코더들이 다른 전문가들보다 AI를 더 많이 사용하는 이유

The Economist는 Google News의 핵심 갈등을 짚었다. AI 기업들은 다른 전문직 종사자들도 소프트웨어 개발자처럼 일하기 시작해야 한다.

코더들은 이미 Anthropic, OpenAI, Google, GitHub 및 전문 스타트업의 보조 도구에 의미 있는 업무를 맡기고 있다. 이제 많은 이들이 대화하듯 작업을 설명하면 에이전트가 파일을 살펴보고, 코드를 수정하고, 테스트를 실행한 뒤 결과를 보고한다고 말한다.

이런 워크플로는 소프트웨어 개발 밖에서는 여전히 드물다. 변호사, 은행가, 고객 서비스 직원, 관리자는 덜 구조화된 데이터, 더 어려운 평가, 더 엄격한 규정, 그리고 실험할 유인이 부족한 환경에 놓여 있다.

이 구분은 AI 공급업체들이 훨씬 더 큰 시장을 위한 인프라를 구축하고 있기 때문에 중요하다. The Economist는 계획된 데이터센터 투자를 충당하려면 연간 AI 매출이 2030년까지 2조5,000억 달러에 도달해야 한다고 추정한다. 현재 매출은 약 1,500억 달러 수준으로 본다.

따라서 이는 코딩 보조 도구가 인기 있는지에 대한 이야기가 아니다. 핵심은 코딩이 직장 내 도입을 위한 반복 가능한 모델을 제공하는지, 아니면 유난히 유리한 예외에 불과한지다.

증거는 불편한 답을 가리킨다. 코딩은 집약적인 AI 활용이 어떤 모습인지 보여주지만, 그 성공은 대부분의 직업이 공유하지 않는 조건에 의존한다.

Google News가 코더 격차를 중심에 놓다

AI 코딩은 이제 다른 모든 직장용 애플리케이션이 추격해야 할 상업적 기준점이 됐다.

The Economist가 발행하고 Mint가 게재한 원문 분석은 소프트웨어 업무의 두드러진 변화를 설명한다. 일부 실리콘밸리 엔지니어들은 이제 모든 줄을 직접 입력하는 대신 마이크에 지시를 말한다.

음성 전사는 그 지시를 AI 에이전트에 전달한다. 에이전트는 환경을 살피고, 행동을 선택하며, 제한된 인간의 지시만으로 여러 단계를 완료할 수 있는 소프트웨어다.

눈에 보이는 결과물은 여전히 코드다. 그러나 생산 과정은 점점 감독, 검토, 수정에 가까워지고 있다.

The Economist에 따르면 개발자의 5분의 4가 AI 코딩 도구를 사용한다고 답했다. 2025년 개발자 설문조사는 밀접하게 관련된 지표를 제공한다. 응답자의 84%가 AI 도구를 사용했거나 사용할 계획이라고 답했다.

이 설문조사는 또한 전문 개발자의 51%가 매일 AI 도구를 사용한다고 밝혔다. 이러한 빈도는 소프트웨어 개발을 가벼운 챗봇 실험과 구분한다.

도입은 빠르게 성장하는 시장을 만들었다. The Economist는 Cognition, Cursor, Lovable, Replit가 2025년 6월 기준으로 합산 약 8억 달러의 연간 반복 매출을 창출했다고 추정한다.

현재 이들의 합산 규모는 60억 달러로 본다. 연간 반복 매출, 즉 ARR은 1년 기준으로 예상되는 구독 매출을 추정한 수치다.

이 수치는 감사된 합산 회계자료가 아닌 추정치다. 그러나 방향은 분명하다. 개발자들은 일상적인 워크플로에 직접 들어가는 도구에 비용을 지불하고 있다.

The Economist는 또한 SemiAnalysis를 인용해 2026년 2분기에 코딩이 Anthropic와 OpenAI의 합산 ARR 가운데 절반 이상을 만들어냈다고 추정한다. 두 회사 모두 세부적인 코딩 매출 내역을 공개하지 않는다.

이러한 집중도는 Google News 헤드라인 뒤에 놓인 이해관계를 드러낸다. 코딩은 여러 성공적인 활용 사례 중 하나에 그치지 않는다. 선도적인 모델 제공업체들의 경제성을 뒷받침하는 데 기여하고 있다.

