The end of git? OpenAI CTO on the future of coding.

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

OpenAI의 내부 저장소 재설계 사례는 Git의 보편적 종말보다, 에이전트가 코드를 대량 생산하는 시대에 개발 인프라의 전제를 바꿔야 한다는 신호다.

📌 핵심 요점

1. OpenAI 애플리케이션 부문 CTO 비제이 라지는 2026년 2월 강력한 모델과 Codex의 병렬 에이전트·워크트리 활용이 결합하면서 내부 PR 생성이 크게 늘었다고 설명한다. 토큰 사용량 증가율로 제시한 프런티어 연구소의 17배와 일반 소프트웨어 개발 조직의 약 2배는 생산성 향상 배수와 구분해야 한다.
2. 코드 작성 비용이 낮아지면서 프로토타입 제작과 폐기가 쉬워졌다. 동시에 리뷰, CI/CD, 테스트, 계측이 새로운 병목으로 떠올랐고, OpenAI는 자동 리뷰와 인프라 개선으로 대응하고 있다고 말한다.
3. 상시 온라인 에이전트가 모노레포에서 코드를 반복적으로 가져오고 반영하면서 기존 저장소의 처리 한계를 드러냈다. 라지는 오프라인 개발을 전제로 한 Git과 다른 가정으로 내부 시스템을 구축했으며, 전체 모노레포와 엔지니어들이 이를 사용한다고 설명한다.
4. ChatGPT의 다음 10억 사용자를 확보하려면 영어와 타이핑 중심의 인터페이스를 넘어야 한다는 것이 라지의 판단이다. 인도 방문에서 관찰한 음성 메시지 사용과 문자 입력의 어려움을 근거로 음성 중심 경험을 강조한다.
5. 라지는 모델이 좋아질수록 제품 가치도 커지는지를 창업자의 점검 기준으로 제시한다. 광고팀은 LLM을 활용해 개발을 가속했고, 그의 설명에 따르면 약 50명 규모로 출발 후 7~8개월 만에 연환산 매출 10억 달러 수준에 도달했다.

🧩 배경과 문제 정의

진행자는 Statsig 창업자이자 인수 이후 OpenAI에 합류한 애플리케이션 부문 CTO 비제이 라지와의 인터뷰 하이라이트를 소개한다. 중심 질문은 에이전트가 코드 생산을 가속할 때 기존 개발 시스템이 이를 감당할 수 있느냐는 것이다.

라지의 설명에서 변화는 코드 작성 비용 하락으로 시작해 프로토타입 증가, 리뷰·테스트·배포 부담 확대, 저장소 처리량 문제로 이어진다. 대화는 이후 ChatGPT의 음성 중심 성장 전략, 직접 시제품을 만드는 리더십, 모델 개선을 제품 가치로 연결하는 광고 시스템 사례까지 확장된다. 아래 수치와 내부 운영 사례는 제공된 인터뷰 속 발언을 정리한 것이다.

🕒 시간순 섹션별 상세정리

1. 인터뷰의 출발점과 세 가지 의제

• 진행자는 비제이 라지를 Statsig 창업자 출신의 OpenAI 애플리케이션 부문 CTO로 소개하고, 에이전트의 코드 생산 속도가 내부 시스템의 수용 능력을 넘어섰다고 보여준다. [00:24]
• 도입부는 Git을 대체하는 내부 저장소, 광고 사업의 연환산 매출 규모, 다음 ChatGPT 사용자층의 음성 이용 가능성을 주요 의제로 제시한다. 전체 인터뷰는 유료 구독자용 Substack에서 제공한다고 안내한다. [00:55]

2. 병렬 에이전트 도입과 사용량 격차

• 라지는 2026년 2월 강력한 모델과 Codex, 워크트리 기반 병렬 에이전트 활용이 결합하면서 엔지니어들의 PR 생성이 크게 증가했다고 회고한다. [01:24]
• 토큰 사용량이 지난 1년간 프런티어 연구소에서는 17배, 일반 소프트웨어 개발 조직에서는 약 2배 늘었다고 드러낸다. 다만 이를 생산성 자체가 아닌 AI 활용의 폭과 깊이를 가늠하는 지표로 보여준다. [01:58]
• 도구를 잘 활용하는 방식의 발견이 생산성 향상으로 이어진다는 점을 과거 개발 환경의 발전에 비유한다. [02:24]

