들어가며: 요즘 새로 나온 서비스들, 왜 이렇게 다 비슷할까
요즘 새로 나온 서비스의 랜딩 페이지를 열어보면 이상하게 어디서 본 것 같다. 화면 한가운데 큼지막한 문구가 있고, 그 아래로 둥근 카드가 서너 장 깔려 있고, 배경엔 은은한 그라데이션이 번져 있고, 버튼에는 어김없이 ‘Get Started’가 적혀 있다. 로고를 가리고 나면 어느 회사 서비스인지 맞히기가 어렵다. 소개 문구도 마찬가지다. ‘올인원 플랫폼’, ‘AI로 더 스마트하게’ 같은 말이 서비스만 바꿔가며 계속 나온다.

이런 사이트들이 실제로 어떤 모습인지 궁금하다면, AI 슬롭으로 분류된 웹사이트들을 모아놓은 아카이브도 살펴볼 만하다. 비슷한 디자인이 얼마나 반복되는지 직접 확인해 볼 수 있다. AI 슬롭 아카이브 둘러보기
처음에는 그냥 유행이겠거니 했다. 디자인 트렌드라는 게 원래 한동안 한쪽으로 쏠렸다가 돌아오니까. 그런데 이번에는 결이 좀 다르다고 느꼈다. 유행은 사람이 따라 하는 것이라서, 따라 하는 과정에서 어쨌든 취향이 한 번은 걸러진다. 요즘 비슷해진 화면들에는 그런 취향의 흔적조차 없다. 누가 만들어도 이렇게 나올 것 같은 모양이 그냥 찍혀 나온다.
나는 이게 우연이 아니라고 생각한다. 이전 글(AI 시대, 우리가 가져야 할 개발자의 태도)에서 바이브 코딩이 왜 비슷한 결과물을 낳는지 이야기했는데, 이번에는 범위를 조금 넓혀보려 한다. AI로 코딩하고 AI로 일한다는 걸 간판처럼 내세우는 신규 기업들 이야기다. 미리 말해두자면 나는 AI를 쓰는 기업을 비판하려는 게 아니다. 나도 쓴다. 내가 문제 삼는 건 AI를 주체로 앉혀놓은 기업이다.
그 차이가 정확히 뭔지, 왜 그 차이가 사업의 경쟁력과 곧바로 이어지는지부터 풀어보겠다. 그다음에 요즘 자주 들리는 하네스와 토큰 사용량 이야기가 이 문제를 어디까지 해결해주는지 따져보고, 마지막에는 조금 불편할 수도 있는 이야기도 하나 하려고 한다.
전제: AI는 창작하는 게 아니라 확률을 계산한다
이전 글에서도 말했지만, 이야기를 시작하기 전에 작동 원리부터 짧게 다시 짚고 가야겠다. LLM은 앞에 나온 단어(토큰)들에 학습으로 얻은 가중치를 곱해서 다음에 올 단어의 확률을 계산하고, 그중 하나를 골라 이어 붙이는 일을 반복한다. 문장도 그렇게 나오고 코드도 그렇게 나온다. 실제 구조는 이보다 훨씬 복잡하지만 뼈대는 결국 ‘다음 단어 맞히기’다. 사람이 무언가를 만들 때처럼 먼저 의도가 있고, 그 의도에 맞춰 선택지를 고르는 과정과는 출발점부터 다르다.
여기서 중요한 건 이 기계가 ‘가장 새로운 답’이 아니라 ‘가장 그럴듯한 답’을 향해 간다는 점이다. 그럴듯하다는 건 학습 데이터에서 자주 등장했다는 뜻이고, 자주 등장했다는 건 흔하다는 뜻이다. 그래서 따로 방향을 주지 않으면 결과물은 평균 쪽으로 모인다. 이게 요즘 말하는 AI 슬롭이다. 같은 구조에서 나오는 또 다른 부산물이 할루시네이션인데, 모델 입장에서는 모른다고 말하는 것보다 그럴듯한 문장을 이어 붙이는 쪽이 훨씬 자연스러운 동작이라서 사실이 아닌 말도 아주 자신 있게 나온다. 둘 다 고장이라기보다 이 구조가 원래 그렇게 생겨서 나오는 결과에 가깝다.
