AI 시대의 청년을 위한 커리어 조언: 에이전트가 코딩할 수 있을 때에도 여전히 중요한 것

서론

AI 시대에 젊은이들이 마주하는 커리어 질문은 이전 세대와 다릅니다. 모델이 잘 정의된 많은 과제를 해결할 수 있다면, 어떤 종류의 일이 앞으로도 여전히 가치 있을까요?

이 글은 전 OpenAI, DeepMind, Scale AI 연구원이었던 Phil Chen이 공유한 게시물을 바탕으로 합니다. 그의 요지는 명확합니다. AI 모델은 명확하게 규정되고, 점수화되며, 최적화될 수 있는 과제에 점점 더 탁월해지고 있습니다. 학교 교육의 많은 부분도 정확히 그런 형태를 띱니다. 즉, 정의된 문제, 이미 알려진 정답, 그리고 이를 채점하는 규칙이 있는 구조입니다.

따라서 앞으로 10년 동안 가치 있는 일은 숙제처럼 보이는 일이 아닐 가능성이 큽니다. 오히려 모델 훈련 루프 안에서 점수화하기 어려운 일, 즉 올바른 문제를 선택하고, 관계를 구축하고, 판단력을 기르고, 마지막 단계까지 완수하며, 기회를 실제 성과로 바꾸는 법을 배우는 일이 더 중요해질 것입니다.

아래는 원래의 구조와 핵심 아이디어를 유지하면서 블로그 게시에 맞게 문장을 더 매끄럽게 다듬은 영어 재작성본입니다.

출처 참고

• 원문 출처: BAAI Hub 기사. 해당 페이지에 따르면, 이 내용의 원출처는 WeChat입니다.
• 이 글은 夏千斯가 정리했습니다.
• 원문 페이지에는 장식용 “학술 헤드라인 팔로우” 배너와 마지막의 플랫폼/홍보 이미지가 포함되어 있었지만, 글을 이해하는 데 필요하지 않아 제외했습니다.
• 원문 페이지의 마지막 이미지 링크 하나는 확인 과정에서 로드되지 않았고 본문 바깥에 있는 것으로 보여 삽입하지 않았습니다.
• 원문 기사에는 코드 블록이나 기술 표가 포함되어 있지 않았습니다.

본문

AI 모델은 손실 함수로 표현할 수 있는 거의 모든 일에서 계속 더 뛰어나지고 있습니다. 많은 학교 과제도 본질적으로 이와 비슷합니다. 문제가 명확하게 정의되어 있고, 정답이 알려져 있으며, 결과를 채점할 수 있기 때문입니다.

그렇기 때문에 앞으로 10년 동안 가장 가치 있는 일은 모델 훈련 사이클 안에서 쉽게 평가할 수 없는 일이 될 가능성이 큽니다.

지난 6년 동안 Phil Chen은 매우 다른 단계에 있는 여러 회사의 사람들과 함께 일했습니다. 그가 직접 창업한 스타트업, Helm AI, Scale AI, OpenAI, 그리고 Google이 그 예입니다. 이 환경들은 소규모 팀부터 직원 수가 10만 명이 넘는 대규모 조직까지 다양했습니다.

에이전트 네이티브 기업을 세우는 창업자로서 그는 지금 회사에 어떤 사람이 필요한지, 그리고 앞으로 어떤 인재가 필요할지를 오래 고민해 왔습니다. 에이전트를 중심으로 구축된 회사는 여전히 대부분의 결과물이 사람이 모든 것을 직접 작성하는 데 의존하는 회사와는 정확히 같은 방식으로 채용하지 않습니다.

커리어 초반의 야심 있는 사람들에게는 이것이 실질적인 조언을 바꿔 놓습니다. 몇몇 고전적인 생각은 여전히 유효합니다. 오래된 스타트업 격언인 “로켓선에 올라타면, do

정확히 어느 자리에 앉느냐를 너무 걱정하지 말라”는 말은 여전히 일리가 있다. 하지만 에이전트형 코딩의 부상으로 세부적인 내용은 달라졌다.

1. 정말로 희소한 자원에 집중하라

Scale에 합류하기 전, Phil은 퀀트 트레이딩 직무에서 더 높은 현금 보상을 제안받았다. 그는 그곳의 사람들, 회사 주변의 커뮤니티, 그리고 다양한 제품과 실제 AI 응용 사례를 접할 기회에 더 큰 매력을 느꼈기 때문에 Scale을 선택했다.