OpenAI 임원 Colin Jarvis는 이 도입 격차를 이례적으로 직설적인 표현으로 인정했다. 그는 The Economist에 다른 화이트칼라 노동자들은 아직 “이 세계”에 들어와 있지 않다고 말했다.

이 발언이 중요한 이유는 AI 기업들이 개발자 구독만으로 인프라 확장을 정당화할 수 없기 때문이다. 이들은 훨씬 더 큰 전문직 시장에서도 유사하게 집약적인 활동이 필요하다.

법률 업무, 금융, 고객 서비스가 유력한 후보로 보인다. 각각 높은 인건비, 반복적인 정보 처리, 그리고 소프트웨어가 부분적으로 지원할 수 있는 의사결정을 포함한다.

이들의 성장은 실제로 일어나고 있다. 하지만 도입은 아직 코딩이 보이는 사용 빈도, 자율성, 현장 주도 열정의 조합에 이르지 못했다.

이 차이는 핵심 질문을 바꾼다. 더는 AI가 계약서를 초안 작성하고, 통화를 요약하고, 재무 모델을 만들 수 있는지가 쟁점이 아니다.

쟁점은 전문가들이 실제 업무 안에서 그러한 결과물을 반복적으로 신뢰할 것인지다. 인상적인 시연이 아니라 일상적인 의존이 지속 가능한 매출을 만든다.

코딩이 AI의 이상적인 업무 환경이 된 이유

코드는 지식 노동에서 드문 요소를 AI에 제공한다. 풍부한 사례, 기계가 읽을 수 있는 맥락, 그리고 답이 실패했을 때의 빠른 피드백이다.

공개 저장소에는 방대한 양의 소스 코드가 담겨 있다. 또한 문서, 이슈 토론, 변경 이력, 그리고 개발자들이 이전의 실수를 어떻게 수정했는지 보여주는 사례도 포함한다.

The Economist는 코드가 일부 모델 훈련 데이터셋의 거의 5분의 1을 차지할 수 있다고 보도한다. 사적인 협상, 고객 분쟁, 내부 투자 결정에는 이와 비슷한 공개 컬렉션이 존재하지 않는다.

이러한 공급은 모델에 입력, 출력, 패턴, 수정의 사례를 다수 제공한다. 생성된 코드가 정확하다는 보장은 아니지만, 유난히 유리한 훈련 조건을 만든다.

소프트웨어에는 검증 시스템도 내장돼 있다. 컴파일러는 유효하지 않은 문법을 감지하고, 자동화된 테스트는 동작을 예상 결과와 비교한다.

린터, 타입 검사기, 보안 스캐너, 지속적 통합 시스템은 추가 피드백을 제공한다. 코딩 에이전트는 인간 검토자를 기다리지 않고도 이러한 도구를 실행할 수 있는 경우가 많다.

그 결과 생성과 평가 사이에 순환 구조가 만들어진다. 모델은 변경을 제안하고, 테스트를 실행하고, 오류를 읽은 뒤 다른 해결책을 시도한다.

다른 전문 업무는 이처럼 명확한 신호를 제공하는 경우가 드물다. 차분한 고객도 결국 이탈할 수 있고, 매끄러운 계약서도 불리한 의무를 숨길 수 있다.

재무 예측은 내부적으로 일관돼 보여도 취약한 가정에 기반할 수 있다. 설득력 있는 채용 추천은 기계가 읽을 수 있는 오류를 일으키지 않은 채 편향을 재생산할 수 있다.

소프트웨어 프로젝트는 운영 맥락의 상당 부분을 디지털로 저장한다. 에이전트는 코드베이스, 티켓 시스템, 문서, 로그, 애플리케이션 프로그래밍 인터페이스를 살펴볼 수 있다.

애플리케이션 프로그래밍 인터페이스, 즉 API는 소프트웨어가 다른 시스템과 구조화된 정보를 교환하도록 해준다. API는 코딩 에이전트에 작업에 필요한 도구로 가는 직접적인 경로를 제공한다.

반대로 다른 직업의 필수 맥락은 흔히 흩어져 있다. 사적인 대화, 문서화되지 않은 관행, 오래된 첨부 파일, 또는 숙련된 직원의 기억 속에 있을 수 있다.

