🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

AI 시대 기업이 찾는 상위 1% 인재는 코드를 많이 쓰는 사람이 아니라, 올바른 문제를 정의하고 에이전트에 충분한 컨텍스트를 제공하며 결과를 엄격하게 검증하는 사람이다.

📌 핵심 요점

1. 성과의 병목은 모델 성능보다 문제 정의와 입력 재료의 품질에 있으며, 본선 진출 조건에서 역산해 필요한 규칙·기업 정보·고객 문제를 먼저 모아야 한다.
2. 복잡한 과제를 푸는 핵심 체계는 에이전트가 판단할 재료인 컨텍스트, 결과를 채점할 검증 기준, 여러 작업을 병렬화할 스캐폴딩의 결합이다.
3. 인간은 방향 결정과 품질 판단에 집중하고 에이전트는 조사·구현·테스트를 담당함으로써, 인간 약 2~3시간과 에이전트 약 11시간의 비동기 협업 구조를 만들었다.
4. 구현 전에 18개 문제를 휴먼·AI 관점으로 총 36회 평가하고, 구현 후에도 일곱 차례 모의 심사와 블라인드 검증을 반복해 문제와 솔루션의 정합성을 높였다.
5. AI 시대의 인재 평가는 완성된 코드만이 아니라 대화 로그, 근거 추적, 핸드오프 문서, 검증 루프, 최종 미감처럼 문제 해결 과정 전체를 통해 이뤄질 가능성이 크다.

🧩 배경과 문제 정의

이 사례는 여섯 기업의 실제 문제를 공개 자료로 입증하고 해결용 코덱스 플러그인을 만드는 해커톤에서 5,300명 중 60명이 본선에 진출한 과정을 다룬다. 핵심 주장은 AI 시대의 성과가 직접 코딩 능력보다 올바른 문제 정의, 충분한 컨텍스트, 반복 가능한 검증에 더 크게 좌우된다는 것이다. 에이전트가 조사와 구현을 병렬화하더라도 심사 기준·기업 인재상·고객 문제라는 재료가 부족하면 높은 완성도를 기대하기 어렵다.

🕒 시간순 섹션별 상세정리

1. 해커톤의 목표와 문제 해결 프레임

• 오픈AI와 조코딩 AX파트너스가 공동 주최한 해커톤에서는 여섯 기업의 실제 문제를 자료로 입증하고, 이를 해결하는 코덱스 플러그인을 만들어야 했다. [00:53]
• 예선 참가자 5,300명 가운데 60명만 본선에 진출했으며, 소개된 방식으로 상위 60명 안에 들었다. [01:03]
• 큰 문제를 에이전트로 풀 때는 입력 재료를 정하는 컨텍스트, 결과를 채점하는 검증, 작업 구조를 설계하는 스캐폴딩이 핵심이다. [01:25]

2. 결과뿐 아니라 에이전트 활용 과정까지 평가

• 참가자는 여섯 기업 중 세 곳을 선택해 각각의 코덱스 플러그인을 만들고 지정된 submission.zip 구조로 제출해야 했다. [03:02]
• AI와 주고받은 전체 대화 로그도 제출물에 포함돼 문제 분해와 에이전트 활용 방식을 보여주는 채용 산출물이 될 가능성을 드러냈다. [03:26]
• AI와 실무 심사자가 함께 평가하고 대화 로그 가공은 실격 사유가 되므로 결과뿐 아니라 과정의 진정성도 중요했다. [04:05]

3. 인간과 에이전트의 역할 분담

• 인간은 컨텍스트 입력, 결과 검증, 문제 구조 설계에 집중하고 실제 코드 작성과 구현은 에이전트에 맡겼다. [04:54]
• 인간의 투입 시간은 약 2~3시간이었지만 에이전트와 서브에이전트는 약 11시간 작업했고, 인간은 산출물 확인과 수정 방향 결정을 담당했다. [05:13]
• 첫날 밤 작업을 맡긴 뒤 에이전트를 계속 실행하고 다음 날 결과를 검증하는 비동기 방식으로 시간을 절약했다. [05:48]

