이 글은 [조쉬의 뉴스레터]에서 발행되었습니다.
퀄리티 있는 프로덕트, 창업가, 비즈니스 이야기를 매주 구독해보세요.
구독 시 100개의 1인 창업 케이스 스터디가 발송됩니다.

제가 이 대담을 고른 건 마이크로소프트 CEO 사티아 나델라(Satya Nadella)가 스스로 인정한 두 대목 때문입니다. 코딩 도구의 형태를 바꾼 건 앤트로픽 모델이었다고 했고, AI가 코드를 대부분 짜는 팀에서 일해 본 적이 없어 배워야 한다고 했거든요. 자기 회사가 밀렸다는 사실까지 숨기지 않은 사람이라, '코드 생성이 싸진 지금 어려워진 건 검증'이라는 판단이 가볍게 들리지 않았습니다.
나델라는 실패한 사례를 테스트에 추가하고, 비평은 다른 모델 계열에 맡기라고 합니다. 어떤 모델로 바꿔도 자체 평가(회사가 직접 만든 채점표) 점수가 계속 오르는지를 시금석으로 삼으라고도 합니다. 코드는 모델에 맡기되, 다 됐는지 확인하는 장치와 자료·기억 같은 맥락은 회사 손에 두라는 겁니다.
나델라는 2014년부터 마이크로소프트를 이끌어 온 회장 겸 CEO예요. 진행자는 The Pragmatic Engineer 뉴스레터를 쓰는 게르겔리 오로스(Gergely Orosz)이고, 레드먼드 본사에서 나눈 63분 대담은 11월 16일 공개됐습니다. 아래 Q는 오로스가 물은 순서 그대로입니다.
마이크로소프트는 Copilot으로 AI 코딩을 먼저 시작했지만, 터미널 코딩을 연 건 앤트로픽 모델이었다
Q. 무료 오픈소스 편집기 VS Code가 어디에나 깔렸는데, 처음부터 마이크로소프트가 노린 건가요?
네, 의도한 일이었습니다. 당시 VS Code를 맡았던 에리히 감마를 비롯한 사람들이 커뮤니티와 함께 만들었습니다. 요즘 말하는 공개 개발, 곧 커뮤니티와 피드백을 주고받으며 제품을 키우는 법을 저희가 처음 배운 것도 그때예요.
어맨다 실버와 동료들 곁에서 지켜보니, 그 팀 PM들은 자기 부사장 말보다 매일 들어오는 커뮤니티 피드백을 보고 무엇을 만들지 정했습니다.
공개 개발은 오픈소스에 그치지 않고 일하는 문화까지 바꾼 경험이었습니다. 저희가 그때 좋은 교훈을 많이 얻었는데, 더 깊고 넓게 배웠어야 했다는 생각이 가끔 듭니다.

Q. Claude Code가 나오고 6개월 만에 IDE가 밀려났죠. AI 코딩을 먼저 시작한 마이크로소프트는 왜 놓쳤나요?
말씀대로 저희는 GitHub Copilot(AI 코딩 도우미)으로 일찍 시작했습니다. GPT-4가 나오기 전인데도 코드 자동 완성이 마법 같았고, 그걸 보며 저는 모델을 키우면 성능이 오른다는 스케일링 법칙을 더 굳게 믿게 됐어요.
모델로 제품을 만들 때는, 모델 성능이 한 번에 크게 뛰면 쓰는 형태부터 빨리 바꿔야 합니다. 지금 모델에 맞춰 다 만들어도, 다음 모델이 새 능력을 보이면 다시 짜야 합니다.
만든 것에 정 붙이지 마세요.
자동 완성에 더해 작은 일까지 AI에게 맡길 수 있게 되자, Cursor가 저희 VS Code를 가져다 에이전트 모드를 잘 만들었습니다. 저희도 그건 오픈AI 모델로 따라잡았습니다.
그런데 저희를 흔든 건 앤트로픽이 자기 모델로 해낸 일이었습니다. 그 모델 덕에 CLI(터미널 창에 글로 지시하는 방식)로도 제대로 일할 수 있게 됐죠.