3. 저렴해진 코드가 만드는 후속 병목

• 코드 작성이 빠르고 저렴해지면서 아이디어를 프로토타입으로 옮기기 쉬워졌고, 더 많은 시제품과 코드가 폐기되는 현상도 나타났다고 보여준다. [03:00]
• AI의 도움을 받는 엔지니어가 코드 생산을 늘리면 리뷰, CI/CD, 테스트, 계측이 병목이 된다. 대화에서 제시한 코드 생산량 5배는 이런 부담을 설명하는 맥락이다. [03:21]
• OpenAI는 자동 리뷰 시스템과 CI/CD 인프라 개선으로 대응하고 있으며, 개발 속도를 뒷받침하도록 인프라를 다시 생각해야 했다고 드러낸다. [03:52]

4. 상시 온라인 에이전트를 위한 저장소 재설계

• 에이전트가 코드를 가져와 테스트하고 메인에 반영하는 작업을 반복하면서, 모노레포의 코드 입출력 규모가 기존 시스템의 설계 수준을 한 자릿수 규모 차수 이상 넘어섰다고 보여준다. [04:50]
• 별도 팀은 로컬 브랜치 작업 후 변경을 올리는 오프라인 개발과 상시 온라인 에이전트의 차이에 주목했다. 라지는 새로운 가정으로 훨씬 높은 처리량을 지원하는 저장소를 설계할 수 있다고 드러낸다. [05:33]
• 내부에서 만든 시스템이 전체 모노레포와 모든 엔지니어를 지원한다고 밝히며, 코드 작성 시간 단축이 낳은 2차·3차 병목도 해결해야 한다고 강조한다. [05:55]

5. 메인 충돌보다 시급한 체크아웃과 전환 문제

• 진행자가 메인 브랜치 충돌과 품질 관문을 묻자, 라지는 충돌도 문제지만 체크아웃 처리량이 더 큰 문제라며 희소 체크아웃을 우선 해결해야 한다고 답한다. [06:53]
• 중앙 저장소에 계속 요청이 몰리지 않도록 캐시를 활용해야 하며, 프로파일링을 통해 병목을 찾아 해결할 수 있다고 보여준다. [07:13]
• 팀에는 구체적인 해법보다 문제 해결 임무를 부여했다. 기존 서비스를 유지하면서 새 시스템으로 옮기는 작업과 대규모 시스템 간 전환 자체의 복잡성도 논의한다. [08:15]

6. 다음 사용자층을 위한 음성 중심 경험

• 라지는 ChatGPT 사용자가 12억 명이라고 말하며, 텍스트 상자와 버튼 중심 인터페이스로 도달한 규모를 평가한다. 이어 다음 10억 사용자에게는 영어와 타이핑이 가장 편한 수단이 아닐 수 있다고 보여준다. [09:30]
• 인도 방문에서 들은 사용 경험을 바탕으로 음성을 강조한다. 인도계 언어의 문자 입력이 어렵고, WhatsApp에서도 글 대신 음성 메시지를 보내는 이용자를 관찰했다고 드러낸다. [10:12]
• 성장팀은 사용자가 실제로 제품을 사용하는 방식과 선호하는 입력 수단에 맞춰 다음 사용자층을 위한 경험을 고민하고 있다. [10:25]

7. 아이디어를 직접 구현하는 리더십

• 라지는 팀에 아이디어만 전달하던 방식에서 나아가 Codex로 직접 탐색한다고 드러낸다. 음성을 기본 경험으로 삼는 ChatGPT 시제품도 직접 만들었다. [11:18]
• 앱이 연결되는 동안 마이크를 먼저 열어 발화를 기록하고 연결 후 전달하는 흐름을 구현했다. 이를 팀에 보여줬지만, 실제 서비스 구현은 프로토타입과 다른 문제임을 분명히 한다. [12:07]
• 진행자와 라지는 리더가 직접 제작에 참여하고, 엔지니어가 아닌 사람도 작동하는 제품으로 아이디어를 표현하고 검증하기 쉬워졌다고 논의한다. [13:16]

8. 모델 발전을 반기는 제품인가

• 라지는 모델이 계속 개선될 것이라는 전망을 전제로, 새 모델 출시가 두려운지 반가운지를 창업자의 제품 점검 기준으로 제시한다. [13:53]
• 모델이 제품 기능을 대체할까 걱정된다면 방향을 재검토하고, 새 모델 덕분에 제품 역량과 고객 가치가 커진다면 모델을 잘 활용하고 있는 것으로 판단한다고 보여준다. [14:17]