“그럼 무작위성을 높이면 다양해지는 거 아니냐”고 물을 수 있다. 실제로 모델에는 출력을 얼마나 흩뜨릴지 조절하는 설정이 있다. 하지만 그건 확률 분포 안에서 덜 흔한 쪽을 더 자주 뽑게 만드는 것일 뿐이다. 주사위의 눈을 바꾸는 게 아니라 던지는 방식을 바꾸는 거다. 게다가 우연히 달라진 것과 의도를 갖고 달라진 것은 전혀 다른 이야기다. 어떤 서비스가 남다르다는 건 그 팀이 어떤 고객의 어떤 불편을 어떻게 풀고 싶었는지가 화면 곳곳에 배어 있다는 뜻이지, 어쩌다 평소와 다른 색이 뽑혔다는 뜻이 아니다.
도구로 쓴다는 것과 주체로 쓴다는 것
이 글의 핵심 구분이라서 기준부터 분명히 해두고 싶다. 내가 말하는 ‘도구’는 무엇을 만들지, 왜 그렇게 만들지는 사람이 정해두고 AI에게는 그 판단을 거드는 일을 시키는 쓰임이다. 에러 로그를 붙여넣고 원인을 물어보는 것, 내가 짠 코드를 리뷰해달라고 하는 것, 수십 번 반복해야 하는 변환 작업을 맡기는 것이 여기에 들어간다. 반대로 ‘주체’로 쓴다는 건 기획과 구조, 화면, 문구까지 AI가 내놓은 초안을 거의 그대로 가져다 쓰고, 사람은 결과를 훑어보고 “괜찮네” 하며 승인 버튼만 누르는 쓰임이다. “쇼핑몰 하나 만들어줘”로 시작하는 작업은 대개 이쪽이다.
물론 현실에서는 칼로 자르듯 나뉘지 않는다. 같은 사람이 어떤 날은 도구로, 어떤 날은 주체로 쓴다. 그래서 나는 두 가지 질문으로 가늠해본다. 하나는 결과물의 선택 하나하나에 “왜 이렇게 했어?”라고 물었을 때 내 말로 답할 수 있느냐다. 이 버튼 색이 왜 이건지, 이 DB 구조를 왜 택했는지, 이 문구를 왜 썼는지 답할 수 없다면 그 결정은 내가 내린 게 아니다. 다른 하나는 내일부터 AI를 못 쓰게 되더라도 이 서비스를 계속 고치고 키울 수 있느냐다. 여기에 자신 있게 “그렇다”고 말하지 못한다면, 그 서비스에서 AI는 도구가 아니라 지반이 되어 있는 것이다. 회사의 핵심 판단이 외부 모델의 확률 계산 속에 들어가 있다는 뜻이기도 하다.
하나 더 짚어두고 싶은 게 있다. AI가 평균을 내놓는다고 해도, 거기서 평균을 벗어나게 만드는 건 결국 프롬프트를 쓰는 사람의 취향과 맥락이다. 같은 모델을 써도 분야를 깊이 아는 사람이 던지는 요청과 아무 생각 없이 던지는 요청은 전혀 다른 결과를 낳는다. 그러니 AI를 쓰고도 남다른 결과물이 나왔다면, 그 다름은 AI에게서 나온 게 아니라 쓰는 사람에게서 나온 것이다. 도구로 쓰는 쪽이 오히려 AI를 더 잘 쓰는 이유가 여기에 있다.
다 같이 평균으로 모이면 생기는 일
이 구조를 사업으로 옮겨보면 이야기가 꽤 단순해진다. 서로 다른 회사가 같은 계열의 모델에게 기획과 디자인과 구현을 맡기면 서로 다른 회사에서 비슷한 결과물이 나온다. 다들 같은 평균을 향해 걸어가니까 당연한 일이다. 문제는 그 평균이라는 자리가 신규 기업에게 가장 쓸모없는 자리라는 점이다.