사람이 짜 넣던 코드가 AI가 내놓는 결과물이 되기까지 6개월쯤 걸렸습니다. 말씀하신 대로 그사이 IDE(코드를 짜고 고치는 개발 프로그램)는 좀 빛이 바랬습니다. 새로 나오는 IDE는 명세와 마크다운 문서를 넣는 곳에 가깝습니다.
요즘 저는 오히려 다시 IDE를 생각하고 있어요. 결정 엔진(한 가지 판단만 맡는 AI 부품) 같은 모델이 소프트웨어 안에서 지능을 담은 함수로 쓰이면, IDE가 다시 태어날 수도 있습니다. 코딩 도구가 CLI로 영영 넘어갔다기보다, 모델 능력을 살리는 형태가 여럿 생긴 겁니다.

나델라도 배우는 검증, 일은 작게 나눠 에이전트에게 맡기고 결과는 테스트와 운영 로그로 본다
Q. LLM으로 코드는 만들어도 믿고 쓸 부품은 아직 없는 것 같아요. 어떻게 보세요?
결정 엔진 같은 새 부품에 기대가 큽니다. 매크로가 스프레드시트를 바꿔 놓았듯, 지능을 기본 부품으로 넣으면 코드도 달라질 수 있습니다.
Copilot Cowork(업무를 맡아 하는 에이전트)나 GitHub Copilot 런타임(Copilot을 돌리는 엔진)을 만드는, 이른바 소프트웨어 공장을 보면 흥미롭습니다. 코드 생성이 싸진 지금 어려워진 건 검증입니다.
저는 AI가 코드를 대부분 짜는 팀에서 일해 본 적이 없어서 배워야 해요. 그런 팀이라고 아무 코드나 쏟아 내지는 않고, 정해진 일의 순서를 따릅니다.
예를 들어 실패가 나올 때마다 그 사례를 테스트 케이스로 추가하고, 그 테스트가 정말 제 역할을 하는지도 확인해야 합니다. 그 과정에서 사람들이 새로 쌓는 노하우가 아주 많아요.

복잡한 프로젝트를 다루는 일은 악몽 같기도 해서, 러스트(프로그래밍 언어)로 옮기던 한 팀은 한 번 되돌려야 했을 정도입니다. AI가 코드를 짜는 이 방식은 장점도 크고 단점도 큽니다.
Q. 모든 걸 보고받는 CEO인데도, AI가 코드를 짜는 팀에 직접 들어가 보고 싶으세요?
물론입니다. 제가 다음에 꼭 해 보고 싶은 일이 바로 그겁니다. 실무로 돌아가 그런 팀의 일원이 될 수만 있다면요.
스콧 핸슬먼(부사장)과 마크 러시노비치(애저 CTO)는 사내에 프리셉터십(신입과 선임을 짝짓는 제도)을 만들어 잘 꾸려 가고 있습니다. 경력 초반인 사람도 이런 팀에 들어가 빠르게 배우게 하자는 취지입니다.

예전 인턴들은 마이크로소프트에 와서 데이브 커틀러의 코드나 malloc(메모리를 잡아 주는 함수) 구현을 들여다봤습니다. 이제는 무엇을 들여다보며 배워야 하는지 저희가 새로 찾아야 합니다. 언젠가 저도 다시 그렇게 배워 보고 싶어요.
Q. 소프트웨어 공장이라는 말이 요즘 자주 들리는데 좀 모호해요. 어떤 뜻으로 쓰시나요?
저도 아직 정리하고 있어서, 요즘 팀들이 실제로 어떻게 일하는지 보며 그 뜻을 가늠하고 있습니다. 시청자분들께 Cowork 팀과 GitHub Copilot 팀이 쓴 블로그 글 두 편을 권합니다.
깃허브 쪽은 런타임 하나를 통째로 새로 짠 이야기로, 개발자 한 사람의 생산성이 어디까지 갈 수 있는지 보여 줍니다. Cowork 쪽은 놀랄 만큼 작은 팀이 공장 전체를 돌리는 이야기예요.

