"Software engineering is not about writing code" — Benoit Schillings, Google DeepMind VP of Research

한 줄 핵심

소프트웨어 공학의 병목은 이제 코드를 쓰는 일이 아니라, 복잡한 시스템을 설계·검증·안전하게 운영하는 일로 이동했으며, AI는 그 전환을 가속해 코드 생산을 거의 무료에 가깝게 만들 것이다.

시간별 요약

1. 0:01
   Google DeepMind에서의 연구 목표는 1개월에서 1년 사이에 Gemini에 필요한 기술을 만드는 일에 가깝다. 코드, 추론, 네트워크 구조, 강화학습 같은 영역을 함께 다루지만, 핵심은 가까운 미래에 실제로 필요한 능력을 앞당겨 준비하는 데 있다.
2. 3:01
   소프트웨어는 어셈블리 시대의 기계 한계, 클라우드 시대의 모듈화 한계, 그리고 이제는 인간의 컨텍스트 한계라는 순서로 병목이 바뀌어 왔다. 지금의 핵심은 코드를 얼마나 빨리 쓰느냐가 아니라, 원하는 동작과 구조를 얼마나 정확히 정의하느냐이다.
3. 7:01
   기본적인 함수 생성은 이미 superhuman syntax generation 단계에 도달했지만, 진짜 어려운 문제는 거대한 코드베이스를 여러 단계로 다루는 일이다. 35 million lines의 PHP 같은 복잡성을 이해하고, 아키텍처와 장기적 영향까지 고려해 분해·설계하는 능력이 앞으로의 중심 과제가 된다.
4. 9:00
   코드는 데이터가 많고 실행·컴파일·unit test로 검증이 가능해 AI 학습에 특히 유리하지만, 이제는 인간이 제공할 새 코드가 부족해지고 있다. 대신 모델끼리 스스로 문제를 만들고 풀고 평가하는 selfplay가 중요해지며, 이것이 더 높은 수준의 코드 생성 능력을 끌어올릴 수 있다.
5. 12:01
   코드가 거의 무료가 되면 대량 생성보다 더 중요한 문제는 보안, 정합성, 평가 방식이다. 취약점을 사후에 고치는 방식만으로는 끝나지 않으며, 처음부터 안전한 코드를 쓰게 만드는 guard rails와 open-ended problem을 포함한 새로운 benchmark가 필요하다.
6. 16:01
   코딩은 단순한 token 나열이 아니라 시각적·구조적 사고에 가깝고, 그래서 multimodal model과 더 잘 맞는다. 더 나아가 인간용 언어인 Python 대신, correctness를 모델에 더 강하게 요구하는 새 언어와 형식이 필요할 수 있으며, 이 능력은 chemistry와 biology 같은 과학 영역의 돌파구로 이어질 수 있다.

실무 인사이트

• AI 코딩 도입의 성패는 생성 속도가 아니라 검증·보안·아키텍처를 어떻게 다시 설계하느냐에 달려 있다.
• 실무에서는 작은 기능 자동화보다, 복잡한 코드베이스를 잘 쪼개고 평가 기준을 만드는 능력이 더 큰 경쟁력이 된다.
• 향후 조직은 사람이 코드를 ‘읽는’ 프로세스보다, 모델이 안전하게 생성하고 자동으로 검증하는 프로세스를 중심으로 재구성해야 한다.