AI로 10배 빨라졌다면, 30년치 발전은 어디 갔나
Quick Summary
AI 코딩이 10배 빨라졌다는 주장에도 30년치 발전이 보이지 않는다는 조너선 블로의 질문은, 코드 생성 속도와 소프트웨어 품질 향상을 구분해야 한다는 지적이다.
영상 보기
클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론
AI 코딩이 10배 빨라졌다는 주장에도 30년치 발전이 보이지 않는다는 조너선 블로의 질문은, 코드 생성 속도와 소프트웨어 품질 향상을 구분해야 한다는 지적이다.
📌 핵심 요점
- 블로는 ‘10배 생산성으로 3년이면 30년치 발전이 보여야 한다’고 반문한다. 다만 발전이 보이지 않는다는 평가는 산업 통계가 아니라 그의 개인적 관찰이다.
- AI의 실용성 자체를 부정하지는 않는다. 낯선 언어로 짧은 엑셀 서식 코드를 작성하는 작업에서는 예상한 5시간을 1시간으로 줄였다고 설명한다.
- 짧고 일회성인 코드의 성공을 대형 프로그램 전체로 일반화하기는 어렵다는 주장이다. 프로그램이 커질수록 구성 요소 사이의 영향과 제약을 이해하는 일이 중요해진다.
- 블로는 AI가 빠른 탐색에는 유용하지만, 결과를 내다보는 판단에는 약하다고 평가한다. 코드를 읽지 않는 바이브 코딩은 오류와 유지보수 부담이 감당하기 어려운 수준에 빨리 도달할 수 있다고 본다.
- 영상의 실천적 결론은 작업 성격에 맞춰 AI를 쓰라는 것이다. 일회성 작업과 버그 점검에 활용하되, 오래 유지할 시스템의 구조 판단과 부채 상환에는 사람이 책임을 져야 한다.
🧩 배경과 문제 정의
영상은 게임 개발자 조너선 블로의 대담을 바탕으로 AI 코딩 생산성 주장과 소프트웨어의 체감 품질 사이의 간극을 살펴본다. 블로는 2019년 강연에서도 복잡해지는 소프트웨어의 신뢰성을 문제 삼았으며, 이번에도 현실의 제약을 이해하고 원하는 결과를 만드는 엔지니어의 역할에서 출발한다.
문제는 코드 작성 속도의 향상을 곧바로 산업 전체의 발전으로 환산할 수 있느냐는 것이다. 영상은 블로의 개인적 관찰, 직접 경험한 자동화 사례, 기존 소프트웨어에 대한 비판, 미래 AI에 대한 구상을 연결한다. 이 가운데 경험과 의견을 산업 전체에 대해 확인된 사실과 구분해 읽어야 한다.
🕒 시간순 섹션별 상세정리
1. 10배 생산성이라면 발전은 어디에 있는가
- 영상은 AI 코딩이 정말 10배 빨라졌다면 3년 동안 30년치 발전이 나타났어야 한다는 질문을 던지고, 『브레이드』와 『더 위트니스』 개발자 블로를 보여준다. [00:30]
- 2019년 강연에서 제기했던 소프트웨어 복잡성과 신뢰성 문제가 계속된다. 블로는 현실의 제약을 이해하고 원하는 결과를 만드는 일을 엔지니어링의 출발점으로 본다. [01:17]
- 블로는 10배·3년뿐 아니라 5배·1년 반이라는 가정에서도 기대한 발전이 보이지 않는다고 드러낸다. 영상은 AI 기술의 발전을 부정하는 주장이 아니며, 소프트웨어 개선에 대한 개인적 관찰이라고 명시한다. [03:05]
2. 엑셀 작업에서 확인한 제한적인 성공
- 블로는 CSV를 엑셀로 열어 조건에 맞게 서식을 적용하는 작업에 AI를 썼다. AI는 약 30줄의 비주얼 베이직 코드를 거의 한 번에 제시했다고 한다. [03:22]
- 예상한 5시간을 1시간으로 줄인 경험은 AI 코딩의 효용을 보여준다. 다만 낯선 언어로 작성하는 짧고 일회성인 코드였다는 조건이 붙는다. [04:20]
- 큰 프로그램에서는 구성 요소보다 요소 사이의 연결 관계가 더 빠르게 늘어날 수 있다. 블로는 코드에 직접 드러나지 않는 영향과 제약을 이해하는 일이 중요하다고 보여준다. [04:38]
3. 탐색 능력과 판단 능력의 차이
- 블로는 작은 코드에서는 드러나지 않던 문제가 프로그램 규모가 커지면 나타난다고 본다. AI를 빠른 검색·탐색 도구로 이해하면서도, 선택의 장기적 결과를 판단하는 능력에는 의문을 제기한다. [05:52]
- 게임 판매량 예측을 요청했을 때 AI가 상반된 방향의 수정 요구에 모두 동의했다는 경험을 보여준다. 그는 이를 근거가 그럴듯해 보여도 추론에 빈틈이 있을 수 있다는 사례로 든다. [06:45]
- AI가 만든 부채를 AI가 해결하면 된다는 질문에, 코드와 오류가 함께 늘면 감당하기 어려운 지점에 도달한다고 답한다. 코드를 읽지 않는 바이브 코딩을 경계하면서도 간단한 홈페이지 제작이 쉬워진 점은 인정한다. [07:56]
4. 생산성 이득을 흡수하는 기존 복잡성
- 진행자는 소프트웨어 산업이 생산성 향상을 흡수해 버리는 것 아니냐는 가설을 제시한다. 블로는 1990년 유닉스 워크스테이션의 기능과 현재의 코드 규모를 대비한다. [08:36]
