안드레이 카파시 — 바이브 코딩에서 에이전틱 엔지니어링으로, Software 3.0과 들쭉날쭉한 지능

개요

• Sequoia Stephanie Zhan 진행 대담. 카파시는 OpenAI 공동창업 멤버이자 Tesla Autopilot을 실제 작동시킨 인물, 바이브 코딩 용어의 창시자
• 출발점은 본인의 최근 발언 "프로그래머로서 이렇게 뒤처진 느낌은 처음" — 12월을 기점으로 에이전틱 코딩이 질적으로 달라졌다는 증언
• 핵심 축 3개: Software 1.0-2.0-3.0 패러다임 전환, 검증가능성이 자동화 속도를 결정한다는 프레임, 바이브 코딩과 구분되는 에이전틱 엔지니어링의 정의
• 결론부는 에이전트 네이티브 인프라의 필요성과 교육론 — 생각은 외주 가능해도 이해는 외주 불가

핵심 내용

12월 전환점과 Software 3.0 패러다임

• 에이전틱 도구로 코드 뽑되 수정 필요한 수준: 지난 1년간 에이전틱 도구 사용 — 코드 덩어리는 잘 뽑았지만 종종 수정 필요한 수준
• 12월 휴가 중 명확한 전환 체감: 최신 모델은 덩어리가 그냥 멀쩡하게 나옴 → 마지막으로 수정한 게 언제인지 기억 안 남 → 시스템 신뢰 급증 → 본인이 바이브 코딩 중이었음
• 12월 기점 에이전틱 워크플로우 실제 작동 전환: 작년 AI를 ChatGPT 수준으로 경험한 사람은 12월 시점에 다시 봐야 함 — 에이전틱 일관 워크플로우가 실제로 작동하기 시작한 근본적 변화
• 이후 사이드 프로젝트 폴더가 코딩물로 가득: 이후 사이드 프로젝트 폴더가 잡다한 것들로 꽉 참, 계속 코딩 중
• 패러다임 구분: Software 1.0 = 명시적 코드 작성, 2.0 = 데이터셋 구성·신경망 학습으로 프로그래밍, 3.0 = 프롬프팅 — context window가 인터프리터인 LLM을 조종하는 레버
• OpenClaw 설치 사례: 전통적으로는 플랫폼별 분기로 비대해진 shell script였을 것 → 실제로는 에이전트에게 붙여넣는 텍스트 한 뭉치. 에이전트가 환경을 보고 지능적으로 설치·디버깅 수행
  • 새 프로그래밍 패러다임의 질문 = 에이전트에게 복붙할 텍스트가 무엇인가
• MenuGen 사례: 식당 메뉴 사진 업로드 → OCR → 이미지 생성기로 각 메뉴 사진 렌더링, Vercel 배포까지 직접 코딩한 앱
  • Software 3.0 버전은 사진을 Gemini에 주고 Nano Banana로 메뉴 위에 이미지를 오버레이하라고 한 줄 지시 — 앱 전체가 불필요해짐, 본인 표현으로 MenuGen은 전부 군더더기
• 함의: 기존 것의 가속으로 보지 말고 이전에 불가능했던 새로운 것을 봐야 함. 코드가 아닌 일반 정보처리 전반이 자동화 대상
  • LLM 지식베이스 프로젝트: 문서 뭉치를 재컴파일·재배열해 조직·개인용 위키 생성 — 이전엔 존재할 수 없던 프로그램
• 극단적 외삽: 완전 신경망 컴퓨터 — 원시 비디오·오디오를 신경망에 넣고 diffusion으로 그 순간에 고유한 UI를 렌더링
• 신경망이 호스트 CPU가 코프로세서 되는 역전 구도: 1950-60년대엔 컴퓨터가 계산기형일지 신경망형일지 불분명했고 계산기 경로를 택함 — 이게 뒤집혀 신경망이 호스트 프로세스, CPU가 코프로세서가 되는 그림. tool use는 결정론적 작업용 역사적 부속물로 격하

