CHAPTER 0 · HOOK
AI가
무엇일까요?
CHAPTER 1 · AI의 본질
알파고는 매 수마다 "어디 두면 이길까"를 계산합니다.
바둑판 위에 19 × 19 = 361개의 좌표가 있습니다.
알파고는 매 수마다 묻습니다.
"여기 두면 이길 확률이 얼마야?"
361칸 전부에 대해 답을 계산합니다.
그리고 가장 승률이 높은 칸에 둡니다.
* 그림은 설명을 위해 9×9로 줄인 바둑판입니다.
알파고는 수를 두는 게 아니라, 확률 지도를 그립니다.
판 전체에 "여기 두면 이길 확률"을 칠합니다.
여러 수 앞을 내다본 뒤, 가장 진한 곳에 돌을 놓을 뿐입니다.
알파고 = 확률 계산기
알파고가 승률을 아는 건, 수십만 판의 기보를 봤기 때문입니다.
📚 데이터
지금까지 인류가 둔 수십만 판의 바둑 기보.
🎯 학습
"이런 모양일 때 → 이긴 사람은 다음에 어디에 뒀는가"를 통계로 배움. 그 뒤엔 자기 자신과 수백만 판을 더 두며 다듬음.
결국, "역사상 가장 승률이 높았던 다음 수"를 추천하는 기계.
자율주행도, ChatGPT도 같은 원리로 움직입니다.
🚗 자율주행
카메라 영상 + 차량 상태 →
"다음 1초 동안 어떻게 움직일까"의 확률 분포를 그린다.
🎮 알파고
바둑판 상태 →
"다음 수는 어디일까"의 확률 분포를 그린다.
💬 ChatGPT
지금까지의 문맥 →
"다음 단어는 무엇일까"의 확률 분포를 그린다.
입력만 다를 뿐, 하는 일은 같습니다 — 다음을 확률로 고른다.
CHAPTER 2 · LLM의 정체
우리가 매일 쓰는 LLM도 확률 계산기입니다.
아주 단순하게 말하면 —
"지금까지의 글을 보고, 다음에 올 단어를 예측하는 계산기"
LLM(대규모 언어 모델) = ChatGPT · Claude · Gemini 안에 든 엔진.
다음 단어를 하나씩 뽑아 이어 붙이면, 문장이 됩니다.
prompt: "오늘 날씨가 정말 ___"
vector space · 다음 단어 후보와 확률
좋네요.00
덥네요.00
춥네요.00
맑아서.00
시원해.00
푹푹쪄.00
흐려서.00
좋아서.00
청명해.00
안좋네.00
그리고.00
너무.00
한 단어 뽑고 → 다시 입력에 붙이고 → 또 뽑고… 이 반복이 우리가 보는 긴 답변입니다.
얀 르쿤: "다음 단어 예측으로는 인간 수준 지능에 못 간다."
"세상을 이해하지 못한 채,
다음 단어만 그럴듯하게 뱉는 기계다.
이 길로는 인간 수준의 지능에 도달할 수 없다."
— Yann LeCun, 前 Meta Chief AI Scientist · 튜링상 수상자 (요지)
이 비판은 기술적으로 맞습니다. 하지만 쓸모가 없다는 뜻은 아닙니다.
그래도 강력한 이유 — 인류가 써 온 수십조 단어.
알파고
"다음 수의 승률"을
계산할 수 있는 이유
지금까지 인류가 둔 수십만 판의 기보가 있기 때문.
LLM
"다음 단어의 확률"을
계산할 수 있는 이유
인류가 써온 수십조 단어의 글이 있기 때문.
둘 다 결국, "역사상 가장 승률 높았던 답"을 찾는 기계.
코드 · 이미지 · 영상도 같은 방식으로 "다음 조각"을 예측합니다.
이미지도, 영상도, 음악도 — 결국 "순서가 있는 데이터"로 바꾸면
똑같이 "역사상 가장 그럴듯한 다음"을 찾는 문제가 됩니다.
