Pick Problems That Survive When AI Solves Coding - Ara Khan, Cline

한 줄 핵심

AI가 코딩을 점점 더 잘하게 될수록, 커리어는 단순한 앱 제작보다 모델의 개선 루프에 가까운 문제를 선택해야 살아남는다는 주장이다.

시간별 요약

1. 0:18
   RSI와 커리어 재정의 재귀적 자기개선 코딩 에이전트가 현실화되면서, Frontier Labs의 방향성과 개인의 커리어 전략을 다시 생각해야 한다는 문제의식을 제시한다. 단순히 코드를 잘 쓰는 능력보다, AI가 쉽게 대체하지 못하는 문제를 고르는 감각이 중요해진다.
2. 3:00
   평가 루프에서 자동 개선으로 Terminal Bench 2.1 같은 벤치마크를 통해 코딩 에이전트를 측정하고, 실패 유형을 분류해 하네스를 개선하는 과정이 자동화될 수 있음을 보여준다. GPT 5.6 all이 17시간 동안 실패를 분석하고 수정안을 반영하며 점수를 끌어올린 사례가 핵심이다.
3. 8:00
   에이전트 개선의 작동 방식 에이전트 평가는 단일 질문 답변이 아니라 파일 읽기, 편집, bash 실행, MCP 설정처럼 긴 작업 흐름 전체를 포함해야 한다. 따라서 개선의 대상은 모델 출력만이 아니라 샌드박스, 도구 호출, 시간 초과, 루프 감지 같은 평가 인프라 전체가 된다.
4. 15:02
   개선 대상은 하네스를 넘어 전체 스택 production kernel 최적화처럼 추론 비용, 지연 시간, 토큰 효율을 줄이는 작업도 이미 에이전트가 수행하고 있다. 결국 RSI의 범위는 평가와 하네스에서 시작해 학습 데이터, post-training, inference, 전력과 하드웨어까지 전체 파이프라인으로 확장된다.
5. 22:00
   AI 시대에 선택해야 할 문제 모델이 한 번 더 좋아지면 사라질 문제보다, 모델 개선이 곧 성과로 이어지는 문제를 택해야 한다. 더 구체적으로는 inference, post-training, hardware, networking처럼 모델의 능력 향상과 함께 가치가 커지는 영역에 가까이 가야 한다.

실무 인사이트

• 일회성 제품 기능보다 벤치마크 개선, 추론 효율화, 데이터 파이프라인처럼 모델 개선 루프에 직접 연결되는 문제를 우선순위로 두는 것이 유리하다.
• AI 도입 효과를 과대평가하기보다, 어떤 작업이 다음 모델 출시로 대체될지 먼저 점검하면 커리어와 프로젝트 선택의 실패 확률을 줄일 수 있다.
• 실무에서는 성능 지표뿐 아니라 실패 유형 분류, 재현 가능한 샌드박스, 장시간 실행 조건까지 설계해야 진짜 개선이 가능하다.