제가 보기에 가장 큰 변화는 사람이 짜 넣던 코드가 AI가 내놓는 결과물이 됐다는 점이고, 그래서 무엇을 왜 만드는지 밝힌 명세가 중요해집니다. 어셈블리를 직접 쓰다 컴파일러가 생겼을 때처럼 한 단계 위에서 일하게 된 데 그치지 않고, 팀이 함께 일하는 방식과 제품을 만드는 과정까지 바뀌었습니다. 지금 생겨나는 개발 방식은 새로운 소프트웨어 공학이고, 여기에도 소프트웨어 엔지니어가 필요합니다.
공장을 돌리면 모든 게 문서로 남고, 그 기록을 두고 AI에게 물어볼 수 있습니다. 그래서 신입도 사람들 머릿속 노하우를 찾아다니지 않고 코드베이스를 훨씬 쉽게 익혀요.
요즘 제가 많이 배우는 건 검증입니다. 에이전트에게는 일을 작게 나눠 주고, 정말 끝났는지 확인해야 합니다. 비평은 다른 모델 계열에 맡겨서, 한 계열이 안고 있는 문제가 저희 문제가 되지 않게 해야 해요.
[참고] 나델라가 권한 Cowork 팀 블로그(11월 2일)를 보면, 이 팀은 중요한 단계마다 비평 에이전트를 리뷰어로 붙이되, 검사받는 에이전트와는 다른 모델 계열을 씁니다. PR(코드 변경 요청)을 열기 전에는 고친 코드를 뺀 채 새로 넣은 테스트를 한 번 더 돌려 보고, 그래도 통과하는 테스트는 고쳤다는 증거로 치지 않습니다. 대담이 공개된 날 Claude Code 팀은 리뷰어를 하나 더 두기보다 주 리뷰어를 다듬는 편이 나을 때가 많다고 썼습니다.

Q. 운영 로그는 보통 모니터링에 쓰는데, 이제 쓸 데가 더 생긴 건가요?
사람들이 RSI(AI가 스스로 나아지는 일) 이야기를 많이 하는데, 제가 생각하는 RSI는 운영 로그를 받아 고친 게 맞는지 확인하는 능력입니다. 고친 것을 끝까지 배포해 실제로 모든 테스트를 통과했는지까지 보는 이 고리가 정말 좋아요.
팀들이 이렇게 배운 것이 회사 곳곳으로 퍼지고 있습니다. 애저 네트워크 팀도 제가 좋아하는 사례입니다.
마이크로소프트는 글로벌 네트워크를 돌리느라 광섬유 사업자 500곳쯤을 관리합니다. 물리 설비라 늘 어딘가 고장 납니다. 말이 좋아 데브옵스지, 실제로는 메일을 주고받으며 그때그때 손으로 처리했어요.
그래서 이 팀은 운영을 맡아 하는 에이전트 시스템을 만들어, 코드 저장소와도 연결했습니다. 이제는 저장소와 거기에 딸린 운영 업무가 한 시스템으로 묶인 겁니다.
기술 팀은 일을 직접 하기보다, 운영과 소프트웨어를 함께 돌려 그 일을 대신 해내는 공장을 짓는 쪽으로 바뀌고 있습니다. 엔지니어가 하는 일이 사라지는 건 아니고, 조금 달라졌을 뿐입니다.