검증가능성과 들쭉날쭉한 지능

• 전통 컴퓨터는 명세 자동화 LLM은 검증가능 자동화: 전통 컴퓨터는 코드로 명세 가능한 것을 자동화, 최신 LLM은 검증 가능한 것을 자동화
• 검증 가능한 영역만 정점 찍는 들쭉날쭉 지능 생성: 프론티어 랩의 학습 = 거대 강화학습 환경 + 검증 보상 → 수학·코드 등 검증 가능 영역에서 정점을 찍고 그 밖에서는 정체하는 들쭉날쭉한 존재 생성
• 들쭉날쭉함 원인은 검증가능성과 랩의 경제적 관심: 들쭉날쭉함의 원인 = 검증가능성 + 랩의 관심. 경제적으로 가치 있는 영역에 랩이 환경을 더 만들기 때문 — 코드가 대표 사례
• 딸기 철자 패치됐지만 세차장 거리 판단 새 오류 사례: 딸기 철자 세기 문제는 패치됨. 새 사례: 50미터 떨어진 세차장에 차 갖고 갈까 걸어갈까 물으면 최신 모델이 가까우니 걸어가라고 답변
  • Opus 4.7이 10만 줄 코드베이스 리팩토링과 zero-day 취약점 발굴을 동시에 해내면서 세차장엔 걸어가라는 모순
• 들쭉날쭉함 남아있는 한 인간 루프 필요: 들쭉날쭉함이 남아있는 한 인간이 루프 안에 있어야 하고 모델을 도구로 취급해야 한다는 신호
• 체스 급향상은 데이터 대량 투입 결과지 능력 진보 아님: GPT-3.5에서 GPT-4로 체스가 급향상된 건 능력의 자연 진보가 아니라 누군가 체스 데이터를 프리트레이닝에 대량 투입한 결과 — 데이터 분포에 있으면 능력이 정점
• 애플리케이션이 RL 회로 안인지 밖인지가 성능 좌우: 사용자는 랩이 뭘 섞었는지에 좌우됨. 매뉴얼 없는 도구를 탐색해 자기 애플리케이션이 RL 회로 안인지 밖인지 파악해야 함 — 회로 안이면 날고, 밖이면 고전
• 회로 밖이면 파인튜닝과 자체 작업 필요: 회로 밖이면 fine-tuning과 자체 작업 필요 — LLM에서 그냥 나오지 않음
• 창업자 조언: 검증 가능한 세팅이면 랩이 안 다뤄도 자체 RL 환경·예시를 만들어 fine-tuning 레버를 당길 수 있음 — 이미 그냥 작동하는 기술
  • 아직 학습 믹스에 안 들어간 매우 가치 있는 RL 환경 도메인이 존재한다고 암시 (구체 영역은 함구)
• 거의 모든 것 검증가능화 가능 궁극적 전부 자동화: 궁극적으로는 거의 모든 게 어느 정도 검증 가능화 가능 — 글쓰기도 LLM 심판단 구성으로 접근 가능. 결국 전부 자동화 가능, 난이도 차이만 존재

에이전틱 엔지니어링과 인간의 역할

• 바이브코딩 바닥상승, 에이전틱은 품질유지: 바이브 코딩 = 바닥을 올리는 것 — 누구나 뭐든 만들 수 있게 됨. 에이전틱 엔지니어링 = 기존 프로페셔널 소프트웨어의 품질 기준을 지키며 빨라지는 것
  • 바이브 코딩으로 취약점 넣는 건 허용 안 됨. 책임은 여전히 본인 몫
• 스파이키하고 확률적인 에이전트 조율이 엔지니어링 규율: 에이전트는 스파이키하고 오류 가능하며 확률적이지만 극도로 강력한 존재 — 품질 저하 없이 조율하는 게 엔지니어링 규율
• 능력 상한이 매우 높음: 과거 10x 엔지니어 담론보다 증폭 큼 — 잘하는 사람은 10배를 훨씬 넘는 정점
• 도구 기능 최대활용 셋업 투자가 숙련자 특징: 잘하는 사람의 모습 = 도구 기능을 최대한 활용하고 자기 셋업에 투자 — Vim·VS Code 시절과 같은 원리
• 채용 프로세스 대부분 미개편: 퍼즐 문제는 구 패러다임. 새 방식 = 큰 프로젝트 실전 — 에이전트용 Twitter 클론을 만들고 보안까지 다지게 한 뒤 Codex 5.4 xhigh 10개로 공격해 못 뚫리는지 확인
• 인간에게 남는 것: 미학·판단·취향·감독. 스펙과 플랜, 문서를 에이전트와 함께 설계하고 상위 카테고리를 통제, 세부는 에이전트가 채움
• MenuGen 버그 사례: 에이전트가 영구 user ID 없이 Stripe 이메일과 Google 이메일을 대조해 크레딧을 연결 — 이메일이 다르면 결제가 유실되는 이상한 설계. 고유 user ID에 묶으라는 요구는 인간의 몫
• 세부 API 암기는 이양됨: keepdims냐 keepdim이냐, dim이냐 axis냐, reshape·permute·transpose — 기억 안 해도 됨, 리콜 좋은 인턴이 처리
  • 단 tensor 밑에 view와 storage가 있고 불필요한 메모리 복사를 피해야 한다는 근본 이해는 여전히 필수
• RL에 미학 보상 없어 코드 취향 안늘고 지저분: 취향이 안 늘는 이유 = RL에 미학 보상이 없기 때문. 실제 코드 보면 비대하고 복붙 많고 어색하고 깨지기 쉬운 추상화 — 작동하지만 지저분
• microGPT 사례: LLM 학습 코드를 최대한 단순화하는 프로젝트 — 모델이 단순화를 극도로 못함, 계속 시켜도 이빨 뽑는 느낌. RL 회로 밖에 있다는 체감
• 근본 장벽 없음 랩이 아직 안했을 뿐: 근본적 장벽은 없음 — 랩이 아직 안 했을 뿐이라는 진단
• 동물 대 유령 프레임: 우리는 동물을 만드는 게 아니라 유령을 소환 중 — 진화가 준 내적 동기·호기심 없이 데이터와 보상함수로 빚어진 들쭉날쭉한 지능
  • 소리 질러도 성능 안 변함. 프리트레이닝이라는 통계 기질 위에 RL을 볼트로 박은 통계적 시뮬레이션 회로 — 실용 교훈은 의심하는 자세로 탐색하라는 것