이러한 맥락 문제는 조직의 지식 시스템이 중요한 이유를 설명한다. 에이전트가 관련된 로컬 자료를 안정적으로 찾으려면 팀에는 검색 가능한 지식 기반이 필요하다.

개발자들에게는 또 다른 이점이 있다. 이들은 실패를 워크플로의 정상적인 일부로 이해한다. 이미 디버깅, 차이 검토, 변경 되돌리기, 테스트 재실행을 당연하게 여긴다.

프로그래밍 도구도 자주 바뀐다. 엔지니어들은 새로운 프레임워크, 언어, 에디터, 배포 시스템을 일상적으로 익힌다.

이런 문화는 AI 도입을 유난히 현장 주도적으로 만들었다. 개별 개발자는 고용주가 전체 비즈니스 프로세스를 재설계하기 전에 보조 도구를 시험해 볼 수 있었다.

도구는 사용자에게 익숙한 인터페이스 안으로 들어왔다. 자동 완성은 에디터에 나타났고, 채팅은 소스 파일 옆에서 열렸으며, 에이전트는 터미널에 등장했다.

초기 실험을 위해 별도의 전환 프로그램은 필요하지 않았다. 개발자는 하나의 함수, 하나의 테스트, 하나의 오류 메시지에 AI를 사용할 수 있었다.

이 점진적인 진입 지점은 도입 마찰을 줄였다. 성공적인 실험은 이후 코드 검토, 마이그레이션, 디버깅, 기능 구현을 비롯한 더 큰 작업으로 확장됐다.

이 메커니즘은 사다리를 닮았다. 검증된 결과 하나하나가 약간 더 큰 위임을 뒷받침하고, 기존의 엔지니어링 통제 장치는 실수로 인한 피해를 제한한다.

대부분의 화이트칼라 노동자에게는 이런 사다리가 없다. 이들은 비슷한 테스트 인프라 없이 간헐적인 지원에서 중대한 위임으로 뛰어넘어야 한다.

확장 가능성은 현실이지만 고르지 않다

법률, 금융, 고객 서비스는 빠르게 성장하고 있지만, 매출 성장이 이들 종사자가 개발자와 같은 수준의 사용 강도를 보일 것이라는 증거는 아니다.

The Economist는 법률 기술을 한 후보로 꼽는다. Harvey, Clio, Legora의 합산 ARR이 1년 동안 두 배가 되어 약 10억 달러에 이르렀다고 추정한다.

Harvey는 자사 플랫폼에서 보내는 시간이 매달 두 배로 늘고 있다고 말한다. 이 주장은 참여가 깊어지고 있음을 시사하지만, 회사는 독립적으로 감사된 사용 데이터를 공개하지 않았다.

법률 업무에는 코딩과 비슷한 요소가 여럿 있다. 계약서는 반복되는 조항을 사용하고, 리서치는 확립된 판례와 권위를 따른며, 문서 검토는 대량의 텍스트를 다룬다.

차이점도 그에 못지않게 중요하다. 법적 의미는 관할권, 고객 목표, 협상 이력, 위험 감수 수준에 따라 달라진다.

조항은 문법적으로 정확하면서도 법적으로 위험할 수 있다. 타협안이 고객에게 도움이 되는지 판정하는 자동화된 테스트는 거의 없다.

금융은 또 다른 큰 시장을 제공한다. The Economist는 Rogo가 한 분기 동안 엔터프라이즈 고객 100곳을 추가하고 ARR을 50% 늘렸다고 보도한다.

금융 전문가는 이미 구조화된 데이터, 모델, 반복 가능한 문서를 다룬다. 이런 특성은 리서치와 분석 보조 도구에 유망한 진입점을 만든다.

그러나 금융 의사결정은 수치 결과에 타이밍, 판단, 책임을 결합한다. 모델은 수치를 정확하게 가져오면서도 어떤 가정이 중요한지는 잘못 이해할 수 있다.

고객 서비스는 기업들이 통화 기록, 정책, 과거 해결 사례를 보유한다는 점에서 소프트웨어에 더 가까워 보인다. Cresta CEO Ping Wu는 The Economist에 수천 건의 통화를 분석하면 한때 직원들만 보유했던 지식을 드러낼 수 있다고 말했다.

또 다른 고객 서비스 AI 기업 Sierra는 6월에 ARR 2억 달러에 도달한 것으로 전해졌다. The Economist는 이 수치가 2025년 11월 수준의 두 배였다고 전한다.