오래된 제품은 빌드부터 다지고, 이번엔 스택 전체가 바뀐다
Q. 고객이 매일 쓰는 제품을 맡은 팀은 다 멈추고 공장부터 지을 수 없잖아요. 그 팀엔 뭐라고 하세요?
우선 고객에게 보탬이 되지 않는 일은 할 수 없습니다. 저희도 그저 멋있어 보여서 이런저런 AI 일을 벌였다가 실수를 꽤 했습니다.
저도 예외는 아니었고, 거기서 배운 것도 있었으면 합니다.
그렇다고 손 놓을 수는 없죠. 윈도만 해도 AI 모델이 찾아낸 취약점을 다 고쳐야 합니다. 그래서 윈도 팀은 크래시 기록부터 수정까지 잇는 새 소프트웨어 공장을 짓고 있습니다.
다만 윈도는 브라운필드(이미 돌아가는 오래된 시스템)입니다. 빌드 시스템이 예전 그대로거든요. 이런 브라운필드에서 가장 어려운 건 빌드와 CI/CD(테스트·배포 자동화)입니다.

깃허브도 코딩 에이전트가 몰려와 사용량이 치솟는 바람에, git 프로토콜과 저장 방식까지 근본부터 바꾸고 있습니다. 소스 관리부터 빌드까지 단계마다 단단하게 다져야 해서 일의 순서가 아주 중요합니다.
이번 변화가 반가운 건 새 기술을 한 팀만 독차지하지 않아서예요. 윈도든 SQL Server든, 회사 전체가 새 도구와 달라진 일하는 방식으로 눈앞의 문제를 풉니다.
Q. 리액트 때도 회사들은 다 멈추고 옮기지 않고 새 기능에 섞어 썼잖아요. 이번엔 뭐가 다른가요?
저도 가끔 '전에 본 거네' 싶을 때가 있습니다. 그래도 이번엔 일의 순서와 추상화 수준이라는 기본부터 다릅니다.
저는 대학에서 주로 VT 단말기로 VAX 미니컴퓨터를 썼고, 썬 마이크로시스템즈를 거쳐 마이크로소프트에 왔습니다. 그 뒤로 경력 내내 대개 IDE에서 코드를 짰고, 새 기술이래야 새 프레임워크나 런타임이었어요. 모바일도 화면이 바뀐 작은 PC에 가까웠습니다.
이번엔 런타임도 프레임워크도 IDE도 스택도 다 바뀝니다. 새 모델이 나오면 판이 언제든 통째로 바뀔 수 있다는 것도 잊지 말아야 합니다. 변화를 잘 넘겼던 경험에서 배우되, 이번은 다를 수 있다는 가능성도 열어 두는 게 좋습니다.

엔지니어가 쌓아 온 실력은 그대로 쓰고, 회사는 팀과 자리를 다시 짠다
Q. 코드 짜는 일이 사라졌는데, 수십 년 코딩 실력을 쌓은 엔지니어는 어떻게 받아들여야 하나요?
예전에도 뛰어났고 새 방식으로도 많이 만들어 내는 엔지니어들을 보면, 같은 실력이 여전히 필요하고, 바뀐 건 일의 순서와 도구입니다.
그래서 이 변화는 전문성을 깎아내리는 게 아니라, 쌓아 온 실력을 새 도구로 더 크게 쓰는 일이라고 봅니다.
처음부터 AI 코딩 도구에 익숙한 사람들도 들어오겠지만, 사내에서는 전문성이 깊고 호기심이 많아 새 방식을 배우는 사람이 확실히 잘해 나가고 있습니다. 직원들이 지금 실력을 인정받으면서, 시장이 쳐줄 새 실력도 쌓을 수 있게 하고 싶어요.

