AI 시대 개발자 채용 기준이 바뀌었다: 실력보다 AI 친화력

AI 시대에 채용 기준이 정말 바뀌었나, 무엇이 달라졌나

바뀌었다. 예전에는 개발자를 알고리즘 깊이, 작성한 코드의 양, 프레임워크 경력의 두께로 평가했다. 지금 당락을 가르는 것은 AI와 함께 일하는 능력이다. 도구에 일을 맡길 줄 알고, 결과를 검증할 줄 알고, 프로세스 규율을 지킬 줄 아는가. 순수 코딩 실력은 여전히 필요하지만 더 이상 가장 중요한 분류 변수가 아니다.

달라진 것은 "이제 개발자가 코드를 몰라도 된다"는 뜻이 아니다. 로직을 이해 못 하고, AI가 만든 코드를 읽지 못하며, 미묘한 버그를 잡아내지 못하는 사람은 여전히 무용하다. 오히려 맹신하기 때문에 더 위험하다. 달라진 것은 비중이다. 하루 업무에서 한 줄 한 줄 직접 타이핑하는 시간의 비중은 줄었고, 문제를 정의하고 도구에 정확히 지시하고 결과를 다시 읽어 고치는 시간의 비중은 커졌다.

간단하게 그림을 그려보면 이렇다. 예전에 가장 뛰어난 사람은 빨리 치고 많이 기억하는 사람이었다. 지금 가장 뛰어난 사람은 제대로 물을 줄 알고, 맥락을 정확히 설명할 줄 알고, 의심해야 할 곳을 의심할 줄 아는 사람이다. AI에 서툰 사람도 일을 끝낼 수는 있다. 그러나 AI 친화적인 사람은 같은 분량을 몇 배 빠르게, 더 일정한 품질로 끝낸다. 이 격차가 워낙 커서 채용의 우선순위 전체를 다시 그리게 만든다.

격차의 정체를 좀 더 들여다보면, 그것은 손의 속도가 아니라 판단의 속도다. 같은 도구를 쥐여 줘도 어떤 사람은 한 번에 쓸 만한 결과를 끌어내고, 어떤 사람은 같은 자리를 맴돈다. 차이는 도구가 아니라 그 도구를 부리는 머리에서 온다. 그래서 채용에서 봐야 할 것도 도구 자체의 친숙도가 아니라, 도구를 통해 문제를 푸는 사고의 질이다.

기술팀을 꾸리는 기업에는 함의가 분명하다. 여전히 어려운 알고리즘 시험 점수나 특정 언어 경력 연수로 지원자를 주로 채점한다면, 잘못 거르고 있는 것이다. 서류상 점수는 높지만 실무 환경에서 느리고 경직된 사람을 뽑고, 기초는 무난해도 도구를 무섭게 빨리 익혀 산출량이 압도적인 사람을 놓칠 수 있다.

한 가지 분명히 해 둘 것이 있다. 이 변화는 시니어 개발자가 필요 없어진다는 뜻이 아니다. 오히려 반대다. 도구가 코드를 빠르게 쏟아낼수록, 그 코드가 옳은지 그른지를 판단하는 눈은 더 귀해진다. 무엇을 만들지 정하고, 결과물의 함정을 짚어내고, 후배의 작업을 검수하는 역할은 더 중요해졌다. 달라진 것은 시니어의 가치를 입증하는 방식이지, 시니어가 사라진다는 것이 아니다. 손이 빠른 것보다 판단이 정확한 것이 그 사람의 값을 결정한다.

코딩 실력보다 AI 친화력을 먼저 보는 이유

AI 친화력을 먼저 보는 이유는 그것이 실제 산출량과 학습 속도를 결정하고, 이 둘이 가장 가르치기 어려운 능력이기 때문이다. 기초 코딩 실력은 사내 교육으로 몇 달이면 보강할 수 있다. 그러나 도구를 활용할 줄 알고 검증할 줄 알며 제대로 질문할 줄 아는 사고방식은 사람의 태도와 사고 습관에 붙어 있어 단기간에 주입하기 어렵다.