벤처 자금도 뒤따랐다. 이 매체는 투자자들이 2026년에 고객 서비스 AI 스타트업에 30억 달러를 투자했으며, 이는 어떤 AI 애플리케이션 분야보다 많은 금액이라고 추정한다.

이 시장들은 직장 내 AI가 확산되고 있음을 보여준다. 하지만 아직 코더 수준의 사용을 입증하지는 못한다.

고객 서비스 에이전트는 일반적으로 실험적 도구를 독립적으로 설치할 수 없다. 고용주가 소프트웨어를 선택하고, 데이터베이스를 연결하고, 권한을 설정하고, 허용 가능한 응답을 정의한다.

변호사와 은행가는 추가 제약에 직면한다. 기밀 유지, 기록 보관, 규제 의무, 전문직 책임 때문에 통제되지 않은 실험에는 큰 비용이 든다.

그 결과 하향식 도입 패턴이 만들어진다. 사용량이 늘어나기 전에 공급업체는 보안 검토, 통합, 평가, 교육을 완료해야 한다.

코딩은 흔히 반대 방향으로 움직였다. 개발자들은 개별적으로 보조 도구를 도입하고, 현장 가치를 입증한 뒤, 전사 구매를 장려했다.

AI 공급업체들은 이 차이를 줄이려 하고 있다. Harvey는 합성 데이터를 사용하는데, 이는 인간 활동에서 직접 수집한 것이 아니라 모델이 생성한 훈련 자료를 뜻한다.

전문 노동 플랫폼도 도메인 전문가와 모델 개발자를 연결한다. 이 전문가들은 사례를 만들고, 답변을 평가하며, 전문적 의사결정의 배경 논리를 설명한다.

한편 포워드 디플로이드 엔지니어는 고객 조직 내부에서 현지 시스템에 맞게 모델을 조정한다. 이들의 역할은 기술 구현과 지속적인 프로세스 발견을 결합한다.

이러한 접근 방식은 전문 업무 환경을 기계가 더 쉽게 이해할 수 있도록 만들 수 있다. 그러나 각각에는 노동력, 통합 작업, 고객별 지식이 필요하다.

이는 하나의 범용 모델이 코딩 어시스턴트만큼 쉽게 모든 직장으로 확산될 수 있다는 가정을 약화시킨다. 소프트웨어 외 분야의 도입은 셀프서비스 소프트웨어만이 아니라 컨설팅과 소프트웨어의 결합에 가까울 수 있다.

코딩의 인기가 생산성을 입증하지는 않는다

높은 사용량은 개발자들이 AI 접근성을 가치 있게 여긴다는 사실을 보여주지만, 모든 작업이 더 빠르거나 더 나아진다는 증거는 아니다.

Stack Overflow 설문조사는 이러한 긴장을 드러낸다. 응답자의 84%가 AI 도구를 사용했거나 사용할 계획이라고 답했지만, 정확성을 신뢰한 비율은 33%에 그쳤다.

46%는 AI 결과물을 적극적으로 신뢰하지 않는다고 답했다. 자신을 매우 신뢰하는 편이라고 표현한 비율은 3%뿐이었다.

도입과 신뢰 사이의 이 격차는 모순이 아니다. 개발자들은 중요한 결과를 모두 검토하면서도 AI를 자주 사용할 수 있다.

같은 설문조사에서는 52%가 AI 도구 또는 에이전트가 생산성을 향상했다고 믿는 것으로 나타났다. 그러나 과반수는 에이전트를 사용하지 않거나 더 단순한 어시스턴트에만 의존했다.

개발자들은 책임이 큰 영역에서 위임에도 저항했다. 76%는 배포 및 모니터링에 AI를 사용할 계획이 없었고, 69%는 프로젝트 계획 수립에 AI를 쓰는 것을 거부했다.

이러한 결과는 도입이 작업별로 이루어진다는 점을 시사한다. 검색, 설명, 문서화, 보일러플레이트, 테스트는 매력적일 수 있지만, 아키텍처 결정은 여전히 사람이 주도할 수 있다.

METR의 무작위 생산성 연구는 더 분명한 경고를 제시했다. 숙련된 오픈소스 개발자 16명이 성숙한 리포지터리에서 246개 작업을 완료했다.

