개발자는 사라지는가? 아니면 모든 직무가 조금씩 개발자가 되는가?
AI 코딩 도구를 둘러싼 질문은 대체로 이렇게 시작된다.
개발자는 사라질까?
그런데 Anthropic이 공개한 Claude Code 사용 연구를 읽고 나면, 질문을 조금 바꿔야 할 것 같다.1
개발자가 사라지는가, 아니면 모든 직무가 조금씩 개발자가 되는가?
내가 보기에는 두 번째 질문이 더 중요하다. [[AI 코딩]] 에이전트는 코드를 직접 쓰는 부담을 줄인다. 하지만 그것이 곧 전문성의 종말을 뜻하지는 않는다. 오히려 연구가 보여주는 방향은 반대에 가깝다. AI가 구현을 더 많이 맡을수록, 사람에게 남는 핵심은 문제 정의와 검증이 된다.
1. 사람은 무엇을 정하고, AI는 무엇을 하는가
Anthropic의 연구는 2025년 10월부터 2026년 4월까지 약 40만 개의 Claude Code 세션을 분석했다. 분석 대상은 CLI, Claude.ai, Claude Code 데스크톱 앱에서 이루어진 상호작용형 세션이다.1
핵심 결과 중 하나는 분업 구조다.
연구에 따르면 사람은 평균적으로 기획 결정의 약 70%를 내리고, Claude는 실행 결정의 약 80%를 맡았다. 쉽게 말하면 이런 식이다.
| 구분 | 주로 맡는 쪽 | 예시 |
|---|---|---|
| 무엇을 만들지 정하기 | 사람 | 목표, 요구사항, 완료 기준 |
| 어떤 접근이 맞는지 판단하기 | 사람 | 우선순위, 제약조건, 결과 검증 |
| 어떤 파일을 고칠지 정하기 | Claude | 코드베이스 탐색, 수정 위치 선택 |
| 어떤 코드를 쓸지 정하기 | Claude | 구현, 명령 실행, 테스트 |
이 분업은 중요하다. AI가 사람을 완전히 대체한다기보다, 일의 경계를 다시 긋고 있기 때문이다. 사람은 점점 덜 타이핑하고, 더 많이 판단한다. AI는 점점 더 많이 실행하고, 사람은 그 실행이 맞는지 확인한다.
그래서 “코딩을 몰라도 개발할 수 있다”는 말은 절반만 맞다. 코드를 직접 쓰는 시간은 줄 수 있다. 하지만 무엇이 맞는 결과인지 모르면, AI가 만든 결과를 개발이라고 부르기 어렵다.
2. Claude는 전문가의 한마디에 더 많이 움직인다
이 연구에서 가장 흥미로운 대목은 [[도메인 전문성]]과 성공률의 관계다.
Anthropic은 각 세션에서 사용자가 해당 과제에 대해 얼마나 전문성을 보이는지 평가했다. 여기서 전문성은 직업 이름이 아니다. 소프트웨어 엔지니어라서 자동으로 전문가가 되는 것도 아니고, 비개발자라서 자동으로 초보자가 되는 것도 아니다.
예를 들어 회계 담당자가 Python을 처음 써도, 월말 정산 규칙과 예외 케이스를 정확히 설명하고 Claude가 놓친 오류를 잡아낸다면 그 과제에서는 전문가에 가깝다. 반대로 숙련 개발자라도 처음 접하는 도메인 문제 앞에서는 초보자처럼 행동할 수 있다.
연구 결과, 전문성이 높은 사용자는 한 번의 지시로 Claude가 더 많은 작업을 하게 만들었다. 초보자 세션에서는 한 프롬프트가 평균적으로 약 5개의 Claude 행동과 600단어 정도의 출력을 유발한 반면, 전문가 세션에서는 약 12개의 행동과 3,200단어 수준의 출력을 유발했다.1
이 차이는 단순히 프롬프트를 길게 썼다는 뜻이 아니다. 전문가는 AI에게 다음을 더 잘 준다.
- 무엇을 해야 하는지
- 무엇을 하지 말아야 하는지
- 어떤 조건을 만족해야 하는지
- 어디를 검증해야 하는지
- 결과가 틀렸을 때 어떤 방향으로 고쳐야 하는지
즉, 좋은 AI 사용자는 “명령어를 잘 외운 사람”이라기보다 문제 공간을 잘 아는 사람에 가깝다.