실제 서비스의 랜딩 페이지 몇 곳을 나란히 살펴보자. 서로 다른 기업이 운영하는 사이트에서는 어떤 디자인 요소들이 반복해서 나타날까?

제목과 홍보 문구의 배치, 카드형 콘텐츠, 배경 장식과 같은 요소를 비교해 보면 사이트마다 세부적인 차이는 있어도 구성 방식에서 공통점을 발견할 수 있다. 물론 이런 유사성만으로 AI 사용 여부를 판단할 수는 없다. 여기서는 개별 사이트의 제작 방식보다 여러 사이트에서 반복되는 시각적 패턴 자체를 살펴보려 한다.
우선 ‘만드는 속도’가 더 이상 무기가 되지 않는다. 프롬프트 몇 줄로 만들 수 있는 서비스는 경쟁사도 프롬프트 몇 줄로 만든다. 내가 하루 걸려 만든 걸 누군가 베끼는 데 걸리는 시간도 하루다. 예전에는 개발이 어렵다는 사실 자체가 어느 정도 방어막 역할을 했는데, 그 방어막을 스스로 걷어낸 셈이다. 그러고 나면 남는 해자는 프롬프트로 복제할 수 없는 것들뿐이다. 특정 분야를 깊게 아는 지식, 먼저 확보한 고객과의 관계, 오래 쌓은 신뢰, 그리고 그 팀만의 감각. AI에게 판단을 맡기면 이 목록이 하나씩 비어간다.
신규 기업이라서 더 아프다. 이미 이름이 알려진 회사는 비슷한 화면을 내놓아도 고객이 알아서 찾아온다. 브랜드와 유통망이 있으니까. 하지만 아무것도 없이 시작하는 팀이 대기업과 같은 링에서 싸울 수 있는 유일한 무기는 “저쪽과는 다르다”는 인상이다. 그런데 그 차별화를 평균을 내놓는 기계에게 맡긴다. 가장 아껴야 할 걸 가장 평범하게 만드는 쪽에 외주를 주는 꼴이다.
고객 입장에서 보면 더 현실적이다. 사람들은 서비스를 쓰기 전에 생각보다 많은 걸 화면에서 읽어낸다. 문구가 어색한지, 에러 메시지가 불친절한지, 빈 화면에서 뭘 해야 하는지 알려주는지 같은 사소한 디테일들이다. 그건 “이 팀이 이 문제를 오래 고민했구나”를 알려주는 신호다. 평균을 향해 찍어낸 화면에는 그 신호가 비어 있다. 비슷한 랜딩 페이지와 비슷한 온보딩을 열 번쯤 보고 나면 고객은 그 서비스들을 비교해 볼 기운 자체를 잃는다. 기억에 남는 게 없으니 이미 아는 이름을 쓰거나, 가격이 싼 쪽을 고르거나, 그냥 창을 닫는다. 피로해진 고객은 불만을 남기지 않는다. 조용히 돌아갈 뿐이라서 회사는 왜 떠났는지도 모른다.
눈에 보이지 않는 곳에도 비용이 있다. 코드를 이해하지 못하는 팀은 방향을 바꿀 때 훨씬 느리다. 신규 기업은 고객 반응을 보고 방향을 틀어야 하는 일이 잦은데, 구조를 모르는 코드는 고치는 게 아니라 다시 시켜야 하는 대상이 된다. 그러면 처음에 아낀 시간을 나중에 이자까지 붙여서 갚게 된다.
하네스를 붙이면 괜찮아질까
AI 슬롭과 할루시네이션을 막으려고 요즘은 하네스(harness)를 붙이는 팀이 많다. 여기서는 AI 에이전트를 둘러싼 테스트, 린트, 검증 루프, 규칙 파일, 리뷰용 에이전트 같은 장치를 통틀어 하네스라고 부르겠다. 모델이 멋대로 달리지 못하게 레일을 깔아주는 개념이라고 보면 된다. 나는 이게 쓸모없다고 생각하지 않는다. 오류가 줄어드는 건 분명한 사실이다. 다만 “하네스만 잘 짜면 AI에게 맡겨도 된다”는 결론으로 넘어가는 순간 이야기가 달라진다. 하네스를 붙여도 서로 닮아가는 문제는 그대로 남기 때문이다.