그럼 이걸 한마디로 하면 — AI는 무엇일까요?
CHAPTER 3 · 그래서 AI는 무엇인가?
AI는 이렇게 이해하면 쉽습니다.
Q: "이번 분기 매출, 어떻게 올리지?"
history · 인류가 시도해온 모든 방법
가격 인하.00
신규 채널 확대.00
재구매 유도.00
고객 세분화.00
번들 상품.00
구독 전환.00
추천인 제도.00
시즌 할인.00
인플루언서 협업.00
리마케팅 광고.00
후기 이벤트.00
재고 소진 세일.00
역사상 가장 승률 높은 답을 찾는 "지능형 도서관"
이 도서관과 대화하며 답을 찾아가는 일하는 방식 — 그 이름이 "바이브 코딩"입니다.
바이브 코딩은 문법 대신, 원하는 걸 말로 설명합니다.
기존 방식
📖 문법을 배우고
한 줄씩 직접 작성
내가 규칙을 외우고, 내가 손으로 만듭니다.
바이브 코딩
💬 원하는 걸 말로 설명하고
AI가 만들고 실행
내가 방향을 말하고, AI가 초안을 만들어 돌려봅니다.
단, AI가 주는 건 정답이 아니라 "가장 그럴듯한 초안"입니다.
그래서 방향을 주고 → 결과를 보고 → 다시 다듬는 주고받음이 필요합니다.
바이브 코딩 = 요청 → 생성 → 확인 → 수정의 반복
① 요청
원하는 걸 말로 설명
→ "강의 슬라이드 만들어줘"
② 생성 · 실행
AI가 초안을 만들고 직접 돌려봄
→ 작동하는 초안이 바로 나옵니다. (AI 차례)
③ 확인
결과를 눈으로 봄
→ "이거 맞는지 확인해줘"
④ 수정
마음에 안 들면 다시 말로 고침
→ "이 부분 수정해줘"
∞ 그리고 다시 ①로 — 루프
중요한 건 "코드를 아는 것"이 아니라, "원하는 걸 표현하고 결과를 판단하는 것"입니다.
* "vibe coding"이라는 이름은 2025년 초, AI 연구자 Andrej Karpathy가 붙였습니다.
루프를 세 바퀴 돌면, 밋밋한 초안이 쓸 만한 도구가 됩니다.
방향키를 누를 때마다 한 바퀴. 오른쪽 위젯은 이 화면에서 실제로 돌아갑니다.
YOU회의 때 쓸 타이머 위젯 하나 만들어줘.
CLAUDE기본 타이머를 만들었어요. 바로 실행해 보세요 →
YOU너무 밋밋한데. 다크 테마에 카드 느낌으로.
CLAUDE다크 카드 + 모노 폰트로 바꿨습니다 →
YOU좋아. 남은 시간이 한눈에 보이게 — 링 같은 걸로.
CLAUDE진행률 링을 얹었어요. 시간이 줄면 링도 줄어듭니다 →
YOU마지막으로 우리 발표 컬러(보라·민트)로 맞춰줘.
CLAUDE완성입니다. 코드는 한 줄도 직접 안 쓰셨어요 →
수정 요청은 모두 "보고 나서 든 생각"입니다 — 처음부터 완벽히 설명할 필요가 없습니다.
AI 생산성은 일을 대신하는 것보다,
내 능력의 바닥(base)을 올리는 것입니다.
흔한 답
⚙️ 자동화 — 사람 일을 대신하기
물론 훌륭합니다. 하지만 이건 절반의 정답입니다.
진짜 답
🚀 인간 능력의 base를 끌어올리기
AI와 함께 일하면 내가 할 수 있는 일의 범위 자체가 넓어집니다.
AI를 쓰는 주니어는 AI 없는 시니어를 넘어설 수 있습니다.
