같은 GPT-5.6 계열 모델에게 같은 질문을 던졌는데, 왜 어떤 사람의 결과물은 훨씬 정교하고 어떤 사람의 결과물은 밋밋할까요? 최근 AI 전문 블로거 션 고디키(Sean Goedecke)가 쓴 LLMs reward expertise라는 글이 이 질문에 답을 내놓으면서 개발자 커뮤니티에서 화제가 됐습니다. 결론부터 말하면, AI 시대에도 도메인 전문성을 가진 사람이 훨씬 더 좋은 결과를 뽑아낸다는 것입니다.
후배님도 “요즘은 다들 같은 AI 쓰는데 실력 차이가 무슨 의미가 있나” 하는 고민, 한 번쯤 해보셨을 거예요. 이 글에서는 그 고민에 대한 답을 기술적 근거와 국내 채용시장 맥락 두 가지로 풀어보겠습니다.
왜 다들 같은 AI를 쓰는데 결과물이 다를까
고디키의 주장은 단순합니다. 2010년대에는 CSS를 못 짜면 동료에게 물어보거나 인터넷에서 정답을 찾아야 했습니다. 지금은 누구나 LLM에게 위임해서 “그럭저럭 괜찮은” CSS를 받을 수 있습니다. 그래서 많은 사람이 “AI 프롬프팅에는 기술이랄 게 없다”고 생각합니다. 다들 같은 모델과 대화하니, 처음 써보는 사람이나 숙련된 사람이나 비슷한 결과를 받는다는 논리입니다.
고디키는 이 통념이 틀렸다고 말합니다. 프롬프팅에서 가장 중요한 기술은 프롬프트를 던지는 그 분야에 대한 전문성이라는 것이죠. 도메인 지식이 있으면 모델이 내놓은 여러 문단짜리 답변에서 핵심을 뽑아내고, 대안을 제시하고, 뭔가 이상해 보이는 지점을 짚어낼 수 있습니다. 도메인 지식이 없으면 그저 모델이 주는 것을 받아들일 수밖에 없습니다.
테렌스 타오의 대화가 다른 이유 — 도메인 지식이 만드는 차이
고디키가 제시한 사례가 인상적입니다. 저명한 수학자 테렌스 타오(Terence Tao)가 야코비안 추측(Jacobian Conjecture)의 반례에 관해 ChatGPT와 나눈 대화인데, 고디키는 “이건 내가 대화하는 ChatGPT와는 다른 모델처럼 느껴진다”고 표현했습니다. 토큰을 무제한으로 써도 자신은 타오가 도달한 수준에 이르지 못했다는 겁니다.
도메인 지식이 있으면 모델이 내놓은 여러 문단짜리 응답에서 핵심 아이디어를 뽑아내고, 대안적인 접근이나 정식화를 제안하고, 무엇이 “이상해 보이는지” 짚어낼 수 있다.
Sean Goedecke, 「LLMs reward expertise」 중에서
타오의 메시지는 짧고 핵심만 짚습니다. 모델이 틀린 방향으로 가면 정면으로 반박하는 대신 “생각보다 복잡해 보이네요” 식으로 부드럽게 되돌립니다. 그리고 다음에 뭘 시도할지는 거의 항상 자신이 직접 제안합니다. 이건 프롬프트 팁을 따라 한다고 흉내 낼 수 있는 게 아니라, 그 수학을 실제로 이해하고 있어야만 가능한 대화 방식입니다. 우리 팀 코드 리뷰에서도 비슷한 장면을 자주 봅니다. AI가 제안한 캐싱 전략을 도메인 이해 없이 그대로 적용했다가 동시성 버그로 되돌아온 사례가 있었는데, 결국 문제를 잡아낸 건 “이 서비스는 원래 이렇게 동작하지 않는다”는 걸 알고 있던 시니어였습니다.
Stack Overflow 조사가 보여주는 신뢰 격차
이 주장을 뒷받침하는 데이터도 있습니다. Stack Overflow의 2025년 개발자 서베이에 따르면, 응답자의 84%가 AI 코딩 도구를 사용 중이거나 사용할 계획이라고 답했습니다. 도구 채택률만 보면 AI가 이미 표준이 된 셈입니다.
그런데 같은 조사에서 46%는 AI가 만든 결과물의 정확성을 신뢰하지 않는다고 답했습니다. 이는 지난해 조사의 31%보다 크게 늘어난 수치입니다. 특히 흥미로운 대목은, 경력이 많은 개발자 그룹일수록 신뢰도가 더 낮다는 점입니다. 같은 서베이에서 경력이 많은 개발자군의 “매우 신뢰한다” 응답은 2.6%에 그쳤습니다. 같은 조사의 전체 평균 “매우 신뢰” 비율도 3%에 불과했으니, 경력이 많을수록 오히려 더 박한 평가를 준 셈입니다.
