100명이 10년 걸리던 엉망을 AI로 혼자 1주일 만에 — JUnit 만든 켄트 벡이 말하는 '기능 사이에 멈추는 법'

한 줄 핵심

AI가 코드를 빠르게 만들어도 그 결과는 대개 ‘작동하는 소프트웨어’가 아니라 ‘그럴듯한 산출물’이므로, 기능을 쌓는 속도보다 기능 사이에서 배우고 되돌릴 여지를 남기는 개발 방식이 더 중요하다는 주장이다.

시간별 요약

0:00
인트로 — AI가 사람보다 코딩을 잘한다? 도입부에서는 AI가 사람보다 코딩을 잘한다는 인식에 의문을 제기하며, 이 영상이 그런 주장에 반대하는 관점에서 전개된다는 점을 암시한다.
1:15
그럴듯하지만 돌아가지 않는 C 컴파일러 겉보기에는 문법적으로 맞아 보이지만 실제로는 제대로 동작하지 않는 결과물을 AI가 자주 만들어낸다는 점이 핵심이다. 진짜 기준은 그럴듯함이 아니라 C 프로그램을 효율적으로 컴파일해 실제로 실행되느냐에 있다.
4:12
크래프트 책은 이제 버려야 한다 과거에 중요했던 세심한 이름 짓기, 분해, 들여쓰기, 가독성 최적화 같은 크래프트의 결정들은 이제 예전만큼 큰 효과를 내지 못한다. 다만 인간이 코드를 이해하는 능력 자체는 여전히 중요하고, AI가 설명해 주는 맥락 속에서 더 빠르게 이해할 수 있다.
7:45
기능과 여지(Features vs Futures) 그래프 소프트웨어 발전은 기능을 추가할수록 미래의 선택지와 변경 가능성을 소모하는 방향으로 진행된다. AI를 쓰면 한 사람이 짧은 시간 안에 프로젝트를 완성 불가능한 상태까지 밀어붙일 수 있을 만큼 속도가 빨라진다.
11:27
대안은? 음표 사이에서 쉬기 기능 하나를 끝낸 뒤 다음 기능으로 곧장 가는 대신, 그 사이에 멈춰서 리팩터링과 중복 제거, 가독성 개선, 재구현을 할 수 있어야 한다. 이 중간 구간이 현재의 기능뿐 아니라 앞으로의 선택지에도 가치를 더하는 핵심 시점이다.
14:58
기능은 보이고 여지는 안 보인다 — 완성은 실패 기능 추가는 눈에 잘 보이지만 미래의 변경 가능성, 즉 여지를 키우는 일은 잘 드러나지 않는다. 그래서 ‘완성’만을 목표로 하면 미래에 바꾸기 어려운 소프트웨어를 만들게 되며, 그 관점에서는 완성 자체가 실패가 될 수 있다.
17:38
다크 팩토리는 매번 탈선한다 인간의 개입과 피드백 없이 AI가 계속 달리는 완전 자율형 개발은 거의 항상 탈선한다. 결과가 흥미롭고 빠르게 나오더라도, 그 과정에서 학습이 없으면 결국 신뢰할 수 없는 산출물만 남는다.
20:07
워드 커닝엄이 컴퓨터를 끈 날 좋은 소프트웨어는 산출물을 최대화하는 과정이 아니라 학습을 최대화한 결과로 나온다. 한 번은 완성 직전처럼 보이던 코드를 과감히 지우고 다음 날 다시 구현했을 때 오히려 더 명확하고 이해 가능한 결과가 나온 경험이 이를 보여준다.
22:57
스펙 주도 개발은 워터폴이다 정교한 스펙을 먼저 쓰고 AI가 소프트웨어를 만들어 주면 된다는 발상은 사실상 워터폴과 다르지 않다. 나중의 결정이 앞선 결정을 바꾸기 때문에, 한 번에 끝내려는 방식보다 반복적 개발이 본질적으로 더 맞다.
25:30
노력 → 산출물 → 성과 → 미션 개발의 가치는 노력이나 산출물이 아니라, 실제 사용자 행동 변화와 그것이 조직의 미션 성취로 이어지는지에 있다. 웹 환경처럼 결과를 관찰할 수 있을 때만 출력이 아니라 성과를 기준으로 개발을 평가할 수 있다.
28:52
지표의 횡포 — 굿하트의 법칙 lines of code, PR count처럼 쉽게 측정되는 값은 노력이나 출력의 지표일 뿐 미션의 지표가 아니다. 측정하기 쉬운 것을 목표로 삼는 순간 시스템이 왜곡되고, 실제로 중요한 미션 달성은 더 멀어진다.
32:21
마무리 마지막은 앞선 논지를 정리하며, AI 시대일수록 속도보다 학습, 출력보다 미래의 변경 가능성, 측정 가능한 지표보다 미션을 우선해야 한다는 메시지로 닫는다.

실무 인사이트

AI 코딩 도입 시에는 ‘얼마나 빨리 만들었는가’보다 ‘중간에 멈춰서 되돌아보고 고칠 수 있는가’를 팀 규칙으로 넣는 것이 효과적이다.
스펙을 길게 쓰는 것보다 짧은 단위로 구현·검증·리팩터링을 반복하는 흐름이 AI 시대의 개발 품질을 더 잘 지킨다.
활동 지표를 KPI로 삼기보다 사용자 행동 변화와 미션 성과를 함께 보지 않으면, AI가 만든 높은 생산성이 오히려 왜곡된 최적화를 부를 수 있다.