주니어 ↔ 시니어의 이야기이자, 동시에 비개발자 ↔ 개발자의 이야기입니다.
격차는 여전히 남습니다 — 다만 그 기준이 연차·직군에서 "AI를 어떻게 쓰느냐"로 옮겨 갑니다.
해 본 적 없는 일도, "해 본 사람 수만 명"과 함께 시작합니다.
숫자에 약한 마케터
"손익계산서만 보면 머리가 하얘져요."
→ 재무제표를 직접 읽으며 회의에서 질문합니다. AI가 매 순간 옆에서 해설해 주니까요.
처음 예산안을 짜는 신입
"예산안은 한 번도 안 만들어봤는데…"
→ "보통 이렇게 짠다"는 역사상의 표준안을 초안으로 받고, 다듬는 데만 집중합니다.
낯선 산업으로 이직한 사람
"이 업계는 용어부터 낯설어요."
→ "이 도메인은 이런 흐름으로 굴러간다"는 패턴을 몇 년이 아니라 첫 주에 흡수합니다.
새 프로젝트를 여는 팀
"비슷한 걸 해본 사람이 팀에 없어요."
→ 유사 프로젝트들의 성공·실패 지점을 킥오프 자료로 바로 가져옵니다.
네 사례 모두 코딩이 아닙니다. "할 줄 몰라서"가 시작을 막지 않게 된 것 — 그게 base가 올라간다는 뜻입니다.
하루에 네 번, 같은 질문 — "남들은 보통 어떻게 하지?"
09:12
받은메일함부터 꽉 차 있음
"이 답장, 남들은 보통 어떻게 하지?"
→ 톤까지 맞춘 초안 3개 중에서 고르기만 합니다.
11:40
처음 보는 계약서 검토
"이런 조항, 남들은 보통 어떻게 하지?"
→ 위험한 문장부터 형광펜을 그어 줍니다.
14:30
숫자만 빼곡한 스프레드시트
"이 데이터, 남들은 보통 어떻게 하지?"
→ 이상한 값과 핵심만 세 줄로 짚어 줍니다.
16:50
처음 켜 보는 낯선 툴
"이거 시작, 남들은 보통 어떻게 하지?"
→ 첫 화면부터 손을 잡고 안내합니다.
일은 달라도 질문은 같습니다. AI는 그때마다 "지금까지 가장 많이 통한 답"을 옆에 놓아 줍니다.
챗봇도 시작이지만, 실행형 도구는 손발까지 AI가 맡습니다.
차이는 누가 복사·붙여넣기·실행을 하느냐입니다 —
보라 = 나 민트 = AI
대화형 — ChatGPT, Claude.ai (웹)
질문
→
답변
→
복사
→
붙여넣고 실행
→
확인
AI는 조언만 — 손발은 전부 나. 왕복이 잦을수록 여기서 시간이 샙니다.
실행형 — Claude Code, Cursor, Codex
요청
→
만들기
→
실행
→
확인·수정
→
결과 승인
나는 방향과 판단만 — 중간 루프가 통째로 AI에게 넘어갑니다.
한 번 묻고 끝이면 챗봇으로 충분, 만들고 돌리고 고치기를 반복한다면 실행형이 유리합니다.
작동 원리 · 실행형 AI 안에서는
실행형 AI는 읽고 → 실행하고 → 확인하는 루프를 스스로 돕니다.
요청 하나를 주면, Claude Code 같은 도구는 일이 끝날 때까지 이 세 단계를 반복합니다.
에이전틱 루프
① 맥락 수집폴더 안 파일을 찾아 읽기
→
② 실행파일 수정 · 명령 실행
→
③ 검증결과 확인 · 틀리면 다시
간단한 질문엔 ①만, 버그 하나 고치는 데는 ①②③을 수십 번 돕니다.
보는 범위 = 실행한 폴더
현재 파일 한 장이 아니라 폴더 전체 · 터미널 · git 기록을 봅니다. 그래서 어느 폴더에서 여느냐가 곧 작업 범위입니다.