4. 본선 진출 목표에서 역산한 컨텍스트

• 결과의 품질은 에이전트 성능보다 입력 재료에 크게 좌우되므로, 부실한 컨텍스트에서 나온 결과를 모델의 능력 부족으로 오인하지 않아야 한다. [06:25]
• 첫 단계는 프롬프트 작성이 아니라 본선 진출 조건을 역산하고 그 목표에 필요한 정보를 결정하는 일이었다. [06:50]
• 안내문 전체와 인간·AI 공동 심사, 로그 가공 금지 규칙을 먼저 입력해 요구사항 누락과 실격 위험을 줄였다. [07:34]

5. 인터뷰로 컨텍스트를 수집하는 에이전트

• 첫 프롬프트에는 안내문 전체와 함께 필요한 정보를 수집하고, 부족한 정보는 사용자 인터뷰로 확보하라는 조건을 넣었다. [07:42]
• 에이전트가 질문하게 하면 사람이 모든 컨텍스트를 미리 설계하지 않아도 필요한 배경과 제약을 능동적으로 구성할 수 있다. [08:15]
• 마감이 사흘 남은 시점에 공식 사이트와 참여 기업을 확인하고 여섯 리서치 에이전트를 준비했지만 핵심 기업 자료를 넣기 전에는 조사를 시작하지 않았다. [09:00]

6. 기업 공식 영상에서 확보한 문제와 인재상

• 여섯 기업을 이해하기 위해 해커톤 공식 유튜브에 출연한 기업 담당자의 발언을 핵심 자료로 삼았다. [09:44]
• 영상을 모두 직접 보는 대신 Gemini의 Ask 기능으로 요약해 기업별 목표와 과제를 짧은 시간 안에 추출했다. [10:57]
• 카카오페이증권 과제에서는 초보 투자자의 매수·매도를 돕는 정답보다 사용자를 논리적으로 설득하고 안심시키는 과정이 핵심 평가 요소였다. [11:29]

7. 심사 취향까지 포함한 기업별 컨텍스트

• 영상 링크와 요약을 정리하고 AI 활용 사례·해커톤 과제·원하는 인재상·미래 비전·지원자 조언을 기업별 컨텍스트로 묶었다. [12:43]
• 사전 공개 영상에는 공통 인재상과 문제 정의뿐 아니라 심사자가 선호하는 해결 방향도 있어, 조사 전에 이를 제공해야 결과물의 방향을 맞출 수 있었다. [12:59]

8. 여섯 기업을 조사한 뒤 최적의 세 문제 선택

• 처음부터 세 기업을 고르지 않고 여섯 기업의 정보와 문제를 모두 조사한 뒤 해결 효과와 성공 확률이 높은 세 문제를 선택했다. [13:32]
• 에이전트는 여러 기업을 병렬 조사할 수 있으므로 인간의 시간에 맞춰 범위를 미리 줄이기보다 전체 후보를 비교하는 편이 효율적이었다. [14:03]
• 공식 기사, IR 자료, 기술 블로그, 채용 공고, 고객 리뷰와 실제 수치를 근거로 기업별 니즈와 결정적 기능을 찾고 출처 링크까지 정리했다. [14:35]

9. 문제 후보를 만드는 컨텍스트 설계

• 여섯 기업마다 별도 폴더를 만들고 Codex 서브에이전트가 링크와 근거를 조사해 회사별 리서치 결과를 축적했다. [15:10]
• 하나의 솔루션으로 해결할 수 있고 사람이 효과를 시각적으로 확인할 수 있는 문제를 우선해야 평가에서 유리했다. [15:18]
• 기업당 세 개씩 총 18개의 문제 후보를 만들고, 정보가 부족하면 에이전트가 사용자 인터뷰로 컨텍스트 공백을 메우게 했다. [15:39]

