먼저, 알파고 이야기로 시작하죠.

그러니까 알파고가 하는 일은…

그런데 알파고는 왜 그게 되죠?

이건 알파고만의 이야기가 아닙니다.

형태만 다를 뿐, 전부 같은 로직입니다.

그럼 우리가 매일 쓰는 LLM은?

극단적으로 단순화하면 —
"지금까지의 글자들을 보고, 다음에 올 단어를 예측하는 확률 계산기"

그게 전부입니다. 진심으로요.

예를 들어볼까요?

prompt: "오늘 날씨가 정말 ___"

한 단어 뽑고 → 다시 prompt에 넣고 → 또 뽑고… 반복하면 우리가 보는 "긴 문장"이 됩니다.

그래서 AI 3대 석학, 얀 르쿤은 LLM을 까죠.

— Yann LeCun, 前 Meta Chief AI Scientist · 튜링상 수상자 (요지)

그리고 이 비판은 — 기술적으로는 맞습니다.

다시 알파고로 돌아가 보면…

둘 다 결국, "역사상 가장 승률 높았던 답"을 찾는 기계.

그리고 요즘은 "언어"의 정의가 더 넓어졌죠.

이미지도, 영상도, 음악도 — 결국 "순서가 있는 데이터"로 바꾸면
똑같이 "역사상 가장 그럴듯한 다음"을 찾는 문제가 됩니다.

그럼 이걸 한마디로 하면 — AI는 대체 무엇일까요?

저는 AI를 이렇게 이해합니다.

Q: "이번 분기 매출, 어떻게 올리지?"

역사상 가장 승률 높은 답을 찾는 "지능형 도서관"

이 도서관과 끊임없이 대화하며 답을 찾아가는 것 — 그 방식에 이름을 붙이면 "바이브 코딩"입니다.

그럼 "바이브 코딩", 구체적으로 뭘 하는 건가요?

단, AI는 완벽한 정답이 아니라 "가장 그럴듯한 초안"을 줍니다.
그래서 한 번에 끝나지 않고, 방향을 주고 → 결과를 보고 → 다시 다듬는 주고받음이 필요해요.

그리고 이 주고받음은, 늘 똑같은 리듬으로 돕니다 ↓

그 리듬이, 바로 이 루프입니다.

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.

백문이 불여일견 — 루프가 결과물을 키우는 장면.

방금 그 루프를 그대로 돌려보죠. 오른쪽 위젯은 지금 이 화면에서 실제로 작동 중입니다.

① 요청 → ② 생성 → ③ 확인 → ④ 수정 — 방금 그 네 박자가 세 바퀴 돈 겁니다.

그러면 AI로 생산성을 올린다는 건
대체 무슨 뜻일까요?

이런 그림이에요.

주니어 ↔ 시니어의 이야기이자, 동시에 비개발자 ↔ 개발자의 이야기입니다.

AI를 쓰는 주니어는 AI를 안 쓰는 시니어를 넘어설 수 있습니다.
그럼에도 격차는 남습니다 — 다만 그 축이 연차·직군에서 "AI를 쓰느냐"로 바뀝니다.

"base가 올라간다"는 건, 이런 순간들입니다.

공통점 — 코딩이 아닙니다. "그 일을 이미 해본 수만 명"이 옆자리에 앉는 경험입니다.

…부작용이 하나 있다면, 이제 "저는 그거 할 줄 몰라서요…"라는 핑계가 안 통하는 시대가 됐다는 것 😅

좀 더 작게 — 어느 하루로 내려가 볼까요?

네 번 다 하는 일은 다른데, 뒷말은 토씨까지 똑같았습니다 — "보통 어떻게 하지?"
AI는 그때마다 '지금까지 가장 승률 높았던 답'을 꺼내 옆자리에 놓아 줍니다.

그리고 이 한 문장 — 그냥 챗봇 창에 쳐 넣는 것도, 이미 그 문턱입니다.

그럼 챗봇 창에 물어보는 것도
바이브 코딩인가요?