- 영상은 systemd의 저장소 규모에 관한 외부 보도와 리눅스 배포판 계보를 보여준다. 블로는 기능 중복과 층층이 쌓이는 구조를 비판하지만, 이 비교 자체가 생산성 손실의 규모를 입증하지는 않는다. [09:03]
- 알파인 리눅스의 인증 관련 취약점을 여러 시기에 내려진 결정들이 결합한 사례로 보여준다. 블로는 이런 복잡성 위에 AI가 더해지면 품질이 악화될 가능성이 더 크다고 전망한다. [09:32]
5. 미래의 코딩 AI 구상과 현재의 보조 도구
- 블로는 현재 접근이 더 나은 추론으로 이어질 가능성을 0으로 보지는 않는다. 지시대로 작동하는 코딩 AI가 만들어진다면 기업 가치가 매우 클 것이라고 평가한다. [09:52]
- 그가 제안하는 구조는 코드 학습에는 규칙을 활용하고 사람과의 대화에는 LLM을 쓰는 방식이다. 영상은 두 부분을 연결하는 방법이 구체화되지 않았으며, 구현된 시스템이 아니라 구상이라고 보여준다. [10:59]
- 알파제로를 규칙을 바탕으로 스스로 학습한 사례로 소개한 뒤, 현재 AI의 유용한 역할로 버그 점검을 든다. 린터·퍼저처럼 개발을 보조하는 도구라는 위치다. [11:12]
6. 코드 생성 속도와 소프트웨어 개선을 분리하기
- 영상은 블로의 주장을 더 많은 코드, 누적되는 부채, 기존 소프트웨어의 복잡성이 맞물리는 문제로 정리한다. 자신의 컴파일러를 고칠 때도 가끔 멈춘다는 일화를 연결한다. [11:31]
- 마지막 실천 항목은 짧은 일회성 코드에 AI를 활용하고, 오래 유지할 시스템의 연결 관계는 사람이 파악하며, 늘어난 코드의 부채를 갚는 시간을 확보하는 것이다. [11:58]
- 결말은 코드가 빨리 나오는 것과 소프트웨어가 나아지는 것은 다른 일이라는 문장으로 처음의 ‘30년치 발전’ 질문을 회수한다. [12:07]
🧾 결론
- 영상의 핵심 구분은 ‘코드를 빨리 생산하는 능력’과 ‘사용자가 체감하는 소프트웨어 개선’ 사이에 있다.
- 블로의 비판은 AI의 모든 효용을 부정하는 입장이 아니다. 작은 자동화와 보조 도구의 가치를 인정하면서 대규모 시스템으로의 일반화를 경계한다.
- 기존 소프트웨어의 복잡성과 중복 위에 코드가 더해질 경우, 생성 속도의 이득이 유지보수 부담으로 상쇄될 수 있다는 것이 그의 설명이다.
- 규칙으로 코드를 학습하는 시스템과 대화용 LLM을 결합하자는 제안은 구현된 성과가 아니라 구상이다.
📈 투자·시사 포인트
- AI 코딩의 사업 가치를 평가할 때는 생성량이나 작성 속도와 함께 실제 기능 개선, 오류, 유지보수 비용을 살펴볼 필요가 있다. 이는 영상의 논지를 적용한 평가 관점이다.
- 일회성 자동화·간단한 홈페이지·버그 점검과 장기 운영 소프트웨어는 효용과 부담이 다를 수 있으므로, 같은 생산성 배수로 묶어 판단하기 어렵다.
- 블로는 지시대로 작동하는 코딩 AI의 잠재적 기업 가치를 매우 높게 평가하지만, 이는 기술적 성공을 전제로 한 전망이며 현재 성능이나 투자 수익을 입증하는 근거는 아니다.
- 영상에는 기업별 실적·가격·수익성 자료가 없어 특정 기업이나 자산의 투자 매력을 판단하기에는 근거가 부족하다.
⚠️ 불확실하거나 확인이 필요한 부분
- ‘30년치 발전이 보이지 않는다’는 말은 블로의 관찰이다. 영상은 이를 검증할 산업 전체의 생산성·품질 통계를 제시하지 않는다.
- 엑셀 작업의 5배 시간 절감은 한 사람의 특정 작업 경험이다. 다른 언어, 프로젝트 규모, 검증·유지보수 과정에서도 같은 효과가 나는지는 확인되지 않는다.
- systemd 코드 규모와 과거 부팅 스크립트의 비교는 기능 범위와 집계 기준이 같은지 추가 확인이 필요하다. 영상이 인용한 수치와 보안 분석도 이 자료만으로 독립 검증할 수 없다.
- 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
- AI 코딩 작업을 짧은 일회성 자동화와 오래 유지할 시스템으로 나누고, 각각의 성공 기준을 정한다.
- 작성 시간뿐 아니라 검토·수정·유지보수에 들어간 시간과 결과의 품질을 함께 기록한다.
- 장기 운영 시스템에서는 구성 요소 사이의 의존성과 변경 영향을 사람이 검토한다.
- 생성 코드가 늘어나는 만큼 구조를 정리하고 누적된 부채를 갚는 시간을 따로 확보한다.
❓ 열린 질문
- 개별 작업에서 절약한 시간이 사용자에게 보이는 기능·안정성 개선으로 이어지지 않는다면, 어느 과정에서 이득이 상쇄되는가?
- 어떤 규모와 의존성 수준에서 AI 코드 생성의 이득보다 검토·유지보수 부담이 커지는가?
- 규칙 기반 학습과 LLM의 대화 능력을 결합하는 구상은 장기적인 구조 판단을 얼마나 개선할 수 있는가?