가장 큰 이유는 슬롭이 ‘틀린 것’이 아니라 ‘평범한 것’이라는 데 있다. 하네스는 걸러내는 장치다. 테스트가 깨지면 돌려보내고, 린트에 걸리면 다시 쓰게 한다. 그런데 보라색 그라데이션과 뻔한 카드 레이아웃은 틀린 게 아니라서 어느 테스트도 깨뜨리지 않는다. 성능 점수, 접근성 검사, 코드 스타일 검사를 전부 통과한 랜딩 페이지가 정작 “그래서 이 회사는 뭐가 다른데?”라는 질문에는 답하지 못하는 일이 얼마든지 가능하다. 오히려 통과하는 것만 남기는 과정을 반복하면 가장 안전하고 흔한 모양으로 수렴하기 쉽다. 하네스는 품질의 바닥을 끌어올려 줄 수는 있어도 천장을 끌어올려 주지는 못한다. 남들과 달라 보이는 건 천장에서 일어나는 일이다.
검증하는 쪽도 같은 부류의 모델이라는 문제가 있다. 이전 글에서 코드를 만든 모델과 그 코드를 검증하는 모델이 같은 학습 데이터와 같은 사고방식을 공유한다고 이야기했는데, 하네스 안에 리뷰 에이전트를 몇 개 더 앉힌다고 해서 이게 사라지지는 않는다. 같은 사각지대를 여러 번 들여다보는 것에 가깝다. 게다가 하네스의 재료도 서로 비슷하다. 공개된 에이전트 프레임워크, 인터넷에 떠도는 규칙 파일 템플릿, 다들 따라 하는 베스트 프랙티스를 조합해 하네스를 만들면 하네스까지 닮아간다. 같은 재료로 같은 레일을 깔았으니 그 위를 달리는 결과물도 같은 곳에 도착한다.
환각 쪽도 마찬가지다. 다음 단어를 확률로 고르는 구조가 그대로인 한 환각은 확률이 낮아질 뿐 0이 되지 않는다. 하네스가 보증하는 범위는 검증하겠다고 미리 정의해둔 항목까지다. 그 밖에서 벌어지는 일은 조용히 통과한다. 서비스가 커져서 요청이 수백만 번 쌓이면 낮은 확률의 실패도 결국 일어난다. 그때 원인을 이해하고 고칠 수 있는 사람이 없다면 하네스는 아무 도움이 안 된다. 더 나쁜 건 하네스가 있다는 안도감이 사람이 직접 들여다볼 기회를 줄인다는 것이다. 이전 글에서 소개한 스탠퍼드 연구에서도 AI 코딩 어시스턴트를 쓴 참가자들이 더 취약한 코드를 짜고도 자기 코드가 더 안전하다고 믿는 경향을 보였다. 자동 검증이 주는 안심은 생각보다 위험하다.
마지막으로, 하네스를 설계하는 일 자체가 사람의 판단이다. 무엇을 통과시키고 무엇을 막을지, 어떤 기준을 ‘좋은 결과’로 볼지는 결국 그 서비스를 아는 사람이 정한다. 하네스를 제대로 쓰는 팀은 그 기준에 자기 분야의 지식과 취향을 녹여 넣는다. 그건 AI를 주체로 쓰는 게 아니라 도구로 쓰는 것이다. 그러니 하네스로 AI에게 더 많이 맡기려는 팀과, 하네스를 자기 판단을 AI에게 전달하는 통로로 쓰는 팀은 겉으로는 같은 걸 붙여놨어도 전혀 다른 팀이다. 내가 비판하는 쪽은 앞의 팀이다.
토큰 사용량이 자랑이 되는 이상한 풍경
요즘 “우리 팀은 한 달에 토큰을 이만큼 쓴다”, “개발자 한 명당 사용량이 이 정도다” 같은 말을 성과처럼 내세우는 기업이 보인다. 나는 이 장면이 계속 이상하게 느껴진다.