네, 이미 시작입니다. 다만 누가 손발이 되느냐가 다릅니다 — 보라 = 나 민트 = AI

한 번 쓰고 끝이면 챗봇으로 충분, 반복해서 만들고 돌려야 한다면 실행형이 유리 — 그래서 "어떤 도구를 배워야 하냐"는 질문이 남죠.

지난 5년, 코딩 AI 도구의 변천사.

왕관은 계속 바뀌어 왔습니다.

"어떤 AI 코딩 도구가 최고냐" — 지난 5년의 레이스를 직접 돌려보죠.

그중 몇몇은 벌써 이름조차 뜸해졌고 — 3개월 후는 아무도 모릅니다. 그게 함정입니다.

※ 막대는 시기별 개발자 커뮤니티의 체감 인기를 재구성한 개념도입니다 — 정확한 점유율이 아닙니다.

"그래서, 뭐 하나만 깔면
되는 거죠?"

다들 "하나만 세팅하면 다 되는 그거"를 찾습니다. — 그런 건, 없어요.

이건 전부 '표면'이에요.

도구·모델·MCP·skill·harness — 매 분기 새로 얹히고, 또 바뀝니다.

"어떤 harness 깔지"가 아니라, "무엇을 안 바꿔도 되는지"를 배우세요.

왜냐면…

그래서 진짜 길러야 할 능력은요.

그리고 한 가지 더 —

그 선택은 주체적일수록 좋습니다.

→ 그래서 마지막 결정은 사람이 해야 합니다.
AI가 추천한 답을 그대로 따르지 말고, "이게 장기적으로도 옳은가"를 한 번 더 묻는 습관.

AI를 쓸수록 더 똑똑해지는 사람.

AI는 사람을 자동으로 똑똑하게 만들지 않아요. 어떤 태도로 쓰느냐가 가릅니다.

참고문헌 · 『AI, 신의 탄생 인간의 종말』, 『듀얼 브레인』

여기까지의 한 페이지 요약.

이 다섯 줄을 들고 — 처음 질문으로 돌아가서, 실전으로 넘어갑니다.

마지막에, 가장 간단한 예시 하나.

어떤 도구를 쓰든 — AI를 가장 강력하게 끌어내려면, 어떻게 해야 할까요?

이 방식엔 세 가지가 한 번에 일어납니다 ↓

예를 들어, 이런 흐름이에요.

이 짧은 대화에서, 세 가지가 한꺼번에 일어났습니다.

쓰기 전에 — 안에서 무슨 일이 벌어지나.

프롬프트 하나를 주면, Claude Code는 작업이 끝날 때까지 이 루프를 스스로 돕니다.

출처 · Anthropic 공식 문서 「How Claude Code works」 (code.claude.com/docs)

그래서 인라인 자동완성과 다릅니다 — 프로젝트 전체를 본다.

현재 파일만 보는 어시스턴트와 달리, 여러 파일을 넘나들며 조율된 수정을 합니다.

도구를 쓸 때마다 나온 결과가 다음 판단으로 되먹임됩니다 — 그게 방금 본 에이전틱 루프.

설치는 한 줄 — 접속 설정은 환경 따라, 실행은 폴더 안에서.

슬래시 명령어보다 더 자주 쓰는 것들.

가장 먼저, 이 6개부터 손에 익히세요.

외울 필요 없습니다 — /만 입력하면 이 메뉴가 뜹니다.

위에서 아래 순서대로 — 처음 며칠 안에 저절로 손에 붙는 우선순위입니다.

권한 모드와 Plan Mode — 안심하고 맡기는 법.

손에 익으면, 이 6개도 챙기세요.

→ 사내 도입 시엔 Pro·Max·Team 중 어떤 플랜인지, 사용량이 개인별인지 팀 단위인지 관리자에게 확인해두면 좋습니다.

방금 그 /model — 4개 중 언제 뭘 쓸까요?