3. 비개발 직무도 코드를 생산하기 시작했다
연구는 사용자의 직업군도 추정했다. 당연히 소프트웨어 관련 직무가 가장 큰 비중을 차지했지만, 그다음으로는 비즈니스·재무, 예술·디자인·미디어, 경영, 생명·물리·사회과학 분야가 등장했다.1
더 흥미로운 것은 성공률이다. 코드가 실제로 추가되거나 수정된 세션만 놓고 봤을 때, 소프트웨어 관련 직무 사용자의 verified success는 약 34%, 비소프트웨어 직무 사용자는 약 29%였다. 엄격한 기준에서는 차이가 있지만, 완화된 성공 기준에서는 두 집단이 각각 89%, 88% 수준으로 거의 비슷했다.1
이 숫자를 “비개발자도 이제 개발자와 똑같다”고 읽으면 과장이다. 하지만 다른 방향의 해석은 가능하다.
소프트웨어 생산이 특정 직업군의 전유물에서 벗어나고 있다.
법무 담당자는 계약서 검토 자동화 스크립트를 만들 수 있다. 재무 담당자는 정산 규칙을 코드로 만들 수 있다. 연구자는 데이터 정리 파이프라인을 만들 수 있다. 교육 담당자는 학습 로그를 분석하고 피드백 리포트를 생성할 수 있다.
이때 중요한 것은 “그 사람이 개발자인가”가 아니다. 중요한 것은 그 사람이 자기 업무의 규칙, 예외, 실패 조건, 검증 기준을 알고 있는가다.
4. 개발자가 사라지는 것이 아니라, 개발의 일부가 퍼진다
그래서 나는 이 연구를 “개발자의 종말”로 읽지 않는다.
오히려 개발이라는 행위가 여러 직무로 퍼지는 장면으로 읽는다. 예전에는 작은 자동화 도구 하나를 만들기 위해서도 개발자에게 요청해야 했다. 이제는 도메인 담당자가 Claude Code 같은 에이전트를 통해 직접 만들 수 있는 범위가 넓어지고 있다.
하지만 이 변화가 개발자의 가치가 사라진다는 뜻은 아니다. 개발자의 역할은 오히려 더 높은 층위로 이동할 가능성이 크다.
| 과거의 중심 | 앞으로 더 중요해질 역할 |
|---|---|
| 코드를 직접 많이 작성하기 | AI가 만든 코드의 구조와 리스크 판단하기 |
| 기능 단위 구현 | 시스템 설계와 유지보수 가능성 판단 |
| 요청받은 것 만들기 | 문제를 기술적으로 재정의하기 |
| 오류 수정 | 실패가 반복되지 않는 운영 구조 만들기 |
| 개인 생산성 | 팀 전체의 AI 개발 워크플로우 설계 |
개발자는 사라진다기보다, AI와 비개발 직무 사이에서 품질·구조·운영을 설계하는 역할로 이동할 수 있다. 반대로 비개발 직무는 더 이상 “요청자”로만 남지 않는다. 자기 문제를 직접 실험하고, 작은 도구를 만들고, 결과를 검증하는 쪽으로 이동한다.
그 결과 모든 직무가 조금씩 개발자가 된다. 정확히 말하면, 모든 직무가 조금씩 기술적 생산자가 된다.
5. 문제를 모르는 사람에게 AI는 그다지 강하지 않다
Anthropic 연구에서 또 하나 중요한 점은 실패 상황이다.
전문성이 낮은 사용자는 문제가 생겼을 때 세션을 포기할 가능성이 높았다. 연구는 trouble이 발생한 세션에서 초보자가 abandoned 상태로 끝나는 비율이 19%였고, 다른 수준의 사용자는 5~7% 수준이었다고 설명한다.1
이건 꽤 현실적인 장면이다. AI가 코드를 만들어줬는데 에러가 난다. 이때 문제를 모르는 사용자는 어디서부터 고쳐야 할지 모른다. 반면 도메인을 아는 사용자는 최소한 이렇게 말할 수 있다.
- 이 결과는 업무 규칙과 맞지 않는다.
- 이 예외 케이스가 빠졌다.
- 이 데이터는 이렇게 처리하면 안 된다.
- 테스트는 이 조건을 통과해야 한다.
- 지금 수정은 증상만 고친 것이고 원인은 남아 있다.
결국 AI를 끝까지 밀고 가는 힘은 프롬프트 기술보다 [[검증]] 능력에 가깝다. 결과가 맞는지 판단하지 못하면, AI가 아무리 많은 코드를 써도 사용자는 그 코드를 신뢰할 수 없다.