나도 루프의 일부
혼자 돌지만 언제든 Esc로 끼어들어 방향을 바꾸거나 정보를 더 줄 수 있습니다.
출처 · Anthropic 공식 문서 「How Claude Code works」 · 설치와 조작은 → 0교시
CHAPTER 4 · 그래서 어떤 AI 도구를 배워야 할까?
어떤 AI 도구를
배워야 할까요?
"Claude Code? Cursor? Codex? 뭐 배울까요?"
요즘은 "MCP는요? Skill은요?"까지 붙습니다.
코딩 AI는 5년 동안 네 번 모양을 바꿨습니다.
2021–2022
IDE Autocomplete
Copilot, Tabnine. 코드를 치다 보면 "다음 한 줄을 채워주는" 시대.
2022–2023
Chatbot에 물어보고 복붙
ChatGPT 등장. 창에 질문 → 답을 복사 → 코드에 붙여넣기.
2023–2024
AI-native Desktop App
Cursor, Windsurf. IDE 자체가 LLM을 중심으로 재설계.
2025
Terminal-based Agent
Claude Code, Codex CLI. 터미널(명령창)에서 파일을 직접 만지고 명령까지 실행하는 에이전트.
2025–현재
Agent + 확장 생태계
MCP · Skill · Subagent. 에이전트 위에 새 층이 계속 얹히는 중.
"최고의 도구"는 해마다 바뀌었습니다.
지난 5년의 1등 다툼을 빠르게 돌려 보면 —
몇몇은 벌써 이름이 뜸해졌고, 3개월 뒤 1등은 아무도 모릅니다.
※ 막대는 시기별 개발자 커뮤니티의 체감 인기를 재구성한 개념도입니다 — 정확한 점유율이 아닙니다.
매일 듣는 질문
"이것 하나만 깔면 된다" — 그런 도구는 없습니다.
Q
"어떤 harness 깔아요?"
Claude Code? Codex? 하나만 정해주세요.
Q
"MCP는 뭐부터 깔아요?"
무슨 서버를 붙여야 '완성'인가요?
Q
"Skill은 어디서 받아요?"
그거 설치하면 다 되는 거 맞죠?
모두 "하나만 세팅하면 다 되는 그것"을 찾지만, 그건 계속 바뀝니다.
도구 · 모델 · 확장은 표면입니다 — 계속 바뀝니다.
도구·모델·MCP·skill·harness — 매 분기 새로 얹히고, 또 바뀝니다.
▲ 표면 — 계속 바뀜
harness
Claude Code · Codex CLI …
3개월마다 바뀜
skill · MCP
확장 플러그인
계속 새로 생김
model
GPT ↔ Claude ↔ Gemini
순위 뒤집힘
tool · IDE
Cursor · Windsurf …
표준이 바뀜
AI의 정체 + 선택하는 사고방식
안 바뀜
"무엇을 깔지"보다
"무엇이 안 바뀌는지"를 배우세요.
그래서 저는 이렇게 생각합니다 —
AI 도구의 사용법을
깊게 외우는 건
오래가지 않습니다.
표면은 빨리 바뀌고, "이번엔 이거 하나면 돼"는 반복됩니다.
① 표면은 전부 빨리 바뀐다
도구·모델·MCP·skill·harness — 그 위에 새 층이 계속 생깁니다. Cursor 단축키를 외우고 나면, 6개월 뒤엔 다른 게 표준이 되죠.
② 새 층이 생길 때마다 같은 착각이 반복된다
"이번엔 이거 하나만 세팅하면 돼." — MCP도, skill도, harness도 그랬어요. 그리고 다음 달, 또 새로운 '이거 하나'가 등장합니다.
③ 그러면 무엇이 변하지 않을까?