외울 필요 없습니다. 대부분 Sonnet이면 되고, 필요할 때만 갈아탑니다.

Fable은 최신 버전에서만 보이고, 응답이 느리며 사용량을 많이 씁니다 — 정말 큰 덩어리를 통째로 맡길 때만.

실전 운영법 — 거의 Sonnet, 가끔 갈아탑니다.

확장은 필요한 만큼만 — 생태계 지도 한 장.

※ 사내망에선 GitHub·Slack 같은 사외 SaaS 연동 MCP가 막혀 있는 경우가 많습니다 — 사내에서 되는 것 위주로.
이 세미나 자료의 화면 검증도 실제로 브라우저 MCP(Playwright)로 진행했습니다.

Skill·Plugin, 어디서 구하고 뭘 조심해야 할까요?

→ 이 세미나를 준비하는 동안에도, 도구 결과 속에 "반드시 따라야 한다"는 낯선 지시문이 섞여 들어온 적이 있습니다 — 전형적인 인젝션 패턴이라 무시했습니다.

튜닝의 끝은 순정 — 확장은 나중에.

MCP·hook·skill·subagent를 붙이기 전에 — 기본 상태의 Claude Code가 어디서 잘하고 어디서 틀리는지부터 몸으로 익히세요.

순정이 손에 익었다면 — 이 3가지부터.

전부 강력하지만 공짜가 아닙니다 — 컨텍스트·토큰을 더 씁니다. 반복되는 병목이 확인된 뒤에 하나씩.

확장을 붙여도, 결국 "생각하고 → 만들고 → 눈으로 확인" 루프가 핵심입니다.

도구 교육의 중심이 달라져야 합니다.

→ AI 시대에도 전문성은 사라지지 않습니다. 다른 방식으로 증폭될 뿐.

좋은 질문을 던지는 순간, 설계자가 됩니다.

그래서, 이 세미나를 이렇게 정의합니다.

그 과정 자체가 — AI 시대의 실력입니다.

바이브 코딩은 문을 열었지만, 벽도 분명했습니다.

이제 AI는 도구가 아니라, 엔지니어링 파트너.

코드를 바로 쓰기보다 — 먼저 아키텍처·작업 계획을 세우고, 구현 뒤엔 테스트·검증을 자동화한다.

작성자에서, 시스템 오케스트레이터로.

직접 모든 코드를 쓰기보다 — 구조를 만들고, 검토하고, 승격시키는 사람.

비개발자에게 바이브 코딩은 여전히 강력한 도구.

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 —

선택이 아니라 — 함께 갈 때 가장 강합니다.

개발자 협업이 필요해지는 순간 — 사용자 급증 민감정보 · 보안 시스템 연동 · 장기 운영

Google DeepMind — 전문가 모델 군단, 흔들리는 왕좌.

Anthropic — Opus의 손발을 늘리다.

중국 AI Labs — 개인화 Agent의 시대.

→ 5대 랩이 토큰 가격을 최대 99% 인하, 상하이 선물거래소는 AI 토큰 선물시장까지 준비 중 — "많이 · 싸게 · 모두에게".

OpenAI — 침묵을 깬 GPT-5.6.

반년 가까이 조용하던 알트만이, 6월 26일 한 번에 셋을 꺼내들었습니다.

→ Cerebras 위에서 초당 750토큰(기존 대비 15배)까지 준비 중.
Gemini의 Noam Shazeer 영입 + Anthropic과 나란히 6월 IPO 비밀 신청.

그리고 — 다른 색깔의 두 진영.

빅 4가 LLM 챗봇을 두고 경쟁할 때, 이 둘은 다른 질문을 던집니다 →
"AI를 어디에 박을 것인가?"

공통점 — 챗봇 자리 다툼이 아니라 → "AI가 들어갈 디바이스" 자리 다툼.

그럼 — Meta를 나온 얀 르쿤은
뭘 하고 있을까요?

앞서 봤던 그분 — "LLM은 막다른 길"이라고 4년째 외쳐온 분.