토큰 사용량은 투입량이다. 얼마나 만들었는지가 아니라 얼마나 썼는지를 알려주는 숫자다. 예전에 코드 줄 수로 개발자의 생산성을 재던 시절이 있었는데, 그게 얼마나 허술한 기준이었는지는 이제 다들 안다. 줄 수가 목표가 되면 같은 일을 괜히 장황하게 쓰게 되니까. 토큰도 똑같다. 지표가 목표가 되는 순간 그 지표는 더 이상 좋은 지표가 아니게 된다는 굿하트의 법칙 그대로, 사용량 자체가 성과가 되면 굳이 안 써도 될 곳에까지 쓰게 된다. 그리고 고객은 그 서비스에 토큰이 얼마나 들어갔는지에 돈을 내지 않는다.
더 중요한 건 이 자랑이 말해주는 내용이다. 토큰을 많이 썼다는 건 그만큼 AI가 많은 일을 했다는 뜻이다. 그걸 자랑스럽게 내세운다면 “우리 제품은 AI가 대부분 만들었다”고 광고하는 것과 다르지 않다. 스스로 AI를 도구가 아니라 주체로 쓰고 있다고 홍보하는 셈이다. 도구를 정말 잘 쓰는 사람은 얼마나 많이 썼는지가 아니라 그걸로 무엇을 만들었는지를 말한다. 목수는 톱질을 몇 번 했는지 자랑하지 않는다.
사업 구조로 봐도 불안한 구석이 있다. 핵심 작업을 외부 모델에 맡길수록 그 모델의 가격 정책과 이용 조건, 장애에 회사의 운명이 묶인다. 경쟁사도 같은 모델을 쓴다면 원가 구조도 비슷하고 결과물도 비슷하고, 남는 건 누가 더 싸게 파느냐뿐이다. 사용량이 늘수록 비용은 확실히 늘지만, 그만큼 차별성이 쌓이는 건 아니다.
물론 큰 코드베이스를 분석시키느라 토큰을 많이 쓰는 것처럼, 도구로 쓰면서도 사용량이 커지는 경우는 있다. 내가 문제 삼는 건 사용량이 많다는 사실이 아니라 그걸 성과로 포장하는 태도다. 솔직히 나는 이런 자랑이 고객보다는 투자자나 채용 시장을 향한 신호에 가깝다고 짐작한다. “우리는 AI 시대에 맞게 일한다”는 걸 보여주는 데 숫자만큼 쉬운 게 없으니까. 하지만 그 신호는 서비스를 쓰는 사람에게 아무 의미가 없다.
예상되는 반론 두 가지
이렇게 쓰면 나올 만한 말이 있다. 크게 두 가지다.
먼저 “그런 소리 하면 시대에 뒤처지는 거 아니냐”는 말이다. AI를 못 따라가는 사람의 푸념으로 읽히기 쉽다는 건 안다. 그래서 다시 말하지만 나도 AI를 쓴다. 모르는 부분을 물어보고, 손이 많이 가는 반복 작업을 넘기고, 막힌 버그를 같이 찾는다. 속도와 생산성이 좋아진다는 것도 부정하지 않는다. 아이디어가 될지 안 될지 빠르게 확인해보려고 프로토타입을 AI로 뚝딱 만드는 것도 합리적인 쓰임이라고 생각한다. 내가 비판하는 건 AI를 쓰는 것이 아니라 AI에게 판단까지 넘기는 것이고, 프로토타입으로 만든 결과물을 그대로 제품의 얼굴로 삼아버리는 것이다.
시대 흐름이라는 말에는 좀 더 따져볼 게 있다. 모든 회사가 AI를 쓰는 시대에 ‘AI를 쓴다’는 건 ‘인터넷을 쓴다’와 비슷한 기본값이 된다. 기본값은 경쟁력이 아니다. 진짜 앞서간다는 건 모두가 같은 도구를 쓸 때 그 위에서 무엇을 다르게 하느냐로 드러난다. 얼마나 많이 맡기느냐를 앞서감의 기준으로 삼는 것도 이상하다. 흐름을 타는 것과 흐름에 휩쓸리는 것은 다르다.
