LLM은 유용해도 초지능 과대광고까지 믿을 필요는 없어요

LLM은 유용해도 초지능 과대광고까지 믿을 필요는 없어요

AI 뉴스 썸네일

LLM과 코딩 에이전트가 개발자의 일하는 방식을 바꾸고 있다는 사실은 부정하기 어려워요. 다만 도구의 실용성과 곧 모든 것이 뒤집힌다는 예측은 같은 이야기가 아니에요. 해커이자 AI 개발자인 조지 호츠는 이 둘을 분리해 보자고 주장했어요. 1

핵심 요약

구분	핵심	왜 볼 만한가요
LLM 활용	코딩 에이전트는 자동완성, 검색, 컴파일러처럼 개발을 돕는 도구예요	생산성 향상과 코드 품질을 따로 평가할 기준이 필요해요
AI 담론	영구적으로 뒤처진다는 공포와 갑작스러운 초지능 서사는 과장됐다는 주장이에요	불안에 쫓겨 제품이나 모델을 선택하는 일을 피할 수 있어요
산업 구조	AI가 만든 가치와 프런티어 연구소가 가져가는 가치는 다를 수 있어요	오픈 모델, 추론 가격, 연구소 기업가치를 함께 볼 수 있어요
개발 방식	에이전트 활용은 별도의 기술이며 인지 피로와 유지보수 비용도 생겨요	생성한 코드의 양보다 검토와 운영 부담을 확인해야 해요

1. LLM의 효용과 AI 과대광고를 분리해서 봐야 해요

조지 호츠는 LLM, 자율주행차, 영상 생성 모델, 코딩 에이전트의 발전을 반겨요. 로컬 GLM 모델과 코딩 도구를 연결해 리눅스 환경 설정을 자연어로 처리한 경험도 소개했어요. 이런 사례는 LLM이 이미 실용적인 컴퓨팅 도구라는 점을 보여줘요. 2

그가 거부하는 건 기술 자체가 아니라 기술을 둘러싼 공포예요. 지금 특정 도시나 기업에 합류하지 않으면 기회의 창이 닫히고 영구적으로 뒤처진다는 말은 기술의 성능을 설명하지 못해요. 사용자의 불안을 키워 행동을 재촉하는 메시지에 가까워요.

728x90

고급 자동완성이나 향상된 검색 도구가 어느 날 갑자기 모든 자원과 권력을 차지할 초지능으로 변한다는 전망도 비판해요. 이 대목은 하나의 예측이자 강한 개인적 견해예요. 초지능의 가능성을 입증하거나 반박한 연구 결과로 받아들이기보다, 현재 확인된 제품 성능과 먼 미래의 서사를 구분하자는 문제 제기로 읽는 편이 맞아요.

코딩 에이전트는 생산성을 높여도 검토를 없애지 못해요

호츠는 과거보다 코딩 에이전트를 긍정적으로 평가해요. 모델을 잘 쓰는 법을 익히면서 실제 작업 속도가 나아졌고, 프로그래밍 방식도 변하고 있다고 봐요. 하지만 생산성이 정확히 몇 배 늘었다고 단정하지 않아요. 작업 종류와 사용자의 숙련도에 따라 차이가 크기 때문이에요.

에이전트가 만든 코드에는 여전히 품질 편차가 있어요. 여러 작업을 빠르게 요청할수록 개발자가 결과를 읽고 판단하는 부담도 커져요. 속도만 재면 좋아 보이지만, 리뷰 시간과 수정 횟수, 장애 대응, 장기 유지보수까지 포함하면 계산이 달라질 수 있어요.

실무에서는 생성된 코드의 줄 수보다 통과한 테스트, 리뷰에서 발견된 결함, 배포 뒤 수정 비용을 함께 보는 편이 나아요. 작은 자동화나 반복 작업에서는 효과가 바로 드러날 수 있어요. 반면 복잡한 시스템의 설계와 운영 책임은 여전히 개발팀에 남아요.

AI가 만든 가치가 한 연구소의 몫이 되지는 않아요

원문은 AI가 큰 경제적 가치를 만들 수 있다는 점을 인정해요. 다만 그 가치가 프런티어 모델 연구소의 매출과 이익으로 그대로 돌아간다는 보장은 없다고 봐요. 모델 성능이 빠르게 평준화되고 오픈 모델의 품질이 올라가면 사용자는 더 저렴한 대안을 선택할 수 있어요.

이 관점에서는 모델 성능표만큼 가격과 전환 비용이 중요해요. 한 달 전 모델이나 로컬 모델로 필요한 일을 충분히 처리할 수 있다면 최고 성능 모델에 높은 비용을 계속 낼 이유가 줄어요. 기업도 모든 작업에 가장 비싼 모델을 쓰기보다 난도와 보안 요구에 따라 모델을 나누려 할 수 있어요.

호츠는 AI 발전의 상당 부분이 무어의 법칙과 컴퓨팅 전반의 개선에서 나온다고 봐요. 이 주장에는 논쟁의 여지가 있어요. 알고리즘, 데이터, 학습 기법, 제품화 역량도 성능 향상에 영향을 주기 때문이에요. 그래도 기반 기술이 널리 퍼질수록 한 회사가 장기간 독점적인 수익을 확보하기 어렵다는 지적은 모델 가격과 오픈소스 경쟁을 볼 때 참고할 만해요.

왜 중요한가요

AI 도구를 평가할 때는 두 질문을 따로 물어야 해요. 지금 맡은 작업을 더 빠르고 정확하게 끝내는지, 그리고 그 개선이 도입비와 검토비를 감당할 만큼 큰지 확인해야 해요. 먼 미래의 공포나 낙관은 이 계산을 대신해 주지 못해요. 2

개발팀은 에이전트 도입 전후의 작업 시간을 같은 기준으로 비교할 수 있어요. 코드 생성 시간만 줄고 리뷰와 재작업이 늘었다면 순생산성은 기대보다 작을 수 있어요. 반대로 반복 작업과 테스트 작성에서 시간이 꾸준히 줄었다면 해당 범위부터 넓히면 돼요.

모델 공급사를 고를 때도 최고 성능 하나만 보지 않는 편이 안전해요. 작업별 품질, 토큰 비용, 데이터 보관 정책, 오픈 모델로 옮길 수 있는지까지 확인해야 해요. 특정 업체의 미래 서사보다 현재의 비용과 교체 가능성이 더 직접적인 운영 기준이에요.

원문은 AI 회의론이 아니라 도구에 대한 강한 애정에서 출발한 비판이에요. LLM을 계속 쓰되, 유용하다는 경험을 초지능 예측이나 기업가치의 근거로 곧장 확대하지 말자는 입장이에요. AI를 실제 제품에 붙이는 팀이라면 이 구분만으로도 과잉 도입과 막연한 거부를 함께 줄일 수 있어요.

참고 자료

1. LLM은 사랑하지만 과대광고는 싫다 — GeekNews
2. I love LLMs, I hate hype — George Hotz