Q. 마이크로소프트의 자발적 퇴직 제안이 AI 감원 신호라는 걱정이 있어요. 어떻게 나온 결정인가요?
앞으로도 기회는 넉넉하겠지만, 어떤 기회일지는 지금과 다를 수 있습니다. 새 기회를 회사 안에서 더 만들자는 게 저희가 오래 논의해 내린 결론이었습니다.
마이크로소프트 20만 명 모두가 잘되고 인원도 더 늘기를 바라지만, 팀 규모도 일하는 흐름도 지금과 다르게 꾸려야 합니다.
시스템 엔지니어나 인프라 인력, 모델 학습 연구자 임금은 치솟았잖아요. 어떤 전문성은 그만큼 값이 높습니다. 이번 자발적 퇴직 제안은 대체로 각자 길게 보고 경제적으로 더 나은 자리로 옮겨 갈 선택권을 주자는 것이었습니다.
저도 실무자 출신이라 바뀌지 않는 팀에 갇히기는 싫습니다. 솔직히 회사 모든 곳이 이 변화를 제대로 받아들였다고 말할 수는 없어요. 정체된 팀에 있는 직원이라면 회사를 떠나도 되지만, 사내에도 갈 곳이 많으니 회사 안에서 자리를 찾아보셨으면 합니다.
다 그대로일 거라고 말씀드리고 싶지만, 그럴 수는 없습니다.

저희 업계가 AI를 이야기해 온 방식 때문에 사람들이 엄청나게 불안해졌습니다. 특이점이 왔다, 회사 하나만 남는다, 일자리가 사라진다는 말에 바뀌려는 사람조차 움츠러들죠.
변화가 큰 만큼, 저희는 사람을 알맞은 곳에 배치하고 임금을 지원하고 새 자리에서 제대로 평가하는 어려운 일을 해야 합니다.
Q. 마이크로소프트는 아직 신입을 뽑는데, 다른 회사들은 줄이거나 멈췄어요. 어떻게 보세요?
저희는 지금 큰 변화 한가운데 있어서, 추세를 한 해만 보지 말고 조금 길게 놓고 봐야 합니다.
회사 안의 사람들부터 알맞은 자리로 옮겨 팀 구성을 다시 짠 다음에, 경력직이나 신입을 뽑는 게 순서입니다.
요즘 곳곳에서 채용이 주춤한 건 새 소프트웨어 공장을 짓느라 잠시 늦춘 것일 수 있습니다. 공장을 다 지어야 토큰을 써도, 사람을 새로 뽑아도 효과가 크게 나거든요.
처음부터 AI를 전제로 만든 회사는 토큰 예산(AI 모델을 쓸 수 있는 한도)과 사람 한 명으로 시작합니다. 그 사람이 예산을 다 쓰면 회사는 다음 사람을 들이고, 새로 온 사람에게도 토큰 예산을 줍니다.
모든 회사와 모든 제품 팀이 점점 그렇게 바뀔 겁니다. 다만 팀을 다시 짜는 데는 시간이 걸려서, 지금 채용 흐름만 보고 장기 추세를 단정하기엔 아직 이릅니다.

모델은 바꿔 끼우고, 평가·맥락·권한은 회사 손에 둔다
Q. 오픈 모델을 직접 돌리는 회사가 늘고 있어요. 오픈소스 때처럼 피할 수 없는 흐름일까요?
분명히 닮은 데가 있습니다. 닫힌 모델끼리는 경쟁할 테고, 그 대안인 오픈 모델은 유연성을 줄 겁니다.
프런티어 모델(가장 앞선 모델) 하나가 세상 지식을 다 담는다고 믿지 않는다면, 말하자면 회사 수만큼 프런티어 모델이 있어야 합니다. 경제학자 프리드리히 하이에크가 말했듯 지식은 경제 곳곳에 흩어져 있고, 회사마다 자기 몫의 지식은 스스로 챙겨야 하니까요.
그러면 회사마다 사람과 토큰이라는 두 가지 자본이 있는 셈입니다. 토큰 자본은 회사 지식을 담은 오픈 웨이트 모델(내려받아 직접 돌리는 모델)에 들어 있을 수도 있고, 맥락 층(회사 자료를 모델에 넣어 주는 곳)에 있을 수도 있습니다.
머지않아 다들 여러 모델을 함께 돌리게 될 텐데, 그런 시스템 맨 앞에는 일마다 어떤 모델을 쓸지 정하는 결정 엔진인 라우터를 둡니다.
맥락과 기억, 에이전트가 쓰는 도구는 어느 한 모델에도 묶지 말아야 합니다. 안 그러면 완전히 갇혀요.