AI 친화력은 "도구를 켤 줄 안다" 수준이 아니다. 여러 층으로 이루어진다. 첫째 층은 문제를 표현하는 능력이다. 맥락과 제약과 목표를 명확히 기술해 도구가 곧바로 쓸 만한 결과를 내놓게 하는 것이다. 되묻기를 반복하게 만들지 않는다. 둘째 층은 검증 능력이다. AI가 만든 결과를 의심하는 눈으로 읽고, 로직 오류, 존재하지 않는 라이브러리를 지어낸 부분, 경계 조건 누락을 찾아낸다. 셋째 층은 통합 능력이다. AI가 만든 조각을 실제 시스템에 붙여, 떨어진 예제에서만 맞는 게 아니라 프로젝트 맥락에서 제대로 돌아가게 만든다.

왜 이 층들을 먼저 보는가. 학습 속도를 반영하기 때문이다. AI 친화적인 사람은 본질적으로 빨리 배우는 사람이다. 새 도구를 위협이 아니라 지렛대로 여기고, 체계적으로 실험하며, 경험을 쌓아 다음번에는 더 잘 지시한다. 도구가 몇 달마다 바뀌는 분야에서는, 빨리 배우는 사람이 잘하지만 경직된 사람을 늘 앞선다.

이것이 기술 기초의 가치를 낮추는 것은 아니다. 오히려 탄탄한 기초는 검증을 잘하기 위한 조건이다. 데이터베이스를 모르는 사람은 AI가 쓴 쿼리가 지금은 돌아가도 데이터가 커지면 무너진다는 사실을 알아채지 못한다. 그러니 정확한 표현은 "코딩 실력을 버린다"가 아니라 "AI 친화력을 첫 번째 필터로 두고, 기술 기초를 검증의 동반 조건으로 둔다"이다.

실제 채용에서 이 둘을 헷갈리면 비싼 실수를 한다. 기초만 보고 뽑으면 도구 앞에서 굳어버리는 사람을 데려오고, 도구 사용만 보고 뽑으면 결과를 검증하지 못해 잘못된 코드를 그대로 통과시키는 사람을 데려온다. 두 능력은 경쟁 관계가 아니라 보완 관계다. AI 친화력으로 먼저 거른 다음, 그 사람이 결과를 의심하고 검증할 만큼의 기초가 있는지 확인하는 순서가 현실적이다. 순서를 뒤집으면 화려한 시험 점수에 속아 정작 실무에서 느린 사람을 뽑게 된다.

생산성과 정규화 준수력을 어떻게 평가하나

생산성과 정규화 준수력은 감이 아니라 관찰 가능하고 반복 가능한 정량 신호로 평가하는 것이 좋다. 생산성은 단위 시간에 기준을 충족하며 끝낸 일의 양이다. 정규화 준수력은 합의된 절차를 얼마나 정확히 따르는가다. 커밋 형식, 보고서 작성 방식, 네이밍 규칙, 인계 방식 같은 것들. 시스템을 제대로 설계하면 둘 다 측정할 수 있다.

정규화 준수력이 생산성만큼 중요한 이유는 무엇인가. AI와 함께 일하는 환경에서는 한 사람이 아주 큰 산출량을 낼 수 있기 때문이다. 그 산출이 공통 규칙을 따르지 않으면, 가치를 만드는 속도보다 더 빠르게 혼란을 만든다. 열 개의 기능이 열 개의 서로 다른 방식으로 작성되어 아무도 서로 인계하지 못하면, 그것은 자산이 아니라 부채다. 따라서 정규화 준수력은 행정적 경직성이 아니라, AI 시대의 높은 산출량이 스스로를 질식시키지 않게 하는 조건이다.

그렇다면 무엇으로 측정하나. 현실적인 신호 몇 가지. 일을 받은 시점부터 기준을 충족한 인계까지 걸린 시간, 첫 검수에서 한 번에 통과하는 비율, 동반 문서의 충실도, 팀 규약 대비 형식 일관성. 중요한 것은 이 지표들을 사전에 공개하고 균등하게 적용하는 일이다. 그래야 함정이 아니라 사람을 키우는 도구가 된다. 측정당하는 사람은 자신이 무엇으로 측정되는지 알아야 한다.

