은 ‘AI가 정말로 무엇을 할 수 있고 무엇을 못 하는가’에 대한 경계가 흐려졌다는 데 있다.

    왜 AI 도구 도입만으로는 해결되지 않는가

    이런 혼란이 발생하는 이유는 ‘로컬 함수 단위 코딩’과 ‘데이터 시스템 설계’를 같은 평면에서 비교하기 때문이다. AI 코딩 어시스턴트가 잘하는 영역은 ‘주어진 입력에 대해 그럴듯한 코드를 빠르게 생성하는 것’으로 한정된다. 입력 프롬프트에 ‘이 파이프라인이 왜 필요한지’, ‘어떤 비즈니스 의사결정을 지원하는지’, ‘실패 시 어떤 재처리 정책이 허용되는지’가 포함되어 있지 않으면, 출력은 문법적으로 멀쩡하지만 시스템적으로는 의미 없는 코드가 된다.

    시니어의 “99% 대체 가능” 발언도 같은 함정에 빠져 있다. 20년 차가 ‘내 코딩’이라고 칭하는 범위는 실제로는 자기 자리에서 짜는 함수, SQL, 단위 테스트 정도로 좁다. 그런데 데이터 엔지니어링 fundamentals의 가치가 발생하는 지점은 그런 로컬 코드가 아니라, ‘이 모델의 파티션 전략이 1년 후 비용 곡선을 어떻게 바꾸는가’, ‘이 리니지 그래프가 깨졌을 때 어느 다운스트림 팀이 영향을 받는가’, ‘이 SLA를 30분으로 잡으면 비즈니스와 어떤 계약이 성립하는가’ 같은 시스템 차원의 결정이다. 로컬 코드 자동화가 99% 달성되어도 시스템 결정은 사람의 머리에서 나온다. 이 구조적 차이를 인식하지 못하면, AI 도구가 늘어날수록 엔지니어의 진짜 역량은 퇴화한다.

    검증 가능한 3단계 학습 프레임워크

    이 문제를 실무에서 다룰 때 효과적인 워크플로우가 정착되어 있다. 핵심은 ‘사람이 의도를 먼저 종이에 적고, AI는 번역만 맡기며, 출력은 시스템 질문으로 검증한다’는 3단계 분리다.

    첫 번째 단계는 ‘종이에 의도를 먼저 그리기’다. 데이터 컨트랙트(data contract)를 명시적으로 정의하고, 파이프라인 인텐트(intent)를 사람 사이의 합의 문서로 만든다. 다음은 실무에서 자주 쓰는 컨트랙트 스켈레톤이다.

    # data_contract.yaml
    domain: order_fulfillment
    producer: orders-api
    consumer: [revenue_dashboard, fraud_detection]
    schema:
      order_id: string
      amount_cents: bigint
      status: enum
    sla:
      freshness_minutes: 15
      availability: 99.9
    lineage_required: true
    owner: data-platform-team
    

    이런 컨트랙트가 고정되어야 그 위에 어떤 코드를 얹든 평가 기준이 생긴다. AI에게 “이 컨트랙트를 만족하는 dbt 모델 작성해줘”라고 던지면, 출력된 코드의 의미가 사람이 정의한 의도와 비교 가능해진다. 이 단계에서 AI 에이전트 권한 관리 3축 프레임워크에서 강조한 ‘스코프·정체성·로그’ 통제 원칙이 동일하게 적용된다. AI가 컨트랙트 밖의 스키마를 임의로 추가하지 못하도록 가드레일을 미리 세팅하는 것이 필수다.

    두 번째 단계는 ‘검증 가능한 게이트’다. dbt 프로젝트에 dbt-expectations 또는 Great Expectations를 얹어 모델 단위로 데이터 품질 expectation을 코드로 선언한다.