10. 기업별 딥리서치 프롬프트와 결과 구조

• 스캐폴딩을 먼저 완성한 뒤 기업별 프롬프트에 컨텍스트·리서치 지침·산출물·품질 기준·특화 탐색 각도를 담아 조사 방향을 통제했다. [16:25]
• 사업보고서·실적 발표·공식 IR·기사·보도자료·채용 정보·API 리뷰를 연결해 핵심 수치와 페인포인트의 출처를 추적할 수 있게 했다. [16:49]
• 각 리서치는 페인포인트, 문제 후보 세 개, 추천 1순위와 선정 이유를 포함했고 여섯 서브에이전트가 기업별 조사를 병렬로 마쳤다. [17:54]

11. 에이전트 시대에 맞춘 문제 난도 재설정

• 과거 인간의 작업량을 기준으로 범위를 잡으면 문제가 지나치게 쉬워질 수 있으며, 한 사람이 열 명의 일을 하는 환경에서는 3~4주 과제를 1~2일 안에 압축할 수 있다고 봤다. [18:40]
• 단순 기능에 머물지 않도록 범위를 다시 측정하고 기업별 조사·문제 정의·솔루션 후보를 한 파일로 이해할 수 있는 종합 보고서로 묶었다. [19:06]
• 문제 점검 결과를 바탕으로 PwC·마이리얼트립·카카오페이증권을 상위 세 기업으로 좁혔다. [19:24]

12. 비즈니스 임팩트와 문제·솔루션 정합성

• 단일 기능을 넘어 비즈니스 고유의 영향을 만들고 장기적으로 하나의 부서가 될 잠재력과 시연 가능한 데모를 갖추도록 범위를 키웠다. [19:42]
• 사람과 에이전트가 모두 사용할 수 있는 인터페이스와 데모를 만들고, 인간·AI 심사자가 동의할 만큼 문제의 핵심을 날카롭게 해결해야 했다. [20:51]
• 잘못 정의한 문제에는 좋은 구현도 틀린 답이 되므로 문제와 솔루션의 일치를 반복해서 다듬는 데 약 두 시간을 집중했다. [22:13]

13. 실제 심사를 복제한 이중 검증

• 사람과 AI가 본선 진출을 함께 결정하는 구조를 반영해 휴먼 저지와 AI 저지 스킬을 별도로 만들고 실제보다 높은 기준으로 통과 가능성을 시험했다. [22:50]
• AI와 사람이 판단하는 요소를 역설계해 별도 루브릭을 만들고, 매 커밋과 주요 단계마다 두 스킬을 실행해 점수가 높아질 때까지 개선했다. [23:16]

14. 18개 문제를 먼저 평가한 심사 루브릭

• 산출물보다 문제 자체를 먼저 검증하기 위해 18개 후보마다 휴먼 저지와 AI 저지를 실행했고 총 36개의 서브에이전트 평가로 상위 세 기업을 골랐다. [25:01]
• AI 저지는 근거의 검증 가능성·재현성·실현 가능성·로그 진정성·문서 파싱 용이성·에이전트 친화성을 확인했지만 시각적 완성도 판단에는 한계가 있었다. [26:14]
• 휴먼 저지는 해당 기업의 바쁜 실무자를 모델링해 현업의 고통, 30초 훅, 첫인상, 문제의 뾰족함과 데모 완성도를 평가했다. [26:44]

15. 구현과 산출물의 자동 반복 검증

• 검증된 문제를 바탕으로 에이전트가 구현과 테스트를 반복하고 매 커밋마다 여섯 개의 블라인드 심사를 돌렸으며, 사람은 루프 밖에서 방향을 조정했다. [27:43]
• 산출물은 의사결정자와 전달 에이전트 양쪽에서 검토하며 시각적 완성도·문제 해결력·사실 기반 콘텐츠·정량 근거를 함께 갖추게 했다. [28:26]
• 기능 고장을 허용하지 않고 데모 데이터 대신 실제 API와 MCP 데이터를 사용하며 모든 기준을 통과할 때까지 구현과 검증을 반복했다. [28:45]