2025년 초반의 AI 도구 사용이 허용됐을 때, 참가자들은 작업에 19% 더 오래 걸렸다. 연구 전에는 AI가 완료 시간을 24% 줄일 것으로 예상했다.

연구 후에도 이들은 도구가 시간을 20% 절약해줬다고 믿었다. 이들의 인식은 측정된 작업 완료 시간과 반대 방향으로 움직였다.

이 결과를 모든 개발자에게 일반화해서는 안 된다. 이 연구는 자신이 잘 아는 대규모 리포지터리에서 작업하는 숙련된 기여자들에 초점을 맞췄다.

실험 이후 도구도 개선됐다. 개발자, 프로젝트, 워크플로가 다르면 결과도 달라질 수 있다.

그럼에도 이 결과는 흔한 지름길식 해석에 의문을 제기한다. 사용량, 만족도, 체감 속도는 측정된 생산성과 서로 바꿔 쓸 수 있는 지표가 아니다.

AI는 불쾌한 타이핑을 줄이고, 낯선 문법을 제안하며, 탐색 과정을 더 흥미롭게 만들기 때문에 유용하게 느껴질 수 있다. 개발자는 결과 검토에 추가 시간이 들더라도 그러한 경험을 선호할 수 있다.

더 광범위한 고용 관련 증거도 신중하게 해석해야 한다. 연방준비제도 연구진은 컴퓨터 및 수학 관련 업무가 표본으로 수집된 Claude 질의의 3분의 1 이상을 차지한다는 사실을 발견했다.

이들 직업은 전체 노동력의 3.4%에 불과했다. 이 불균형은 유난히 높은 노출도를 확인해주지만, 표본에서는 기업용, 팀 단위, API 활동이 제외됐다.

연구진은 서로 다른 노출도 측정 방식이 상당히 엇갈린다는 사실도 확인했다. 두 측정 방식 모두 코딩을 가장 높은 노출도를 가진 직업군에 포함했지만, 노출도만으로 고용 효과를 식별할 수는 없다.

이 구분은 투자 논지에서 중요하다. AI 제공업체는 사용량이 예산 검토를 견딜 수 있을 만큼 고객이 충분한 측정 가능한 가치를 얻도록 해야 한다.

제품은 호기심과 편의성만으로도 빠르게 확산될 수 있다. 지속적인 기업 지출에는 산출량, 품질, 속도 또는 처리 역량을 개선한다는 증거가 필요하다.

이러한 회의적 관점에서도 코딩은 강점을 유지한다. 소프트웨어 팀은 승인된 변경 사항, 결함률, 검토 시간, 배포 빈도, 작업 완료를 측정할 수 있다.

다른 업무 기능에는 이와 비슷한 기준선이 없는 경우가 많다. 이는 개선과 실패 모두를 입증하기 어렵게 만든다.

따라서 위험은 모델 정확도보다 더 넓다. 기업은 AI가 시간을 절약하는지, 업무를 검토자에게 전가하는지, 또는 단지 비용을 다른 곳으로 옮기는지 알지 못한 채 배포할 수 있다.

코더가 예외로 남을 수 있는 이유

약속은 보편적인 직장 자동화이지만, 현재의 메커니즘은 소프트웨어의 구조와 사용자의 행동에 유난히 크게 의존한다.

Anthropic의 자체 데이터는 집중도 논거를 뒷받침한다. 2025년 9월 사용 보고서에 따르면, 코딩은 표본으로 수집된 Claude 활동의 36%를 차지했다.

교육은 9.3%에서 12.4%로 늘었고, 과학 관련 작업은 6.3%에서 7.2%로 증가했다. 이러한 증가는 코딩을 1위 자리에서 밀어내지 않은 채 다변화가 진행되고 있음을 보여줬다.

Anthropic의 2026년 1월 보고서는 주로 코딩 관련인 Claude.ai 대화의 비중이 40% 정점에서 2025년 11월 34%로 하락했다고 밝혔다. 이 변화는 다른 활동으로의 확장을 시사한다.

그러나 대화의 3분의 1은 여전히 높은 집중도를 의미한다. 또한 이는 전체 AI 시장이 아니라 한 기업의 제품 구성만 반영한다.

이후 Anthropic의 방법론 업데이트는 장시간 실행되는 에이전트로 인해 단순 대화 수가 덜 유익한 지표가 됐다고 지적했다. Claude Code와 Cowork 세션은 일반적인 채팅보다 더 많은 작업을 포함할 수 있다.