    # fct_revenue 모델에 부착할 expectation 예시 (schema.yml)
    models:
      - name: fct_revenue
        tests:
          - dbt_expectations.expect_column_values_to_not_be_null:
              column_name: order_id
          - dbt_expectations.expect_column_values_to_be_between:
              column_name: amount_cents
              min_value: 0
              max_value: 100000000
          - dbt_expectations.expect_table_row_count_to_be_between:
              min_value: 1000
              max_value: 10000000
          - dbt_expectations.expect_column_values_to_match_regex:
              column_name: status
              regex: "^(PENDING|PAID|REFUNDED|CANCELLED)$"
    

    이 expectation이 깨지면 CI 단계에서 머지를 자동으로 차단하도록 설정한다. Airflow 또는 Dagster 환경이라면 OpenLineage를 태스크에 붙여 리니지 이벤트를 발행하고, ‘이 컬럼이 어느 소스에서 와서 어떤 다운스트림 모델을 거쳐 대시보드까지 도달하는지’를 추적 가능하게 만든다. AI가 생성한 DAG가 기존 리니지와 깨지면 마찬가지로 CI에서 거부된다. 결국 ‘리뷰를 생략해도 되는가’에 대한 실무적 답은 ‘리뷰를 자동 게이트로 옮긴다’가 된다.

    세 번째 단계는 ‘왜 이 선택인가’를 묻는 훈련이다. AI가 만들어준 파티션 키, 조인 전략, 재처리 정책에 대해 ‘왜 이 옵션을 골랐는가 / 어떤 대안과 비교했는가 / 어떤 트레이드오프를 감수했는가’를 PR 리뷰에서 명시적으로 묻는 습관을 들인다. 이 질문이 평소에 잘 쌓여야 5년 차 이상으로 도약할 때 필요한 시스템 근육이 만들어진다. 학습 자원은 신기술 API 문서보다 ‘Designing Data-Intensive Applications’ 류의 시스템 설계 원서와 사내 장애 사후 분석 문서가 훨씬 ROI가 높다. 신기술 API는 한 번 익히면 끝이지만 시스템 사고는 매번 다른 사례로 반복되기 때문이다.

    도입 시 현실적 제약과 자주 깨지는 패턴

    가장 위험한 안티패턴은 AI가 생성한 SQL, PySpark, Airflow DAG를 리뷰 없이 머지하는 것이다. Copilot이 ‘문제 코드를 알아서 플래그한다’는 기대는 함수 단위 버그에는 유효하지만, 조인 폭발, 백프레셔 누락, 스키마 드리프트처럼 데이터 엔지니어링 fundamentals 영역의 특유 결함은 자동으로 잡히지 않는다.

    두 번째 안티패턴은 ‘AI가 곧 fundamentals를 다 해줄 것’이라고 학습을 보류하는 것이다. 사고 실험과 장애 대응 훈련을 건너뛰면, 시스템 근육이 약화된 상태에서 시니어 자리로 올라가게 되어 결국 같은 종류의 사고를 반복한다. 세 번째는 AI 출력물을 ‘통째로 받아쓰는 학습’이다. 표면적 문법 습득에는 효과적일 수 있지만, ‘왜 이렇게 설계하는지 묻는 힘’은 길들여지지 않는다.

    도입 비용 측면에서는 dbt-expectations, OpenLineage 같은 도구 자체는 오픈소스로 무료지만, 기존 파이프라인에 expectation과 리니지를 붙이는 초기 마이그레이션 공수가 만만치 않다. 이미 운영 중인 수십 개 모델에 expectation을 후행으로 박는 일은 통상 2~3 인월에 걸쳐 진행된다. 팀 간 협업 측면에서는 데이터 컨트랙트가 프로듀서 팀과 컨슈머 팀의 공식 합의가 되어야 효과가 있는데, 이를 조직 차원에서 제도화하지 않으면 형식적인 yaml 파일로 전락한다. 사내 데이터 거버넌스 회의에서 컨트랙트 승인을 표준 안건으로 다루는 운영 규칙이 함께 필요하다. expectation이 너무 빡빡하게 걸리면 정상 트래픽 변동에서도 머지가 자주 막혀 개발자 마찰이 커지므로, 임계치는 분포 기반의 경고 단계와 하드 차단 단계를 분리해 두는 것이 운영상 안전하다.

