[한영자막] 소프트웨어 엔지니어링은 코드 작성이 아닙니다 — 구글 딥마인드 연구 부문 VP 브누아 쉴링스

한 줄 핵심

소프트웨어 엔지니어링의 핵심은 코드 작성이 아니라 복잡한 문제를 올바르게 분해하고 검증·보안·평가 체계를 설계하는 일로 이동하고 있으며, AI는 그 전환을 가속해 코드 생산을 거의 공짜로 만들고 있다.

시간별 요약

1. 0:00
   발화자는 DeepMind에서 Gemini의 1개월~1년 뒤에 필요한 기술을 준비하는 연구를 맡고 있으며, 코드 생성뿐 아니라 추론, 네트워크 구조, 강화학습 같은 기초 연구도 함께 다룬다. 이 관점에서 코드는 주제의 중심이지만, 실제 과제는 모델이 더 나은 소프트웨어를 만들 수 있도록 기반 기술을 익히는 데 있다.
2. 2:01
   2018년 Pitchfork 프로젝트는 ML로 코드 변경 주기를 단축하는 시도였지만, 당시에는 필요성을 거의 인정받지 못했다. 이후 영어로 코드를 작성하는 vibe coding의 등장이 과거 인식을 뒤집었고, 어셈블리→C++→Python으로 이어진 변화처럼 개발 방식도 시대마다 바뀐다는 점이 강조된다.
3. 4:01
   과거에는 성능이 병목이었고, 클라우드 시대에는 모듈화와 라이브러리 설계가 중요했지만, 지금은 인간의 컨텍스트 한계가 더 큰 제약이 된다. AI 시대에는 코드 작성보다 원하는 결과를 정확히 명세하고, 그 코드가 어떤 의미와 파급효과를 가지는지 아키텍처 수준에서 생각하는 능력이 핵심이 된다.
4. 8:02
   코드는 데이터가 풍부하고 컴파일·테스트로 검증할 수 있어 ML에 특히 적합한 영역이었지만, 이제는 GitHub 신규 코드의 상당 부분이 머신 생성이라 인간 데이터만으로는 한계가 온다. 대신 selfplay처럼 모델이 스스로 문제를 만들고 평가하는 방식이 중요해지며, 코드 작성 비용이 거의 0에 가까워지면 코드 양은 폭증하고 보안·정합성·평가 체계가 더 중요해진다.
5. 12:01
   앞으로의 과제는 취약점을 사후에 찾는 데서 끝나지 않고, 처음부터 올바른 코드를 쓰게 만드는 보안 중심 설계와 더 나은 planning·decomposition 능력을 학습시키는 일이다. 또한 단순 실행 성공을 보는 벤치마크를 넘어, 압축처럼 정답이 고정되지 않은 열린 문제를 평가해야 하며, 코드도 텍스트 토큰열이 아니라 시각적·공간적 구조로 사고하는 방향으로 발전해야 한다.
6. 17:02
   코드가 공짜에 가까워질수록 그 영향은 과학과 물질 세계로 확장되며, 특히 chemistry와 biology에서 사람이 보지 못한 해법을 찾는 가능성이 커진다. 결국 ML은 인간의 직관과 편향을 넘어, 눈앞에 있었지만 보이지 않던 해답을 드러내는 도구가 될 수 있다.

실무 인사이트

• AI 코드 생성이 보편화될수록 코드 리뷰 인력보다 사전 명세, 테스트, 보안 가드레일에 더 많은 시간을 배분하는 구조가 필요하다.
• 실무에서 복잡한 시스템을 다룰 때는 기능 구현보다 문제 분해와 평가 기준 설계를 먼저 정의해야 AI의 생산성을 제대로 활용할 수 있다.
• 벤치마크는 단순 정답형보다 열린 문제와 장기 최적화 과제를 포함해야 실제 소프트웨어 엔지니어링 역량을 더 잘 반영한다.