이는 직업 간 비교를 복잡하게 만든다. 하나의 코딩 세션에는 파일 검사, 구현, 테스트, 수정이 포함될 수 있는 반면, 다른 사용자는 글쓰기 질문 하나만 할 수 있다.

소프트웨어 개발은 모호함을 명시적인 산출물로 전환한다. 요구사항은 티켓이 되고, 설계는 문서가 되며, 변경은 커밋이 되고, 실패는 로그가 된다.

이 과정은 에이전트에 관찰 가능한 상태를 제공한다. 또한 인간에게는 작업을 승인, 거부, 수정할 수 있는 점검 지점을 제공한다.

다른 분야의 전문 지식은 흔히 관계적이다. 좋은 결과는 신뢰, 공감, 타이밍, 조직 정치, 또는 말로 드러나지 않은 선호에 좌우될 수 있다.

이러한 신호는 학습 데이터로 전환하기 어렵다. 이를 기록하는 과정은 개인정보 보호, 동의, 거버넌스 문제를 초래할 수 있다.

규제는 이 격차를 강화한다. 변호사는 비밀특권 정보를 보호해야 하고, 금융기관은 커뮤니케이션을 감독해야 하며, 고객 서비스 시스템은 소비자 규정을 따라야 한다.

AI 공급업체는 통제 장치, 감사 로그, 검색 증강 시스템을 추가할 수 있다. 이러한 조치는 도움이 되지만, 직원이 가치를 얻기 전에 구현 작업을 추가한다.

코딩 어시스턴트 시장 역시 신뢰할 수 있는 위임이 얼마나 까다로운지 보여준다. Anthropic 제품 관리자 Cat Wu는 궁극적인 책임은 엔지니어에게 남는다고 말했다.

Gartner 애널리스트 Philip Walsh도 비즈니스용으로 준비된 소프트웨어에는 여전히 숙련된 전문가가 필요하다고 주장했다. 그는 품질, 확장성, 보안, 견고성이 계속되는 한계라고 언급했다.

이러한 인간의 필요성이 코딩 에이전트의 중요성을 낮추지는 않는다. 오히려 이들을 판단할 자격이 있는 사람들 사이에서 가장 빠르게 확산되는 이유를 설명한다.

가장 강력한 AI 사용자가 반드시 자동화하기 가장 쉬운 업무를 맡은 사람은 아니다. 자동화 실패를 감지하고 복구할 준비가 가장 잘 된 노동자일 수 있다.

이 원칙은 보편적 도입 전망에 문제를 만든다. 많은 직원은 실험할 권한도, 모델이 생성한 모든 결정을 평가할 전문성도 부족하다.

기업은 검증을 중심으로 워크플로를 재설계해 대응할 수 있다. 승인된 데이터 소스, 평가 기준표, 에스컬레이션 규칙, 인간 검토를 마련할 수 있다.

그러나 그렇게 하면 도입은 조직 엔지니어링으로 바뀐다. 모델 접근권 구매는 첫 단계에 불과하다.

따라서 Google News의 질문은 역전된다. 코딩은 모든 직업이 AI를 수용할 증거로 제시되지만, 오히려 다른 분야에 없는 전제조건을 드러낼 수 있다.

AI 투자 붐이 다음으로 입증해야 할 것

다음 단계는 세 가지 신호, 즉 더 폭넓은 반복 사용, 신뢰할 수 있는 생산성 측정, 더 저렴한 고객별 배포에 달려 있다.

첫 번째 신호는 법률, 금융, 고객 서비스 제품이 초기 출시 이후에도 빈번한 사용을 유지하는지 여부다. 고객 수와 ARR은 구매를 보여줄 뿐, 사용의 깊이를 보여주지는 않는다.

투자자는 갱신율, 활성 사용자, 완료된 워크플로, 기존 고객 내 확장을 살펴봐야 한다. 공급업체는 이러한 지표를 모두 공개하는 경우가 드물다.

가장 강력한 증거는 직원들이 매일 다시 사용하고, 완전한 프로세스의 더 큰 부분을 위임한다는 사실을 보여주는 것이다. 가끔 하는 초안 작성이나 요약은 더 작은 시장을 뒷받침할 것이다.