    지금 바로 해볼 것

    • 본인 팀이 운영하는 파이프라인에서 ‘AI가 생성했지만 리뷰가 거의 없는 PR’을 골라, ‘왜 이 파티션 키인가 / 왜 이 SLA인가’라는 시스템 질문을 코멘트로 달아 보기.
    • 가장 중요한 모델 하나를 골라 dbt-expectations로 freshness·null 비율·분포 expectation을 코드로 선언하고 CI 게이트에 연결.
    • Airflow 또는 Dagster 태스크 한두 개에 OpenLineage를 붙여 동일 모델의 리니지가 한눈에 보이는지 확인.
    • 사내 장애 사후 분석 문서 1건을 골라 ‘이 결정이 어디서 어떻게 잘못되었는가’를 30분 동안 펜으로 다시 그려 보고, 같은 결정을 피할 데이터 컨트랙트 항목을 도출.
    • 다음 분기 학습 계획을 ‘신기술 라이브러리 API 10개’에서 ‘시스템 설계 원서 1권 + 사내 postmortem 5건 정독’으로 재편.
  • “소프트웨어는 끝났다”는 한마디 뒤에 — 7개 어도비 앱 AI 클론이 남긴 쟁점 3가지

    “소프트웨어는 끝났다”는 한마디 뒤에 — 7개 어도비 앱 AI 클론이 남긴 쟁점 3가지

    핵심 요약

    • 배경과 행위자: 소프트웨어 개발자 Brandon Thomas는 약 10년 경력의 Rust 대규모 프로젝트 경험을 바탕으로, Anthropic의 Claude Opus 5.5만을 사용해 7종의 어도비 크리에이티브클라우드 앱 클론을 작성했다고 주장함
    • 출시 구성: Photoshop, Illustrator, Premiere, Lightroom, After Effects, InDesign, Acrobat Pro에 대응하는 7개 앱을 MIT/Apache 라이선스로 공개했으며, WebAssembly 기반 브라우저 버전도 함께 제공함
    • 기술 방식: 어도비의 소스 코드를 직접 복사하지 않고 기능과 UI를 재현하는 클린룸 리버스엔지니어링 방식을 채택했으며, Reddit과 HackerNews 반응에서는 현 상태가 ‘super early alpha’ 수준에 머물러 있음이 반복적으로 지적됨

    AI 코딩 모델의 비약적 성능 향상으로 클린룸 리버스엔지니어링의 경제성이 극적으로 개선되면서, 단일 개발자 팀이 수개월 안에 주요 상용 소프트웨어의 기능 등가물을 공개하는 새로운 경쟁 구도가 현실화되고 있으며, 이는 기능 복제 가능성과 trade dress 같은 외형적 권리 보호 사이의 법적 회색지대를 다시 한번 부각시킴

    목차

    어도비 크리에이티브클라우드를 통째로 대체하겠다는 선언이 Reddit과 HackerNews에 동시에 올라왔다. 약 10년 경력의 Rust 개발자 Brandon Thomas는 자사 프로젝트 Artcraft에서 Photoshop, Illustrator, Premiere, Lightroom, After Effects, InDesign, Acrobat Pro에 대응하는 7개 앱을 MIT·Apache 이중 라이선스로 공개했다. 본인 스스로 내건 문구는 단호하다. “Software is over.”

    7종은 단순한 외형 모방이 아니다. Rust로 작성되어 WebAssembly로 컴파일된 풀스택 애플리케이션이며, 브라우저에서 바로 실행되는 버전도 함께 제공된다. 자사 시각 AI 모델을 1급 옵션으로 임베드했다는 점이 핵심 차별점이다. AI 클론이 생성형 워크플로우까지 흡수하면서, “무료 대체재”를 넘어 “AI 네이티브 편집기”로 영역을 확장하려는 시도로 읽힌다.