그 선택은 당시에는 분명하지 않았던 방식으로 성과를 가져왔다. 그는 Scale을 통해 LLM 추론 제공업체들을 접하게 되었고, 이는 훗날 그가 DeepMind와 OpenAI로 나아가는 데 도움을 주었다. 또한 그는 훗날 Scale 출신의 더 넓은 창업자 네트워크의 일부가 된 야심찬 동료들도 만났다.

돌이켜보면, 인간관계와 학습 기회는 추가 현금보다 더 큰 가치가 있었다.

자본은 그 어느 때보다 쉽게 접근할 수 있다. 하지만 뛰어난 사람들과 함께하는 시간은 여전히 희소하다. 강한 관계, 신뢰, 평판 역시 마찬가지다.

관련 있는 업무에서 보여준 과거의 탁월함은 여전히 가장 강력한 신호 중 하나다. 실질적인 조언은 간단하다. 좋은 일을 하고, 그 모습을 다른 뛰어나고 신뢰할 만한 사람들이 볼 수 있게 하라.

자신의 시간을 어떻게 배분할지 매우 신중해야 한다. 학교 프로젝트, 개인 프로젝트, 인턴십, 초기 직장은 단지 이력서 항목을 채우기 위한 것이어서는 안 된다. 그것들은 자신에게 중요한 문제를 향해야 한다.

바이브 코딩과 AI 보조 개발 덕분에 작은 프로젝트를 출시하고 단기적 기회를 좇는 일은 그 어느 때보다 쉬워졌다. 그런 기회들 중 일부는 빠르게 돈을 벌게 해줄 수도 있다. 하지만 목표가 지속적인 가치라면, 학습과 관계, 평판이 복리처럼 쌓이는 곳에 시간을 쓰는 편이 대체로 더 낫다.

시간, 관계, 평판이야말로 진정으로 희소한 자원이다. 그렇게 대하라.

1. 문제를 푸는 것만이 아니라, 문제를 찾는 법을 배워라

에이전트와 네이티브하게 협업하는 회사는 엔지니어링 역량이 실제로 무엇을 의미하는지 다시 생각해야 한다.

코드가 더 이상 주로 사람이 손으로 한 줄씩 작성하는 것이 아니게 되면, 전통적인 신호들은 약해진다. LeetCode식 퍼즐이나 심지어 많은 표준적인 시스템 설계 질문도 누군가가 실제 환경에서 어떻게 성과를 낼지를 항상 보여주지는 않는다.

더 중요한 질문은 이것이다. 이 사람이 환경을 빠르게 이해하고, 실제로 무엇을 고칠 가치가 있는지 식별하며, 현실적인 제약 속에서 문제를 해결할 수 있는가?

앞으로 가장 중요한 역량은 문제 선택과 자원 배분에 더 밀접하게 연결될 것이다.

에이전트는 이미 명확하게 정의된 복잡한 문제를 처리하는 데 강하다. 가장 큰 영향을 만드는 사람들은 중요한 문제를 식별한 다음, 그것을 해결하기 위해 시간, 주의력, 토큰, 컴퓨트, 사람을 배분할 수 있는 이들일 것이다.

많은 학생들은 에이전트가 자신의 과제를 해결할 수 있을 때 좌절감을 느낀다. 하지만 강한 후보자들 사이에도 좋은 해결책에 얼마나 효율적으로 도달하는지에는 여전히 큰 차이가 있다. 최고의 사람들은 보통 에이전트와의 협업에 높은 수준의 직관, 도메인 지식, 맥락 이해를 가져온다.

실제로 가장 신호가 강한 후보자들은 대개 실제 문제 해결 환경에 깊이 몰입해 있다. 때로는 그것이 진지한 개인 프로젝트에서 나오고, 때로는 빠르게 성장하는 회사에서 나오기도 한다.

그 문제들을 해결할 수 있는 사람들보다 훨씬 더 중요한 문제들이 있다.

1. 가장 노력할 가치가 있는 문제를 선택하라

AI 연구에서 가장 유용한 멘탈 모델 중 하나는 “쓴 교훈(The Bitter Lesson)”이다. 핵심 아이디어는 장기적으로 볼 때, 계산과 함께 확장되는 일반적인 방법이 사람이 설계한 과업별 특화 접근법보다 대체로 승리한다는 것이다.

이 교훈은 커리어 선택과 회사 선택에도 적용된다.

회사 성과와 커리어 성과는 언제나 멱법칙을 따라왔다. AI는 소프트웨어를 만드는 일이 훨씬 쉬워졌기 때문에 이런 멱법칙이 더 빠르게 나타나게 만든다. 이제 많은 사람들이 간단한 시스템을 빠르게 만들 수 있다. 이는 지속적인 가치는 단순히 무언가를 만드는 데서 나오기보다, 진정으로 큰 야망이 필요한 문제에 강하게 집중하는 데서 나온다는 뜻이다.