지표의 정직성에 관한 주의. 지표는 우리가 재고자 하는 것을 제대로 잴 때만 쓸모가 있다. 커밋 수로 보상하면 사람들은 의미 없이 커밋을 쪼갠다. 품질과 무관하게 순수 속도만 보상하면 대충 납품한다. 그래서 평가 설계는 생산성과 산출 품질, 규약 준수를 같은 틀 안에서 엮어야 하며 떼어놓지 않는다. 측정 가능한 자동 평가가, 책임감과 협업에 대한 사람의 정성 평가와 함께 가야 하는 지점도 여기다.

여기에는 채용 단계에서도 미리 확인할 수 있는 신호가 있다. 면접에서 작은 규약 하나를 주고 따르게 해 보면, 그 사람이 규칙을 귀찮은 통제로 받아들이는지, 협업을 위한 약속으로 받아들이는지가 짧은 시간에 드러난다. 자기 결과물을 깔끔하게 정리해 인계할 줄 아는 사람과, 결과만 던지고 마는 사람의 차이는 입사 후에 큰 비용 차이로 돌아온다. AI가 산출을 늘려 줄수록, 그 산출을 팀이 받아 쓸 수 있게 정리하는 규율의 가치는 함께 올라간다. 생산성과 정규화 준수력을 따로 보지 않고 한 사람의 두 얼굴로 보는 이유가 그것이다.

디자인 직군: 디자인 베이스는 필수, UI 수작업 경력은 평가요소가 아닌 이유

디자인 직군에서는 디자인 베이스가 필수 조건이고, UI를 손으로 만들어온 경력은 선별 기준으로 쓰지 않는 편이 낫다. 디자인 베이스란 디자인 씽킹, 시각적 문제 해결 능력, 브랜딩과 콘텐츠 감각, 사용자 이해를 말한다. 가르치기 어렵고 시간이 지나도 가치가 유지되는 부분이다. 반면 특정 소프트웨어에서 UI를 조작하는 행위는 도구 기술이며, 입사 후 교육으로 커버할 수 있다.

이유는 오늘날 AI 도구의 본질에 있다. 디자인 아이디어를 웹이나 앱 화면으로 바꾸는 일은, 한때 수많은 시간의 정교한 끌어다 놓기를 요구했지만 이제 도구가 상당히 단축한다. 여전히 특정 UI 제작 도구의 연차를 주된 잣대로 삼는다면, 기업은 희소가치가 떨어지고 있는 기술에 비싼 값을 치르는 동시에, 불필요한 채용 문턱과 연봉을 스스로 만들어내는 셈이다.

반대로 AI가 대체하지 못하는 것은 디자인의 뿌리다. 기술적으로는 예쁘지만 브랜드 메시지가 틀린 레이아웃, 매끄럽지만 사용자가 무엇을 필요로 하는지 모르는 화면은, 아무리 정교하게 만들어도 망가진 산출물이다. 디자인 베이스가 탄탄한 사람은 AI 도구를 올바른 방향으로 끌고 가지만, 뿌리가 약한 채 조작만 능한 사람은 그럴듯해 보이지만 속이 빈 것을 만든다. 그래서 디자인 직군의 필수 심사는 커리어와 포트폴리오다. 사용한 도구 목록이 아니라 결정 하나하나 뒤의 사고다.

이는 디자인 면접의 모양도 다시 잡는다. "어떤 소프트웨어를 능숙하게 쓰는가"를 묻는 대신, "어려웠던 디자인 문제와 그때의 의사결정을 이야기해 달라"가 훨씬 값진 질문이다. 답을 들으면 그 사람이 어떻게 사고하고, 어떤 트레이드오프를 저울질하며, 사용자를 어디까지 이해하는지가 드러난다. 그것이 AI가 아직 대체하지 못한 부분이고 값을 치를 만한 부분이다.