    Claude Opus 5.5 하나로 7개를 동시에?

    Thomas는 2026년 2월부터 AI 도구로만 코딩해왔다고 밝히며, 이번 7개 앱도 Anthropic의 Claude Opus 5.5를 단독 코딩 어시스턴트로 사용했다고 했다. 필자도 현업에서 Claude 계열 모델을 페어 프로그래밍에 활용하고 있지만, “단독 코더”라는 표현에는 회의적이다. 디자인 명세 작성, 자산 파이프라인 구성, 테스트 시나리오 설계 단계에서는 결국 사람의 판단이 결정적이기 때문이다.

    실제로 Thomas는 직접 한 발 물러서며 일정을 수정했다. Reddit에서 “1개월 내 100% 패리티”라고 했다가, HackerNews에서는 “99% 패리티가 수개월 단위” 발언으로 조정한 것이다. 동일인이 이틀 만에 목표치를 낮춘 셈이다. Claude Opus 5.5가 코드를 짜주더라도, 포토샵의 RAW 디모자이크 처리나 프리미어의 타임라인 렌더링 엔진을 처음부터 설계하는 일은 1개월 안에 끝나지 않는다. 코딩 모델이 골격을 잡고 사람이 미세 조정과 회귀 테스트를 반복하는 “주니어-시니어 페어” 형태가 현실적 모델이다.

    “클린룸”이라는 단어가 안 먹히는 지점

    Thomas는 어도비의 소스나 바이너리를 직접 복사하지 않았다고 강조한다. 기능과 UI를 사양 측면에서 재구성하는 전통적 클린룸 리버스엔지니어링이다. 아이디어와 기능 자체는 저작권법상 보호 대상이 아니므로 이 방식은 합법으로 본다. 다만 실무에서 가장 흔히 놓치는 함정은 따로 있다. 도구 팔레트, 패널 배치, 단축키 구조까지 픽셀 단위로 재현하면 trade dress 침해 소송의 문턱에 걸린다.

    trade dress는 미국 Lanham Act뿐 아니라 한국 부정경쟁방지법에서도 보호하는 “상표적 외관” 개념이다. Apple의 iPhone 디자인이나 luxury 브랜드 패키지 룩이 대표적이다. 어도비 워크스페이스의 다크 테마, 좌측 도구 모음, 우측 레이어 패널 구성이 그대로라면, 기능이 달라져도 외형 유사성만으로 소송장이 열릴 수 있다. Artcraft 팀은 UI를 의도적으로 어도비와 다른 디자인 시스템으로 재구성하는 작업이 필수다. “안 비슷하게”가 아니라 “상당히 다르게” 만들어야 한다.

    토큰 과금이 받쳐주는 무료 앱

    7개 앱 자체는 무료다. 자금을 만드는 곳은 Artcraft 시각 AI 모델과 IDE 사용료를 토큰 단위로 과금하는 부분이다. 사용자는 무료 앱에서 작업하되, AI 생성·업스케일·인페인팅 호출에만 비용을 내는 구조다. 오픈소스 자체가 흑자를 내는 것이 아니라, “오픈소스 + AI 호출 종량제”의 조합으로 수익을 만든다. Thomas는 별도의 “필름메이커용 인기 소프트웨어 팀”이 수익을 만들고 있다고 덧붙였다.

    다만 토큰 과금 모델이 B2B 크리에이티브 워크플로우에서 채택되려면, 어도비 구독료와 단순 비교가 아니라 “AI 호출당 비용 vs 월 정액”의 가치 제안이 명확해야 한다. 무료 도구 + 유료 AI라는 이중 구조는 Figma나 Notion이 시도한 모델이지만, 그 둘은 조직 단위 락인을 만들어 수익화했다. 단일 개발자 프로젝트가 같은 락인을 만들 수 있을지는 별개의 문제다. 멀티레포 모노레포로 빌드 파이프라인을 분리하고, GitHub Actions에서 변경된 패키지만 골라내는 변경 감지 매트릭스를 구성하는 식의 운영이 뒷받침되어야 토큰 과금 단가와 일일 호출 한도를 안정적으로 운영할 수 있다.