에이전트 네이티브 인프라와 교육

• 세상 문서가 인간용, 에이전트용 재작성 필요: 나한테 뭘 하라고 하지 말고 에이전트에게 복붙할 것을 달라
• 워크로드를 에이전트 우선 센서 액추에이터로 분해: 워크로드를 세계에 대한 센서와 액추에이터로 분해하고 에이전트 우선으로 기술하는 것이 과제 — LLM이 읽기 좋은 데이터 구조 중심 자동화
• MenuGen 배포 경험이 반례: 코드 작성보다 Vercel 배포가 고통 — 여러 서비스 설정 메뉴 오가며 DNS 구성 등 수작업
  • 에이전트 네이티브 인프라의 시금석 = 프롬프트 하나로 MenuGen을 만들고 손 안 대고 인터넷 배포까지 완료되는가
• 방향성: 개인과 조직마다 에이전트 대리인이 생기고 내 에이전트가 상대 에이전트와 미팅 세부를 조율하는 세계
• 교육론의 핵심 트윗 인용: 생각은 외주할 수 있어도 이해는 외주할 수 없다
• 인간이 병목: 무엇을 왜 만드는지 알고 에이전트를 지휘하는 일은 이해에 제약됨 — LLM은 이해에 탁월하지 않아 인간이 유일하게 담당
• 지식베이스에 흥분하는 이유: 읽은 아티클로 위키를 쌓고 질문을 던짐 — 같은 정보의 다른 투영을 볼 때마다 통찰 획득, 고정 데이터 위 합성 데이터 생성과 유사
• 몇년 뒤 인간 완전히 루프에서 빠졌는지 농담으로 마무리: 몇 년 뒤 이해까지 자동화돼 인간이 루프에서 완전히 빠졌는지 다시 와서 확인하고 싶다는 농담으로 마무리

투자자 관점 시사점

• 자동화 진행 순서의 판별 프레임 = 검증가능성 + 랩의 관심. 수학·코드처럼 검증 쉬운 도메인 인접 산업부터 마진 구조 변동 — 반대로 RL 환경화가 어려운 도메인은 자동화 프리미엄이 늦게 붕괴
• 자체 검증 가능 데이터·RL 환경을 보유한 버티컬 기업은 랩 무관심 영역에서 fine-tuning 레버로 해자 구축 가능 — 도메인 특화 AI 기업 실사 시 핵심 체크포인트
• MenuGen 교훈: 모델이 직접 수행 가능해지면 중간 앱 레이어 자체가 소멸 — 얇은 래퍼형 SaaS의 존속 리스크와 에이전트 네이티브 인프라(배포·결제·인증 자동화) 수혜를 구분할 것
• 최고 수준 에이전틱 엔지니어의 생산성이 10배를 크게 상회한다는 증언 — 소수 인력으로 스케일하는 소프트웨어 기업의 인건비 구조·밸류에이션 가정 재점검 필요

기억할 발언

• (11:41) "어떻게 최신 Opus 4.7이 10만 줄 코드베이스를 리팩토링하고 zero-day 취약점을 찾아내면서 동시에 세차장까지 걸어가라고 말할 수 있나. 이건 미친 일" — 들쭉날쭉한 지능이 인간의 감독을 요구하는 이유
• (27:57) "생각은 외주할 수 있지만 이해는 외주할 수 없다" — 지능이 저렴해지는 시대에도 깊이 배울 가치가 남는 이유로 인용한 트윗