회사를 선택할 때는 그 회사가 지금 당장 흥미로워 보이는지만 볼 것이 아니다. 그 회사가 충분히 큰, 의미 있는 문제를 풀고 있는지, 그리고 그 문제를 실제로 해결할 수 있는 경로를 가지고 있는지를 물어야 한다.

역할을 선택할 때는 그 역할이 회사가 해결하려는 문제의 최전선에 자신을 가깝게 두는지 자문해야 한다.

좋은 역할은 중요한 의사결정, 트레이드오프, 제약조건에 가까이 있을 수 있게 해줘야 한다. 학습이 복리처럼 쌓이는 곳이 바로 거기다.

1. 마지막 1마일을 전력 질주하라

스타트업에 대해 Alfred Lin은 마지막 10%에 관해 쓴 적이 있다. 마지막 10%는 전체 일의 90%일 수 있지만, 동시에 보상의 90%이기도 하다.

AI는 결과물의 품질 양극화를 더 심하게 만들고 있다. 평균적인 수준의 작업은 점점 더 쉽게 만들어지고 있는데, 에이전트와 대략적인 프롬프트만으로도 이미 쓸 만한 결과물을 생성할 수 있기 때문이다. 이는 진짜 차별화가 독특한 감각, 문제에 대한 깊은 이해, 그리고 디테일에 대한 진지한 주의에서 나온다는 뜻이다.

마지막 1마일은 바로 그 차이가 드러나는 곳이다.

마지막 디테일까지 제대로 맞추려면 연습이 필요하다. 처음 시도에서 완벽한 것은 없기 때문에, 마지막 1마일은 보통 반복을 의미한다. 다듬고, 테스트하고, 다시 만들고, 단순화하고, 개선하는 것이다.

코딩 에이전트가 빠르게 발전하고 있기 때문에, 최선의 길이 언제나 같은 버전을 끝없이 덧대어 고치는 것은 아니다. 때로는 한 번의 반복에서 얻은 교훈을 흡수한 뒤, 더 새로운 모델이나 더 깔끔한 아키텍처로 새로 시작하는 편이 더 낫다.

이것은 자신의 프로젝트를 통해 연습할 수 있다. 아키텍처를 개선하는 데 추가 시간을 써라. 확장성을 생각하라. “작동한다”에서 멈추지 말고 창의성을 더하라. 작은 프로젝트도 단지 속도만이 아니라 판단력과 완성도를 보여줄 때 훨씬 더 가치 있어진다.

1. xG와 전환 효율을 모두 개선하라

축구에서 xG는 기대 득점을 뜻한다. 이는 거리, 각도, 골키퍼 위치 같은 요소를 활용해 찬스의 질을 기준으로 팀이 몇 골을 넣어야 하는지를 추정하는 지표다.

이것은 커리어에 대한 유용한 비유다.

어떤 커리어 선택은 xG를 높여 준다. 즉, 훌륭한 기회가 나타날 가능성이 더 높은 위치에 자신을 놓아 준다. 하지만 기회의 질은 방정식의 절반일 뿐이다. 전환 효율, 즉 그 기회를 실제 성과로 바꾸는 능력도 필요하다.

Phil은 2023년에 Anthropic과 Cursor의 제안을 거절하고, 대신 DeepMind에서 최전선 모델의 추론과 학습을 하기로 선택했다고 공유했다. 2024년에도 그는 다시 그 두 기회를 넘기고, 자신의 관심사, 문화, 그리고

당시의 목표.

커리어 관점에서 보면 그런 대안적 기회들은 xG가 높았습니다. 하지만 최선의 선택은 당신의 개인적인 방향, 팀, 시장, 그리고 당신이 무엇을 배우려 하는지에 따라 달라집니다.

커리어는 깁니다. 기회는 왔다가 사라집니다. 목표는 인상적으로 보이는 모든 것에 예라고 말하는 것이 아닙니다. 목표는 의미 있는 기회가 당신에게 닿을 수 있는 위치에 서 있는 것, 그리고 그런 기회가 왔을 때 더 나은 결정을 내리는 것입니다.

평판과 전문성은 여전히 중요합니다. 어떤 기회는 사람들이 이미 당신의 일을 신뢰하기 때문에 찾아옵니다. 또 어떤 기회는 특정 팀들이 중요하게 여기는 문제에 당신이 실제로 충분한 시간을 들였기 때문에 옵니다.