이런 일이 처음도 아니다. 웹사이트 빌더와 템플릿이 쏟아졌을 때도, 누구나 앱을 만든다던 노코드 열풍 때도 비슷한 말이 돌았다. 도구를 쓰는 건 당연해졌지만, 대체로 그 위에서 자기만의 무언가를 만든 쪽이 남았다고 생각한다. 도구가 쉬워질수록 도구 바깥에 있는 것, 그러니까 분야에 대한 이해와 취향과 운영과 신뢰의 값어치는 오히려 올라간다. 포토샵이 보급됐다고 사진을 보는 눈까지 흔해진 건 아니다. 그리고 “뒤처진다”는 말은 불안을 자극해서 도구를 팔 때 가장 잘 먹히는 문구이기도 하다. 그 말이 누구에게 이득인지 한 번쯤은 따져볼 만하다.
두 번째는 “결과물만 좋으면 됐지, 누가 만들었는지가 뭐가 중요하냐”는 반론이다. 일리가 있다. 고객은 만든 과정이 아니라 결과를 본다. 그런데 AI가 내놓는 결과물은 평균적으로 괜찮은 수준에 가깝다. 평균적으로 괜찮은 건 대체로 어디서든 구할 수 있다. 좋은 서비스와 기억에 남는 서비스는 다르고, 신규 기업에게 필요한 건 후자다. 게다가 고객이 모르는 사이에 쌓이는 문제도 있다. 겉보기에 멀쩡한 결과물의 안쪽, 그러니까 보안과 구조는 만든 사람이 이해하고 있어야 지킬 수 있다. 결과가 좋다는 것과 그 과정을 책임질 수 있다는 것은 같은 이야기가 아니다.
“내가 만들었다”는 말이 불편한 이유
여기서부터는 논리보다 개인적인 불편함에 가까운 이야기다.
바이브 코딩으로 서비스를 만든 사람들의 후기를 보다 보면 비슷한 문장이 자주 눈에 띈다. “몇 시간 동안 힘들게 만들었다”, “내가 직접 만들었다”. 그런데 과정을 들여다보면 프롬프트 몇 줄을 넣고 딸깍 누른 다음, 유튜브를 좀 보다 오니 코드가 만들어져 있고, 그걸 보며 “아, 힘들었다” 하는 경우가 적지 않다. 적어도 내가 본 범위에서는 그렇다. 솔직히 말해서 이건 좀 양심이 없는 말이라고 생각한다.
오해는 없었으면 한다. 아이디어를 내고, 방향을 잡고, 결과물 중에서 고르고, 배포하고 운영하는 일은 분명 사람의 일이고 가치 있는 일이다. 그 몫은 충분히 인정받아야 한다. 서비스를 직접 운영해본 사람이라면 알겠지만, 코드를 쓰는 시간보다 서비스를 굴리는 시간이 훨씬 길고 지치는 일이다. 내가 불편한 건 그 몫을 넘어서, 코딩이라는 가장 큰 덩어리를 AI가 해놓고 마치 내 손으로 한 것처럼 말하는 부분이다.
비유하자면 이렇다. 외주 개발사에 기획서를 넘기고 완성품을 받은 사람이 “제가 개발했어요, 진짜 힘들었어요”라고 말하면 사람들은 어떻게 볼까. 아무도 그렇게 말하지 않는다. 말하는 순간 이상해지니까. 그런데 외주 대신 AI일 때는 왜 괜찮다고 생각하는 걸까. 눈치 볼 상대가 사람이 아니라서일지도 모르겠다. 하지만 그 말을 듣는 사람은 그대로 있다.
