AI 시대를 위해 모든 엔지

AI 시대의 엔지니어는 코드를 빠르게 생성하는 사람을 넘어, 사용자 문제를 정의하고 더 나은 해결책을 탐색하는 사람이어야 한다. AI는 단순한 비용 절감이나 자동화 도구가 아니라, 엔지니어의 판단력·창의성·협업 능력을 확장하는 수단으로 활용해야 한다. 이를 위해 문제 탐색, 에이전트 활용, 코드 검토, 맥락 제공과 같은 새로운 업무 방식이 중요해진다.

자동화를 넘어 문제 해결에 AI 활용하기

• AI의 가치는 반복 작업을 줄이는 데만 있지 않고, 엔지니어가 더 높은 수준의 문제 정의와 해결에 집중하도록 돕는 데 있다.
• 코드 작성 외에도 엔지니어는 다음을 판단해야 한다.
  • 어떤 문제를 해결할 것인가
  • 사용자는 무엇을 필요로 하는가
  • 어떤 방식이 가장 적절한가
• 단순하고 지루한 작업을 자동화하면 사용자 공감, 제품의 의미, 동료와의 협업처럼 자동화하기 어려운 영역에 더 많은 시간을 쓸 수 있다.
• AI 시대에도 제품에 대한 이해와 세심한 구현 품질은 여전히 핵심 역량이다.

바이브 코딩으로 가능성 탐색하기

• 바이브 코딩은 코드를 대충 생성하는 방식이 아니라, 자연어 대화를 통해 문제 공간을 탐색하고 해결책을 실험하는 방법이다.
• AI를 사용하면 기존의 한두 가지 접근법에 머무르지 않고 여러 경로를 빠르게 시도할 수 있다.
• 생성된 프로토타입이나 시각적 결과물을 공유해 사용자와 동료의 피드백을 일찍 받을 수 있다.
• Figma Make처럼 프롬프트로 앱과 고충실도 프로토타입을 만들면 구현에 들어가기 전에 사용자 경험을 검증할 수 있다.
• AI는 사용자 경험에 대한 고민을 없애는 것이 아니라, 더 앞단에서 충분히 검토하도록 돕는다.

에이전트와 MCP로 더 정확한 결과 만들기

• 에이전트형 AI는 Cursor나 Copilot 같은 도구가 다른 소프트웨어와 상호작용하며 작업하도록 만든다.
• MCP(Model Context Protocol)는 AI 도구와 외부 소프트웨어가 정보를 주고받는 표준이다.
• Figma MCP 서버는 디자인 구조, 컴포넌트, 관련 맥락을 LLM에 전달해 디자인에 충실한 코드를 생성하도록 돕는다.
• 충분한 맥락이 제공되면 다음과 같은 효과를 얻을 수 있다.
  • 기존 컴포넌트 라이브러리 재사용
  • 디자인 시스템 준수
  • 접근성 규칙 반영
  • 구현 결과와 디자인 간 차이 감소
• AI의 출력 품질은 모델 자체뿐 아니라, 모델에 전달하는 도구·코드베이스·디자인 맥락의 품질에 좌우된다.

Pull Request를 스스로 사전 점검하기

• LLM을 PR 제출 전 검토자로 활용하면 코드 리뷰 전에 문제를 발견할 수 있다.
• 코드베이스를 이해하는 LLM은 다음과 같은 문제를 찾아낼 수 있다.
  • 이미 존재하는 구현을 다시 작성한 경우
  • 중복 로직
  • 프로젝트의 기존 패턴과 어긋나는 코드
  • 잠재적인 누락이나 개선 지점
• AI 리뷰는 사람의 최종 검토를 대체하기보다, 리뷰 요청 전에 작성자가 코드 품질을 높이는 사전 검증 단계로 유용하다.
• 결과적으로 리뷰어와 작성자의 부담을 줄이고 개발 처리량을 높일 수 있다.

여러 AI 에이전트를 조율하기

• 복잡한 문제를 작은 작업으로 분해하고, 각각을 여러 AI 에이전트에게 맡기는 능력이 중요해진다.
• 엔지니어는 각 에이전트에 명확한 지시와 맥락을 제공해야 한다.
  • 작업 범위
  • 관련 파일과 제약 조건
  • 기대하는 출력 형식
  • 프로젝트의 코딩 규칙
• 여러 에이전트가 만든 결과를 검토하고 하나의 일관된 해결책으로 통합하는 역할은 여전히 엔지니어의 몫이다.
• 마크다운 지침 파일이나 프로젝트 문서를 정리해 LLM에 지속적으로 맥락을 제공하는 것도 새로운 업무 역량으로 부상한다.
• 핵심은 AI에게 모든 판단을 위임하는 것이 아니라, 문제를 분해하고 결과를 조율하는 것이다.

기술보다 중요한 제품 감각과 협업

• AI가 코드를 빠르게 만들어도 무엇을 만들어야 하는지 결정하는 책임은 엔지니어에게 남는다.
• 사용자 관점에서 문제의 의미와 우선순위를 판단해야 하며, 동료와 함께 아이디어를 발전시켜야 한다.
• AI가 생성한 결과는 빠른 초안이나 탐색 도구로 활용하고, 최종 품질은 엔지니어의 검증과 제품 이해를 통해 확보해야 한다.
• 앞으로의 강한 엔지니어는 코딩 능력뿐 아니라 문제 정의, 맥락 전달, 결과 평가, 협업 능력을 함께 갖춘 사람이다.

AI를 도입할 때는 단순히 코드 생성량을 늘리기보다, 프로토타입 탐색과 사전 리뷰처럼 사고의 품질을 높이는 과정에 먼저 적용하는 것이 좋다. 특히 프로젝트 규칙과 디자인 시스템을 문서화하고 AI에 충분한 맥락을 제공하면 생산성과 결과의 정확도를 함께 개선할 수 있다.