Q. 하네스와 맥락 층을 직접 만드는 회사가 많아요. 엔지니어 욕심인 줄 알았는데 전략이었을까요?
제대로 보셨습니다. 예를 들어 은행이라면, 이 판에서 맨 앞에 서려는 소프트웨어 회사들이 어떻게 하는지 봐야 합니다. 그 회사들은 통제권을 넘기지 않습니다.
저희는 Copilot에 쓰는 하네스(모델을 감싸 일을 시키는 프로그램)를 관리형 서비스로 내놨습니다. Foundry(마이크로소프트의 AI 개발 플랫폼)에서 쓸 수 있고, 다른 오픈소스 하네스를 가져와도 돼요. 고객은 모델을 여러 개 바꿔 쓰고, 맥락 층은 완전히 따로 둘 수 있습니다.
그러면 기억과 맥락은 고객 것이 되고, 플러그인·스킬·커넥터 같은 도구도 어느 모델에도 묶이지 않습니다. 그래야 모든 걸 직접 평가해 볼 수 있습니다. 공개 벤치마크도 좋지만, 회사마다 꼭 얻어야 할 결과를 재는 자체 평가가 더 중요합니다.
저희 고객들을 보면 처음엔 프런티어 모델로 시작해요. 맡긴 일이 늘 같은 순서를 밟는다는 게 쌓인 기록에서 보이면, 그 기록으로 작은 모델을 미세 조정해 비용을 줄입니다.

Q. 평가에 더해 강화학습 환경까지 두고 데이터를 지키는 회사도 있어요. 어떻게 보세요?
맞는 말씀입니다. 관계형 데이터베이스 때와 비슷합니다. 예전 보험사나 은행, 병원은 그 데이터베이스에서 도는 남의 소프트웨어를 사더라도 자기 비즈니스 로직을 더해 주도권을 지켰습니다.
데이터가 남에게 넘어가는 일도 없었고, 업체가 더는 업데이트를 안 해 준다고 해도 다른 곳으로 옮길 수 있었어요.
기억이 어떤 모델의 임베딩(숫자로 바꿔 담은 표현) 안에 들어가 있는데, 그 모델 회사가 '아쉽지만 다음 업데이트는 못 해 드립니다'라고 하면 그 기억을 어떻게 빼 오겠습니까?
Q. 새 AI 부품이 나올 때마다 기업이 업체만 기다리지 않으려면 어떻게 해야 하나요?
소프트웨어 회사들이 독립을 지키려고 이미 내리고 있는 설계 결정 두 가지를, 일반 기업도 내려야 합니다.
첫째는 회사가 만든 가치가 모델 회사로 새어 나가지 않게 하는 겁니다. 회사는 스스로 쌓은 기록으로 나아지는 과정을 직접 이끌어야 합니다. 맥락은 모델과 떼고, 여러 모델을 쓰고, 하네스도 따로 둬야 어떤 모델이든 바꿀 수 있어요.
어떤 모델로 바꿔 끼워도 자체 평가 점수를 계속 끌어올릴 수 있는지가 제 시금석입니다. 그게 안 되면 스스로 결정하는 회사라 하기 어렵습니다.
그러지 못하는 회사는 끝입니다.