이 말이 문제인 건 크레딧에서 끝나지 않기 때문이다. “내가 만들었다”에는 책임이 같이 딸려 온다. 직접 만든 사람이라면 이 코드가 왜 이렇게 동작하는지, 장애가 났을 때 어디부터 봐야 하는지, 보안은 어떻게 처리했는지 설명할 수 있어야 한다. 이전 글에서 다뤘듯 AI가 짠 코드의 보안 문제는 이미 현실이다. 그걸 설명도 못 하면서 ‘내가 만들었다’고 외치는 건 고객 입장에서 오히려 불안한 신호다.
읽는 사람에게 미치는 영향도 있다. 이런 후기가 쌓이면 “몇 시간이면 되네?”라는 기대가 퍼진다. 그 기대를 안고 시작한 사람이 보안이나 운영의 벽을 만나면 자기가 부족해서라고 생각해버린다. 과장된 후기는 결국 뒤따르는 사람의 기대를 엇나가게 만든다.
그냥 솔직하게 말하면 된다. “AI로 만들었고, 나는 이런 판단을 했다”고. AI를 썼다고 밝히는 건 부끄러운 일이 아니다. 어디까지가 AI가 한 일이고 어디부터가 내 몫인지 말할 수 있는 사람이 오히려 더 믿음직하다.
그럼 신규 기업은 AI를 어떻게 써야 할까
비판만 늘어놓고 끝내는 건 불공평하니 내가 생각하는 방향도 적어두겠다. 거창한 건 없다.
서비스의 얼굴에 해당하는 것들, 그러니까 이 서비스가 누구의 어떤 불편을 해결하는지, 그걸 어떤 말투로 전하고 어떤 화면으로 보여줄지는 사람이 먼저 정해야 한다. 초안을 AI에게 받더라도 그 위에서 고치고 버리고 다시 쓰는 주도권은 사람이 쥐고 있어야 한다. 반대로 에러 원인 찾기, 코드 리뷰, 테스트 작성, 반복 변환 같은 곳에서는 마음껏 써도 좋다. 이런 일은 맡겨도 서비스의 정체성이 흐려지지 않는다.
만들고 나서 이해하는 시간도 반드시 남겨두어야 한다. AI가 짠 코드를 읽고, 모르는 부분은 물어서 이해하고, 내 입으로 설명할 수 있는 상태로 만들어놓는 것이다. 이 시간이 아까워서 건너뛰는 순간 그 서비스는 AI 없이는 고칠 수 없는 상태가 된다. 하네스를 만들 때도 마찬가지다. 남이 만든 템플릿을 그대로 가져오기보다, 내 서비스에서 절대 틀리면 안 되는 것과 절대 평범하면 안 되는 것이 무엇인지부터 적어본 뒤에 그걸 검증하는 장치로 만드는 편이 낫다.
그리고 AI를 썼다면 쓴 만큼 솔직하게 말하는 것. 당장은 손해처럼 보여도 장기적으로는 그쪽이 훨씬 큰 신뢰로 돌아온다고 나는 생각한다.
마치며
정리하자면 AI를 쓰는 게 문제는 아니다. AI에게 판단까지 넘기는 순간부터 문제가 시작된다. 확률 기계가 내놓는 평균에 서비스의 정체성을 맡기면 그 서비스는 다른 서비스와 닮아가고, 닮아진 서비스는 고객의 기억에 남지 않는다. 하네스를 붙여도, 토큰을 아무리 많이 써도 이 구조는 바뀌지 않는다. 구조를 바꾸는 건 결국 무엇을 만들지, 왜 그렇게 만드는지를 아는 사람이다.
AI는 훌륭한 도구다. 디버깅하고, 피드백을 받고, 반복 작업을 덜어내는 데 이만큼 좋은 건 없다. 그래서 더더욱, 그 편리함 때문에 정작 사람이 쥐고 있어야 할 것까지 같이 내려놓지는 않았으면 한다. 무엇을 만들지, 어떤 인상을 남길지, 그 결과에 누가 책임질지는 여전히 사람의 몫이다.
AI 시대에 신규 기업이 살아남는 방법이 있다면 나는 거기에 있다고 생각한다.
모두가 같은 평균으로 모여드는 동안, 자기만의 이유를 가지고 만든 서비스는 눈에 띄지 않을 수가 없을 테니까.