6. 교육과 조직은 무엇을 바꿔야 하나
이 연구는 AI 리터러시 교육에도 시사점이 있다.
앞으로 필요한 교육은 “프롬프트를 예쁘게 쓰는 법”에 그치면 안 된다. 더 중요한 것은 자기 분야의 문제를 AI가 실행 가능한 작업으로 바꾸는 능력이다.
예를 들어 대학이나 기업 교육에서 AI 코딩을 가르친다면, 단순히 Python 문법만 가르치는 방식은 부족하다. 오히려 각 직무의 문제를 가져와야 한다.
- 경영/재무: 정산, 예산, 비용 이상치 탐지
- 교육: 학습 로그 분석, 피드백 자동화, 평가 루브릭 점검
- 연구: 데이터 정리, 문헌 분류, 실험 기록 구조화
- 콘텐츠/마케팅: 캠페인 데이터 분석, 소재 테스트, 리포트 자동화
- 운영: 반복 업무 자동화, 모니터링, 알림 체계 설계
이런 과제에서 코딩은 별도의 기술 과목이 아니라, 전공 문제를 다루는 표현 수단이 된다. 중요한 것은 코드를 외우는 것이 아니라, 업무 규칙을 명확히 하고, 산출물의 품질 기준을 세우고, AI가 만든 결과를 검증하는 일이다.
7. 남는 질문: 누가 더 강해지는가
AI 코딩 에이전트가 보편화되면 모두가 똑같이 강해질까? 아마 그렇지는 않을 것이다.
Anthropic 연구가 보여주는 것은 “AI가 전문성을 대체한다”가 아니라 “AI가 전문성을 증폭한다”에 가깝다. 최소한 지금의 Claude Code 사용 데이터에서는 그렇다. 문제를 잘 아는 사람은 AI에게 더 많은 일을 맡길 수 있고, 오류가 나도 더 잘 회복한다. 반대로 문제를 모르는 사람은 AI가 만든 결과 앞에서 더 쉽게 멈춘다.
그래서 앞으로의 격차는 이렇게 갈릴 가능성이 있다.
| 구분 | AI 이전 | AI 이후 |
|---|---|---|
| 도메인 전문성 있음 + 기술 표현 가능 | 전문가 | 강력한 자동화 생산자 |
| 도메인 전문성 있음 + 기술 표현 어려움 | 전문가 | AI 활용 교육의 핵심 대상 |
| 도메인 전문성 약함 + 도구 사용만 가능 | 도구 사용자 | 산출물 검증이 약한 사용자 |
| 개발 역량 있음 + 도메인 이해 약함 | 구현자 | 문제 정의자와 협업해야 하는 기술 파트너 |
결국 경쟁력은 “코딩을 아느냐 모르느냐” 하나로 정리되지 않는다. 더 중요한 질문은 이것이다.
내가 아는 문제를 AI가 실행 가능한 형태로 바꿀 수 있는가?
결론: 개발자는 사라지지 않는다. 다만 개발은 퍼진다
AI 코딩 에이전트는 개발자의 일을 일부 가져간다. 이건 부정하기 어렵다. 특히 반복 구현, 코드 수정, 테스트 보조, 문서화, 배포 준비 같은 작업은 빠르게 자동화되고 있다.
하지만 그것이 곧 개발자의 소멸을 뜻하지는 않는다. 오히려 개발자의 역할은 시스템 설계, 품질관리, 보안, 운영, 협업 구조 설계 쪽으로 올라갈 가능성이 크다.
동시에 비개발 직무는 더 이상 기술 생산에서 완전히 바깥에 있지 않다. 자기 분야의 문제를 정확히 아는 사람은 AI 코딩 에이전트를 통해 작은 도구, 분석 스크립트, 자동화 파이프라인, 리포트 생성기를 직접 만들 수 있다.
그래서 이 질문에 대한 내 답은 이렇다.
개발자는 사라지지 않는다.
다만 개발이라는 행위가 더 많은 직무로 퍼진다.
그리고 그 시대에 중요한 사람은 반드시 코드를 가장 많이 치는 사람이 아닐 수 있다. 자기 문제를 정확히 알고, 그것을 AI가 실행 가능한 작업으로 바꾸고, 결과를 검증할 수 있는 사람이다.
AI가 코드를 대신 쓰는 시대에도, 문제를 아는 사람은 여전히 강하다. 아니, 어쩌면 더 강해진다.