    AI 도구의 영역 확장은 오픈AI 수학 자문그룹 출범 사례처럼 산업 전반으로 확산되는 흐름 속에 있다. 클린룸 재현의 경제성이 개선된 지금, 다음 타깃은 CAD, 오피스, ERP 영역으로 옮겨갈 가능성이 높다.

    아직 “끝”이 아닌 이유

    Thomas는 “Photoshop 전체를 원샷으로 완성했다”고 주장하지만, 커뮤니티 반응은 “super early alpha” 진단이 반복적이다. 원샷 생성은 시연용이고, 실사용 가능한 빌드는 꾸준한 QA와 회귀 테스트를 요구한다. 7개 앱을 동시에 유지보수하는 일은 단일 개발자 모델로 한계가 뚜렷하다. Semgrep으로 라이선스 위반 코드 패턴을 자동 차단하고, Trivy로 의존성 CVE를 일일 스캔하는 식의 자동화 파이프라인이 들어가야 멀티앱 유지보수가 가능해진다. AI가 코드를 짜는 영역과 사람이 결정해야 하는 영역이 갈라져 있다는 사실 자체가, 이 프로젝트의 가장 솔직한 결론이다.

    쟁점 정리

    • AI 클론의 경제성: 클린룸 재현 비용이 코딩 모델로 급감했지만, 기능 동등성과 장기 유지보수 가능성은 별개의 문제다.
    • trade dress 리스크: 기능은 합법이어도 외형이 너무 닮으면 소송에 휘말린다. UI 차별화 작업이 법적 안전판이다.
    • 오픈소스 수익 모델: 무료 앱 + 토큰 종량제 구조는 Figma·Notion과 다른 형태이며, B2B 락인 없이는 지속 가능성이 검증되지 않았다.
    • 생성형 AI 임베드: 단순 클론이 아닌 자체 AI 모델 통합이 차별화 요소로 부상했지만, 모델 품질이 곧 서비스 품질이라는 부담이 따른다.

    자주 묻는 질문

    Artcraft 같은 AI 클론 프로젝트의 소스를 회사 제품에 통합해도 되나요?

    MIT/Apache 라이선스이므로 자체 코드베이스에 가져다 쓰는 것 자체는 가능하지만, 어도비의 trade dress를 그대로 따라 UI를 복제해 상용 서비스로 배포하면 별도 소송 리스크가 발생한다. OSS 사용과 디자인 차별화는 분리해서 판단해야 한다.

    7개 앱을 한 사람이 AI로 동시에 유지보수하는 게 현실적인가요?

    초기 스캐폴딩은 가능하지만, 의존성 업데이트와 플랫폼 변화 대응, 사용자 피드백 반영은 결국 사람이 분배해야 한다. 멀티레포 모노레포 전략과 GitHub Actions 기반 변경 감지 매트릭스, Snyk 같은 의존성 스캐너를 조합해 자동화 범위를 넓히는 것이 실무 패턴이다.

    토큰 과금 모델을 비슷한 오픈소스에 도입하려면 어떤 구조가 필요하나요?

    Stripe 기반 사용량 측정 모듈을 앱 내부에 박는 방식이 일반적이다. OSS 빌드는 로컬 추론만 허용하고 클라우드 AI 호출만 종량제로 분리하면, 무료 사용자와 유료 사용자 간 기능 차별화를 명확히 가져갈 수 있다. 모델 API 장애 시 fallback 정책도 함께 설계해야 한다.

    참고 원문

    이 기사는 다음 원문을 확인해 작성했습니다: Ars Technica — “Software is over”: Bold AI developer takes aim at Adobe with open source clones