→ "AI라는 것의 본질"과, "AI를 다루는 나의 사고방식"
그래서 실전에서는
튜닝의 끝은 순정 — 확장은 불편이 쌓인 다음에.
MCP · 스킬 · 서브에이전트를 붙이기 전에, 기본 상태의 도구가 어디서 잘하고 어디서 틀리는지부터 몸으로 익히세요.
요행을 기대하지 말 것
"좋은 MCP만 붙이면 알아서 잘하겠지."
"고수의 CLAUDE.md를 복사하면 되겠지."
"서브에이전트 여러 개면 알아서 굴러가겠지."
확장은 기본기를 대체하지 않습니다. 기본기를 가진 사람이 쓸 때만 효과가 납니다.
좋은 순서
순정으로 써본다
→
불편·실패를 기록
→
그때 설정을 추가
남의 세팅을 복사하는 게 아니라 — 내 업무·코드베이스·보안 환경·팀 방식에 맞게 에이전트 환경을 키워가는 것.
순정을 제대로 다룰 줄 아는 사람이 — 나중에 가장 좋은 튜닝도 합니다.
반복되는 설명을 파일로 남기는 법(CLAUDE.md · 스킬) → Agent Skills 덱
CHAPTER 5 · 진짜 중요한 것
길러야 할 능력은 둘 — 본질 이해와 묻고 고르는 근육.
Skill 1
AI의 본질을 이해한다
"AI는 역사 속에서 가장 승률 높은 답을 추천하는 기계다."
이것만 진짜로 이해하면, 어떤 도구가 와도 적응할 수 있습니다.
Skill 2
모든 일에서 AI에게 조언을 받고, 선택하고, 다시 묻는 사이클을 연습한다
구현, 수정, 설계, 업무 — 어디서든.
이건 근육입니다. 도구가 바뀌어도 그대로 갑니다.
마지막 선택은 사람이 합니다.
AI는 "지금 그럴듯한 답"에 강하고, "길게 보아 옳은 답"에 약합니다.
🤖 AI의 강점
"단기적으로 가장 그럴듯한 답"을 빠르게 찾아준다.
⚠️ AI의 약점
"장기적 옳음"엔 약합니다.
단기 그럴듯함에 과적합하는 경향이 있어요.
추천을 그대로 따르기 전에 "이게 6개월 뒤에도 옳은가?"를 한 번 더 묻는 습관.
AI를 쓸수록 똑똑해지는 사람에게는 세 가지 습관이 있습니다.
AI는 사람을 자동으로 똑똑하게 만들지 않아요. 어떤 태도로 쓰느냐가 가릅니다.
전문성 · 맥락화
AI 답을 판별한다
맞는지 틀린지는 결국 내가 가려냅니다. 도메인 지식이 있어야 환각·누락·과장이 보여요.
메타인지
모름을 안다
뭘 모르는지 알아야 더 정확히 묻고 검토합니다. 진짜 학습은 답을 내 언어로 다시 쓸 때 일어나요.
AI를 안 쓰는 시간
혼자 생각한다
잘 쓰는 사람일수록 AI 없이 사색하는 시간을 지킵니다. 독서·경험이 사고 근육을 만들어요.
AI는 대체물이 아니라 증폭기다 — 무엇을 위임할지보다
무엇을 끝까지 내 사고로 남길지가 더 중요합니다.
참고문헌 · 『AI, 신의 탄생 인간의 종말』, 『듀얼 브레인』
RECAP
여기까지, 다섯 줄로.
1. AI는 "역사상 가장 승률 높은 다음 답"을 찾아주는 확률 계산기다.
2. 그래서 LLM도 본질은 "다음 단어 예측기"다. 하지만 강력하다.
3. AI 생산성의 진짜 의미는 "인간 능력의 base를 끌어올리는 것".
4. 도구의 사용법이 아니라 AI의 본질과 선택 근육을 길러라.
5. 그리고 그 선택은 주체적일수록 좋다 — AI는 단기 최적화에 치우치니까.