오해를 막기 위해 덧붙인다. UI 제작 도구를 능숙하게 다루는 것이 흠이라는 뜻이 결코 아니다. 다만 그 능숙함을 채용의 필수 관문으로 세우지 말자는 것이다. 도구 숙련은 입사 후 교육으로 빠르게 끌어올릴 수 있는 반면, 디자인 베이스가 없는 사람을 입사 후에 디자이너로 키우는 일은 훨씬 더 어렵고 느리다. 그러니 한정된 채용 심사 시간은 가르치기 어려운 것을 보는 데 써야 한다. 도구 숙련은 가산점이지 관문이 아니다.

실무에서 AI 친화적 인재를 가려내는 채용 프로세스 설계

AI 친화적인 인재를 뽑으려면, 단일 알고리즘 시험을 도구 사용이 허용된 실전 과제로 바꾸고, 지원자가 어떻게 결정하고 검증하는지 깊이 파고드는 면접을 더하는 것이 좋다. 목표는 인위적 조건에서 기억을 시험하는 것이 아니라, 실제 조건에서 일하는 모습을 관찰하는 것이다.

첫 단계는 시간이 제한된, 실무를 본뜬, 모든 도구가 허용된 과제다. 최종 결과만이 아니라 과정을 관찰해야 한다. 지원자가 도구에 문제를 어떻게 설명하는가, 첫 결과를 그대로 받아들이는가 아니면 반박할 줄 아는가, AI가 자주 저지르는 실수를 잡아내는가. AI 친화적인 사람은 그대로 베끼는 대신 건강한 의심의 흔적을 남긴다.

둘째 단계는 바로 그 과제를 바탕으로 한 면접이다. 왜 다른 방식이 아니라 이 방식을 택했는지, 어디가 확신이 없었는지, 인계 전에 어떻게 검증할 것인지 물어라. 이런 질문은 별도의 시험 없이도 기술 기초를 드러내고, 동시에 표현력과 비판적 사고를 보여준다. "여기가 의심스러워서 이렇게 다시 확인했다"고 답하는 사람은 "도구가 그렇게 줘서 그대로 뒀다"는 사람보다 훨씬 값지다.

셋째 단계는 정규화 준수력과 학습 태도의 평가다. 작은 규약, 예컨대 보고서 형식이나 네이밍 규칙을 주고 정확히 따르는지 본다. 최근에 새로 익힌 도구와 스스로 학습한 방법을 물어라. 학습을 이야기하는 방식에서 그 사람이 새 도구를 기회로 보는지 부담으로 보는지가 드러나며, 이는 장기 성과를 예측하는 매우 강한 신호다.

이 세 단계를 거치면 종이 위 점수로는 보이지 않던 것들이 보인다. 같은 과제를 받고도 누구는 도구에 맥락을 충분히 주고 결과를 되짚어 고치는 반면, 누구는 첫 출력에 만족하고 멈춘다. 누구는 모르는 것을 솔직히 드러내며 어떻게 확인하겠다고 말하는 반면, 누구는 모르는 채로 그럴듯하게 넘어간다. 이런 차이는 알고리즘 시험 한 장으로는 절대 잡히지 않는다. 채용은 결국 미래의 성과를 예측하는 일이고, 도구가 바뀌어도 살아남는 능력을 보는 것이 가장 정확한 예측이다.

마지막으로 기준을 투명하게 두고 균등하게 적용하라. AI 시대의 채용 기준은 요구를 낮추는 것이 아니라 무게중심을 제대로 다시 두는 것이다. 실제 생산성, 도구를 쓰고 검증하는 능력, 프로세스 규율과 학습 속도를 측정하고, 기술 기초는 검증의 조건으로 둔다. 디자인 직군에서는 디자인 베이스를 필수로 유지하고 UI 수작업 경력은 필수 조건에서 뺀다. 이런 기준은 도구가 계속 바뀌어도 가치가 더 오를 사람을 골라낸다. 어제의 일하는 방식에만 맞는 사람이 아니라.