9. 광고팀의 개발 속도와 모델 활용 사례

• 라지는 광고팀이 생긴 지 약 9~10개월이며, 코드가 전혀 없던 출발점에서 7~8개월 만에 연환산 매출 10억 달러 수준에 도달했다고 드러낸다. [14:34]
• 광고 인덱싱, 질의 재작성, 후보 광고 선정, 경매, 순위화, 화면 표시로 이어지는 시스템을 보여준다. 단계마다 별도 모델을 만드는 방식보다 LLM 역량을 활용해 빠르게 구축할 수 있었다고 주장한다. [15:18]
• 모델이 개선되면 광고 시스템도 함께 좋아지는 구조를 앞서 제시한 제품 원칙과 연결한다. 전체 광고팀은 약 50명 정도라고 추정하며 도구와 모델 활용의 효과를 강조한다. [15:49]

10. 전체 인터뷰와 후속 콘텐츠 안내

• 진행자는 약 45분 분량의 전체 대화와 심층 내용을 Substack에서 볼 수 있다고 안내하고, 후속 인터뷰 구독을 권하며 영상을 마친다. [16:02]

🧾 결론

• 개발 속도의 기준이 코드 작성에서 전체 변경 처리 능력으로 이동한다. 생성 속도만 높여서는 리뷰·검증·배포·저장소 병목을 해결할 수 없다.
• 저장소 재설계의 핵심은 상시 온라인 에이전트의 대량 접근을 감당하는 것이다. 인터뷰에서는 메인 브랜치 충돌보다 체크아웃 처리량, 희소 체크아웃, 캐시를 더 시급한 문제로 지목한다.
• 프로토타입 제작이 쉬워지면 리더도 아이디어를 직접 구현해 팀과 논의할 수 있다. 다만 라지 역시 프로토타입을 실제 서비스로 만드는 일은 별도의 어려운 문제라고 강조한다.
• 모델 성능 개선을 제품 가치 향상으로 연결하는 구조가 중요하다. 광고 시스템은 이 원칙을 설명하는 내부 사례로 제시된다.

📈 투자·시사 포인트

• 에이전트 도입이 확대되면 코드 생성 도구와 함께 리뷰 자동화, 테스트, CI/CD, 저장소 처리량을 개선하는 도구의 중요성도 커질 수 있다. 이 인터뷰만으로 개별 기업의 매출이나 수익성을 판단할 수는 없다.
• AI 제품의 경쟁력을 평가할 때 새 모델 출시가 기존 기능을 대체하는지, 제품의 고객 가치를 높이는지 점검할 수 있다. 이는 라지가 제시한 제품 전략의 판단 기준이다.
• 음성 인터페이스와 현지 언어 사용성은 신규 사용자 확장의 주요 가설이다. 인도에서의 관찰이 실제 사용자 확보와 지속 사용으로 연결되는지는 별도 검증이 필요하다.
• 광고팀 사례는 소규모 조직이 범용 모델을 활용해 복잡한 시스템을 빠르게 구축할 가능성을 보여준다. 다만 연환산 매출 규모와 실제 누적 매출·이익은 구분해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 제목과 도입부는 Git 대체를 강조하지만, 본문에는 새 저장소 시스템의 구조, Git 호환성, 교체 범위, 외부 공개 계획이 나오지 않는다. 이를 Git 전체의 퇴장으로 일반화하기 어렵다.
• 토큰 사용량 17배·약 2배 증가에는 표본, 측정 기간의 정확한 기준, 집계 방식이 제시되지 않는다. 라지도 토큰 사용량은 생산성의 일차원적 대리 지표라고 설명한다.
• 새 저장소의 두 자릿수 규모 차수, 즉 약 100배 수준의 처리 능력에 관한 발언에는 비교 조건이나 측정 결과가 없다. 요구 수준과 설계 설명을 검증된 성능 수치로 받아들이지 않아야 한다.
• 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

• 에이전트 활용 전후의 PR 수와 함께 리뷰 대기 시간, 테스트 소요 시간, 배포 실패율을 기록해 실제 병목을 확인한다.
• 저장소 접근을 프로파일링하고 전체 체크아웃 비용, 희소 체크아웃 적용 가능성, 캐시 효과를 측정한다.
• 자동 리뷰 도입 시 검토 속도와 함께 누락된 결함 및 운영 품질을 확인해 처리량 증가가 품질 개선으로 이어지는지 점검한다.
• 신규 모델이 출시됐을 때 제품의 기능과 고객 가치가 어떻게 달라지는지 평가해 모델 개선의 수혜 구조를 검토한다.

❓ 열린 질문

• OpenAI의 내부 저장소 시스템은 Git의 어떤 기능을 유지하거나 바꿨으며, 다른 조직에도 적용 가능한 구조인가?
• 코드 생성량이 증가한 뒤 고객에게 전달되는 기능의 품질과 개발 리드타임은 실제로 얼마나 개선됐는가?
• 음성을 기본 경험으로 제공하면 타이핑 중심 경험보다 신규 사용자의 유입과 지속 사용이 높아지는가?