이 다섯 줄을 들고 — 처음 질문으로 돌아갑니다.
그래서, 다시 처음 질문으로 —
바이브 코딩이란
무엇인가?
어떤 도구·harness를 깔았느냐가 아니라,
AI라는 지능형 도서관과 끊임없이 대화하면서
매 순간 가장 좋은 선택을 골라나가는 작업 방식
그게 바이브 코딩입니다.
LAST EXAMPLE
"만들어줘" 한 방보다, 가이드라인을 같이 잡는 대화가 강합니다.
어떤 도구를 쓰든 — AI를 가장 강력하게 끌어내려면, 어떻게 해야 할까요?
흔한 방법
바로 부탁한다
"이거 만들어줘" 한 방.
물론 이것도 좋습니다. 하지만 한계가 있어요.
더 강력한 방법
가이드라인을 같이 잡아간다
대화하며, 선택지를 비교하고, 한 단계씩 결정해 나가기.
어떤 도구를 쓰든 같습니다. 실제 대화로 보겠습니다 →
SAMPLE CONVERSATION
질문을 거듭하자, "PPT 만들기"가 실시간 참여형 웹 발표가 됐습니다.
YOU
100명 대상으로 1시간짜리 바이브 코딩 개론 슬라이드를 만들고 싶어. 어떻게 시작할까?
CLAUDE / CODEX
가장 무난한 건 PowerPoint입니다. 그 외 Keynote, HTML 슬라이드(reveal.js)도 있어요 — 디자인 자유도가 얼마나 필요한가요?
YOU
애니메이션이 좀 더 돋보이고, 디자인도 현대적이었으면 좋겠어.
CLAUDE / CODEX
그럼 HTML 기반이 가장 자유롭습니다. reveal.js + 커스텀 CSS로 충분히 됩니다.
YOU
청중이 실시간으로 참여하는 요소도 넣으려면?
CLAUDE / CODEX
그건 입력을 모을 서버가 필요해요. AWS EC2 + React 웹앱화를 추천 — 실시간 입력까지 됩니다.
YOU
만들었더니 4명만 써도 느려져. 원인이 뭘까?
CLAUDE / CODEX
접속자마다 서버가 같은 데이터를 매번 다시 만들어 보내는 게 주범 같아요. ① 캐시, ② I/O 큐 관리 두 방향을 보세요.
YOU
그중에서도 실시간성이 가장 중요하다면?
CLAUDE / CODEX
Redis 도입을 검토하세요. 캐시 + Pub/Sub으로 동시성·지연을 한 번에 잡을 수 있습니다.
✦ 그리고 이 대화의 결과물이 — 지금 보고 계신 이 슬라이드입니다.
그 대화에서 세 가지가 함께 — 선택 · 학습 · 편향 방지.
①
성공률이 가장 높은 선택
"PPT vs HTML vs React" 같은 갈림길에서, 매번 조건에 맞는 답을 추천받음.
②
학습이 자연스럽게 따라옴
Redis, Pub/Sub, 큐 — 몰랐던 개념을 필요한 순간에 정확히 배움.
③
단기 뷰 편향을 막음
"그냥 만들어줘"였다면 첫 답인 PPT로 끝났을 것. 질문을 거듭하니 장기적으로 옳은 길이 보임.
"답을 받는 것"이 아니라
"같이 길을 잡아가는 것" —
그게 바로 바이브 코딩입니다.
CHAPTER 6 · 그래서, 무엇을 배워야 하나
AI 시대에, '사용법'을
가르치는 게 맞을까?
이 시리즈에도 설치 · 명령어 · 권한 설정을 설명하는 0교시가 있습니다. 필요합니다. 하지만 —
정말 중요한 건 "Claude Code 사용법"을 아는 것일까,
아니면 "모르는 도구를 AI와 함께 익혀가는 능력"을 갖추는 것일까?
저는 후자가 훨씬 중요하다고 생각합니다.
