문제는 AI 코드가 아니라 시스템 아키텍처와 설계 의도를 모르는 데 있음

AI가 만드는 코드의 품질보다 더 큰 문제는 팀이 시스템 아키텍처와 선택의 의도를 이해하지 못한 채 Claude에만 의존하고, 계획 없이 개발하는 데 있음 출시량만 압박하는 조직에서는 AI가 명세부터 코드와 보고서까지 만들지만, 사람이 결과를 읽고 코드의 동작을 파악할 시간이 부족해짐 AI가 구현의 마찰을 줄여도 도메인 지식과 기본기는 여전히 필요하며, 새로운 분야에서 프롬프트만으로 작업하면 필요한 지식이 빠질 수 있음 파이프라인, 앱, BI 대시보드를 쉽게 만들수록 유지보수할 대상도 늘어나며, 시스템을 이해하는 사람이 없으면 관리가 매우 어려워짐 AI를 지휘하고 조율하는 사람은 여전히 필요하며, 의도와 안목, 설계와 아키텍처 역량의 중요성이 커짐 코드 품질보다 중요한 시스템 이해 코드를 직접 작성하는 일이 사라지는지와 별개로, 더 큰 문제는 개인이나 팀 전체가 시스템 아키텍처와 특정 선택을 내린 이유를 모르는 상태임 논의 참여자 한 사람의 경험에 따르면, 작업과 규모에 따라 AI가 대체로 평균적인 코드를 작성하며 평균 이하의 코드베이스를 평균 수준으로 개선할 수 있음 코드 자체가 나쁘지 않더라도 모두가 Claude에만 질문하면, 시스템을 이해하는 사람도 전체 계획도 없는 상태에 이를 수 있음 출시 압박 아래 사라지는 검토와 사고 Voxium의 경험담은 빠르게 움직이는 스타트업이나 AI 사용을 강하게 밀어붙이는 대기업에서 나타나는 출시 중심 개발의 문제를 보여줌 대기업에 입사한 지 보름 만에 명세, 코드, 테스트, PRD, 티켓, 티켓 해결, 보고서까지 모두 Claude Code로 만드는 상황을 경험함 팀원들은 이를 좋아하지 않지만 가능한 한 많이 출시하도록 압박받으며, 경영진은 코드 작성이 병목이 아닌데 왜 느리냐고 질문함 하루 12~13시간 일하면서도 사실상 엔터 키만 누르고, 아무도 결과를 읽지 않는다고 토로함 이 경험담 속에서는 L1부터 L7까지 모두 Claude와 대화하는 같은 일을 하며, 직접 버그를 해결하거나 사고하는 과정과 성취감이 사라짐 코드를 확인하고 무엇이 어디로 흐르는지 파악할 시간조차 주어지지 않으며, 무슨 일이 생기든 출시하는 것이 목표임 데이터 엔지니어링도 지식 공백에서 자유롭지 않음 Hoyt Emerson은 데이터 분야 종사자는 처음부터 제품과 비즈니스를 알아야 했으므로, AI는 그들에게 작업의 마찰을 줄이는 도구라고 봄 AI 이전에 성장한 데이터 전문가는 실제로 많은 것을 직접 이...