비코딩 애플리케이션이 개발자 수준의 사용 빈도에 가까워진다면 보편적 도입 논지는 강화된다. 사용이 여전히 간헐적이라면 코딩은 상한선에 더 가까워 보일 것이다.

두 번째 신호는 독립적인 생산성 증거다. 기업은 검토 시간, 오류 수정, 규정 준수 작업, 이후 발생하는 실패까지 포함한 비교가 필요하다.

생성된 문서 수나 완료된 채팅 수 같은 단순 지표는 오해를 부를 수 있다. 직원이 이를 확인하는 데 더 많은 시간을 써야 한다면, 산출량 증가는 제한적인 가치만 가진다.

통제된 연구가 모든 조직을 포괄하지는 못한다. 그래도 기업은 단계적 도입, 비교 가능한 팀 구성, 품질 표본 조사, 도입 전후 운영 지표를 활용할 수 있다.

더 나은 평가는 인간의 판단이 어디에서 가치를 창출하는지도 분명히 해줄 것이다. AI 시스템은 초기 분석을 가속할 수 있지만 최종 결정은 그대로 남겨둘 수 있다.

그러한 결과도 여전히 투자를 정당화할 수 있다. 다만 이는 전체 워크플로 자동화보다 더 제한적인 주장을 뒷받침한다.

세 번째 신호는 배포 비용이다. 현장에 배치된 엔지니어와 도메인 전문가는 조직의 비공개 지식을 활용 가능한 맥락으로 전환할 수 있지만, 이 작업은 경제적으로 확장 가능해야 한다.

공급업체가 재사용 가능한 커넥터, 공유 평가 방법, 산업별 통제를 만드는지 지켜봐야 한다. 이러한 구성 요소는 고객별로 필요한 맞춤 노동을 줄일 수 있다.

범용 모델과 특화 시스템의 균형도 지켜봐야 한다. 범용 모델은 폭넓은 역량을 제공하고, 전문 제품은 도메인 데이터, 권한, 워크플로를 패키징한다.

특화 공급업체가 대규모 구현 팀 없이 성장한다면, 다른 직업도 코딩과 더 비슷해질 수 있다. 모든 배포에 광범위한 맞춤화가 필요하다면 수익성과 도입 속도는 압박을 받을 것이다.

개발자에게 단기적인 교훈은 생성된 코드 줄 수가 아니라 결과를 측정하는 것이다. 가치 있는 역량은 작업 정의, 맥락 관리, 검증, 시스템 판단으로 이동하는 데 있다.

기업 구매자에게도 교훈은 똑같이 실용적이다. 접근 가능한 데이터, 명확한 성공 기준, 되돌릴 수 있는 조치, 책임 있는 검토자가 있는 워크플로부터 시작해야 한다.

지식 노동자는 자신의 업무 중 이미 디지털 피드백을 만들어내는 부분이 어디인지 물어봐야 한다. 그 영역이 소프트웨어 테스트에 가장 가까운 등가물을 제공한다.

투자 붐이 모든 직원을 프로그래머로 만들 필요는 없다. 하지만 다른 직업들이 지시에서 검증된 결과로 이어지는 유사하게 반복 가능한 경로를 개발해야 한다.

이것이 Google News 기사 뒤에 남아 있는 미해결 과제다. 모델은 계속 개선되고 있고, 상업적 도입은 엔지니어링을 넘어 확산되고 있다.

그러나 소프트웨어 개발은 공개 학습 자료, 디지털 맥락, 자동화된 검증, 유연한 사용자, 측정 가능한 산출물을 결합한다. 현재 이 조합에 맞먹는 주요 직업은 없다.

향후 몇 달 동안은 개별 시연보다 반복적인 행동을 지켜봐야 한다. 전문가들이 완전한 워크플로를 위임하고, 결과를 측정하며, 지속적인 기술 지원 없이 다시 사용하고 있는가?

답이 예가 된다면, 코더는 광범위한 직장 전환의 첫 사례였다. 아니라면, 이들은 훨씬 더 큰 투자 약속을 뒷받침하는 유리한 예외였던 셈이다.

유용한 질문은 팀이 AI에 접근할 수 있는지가 아니다. 워크플로가 적절한 맥락을 제공하고, 실수를 감지하며, 위임이 가치를 만들었다는 사실을 입증할 수 있는지다.