16. 일곱 차례 모의 심사와 인간의 최종 판단

• 첫 모의 심사는 실격 위험과 AI 80점·휴먼 75점을 제시했고, 두 번째 라운드에서는 두 평가 모두 90점까지 올랐다. [29:09]
• 킬러 화면까지 점검하도록 심사를 강화하자 AI 89점·휴먼 84점으로 낮아졌고, 추가 개선 후 각각 93점·87점으로 회복했다. [29:29]
• 마지막에는 AI 95점·휴먼 90점에 도달했지만 점수로 대체할 수 없는 인간의 테이스트 때문에 휴먼 인 더 루프를 유지했다. [29:59]

17. 사람의 눈으로 완성한 기업별 산출물

• 논리적 정합성을 에이전트 루프로 확보한 뒤에도 사람이 직접 화면을 열어 심사위원의 감정과 생각을 가늠하고 만족할 때까지 수정했다. [30:02]
• ‘Trusted Red Flag’ 에이전트는 OpenART 데이터를 검토해 CEO 미팅 전 확인할 일곱 가지 질문을 추출했고, 초기 UI가 기준에 미치지 못해 구조와 화면을 전면 수정했다. [31:08]
• 마이리얼트립 도구는 상품 상세 페이지와 실제 경험의 간극을 위험도로 환산했고, 카카오페이증권 사례와 함께 사람이 화면을 오가며 시각 완성도를 다듬었다. [31:40]

18. 여섯 기업을 병렬화한 공통 스캐폴딩

• 여섯 기업에 리서치, 문제 정의, 솔루션 기획, 구현, 검증이라는 동일한 파이프라인을 적용해 기업별 작업을 동시에 실행하고 일정을 단축했다. [32:36]
• 단계별 계약 역할을 하는 공통 프롬프트·스펙·심사 스킬을 만들고 설계 결정을 하나의 핸드오프 파일로 압축해 새 구현 세션으로 넘겼다. [33:14]
• 리서치 자료와 템플릿, 심사 스킬은 프로젝트 이후에도 재사용 가능한 자산으로 남아 이후 프로젝트의 시작 비용을 낮췄다. [33:56]

19. 인간의 판단과 에이전트 실행을 분리한 오케스트레이션

• 인간은 방향 결정·솔루션 확정·최종 시각 검증을, Claude Code 메인 세션은 통합 전략과 검증을, Codex CLI 서브에이전트는 실제 실행을 맡았다. [34:25]
• 메인 오케스트레이터는 인터뷰, 전략 수립, 서브에이전트 프롬프트 작성과 실행, 독립 재검증, 문서화와 패키징을 관리하고 컨텍스트가 차면 핸드오프로 세션을 연결했다. [35:00]
• Codex CLI 이력은 도구 활용의 증거로 보존하고 품질 판단은 한곳에 모았으며, 제작 맥락을 모르는 블라인드 심사로 후한 채점 위험을 줄였다. [35:37]

20. 깨끗한 컨텍스트를 유지한 실행 흐름

• 설계와 구현 세션을 분리하고 설계 결과를 handoff.md에 저장해 누적 대화가 구현 품질을 떨어뜨리지 않으면서 결정 사항은 유지했다. [36:02]
• 전체 과제를 전달해 AI가 인간을 인터뷰하게 하고, 스캐폴딩을 만든 뒤 영상 요약과 딥리서치로 기업 맥락을 주입하며 문제 범위를 검증과 티켓화로 좁혔다. [36:24]
• Codex 병렬 구현과 검증, 인간의 최종 디자인 점검, 패키징과 제출, 일곱 차례 심사 루프를 포함한 전 과정을 이틀 안에 마쳤다. [37:00]

21. AI 시대에 인간이 맡아야 할 기준 설계

• 심사 체계를 먼저 만들고 구현보다 문제 정의에 더 많은 시간을 쓰며, 3분 심사에서 역산한 기준과 검증 가능한 실제 데이터를 적용했다. [37:23]
• 인간은 약한 솔루션을 거절하고 만장일치 수준의 평가와 직접 확인 가능한 결과를 요구하되 AI의 반대 의견도 받아들이는 양방향 신뢰를 유지해야 한다. [37:39]
• AX 인재전쟁의 본질은 완성품만이 아니라 좋은 재료를 공급하는 컨텍스트, 문제부터 평가하는 검증 체계, 병렬화를 가능하게 하는 스캐폴딩을 결합한 일하는 방식에 있다. [38:49]