관점의 전환
도구 교육은 "정답 절차"에서 "함께 일하는 법"으로 옮겨 갑니다.
예전 도구 교육
"정답 절차"를 알려주기
메뉴가 어디 있는지 · 명령어가 무엇인지 · 정해진 순서가 무엇인지. 외우면 끝나는 지식.
AI 에이전트 도구 교육
"함께 일하는 법"을 익히기
원하는 작업을 어떻게 설명할까 · 실패하면 어떻게 다시 대화할까 · 시행착오를 규칙·skill·hook·MCP로 어떻게 축적할까.
사람은 "무엇을 할지"를, AI는 "어떻게 할지"를 맡습니다 —
그래서 그 일을 잘 아는 사람일수록 한 번의 지시로 더 많은 일을 맡길 수 있습니다.
→ AI 시대에도 전문성은 사라지지 않습니다. 다른 방식으로 증폭될 뿐.
사용자 → 설계자
"어떻게 하면 다음에 더 잘할까?"를 묻는 순간, 설계자가 됩니다.
my-project — claude
> 이 프로젝트 구조를 읽고 설명해줘.
> 내가 뭘 먼저 해야 할지 작업 계획을 세워줘.
> 이 에러 로그를 보고 원인 후보를 좁혀줘.
> 다음부터 더 잘하려면 CLAUDE.md에 뭘 남기면 좋을까?
> 이 명령 매번 치기 귀찮은데, custom command로 만들 수 있을까?
> 팀 코드 스타일·테스트 규칙을 에이전트가 기억하게 하려면?
🧭
실력이 이동한다
"AI에게 한 번 물어보는 능력"이 아니라 "AI가 계속 잘 일할 환경을 만드는 능력"으로.
📈
반복은 파일로 남긴다
같은 설명을 세 번째 하고 있다면 — CLAUDE.md나 스킬로 남길 순간입니다. → agent-skills
🛡️
가이드는 '출발선'일 뿐
보안·권한 때문에 기본 가이드는 필요합니다. 목적은 "이대로만 하세요"가 아니라 안전하게 출발하는 공통 기반.
CHAPTER 6 · 정리
이 시리즈는 사용법 강의가 아니라, 출발점입니다.
모든 사용법을 알려 주는 시간이 아니라 — 스스로 배우고, 실패를 고치고,
내 업무에 맞는 일하는 방식을 만들어 가기 위한 출발점입니다.
1. 일단 써보자.
2. 막히면 Claude Code에게 물어보자.
3. 잘 안 되면 왜 안 되는지 함께 분석하자.
4. 반복되는 문제는 규칙과 도구로 남기자.
5. 내 업무에 맞는 작업 환경을 스스로 키우자.
그 과정 자체가 — AI 시대의 실력입니다.
CHAPTER 7 · 2026, 그 다음
바이브 코딩에서
에이전틱 엔지니어링으로
그리고 — 비개발자에게 여전히 중요한 바이브 코딩
같은 AI를, 개발자와 비개발자가 다른 방식으로 쓰는 이야기.
7.1 · 열림과 한계
바이브 코딩은 문을 열었지만, 벽도 분명했습니다.
열어준 것
자연어 프롬프트만으로 빠르게 코드를 만들며 진입장벽을 크게 낮췄다.
아이디어가 떠오르면 바로 시제품으로. 비개발자도 소프트웨어 제작에 참여할 수 있게 됐다.
부딪힌 벽
환각으로 인한 오류 · 복잡한 디버깅 · 보안 취약점 수정에 오히려 더 많은 시간.
구조 없는 즉흥 개발은 유지보수 비용을 키우고 — 테스트·설계가 빠진 코드는 빠르게 기술 부채가 됐다.
가능성은 열었지만 — 오래 쓰는 소프트웨어에는 더 체계적인 접근이 필요했습니다.