둘째는 에이전트에게 일을 믿고 맡길 수 있게 하는 설계입니다. 모델을 키우면 능력은 늘어도, 사람 뜻대로 움직이게 하는 정렬은 따라오지 않거든요. 모델은 갈수록 유능해지는데 믿고 맡기기는 더 어려워지는 지금이 가장 위험합니다.
똑똑함과 권한은 설계부터 떼어 놓고, 에이전트는 언제든 사고를 칠 수 있는 내부 직원으로 보고 늘 조심해야 합니다.
일마다 모델을 고르는 라우터, 노트북에서 도는 모델
Q. 남의 서버 대신 새 노트북에서 도는 로컬 코딩 모델을 봤어요. 로컬 모델은 어떤 자리를 맡을까요?
저는 컴퓨팅이 앞으로도 한곳에 모이지 않고 여러 곳에 흩어져 있을 거라고 생각해 왔습니다. 클라우드에 있는 것만 쓰지 말고, 곳곳에 있는 연산과 토큰을 다 쓰면 좋잖아요.
이미 작년의 프런티어 모델이 노트북에서, 지난 분기 것이 데스크톱에서 돌아갑니다. GitHub Copilot Fusion에서는 제가 말한 라우터가 일마다 맞는 모델을 고릅니다.

제 노트북 팬이 갑자기 돌기 시작할 때가 있습니다.
로컬 모델이 돌고 있다는 뜻입니다. 하위 에이전트를 여럿 돌릴 때는 일부에 로컬 모델을, 나머지에 클라우드 모델을 쓰거든요.
클라우드와 내 기기를 함께 쓰는 시기가 이제 막 시작됐습니다. 내 기기에서도 토큰을 만들어 낼 수 있으니, 얼마나 썼는지 세지 않고 쓰는 지능이 생기는 셈입니다.
Q. MAI 코드 모델은 별로였지만, 닫힌 모델인데도 노트북에서 돌아서 놀라웠어요. 다른 닫힌 모델도 되나요?
MAI 코드 플래시 같은 저희 모델을 노트북에서도 돌게 하는 게 핵심 과제입니다. 오픈AI 모델은 파트너십으로 계속 쓰고, 여기에 더해 새 모델 계열을 처음부터 만들고 있습니다.
새 MAI Base 2의 사전 학습 방식도 공개했는데, 이만큼 자세히 밝힌 곳은 드물다고들 하더군요.
저희 목표는 한 모델 계열에 묶이지 않게 선택지를 늘리는 겁니다.

말하는 시간보다 해 보는 시간을 늘린다
Q. 1~2년 안에 AI 시대의 뛰어난 엔지니어가 되려면 이 변화를 어떻게 맞아야 할까요?
저도 X(옛 트위터)를 좋아하지만, 헤드라인과 과열된 분위기, 늘 떠들어야 한다는 압박에 휩쓸리기보다 이 변화가 무엇인지부터 알아야 합니다.
팟캐스트에서 하기엔 좀 모순된 말이지만, 더 해 보고 직접 겪어 보세요.
할 수만 있다면 저도 말하는 시간을 줄이고 해 보는 시간을 늘리겠습니다. 지금이 바로 그럴 때입니다.
경력 중반이든, 저 같은 CEO든, 갓 졸업한 사람이든, 시간을 내 배우고 실제로 만드는 팀에 있는 게 무엇보다 낫습니다. 저도 학생처럼 배울 때 제 실력이 가장 잘 나와요.
다시 학생으로 돌아갑시다.
나델라는 AI가 코드를 대부분 짜는 팀에 들어가고 싶다고 했고, 요즘 많이 배우는 건 검증이라고 했습니다. 여러분이 이번 주 AI에게 맡긴 일 가운데, 끝났다는 걸 테스트로 확인한 일은 몇 개인가요?
소중한 노력이 들어간 글을 널리 알려주세요.
이 기사가 좋으셨다면, 보상을 해주세요.
가장 좋은 보상은 ‘조쉬의 뉴스레터 구독’입니다. :)
구독을 하시면 100개의 1인 창업가 데이터베이스를 발송해드립니다.