🧾 결론

• AI 시대의 시니어 역량은 직접 구현하는 속도보다 무엇을 풀어야 하는지 결정하고, 합격 기준을 설계하며, 에이전트의 결과를 거절하거나 수정할 수 있는 판단력에 가깝다.
• 구현보다 먼저 문제 후보와 평가 체계를 검증하면 잘못 정의한 문제를 정교하게 구현하는 낭비를 줄일 수 있다.
• 컨텍스트 묶음, 공통 프롬프트, 심사 스킬, 핸드오프 파일은 한 번의 제출물을 넘어 다음 프로젝트의 시작 비용을 낮추는 재사용 자산이 된다.
• 수치화된 루브릭만으로는 첫인상과 미감을 완전히 대체할 수 없으므로, 최종 선택과 디자인 검수에는 인간의 테이스트를 남겨야 한다.

📈 투자·시사 포인트

• 기업의 AI 경쟁력을 판단할 때 모델 도입 여부만 볼 것이 아니라, 문제 정의·검증 루브릭·공통 스캐폴딩을 조직 차원에서 축적하고 있는지 살펴볼 필요가 있다.
• 에이전트 병렬화로 3~4주 규모의 과제를 1~2일 안에 압축할 수 있다는 사례는 인력 수보다 업무 설계와 오케스트레이션 역량이 생산성 차이를 만들 수 있음을 시사한다.
• 채용에서는 결과물뿐 아니라 대화 로그와 근거, 반복 검증 기록이 후보자의 에이전트 활용 능력을 보여주는 새로운 포트폴리오가 될 가능성이 있다.
• 실제 API·MCP 데이터, 에이전트용 인터페이스, 블라인드 품질 검증을 함께 요구하는 흐름은 단순 생성 도구보다 신뢰 가능한 실행·평가 인프라의 중요성이 커질 수 있음을 보여준다.

⚠️ 불확실하거나 확인이 필요한 부분

• 5,300명 중 60명에 진출한 한 해커톤 사례만으로 이 방식이 모든 기업의 상위 1% 인재 기준을 대표한다고 일반화하기는 어렵다.
• 일곱 차례 모의 심사의 AI·휴먼 점수는 자체 설계한 루브릭의 결과이며, 실제 심사위원의 세부 배점이나 본선 진출에 기여한 요소별 인과관계는 공개되지 않았다.
• 인간 2~3시간, 에이전트 11시간 및 3~4주 과제를 1~2일로 압축할 수 있다는 수치는 과제 성격과 도구 환경에 따라 달라질 수 있으며 토큰 비용·운영 비용은 제시되지 않았다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 다음 프로젝트에서 구현 전에 성공 조건·실격 조건·최종 사용자를 한 페이지의 평가 기준으로 정의한다.
• 공식 안내문, 기업 영상, IR·채용 자료, 고객 리뷰와 실제 수치를 출처 링크와 함께 컨텍스트 팩으로 구성한다.
• 리서치→문제 정의→솔루션 기획→구현→검증의 공통 파이프라인과 단계별 산출물 계약을 만든다.
• AI 저지와 휴먼 저지 루브릭을 분리하고, 문제 후보 단계와 구현 단계에서 각각 블라인드 평가를 반복한다.

❓ 열린 질문

• 실제 심사에서는 최종 산출물, 대화 로그, 근거의 재현성, 시각적 완성도를 각각 어느 비중으로 평가했을까?
• 동일한 오케스트레이션을 다른 산업과 팀이 적용했을 때도 시간 단축과 품질 향상이 재현될까?
• 인간의 테이스트를 유지하면서도 평가자의 주관과 편향을 줄이려면 정량 루브릭과 최종 판단을 어떻게 결합해야 할까?