어느 시점이 되면 인생은 단지 기회를 보는 것만이 아닙니다. 그것은 기회를 현실로 바꾸는 일에 관한 것입니다. 이는 충분한 정보를 모으고, 더 나은 질문을 던지고, 더 많은 맥락 속에서 결정을 내린다는 뜻입니다.

초기 단계의 회사에서는 가장 중요한 요소가 대개 팀과 시장입니다. 많은 지원자들이 현재 제품에 지나치게 집중합니다. 하지만 팀이 탁월하다면, 제품은 시간이 지나면서 훨씬 더 나은 무언가로 바뀌는 경우가 많습니다.

1. 지금 바로 리서치를 시작할 수 있다

많은 사람들이 AI 리서치에 어떻게 들어갈 수 있는지 묻습니다. 한 가지 유용한 출발점은 허락을 기다리지 않는 것입니다.

시작하기 위해 언제나 프런티어 랩 규모의 컴퓨팅 자원이 필요한 것은 아닙니다. 좋은 출발점은 기존 모델을 활용하고, 자신의 직관을 평가로 전환하는 것입니다. 만약 어떤 모델이 특정한 종류의 추론, 워크플로, 혹은 작업에서 실패한다고 생각한다면, 그것을 포착할 수 있는 간단한 평가를 설계해 보세요.

공개 최적화 리더보드와 오픈 리서치 커뮤니티도 탐색을 더 체계적으로 만드는 데 도움이 될 수 있습니다. 이것들은 사람들이 아이디어를 시험하고, 접근법을 비교하고, 실패로부터 배울 수 있는 방법을 제공합니다.

물론 컴퓨팅 자원은 도움이 됩니다. 하지만 리서치는 대규모 컴퓨팅 이전에 시작됩니다. 그것은 호기심, 신중한 실험, 그리고 무엇이 왜 작동하거나 실패하는지 묻는 습관에서 시작됩니다.

많은 아이디어는 규모가 커지면 실패할 것입니다. 그것은 정상입니다. 왜 실패하는지를 이해하는 것이 실제로 무엇이 작동하는지에 대한 직관을 쌓는 방법입니다.

결국 리서처라는 것은 단지 직함만이 아닙니다. 그것은 하나의 사고방식입니다.

프런티어 랩 내부에서 리서치는 종종 여러 가지를 결합합니다.

1. 새로운 아이디어를 탐구할 만큼 강한 호기심.
2. 아이디어가 실제로 돌아갈 때까지 인프라와 씨름하려는 의지.
3. 문제를 효율적으로 디버깅할 수 있도록 하는 세부적인 시스템 이해.
4. 결과가 왜 중요한지에 대한 명확한 커뮤니케이션, 그래야 팀이 더 많은 컴퓨팅 자원과 관심을 정당화할 수 있습니다.

당신이 프런티어 랩 안에 있지 않더라도 이런 것들을 연습할 수 있습니다.

세상에는 여전히 많은 열린 기회가 있습니다. 핵심은 흥미로운 문제를 찾고, 그다음 기본 수준을 분명히 뛰어넘는 결과물을 내는 것입니다.

FAQ

AI 시대의 젊은이들을 위한 가장 중요한 커리어 조언은 무엇인가요?

핵심 조언은 AI 시스템이 직접 점수화하거나 자동화하기 어려운 일에 집중하라는 것입니다. 여기에는 중요한 문제를 선택하고, 신뢰받는 관계를 구축하고, 판단력을 개발하고, 마지막 디테일까지 잘 실행하는 것이 포함됩니다.

AI 에이전트가 발전할수록 문제를 찾는 능력이 왜 더 중요해지나요?

AI 에이전트는 명확하게 정의된 작업을 해결하는 데 매우 강해지고 있습니다. 그래서 올바른 문제를 식별하는 능력은 더욱 가치 있어집니다. 최고의 사람들은 무엇이 가치 있는지 알게 될 것입니다

에이전트에게 해결을 요청하기 전에 먼저 주의를 기울여야 합니다.

에이전트형 코딩이 계속 발전하더라도 코딩은 여전히 유용한가요?

그렇습니다. 다만 그 가치의 중심이 달라집니다. 단순히 코드를 직접 작성하는 것에 그치지 않고, 빌더는 시스템을 이해하고, 에이전트를 적절히 이끌고, 결과를 디버깅하며, 더 나은 아키텍처를 설계하고, 애초에 무엇을 만들어야 하는지를 판단할 수 있어야 합니다.

이 커리어 맥락에서 “희소 자원”이란 무엇을 뜻하나요?

