앤드류 응이 말하는 AI 에이전트의 미래: 병목의 이동과 기업 AI 전환 전략

한 줄 요약

AI 에이전트가 코딩 속도를 비약적으로 높이면서 개발 자체가 아닌 '무엇을 만들 것인가'와 '비정형 데이터 관리'가 새로운 병목이 되었으며, 기업은 단순 효율화를 넘어 전체 워크플로를 재설계하는 Top-down 전략으로 성장(Growth)을 꾀해야 한다.

영상 핵심 내용

코딩 에이전트의 부상과 '병목 현상'의 전이

코딩 에이전트(Coding Agents)의 발전 속도는 예상보다 훨씬 빨랐으며, 이는 소프트웨어 개발의 패러다임을 '구현'에서 '결정'으로 옮겨놓았다.

• 구현 속도의 폭발: 과거 3개월 걸리던 작업이 하루 만에 가능해지면서, 코딩 자체는 더 이상 병목이 아니다.
• 새로운 병목의 등장:
• 제품 관리(PM) 병목: 무엇을 만들지 결정하고 범위를 정하는(Scoping) 시간이 개발 속도를 못 따라감.
• 법무/디자인/마케팅 병목: 개발은 하루 만에 끝났는데, 법무 검토에 일주일이 걸리거나 마케팅 문구를 작성하는 속도가 느려 전체 출시가 지연됨.
• 해결책: 고맥락 제너럴리스트(High-context Generalists): 1~10명의 소규모 팀이 AI를 활용해 PM, 마케팅, 법무 초안 작성까지 수행하며 경계를 허무는 구조로 변화하고 있다.

AI 시대의 소프트웨어 개발 도구와 방법론

개발자는 이제 모든 것을 직접 짜는 것이 아니라, 이미 존재하는 '빌딩 블록'을 조합하는 능력이 중요하다.

• 조합적 개발(Combinatorial Development): RAG 프레임워크, 가드레일, UI 컴포넌트 등 AI 및 비-AI 빌딩 블록을 레고처럼 조합하여 기하급수적으로 빠르게 제품을 구축한다.
• Context Hub의 필요성: 최신 API나 SDK는 모델의 학습 컷오프(Cut-off) 날짜 이후에 출시되는 경우가 많아 에이전트가 알지 못한다. 이를 해결하기 위해 최신 문서를 에이전트에게 실시간으로 제공하는 '에이전트용 스택 오버플로우' 같은 체계가 필수적이다.
• 데이터베이스 선택의 변화: 빠른 프로토타이핑을 위해 스키마 변경이 까다로운 관계형 DB(Relational DB)보다, 데이터를 자유롭게 넣고 읽을 때 정의하는 NoSQL(예: MongoDB)을 사용하여 반복 주기(Iteration)를 극대화한다.

기업 AI 도입: 효율화(Efficiency) vs 성장(Growth)

많은 기업이 '바텀업(Bottom-up)' 방식으로 AI를 도입하지만, 이는 부분적인 효율 개선에 그칠 뿐 근본적인 비즈니스 성장을 만들지 못한다.

• 점진적 개선의 한계: 대출 심사 과정의 한 단계(1시간 소요 작업)를 AI로 자동화하는 것은 단순한 비용 절감이다.
• 워크플로 재설계(Top-down): "10분 만에 승인되는 대출 상품"이라는 새로운 가치를 정의하고, 마케팅-심사-실행 전체 프로세스를 AI 중심으로 재설계해야 폭발적인 성장이 가능하다.
• 전략적 포트폴리오: 수백 개의 작은 아이디어에 매몰되지 말고, 비즈니스를 완전히 바꿀 수 있는 몇 가지 '큰 베팅(Swing for the fences)'에 자원을 집중해야 한다.

AI Ready를 위한 데이터 아키텍처의 재구성

지난 20년이 정형 데이터(표, 스프레드시트)의 시대였다면, 이제는 비정형 데이터의 시대다.

• 비정형 데이터의 가치: PDF, 이미지, 오디오, 텍스트 등 그동안 보관만 했던 데이터들이 AI 에이전트를 통해 비로소 활용 가능한 자산이 되었다.
• 현재의 문제점: 데이터 파편화, 일관성 없는 스키마, 인간 중심의 권한 관리 체계 등이 에이전트의 접근을 방해한다.
• 미래 전망: 기업들은 수천만 달러 규모의 프로젝트를 통해 데이터 아키텍처를 '에이전트 친화적(Agent-ready)'으로 재설계하는 거대한 전환기를 맞이할 것이다.

새로운 시각

'능력의 상향 평준화'가 만드는 역설적 전문성

AI가 마케팅 초안을 쓰고 법무 문서를 작성하면서, 전문 지식이 없는 사람도 '적당히 괜찮은' 수준의 결과물을 낼 수 있게 되었다. 이는 역설적으로 '최종 검토 및 폴리싱(Polishing)'을 할 수 있는 진짜 전문가의 가치를 높인다. AI가 90%를 해내더라도, 나머지 10%의 치명적인 오류를 잡아내고 완성도를 결정짓는 '최종 승인권자'로서의 전문성이 핵심 경쟁력이 될 것이다.

소프트웨어의 '액체화(Liquefaction)'

과거의 소프트웨어는 고정된 기능의 집합체(Solid)였다. 하지만 빌딩 블록의 조합과 에이전트 기반의 빠른 수정이 가능해지면서, 소프트웨어는 사용자의 요구와 시장 상황에 따라 실시간으로 형태를 바꾸는 '액체'와 같은 성격을 띠게 된다. 이제 '완성된 제품'이라는 개념보다는 '지속적으로 진화하는 워크플로'라는 개념이 더 중요해진다.

자녀와 미래에 대한 시사점

다음세대를 위한 교육: '무엇을'보다 '어떻게 조합할 것인가'

• 학습의 전환: 특정 언어의 문법을 외우는 코딩 교육은 무의미해진다. 대신 다양한 AI 빌딩 블록의 특성을 이해하고, 이를 조합해 문제를 해결하는 '시스템 설계 능력'과 '오케스트레이션(Orchestration)' 능력이 핵심이 된다.
• 제너럴리스트의 귀환: 한 가지 전공에 매몰되지 않고, 기술-비즈니스-디자인-법무를 아우르는 넓은 시야를 가진 '고맥락 제너럴리스트'가 가장 강력한 생존력을 갖게 될 것이다.

의료 분야로의 함의: 진단 도구에서 '진료 워크플로 에이전트'로

• 단순 자동화 너머의 재설계: 내시경 검사 결과지 작성 시간을 줄이는 '효율화'를 넘어, 환자의 유전체 데이터, 생활 습관(비정형 데이터), 최신 논문을 실시간으로 조합해 '개인 맞춤형 정밀 치료 계획'을 1분 만에 제안하는 '진료 프로세스의 전면 재설계'가 가능해질 것이다.
• 비정형 의료 데이터의 자산화: 수십 년간 쌓인 환자의 차트, 영상 판독문, 간호 기록 등 비정형 데이터를 AI-ready하게 재구축하는 것이 미래 의료 AI의 승부처가 될 가능성이 높다.