이 수치를 뒤집어 읽으면 이렇습니다. 경험이 쌓일수록 AI 출력을 곧이곧대로 믿지 않고, 자기 도메인 지식으로 검증하는 습관이 강해진다는 뜻이죠. 신뢰하지 않는다는 건 무능하다는 게 아니라, 검증할 줄 안다는 신호에 가깝습니다.
왜 이 격차가 시니어의 몸값이 되는가
여기서부터는 기술 이야기가 아니라 커리어 이야기입니다. AI가 주니어도 “그럭저럭 괜찮은” 코드를 뽑아내게 해주면서, 겉으로 보이는 결과물의 격차는 줄어들었습니다. 반면 그 결과물을 검증하고, 틀린 방향을 잡아내고, “이 시스템은 원래 이렇게 동작하지 않는다”는 걸 아는 능력의 격차는 오히려 벌어지고 있습니다.
채용 공고를 보면 이 변화가 이미 반영되고 있어요. “AI 도구 활용 경험”은 이제 거의 모든 공고의 기본 요건이 됐지만, 정작 연봉 협상에서 우위를 가져가는 건 “AI가 뽑아준 코드가 왜 틀렸는지 설명할 수 있는” 사람입니다. 도메인 지식은 복제가 안 되는 자산이거든요. 같은 모델을 쓰더라도 그 지식이 있는 사람과 없는 사람의 결과물 품질 차이는 시간이 지날수록 더 벌어집니다.
전문성을 자산으로 바꾸는 세 가지 습관
그럼 지금 당장 뭘 하면 좋을까요. 거창한 방법론보다 매일 조금씩 쌓는 습관이 더 중요합니다.
1. 내가 담당하는 시스템의 “이유”를 말로 설명해보기
코드가 왜 지금 이 구조로 되어 있는지, 왜 다른 방식이 아니었는지를 말로 설명할 수 있어야 합니다. 타오가 “이 서비스는 원래 이렇게 안 돌아간다”고 짚어낼 수 있었던 것도 결국 자기 도메인에 대한 이유를 알고 있었기 때문입니다.
2. AI 제안에 곧바로 “왜?”라고 되묻기
AI가 내놓은 캐싱 전략이든 아키텍처 제안이든, 채택하기 전에 “이게 우리 시스템의 어떤 제약과 충돌하는가”를 스스로 확인하는 습관을 들이세요. 검증 습관이 곧 전문성입니다.
3. 좁은 영역에서라도 “내가 제일 잘 안다”는 구간 만들기
모든 기술을 다 알 필요는 없습니다. 팀 내에서 한 시스템, 한 도메인만큼은 “그 사람이 제일 잘 안다”는 평판을 쌓는 게 AI 시대 커리어 방어선이 됩니다.
판단 체크리스트: 나는 AI를 잘 쓰고 있는가
- AI가 제안한 코드를 채택하기 전, 내 도메인 지식으로 “왜”를 검증하는가
- 모델의 답변에서 핵심만 뽑아 반박하거나 재구성해본 적이 있는가
- 내가 담당하는 시스템의 제약과 이유를 3분 안에 말로 설명할 수 있는가
- AI 도구 활용 경험 외에, 남들과 구별되는 나만의 도메인 구간이 있는가
네 개 중 두 개 이상에서 “아니오”가 나온다면, 지금은 새 AI 도구를 하나 더 익히는 것보다 맡고 있는 도메인을 더 깊이 파는 쪽이 몸값에 더 도움이 될 가능성이 높습니다.
관련 글
AI를 어떻게 평가하고 검증할지 고민이라면 아래 글도 함께 참고하면 좋습니다.
- LLM을 어떻게 평가해야 하는지 궁금하다면 — 펠리컨 SVG 벤치마크의 시효 만료 — Karpathy가 제안한 LLM 평가 확장
- AI가 채용시장에 미치는 영향을 더 깊이 보고 싶다면 — 주니어 개발자 채용은 왜 멈췄나 — AI가 무너뜨린 파이프라인의 데이터
- AI 모델 자체의 방향성이 궁금하다면 — Anthropic 오픈웨이트 모델 입장 정리 — Amodei 공식 답변
📌 함께 보시면 좋은 글
이직·퇴사·연봉 협상을 혼자 판단하기 어렵다면
1:1 개발자 커리어 상담 신청하기 →
※ 본 글은 AI(Claude)의 초안을 기반으로 편집자 검수를 거쳐 발행되었습니다. (한국 AI기본법 대응 고지)
이직·퇴사, 지금 움직여도 될지 헷갈리시나요?
막연히 불안한 건지, 정말 시점이 온 건지 판단이 어려울 때가 있습니다.
5분 체크리스트로 지금 상태를 먼저 정리해보세요.
결론을 대신 내리기보다, 스스로 판단할 기준을 잡는 데 도움을 드립니다.
아직 확신이 없다면, 지금이 ‘고민 단계’인지부터 먼저 점검해보세요