7.2 · 에이전틱 엔지니어링의 부상
이제 AI는 도구가 아니라, 엔지니어링 파트너.
코드를 바로 쓰기보다 — 먼저 아키텍처·작업 계획을 세우고, 구현 뒤엔 테스트·검증을 자동화한다.
🧭 계획 우선
즉흥 생성 대신 설계·계획이 먼저.
🧩 병렬 에이전트
프론트·백엔드·문서·테스트를 나눠서 동시에.
🔌 MCP 도구 표준
파일·DB·외부 API 접근을 안전하게 통제.
핵심은 — AI 활용을 "재미있는 실험"에서 "믿을 수 있는 개발 과정"으로 끌어올리는 것.
7.3 · 개발자의 역할 변화
작성자에서, 시스템 오케스트레이터로.
코드를 많이 타이핑하는 사람
→
에이전트가 안전하게 일할 구조를 만드는 사람
범위
🛡️ 수정 범위를 제한
에이전트가 건드릴 수 있는 곳을 명확히 가둔다.
의도
📐 규칙·의도를 전달
코딩 규칙과 아키텍처 의도를 명확히 전한다.
검토
🔍 결과물을 리뷰
품질·보안·운영 관점에서 프로덕션 수준으로.
직접 모든 코드를 쓰기보다 — 구조를 만들고, 검토하고, 키워 가는 사람.
7.4 · 사라지지 않은 가치
비개발자에게 바이브 코딩은 여전히 강력한 도구.
현업 문제를 가장 잘 아는 사람은 개발자가 아니라 — 그 업무를 직접 하는 도메인 전문가.
이들이 자연어로 요청해 작은 자동화 도구·대시보드·챗봇·업무 앱을 직접 만들면 — 문제 해결 속도가 크게 빨라진다.
바이브 코딩은 개발자를 대체하는 수단이 아니라 —
도메인 문제 해결력을 증폭하는 도구.
중요한 건 코드 실력보다 — 문제를 정확히 정의하는 능력.
7.5 · 핵심
비개발자의 생산성은 도메인 지식 × AI 활용.
직접 움직여보세요 — 한쪽만 10이어도 크지 않습니다. 덧셈이 아니라 곱셈이니까요.
정식 개발 과제가 되기엔 작지만, 현업에선 매일 시간을 잡아먹는 문제들 —
도메인 지식이 깊을수록 — AI로 만들 수 있는 것이 크게 늘어납니다.
CHAPTER 7 · 결론
바이브 코딩은 끝난 트렌드가
아닙니다.
다만 모든 문제를 바이브 코딩으로 끝내려는 접근이 위험할 뿐.
비개발자에게
바이브 코딩은 도메인 문제 해결력을 극대화하는 도구.
개발자에게
에이전틱 엔지니어링은 AI를 프로덕션 수준으로 다루는 방법론.
둘 중 하나가 아니라 — 함께 갈 때 가장 강합니다.
개발자와 손잡을 때 —
사용자가 늘 때
민감정보 · 보안
시스템 연동 · 장기 운영
END
감사합니다.
코딩하는 매 순간에, 좋은 vibe가 함께하기를.
Q & A
가장 동의가 안 되는 지점은 어디였나요?
반례, 이의, 감상 — 무엇이든 환영합니다.
이의 환영
반례 환영
감상 환영
다음 → 실습 워크숍에서 내 도구 만들기 · 아직 설치 전이라면 → 0교시
업계 동향(누가 어떤 모델을 냈나)은 → AI 업계 지도 — 2026.11
THE END? · 엔딩
STAGE 1 CLEAR
엔딩도 바이브 코딩으로 — 칩을 눌러 이 게임을 고쳐 보세요. 코드는 한 줄도 안 씁니다.
STAGES50
내가 쓴 코드0줄
NEXT STAGE∞
🖱 마우스로 조종 · 가만히 두면 AI가 플레이
💬 프롬프트 한 줄 = 게임 수정 하나