희소 자원에는 시간, 인간관계, 평판, 그리고 뛰어난 사람들에게 접근할 수 있는 기회가 포함됩니다. 돈과 기본적인 도구는 점점 더 쉽게 구할 수 있게 될 수 있지만, 신뢰할 수 있는 네트워크와 입증된 탁월함은 시간이 지날수록 계속 축적됩니다.

AI 시대의 일에서 “라스트 마일”이란 무엇인가요?

라스트 마일은 평범한 결과물을 뛰어난 결과물로 끌어올리는 마지막 구간을 뜻합니다. 여기에는 테스트, 다듬기, 단순화, 아키텍처 개선, 그리고 대체로 거친 AI 생성 결과물에 부족한 판단력을 더하는 일이 포함됩니다.

학생들도 최전선 연구소에 들어가지 않고 AI 연구를 시작할 수 있나요?

그렇습니다. 학생들은 기존 모델을 활용하고, 작은 평가를 만들어 보고, 가설을 검증하며, 공개 벤치마크나 리더보드에 참여하는 것부터 시작할 수 있습니다. 연구는 직함이나 컴퓨팅 규모에서만 시작되는 것이 아니라, 호기심과 신중한 실험에서 시작됩니다.

초기 단계 AI 회사를 어떻게 골라야 하나요?

팀, 시장, 그리고 그 문제가 지닌 야심을 보세요. 현재 제품도 중요하지만, 강한 팀은 시간이 지나며 제품을 바꾸고 개선하는 경우가 많습니다. 또한 좋은 역할은 그 회사에서 가장 중요한 문제와 가까이에서 일할 수 있게 해줘야 합니다.

관련 도구

• OpenAI: 최전선 모델과 AI 시스템을 연구·개발하는 AI 연구 및 제품 회사.
• Google DeepMind: 고도화된 기계 지능을 중심으로 연구하는 Google의 AI 연구 조직.
• Scale AI: 다양한 AI 제품 및 모델 워크플로와 연결된 데이터 및 AI 인프라 회사.
• Anthropic: Claude로 가장 잘 알려진 AI 안전 및 연구 회사.
• Cursor: 에이전트형 코딩 맥락에서 자주 언급되는 AI 기반 코드 에디터.
• Modal: AI, 데이터, GPU 워크로드를 실행하기 위한 서버리스 컴퓨팅 플랫폼.
• GitHub: 코드, 연구 구현, 오픈소스 벤치마크를 공개할 수 있는 플랫폼.

관련 링크

• Original BAAI Hub Article: 이 재작성된 글의 출처로 사용된 중국어 원문 페이지.
• Phil Chen’s X Article: Career Advice in the Age of AI: BAAI 게시물에서 참고한 원본 X 글.
• The Bitter Lesson: AI에서 일반적인 방법의 확장성을 다룬 Richard Sutton의 영향력 있는 에세이.
• Alfred Lin: The Last 10%: 실행의 마지막 구간이 왜 보상의 대부분을 만들어낼 수 있는지에 대한 글.
• Vlad Feinberg: How to Land a Frontier Lab Job: 최전선 AI 연구소 취업을 목표로 하는 사람들을 위한 커리어 조언.
• KellerJordan/modded-nanogpt: 공개 최적화 및

실전형 AI 연구 연습과 관련된 NanoGPT 스피드런 저장소입니다.

• Modal 공식 웹사이트: AI 실험을 더 쉽게 실행할 수 있게 하는 맥락에서 언급된 컴퓨팅 플랫폼입니다.

요약

이 글은 AI 시대의 커리어 성장이 단순히 주어진 문제를 해결하는 것보다 중요한 문제를 찾아내고, 야심찬 환경을 선택하며, 수준 높은 기회를 만들어내는 평판을 쌓는 데 더 크게 달려 있다고 설명합니다.

또한 에이전트형 코딩이 기술 업무의 가치를 어떻게 바꾸는지도 강조합니다. 평균적인 결과물은 점점 더 쉽게 만들어질 수 있기 때문에, 판단력, 감각, 시스템에 대한 이해, 그리고 마지막 단계까지 완수하는 실행력이 더욱 중요해집니다.

AI 분야에 입문하는 젊은 사람들에게 실질적인 길은 분명합니다. 뛰어난 사람들과 시간을 보내고, 의미 있는 문제에 집중하며, 깊이 있는 실행을 연습하고, 작은 실험과 평가를 통해 연구를 시작하는 것입니다.

AI 시대에는 올바른 문제를 선택하고 기본 수준을 넘어서는 결과를 만들어낼 수 있는 사람이 유리합니다.