충분히 잘하고 있나요? 기준은 누가 정하나요?
기술 면접에서 수동 코드 리뷰를 놓친 한 개발자가 면접 평가의 기준과 개발자 역량의 관계를 묻습니다. 즉각적인 코드 패턴 기억보다 문제 해결, 학습, 도구 활용, 실제 결과물을 평가해야 하며, 한 번의 실수가 연봉 기대치를 낮춰서는 안 된다고 주장합니다.
최신기사
AI, 개발 도구, 오픈소스, 보안과 인프라의 변화와 이용 조건을 설명하는 최신 기사와 해설입니다.
저는 자주 틀립니다
Boris Cherny는 문제와 제품을 다룰 때 정보 수집, 문제 정의, 단순한 해결책과 목표 설정, 실행을 반복한다고 설명합니다. 새 정보가 나오면 기존 판단을 고치고, 명확하지 않은 문제 정의와 복잡한 계획을 피하려면 실시간 피드백이 필요하다고 말합니다.
시니어 엔지니어의 죽음의 나선 — 증명하려다 번아웃에 빠지지 않는 법
새 직장이나 승진 뒤 더 큰 프로젝트로 자신의 역량을 증명하려다 고립과 과로에 빠지는 패턴을 설명합니다. 해법은 결과를 한 번에 만들려 하기보다 매일 진행 상황을 공유하고, 작은 업무와 협업으로 신뢰와 작업 리듬을 회복하는 데 있습니다.
전통적 코딩과 에이전틱 코딩의 차이 — 플로우 상태의 문제
AI 코딩 에이전트는 코드 생산량을 크게 늘릴 수 있지만, 프롬프트와 대기·알림·컨텍스트 전환이 전통적인 코딩의 촘촘한 피드백 루프와 몰입을 끊을 수 있습니다. 글은 작업을 작게 나누고 같은 프로젝트 안에서 결과를 검토하는 체크포인트를 두어, 생산성과 코드 이해도를 함께 유지하는 방법을 제안합니다.
AI는 여러분을 더 나쁜 엔지니어이자 더 나은 직원으로 만들고 있습니다
AI 코딩 도구는 티켓 처리와 기능 출시 같은 가시적 생산성을 높이지만, 그 과정에서 디버깅 감각과 낯선 문제를 스스로 푸는 능력의 성장을 막을 수 있습니다. 이 글은 AI를 쓰지 말자는 주장이 아니라, 처리량을 엔지니어링 역량의 대리 지표로 삼아 온 평가 방식의 한계를 지적합니다.
부정적 피드백의 아름다움과 두려움
첫 컨퍼런스 발표에서 익명의 날카로운 피드백을 받은 경험을 통해, 불편한 평가는 즉시 거부하기보다 감정을 가라앉힌 뒤 개선의 단서로 살펴볼 필요가 있다고 이야기합니다. 접근성을 지키면서도 발표를 더 역동적으로 만드는 방법을 고민하게 된 과정이 핵심입니다.
EchoCadence를 만들었습니다 — 단어를 오래 기억하게 하는 어휘 앱
EchoCadence는 사용자가 직접 어휘를 추가하고, 복습 난이도에 따라 다음 복습 시점을 정하는 spaced repetition 기반 앱입니다. 개발자는 복습 이력을 TimescaleDB hypertable로 저장하고 continuous aggregate로 일별 통계를 만들어, PostgreSQL 모델 안에서 학습 데이터를 시계열로 다루는 방법을 구현했습니다.
거대한 미지의 코드베이스에 갑자기 투입됐나요? 생존 가이드입니다
대규모 코드베이스를 처음 접했을 때 모든 파일을 읽으려 하지 말고, 애플리케이션을 실행한 뒤 진입점과 실제 기능의 흐름을 추적하며 구조를 파악하라고 제안합니다. 작은 변경과 팀원·Git 기록·테스트 활용, 학습 내용 문서화를 통해 일주일 안에 실용적인 코드베이스 지도를 만들 수 있다고 설명합니다.
첫 AI 심사관 인터뷰 — 대체 무엇이 잘못될 수 있을까요?
AI의 도움으로 금융 의사결정 도구를 만든 뒤 AI 심사관의 기술 인터뷰를 받은 참가자의 회고입니다. 구현 세부사항과 검증 한계를 설명하지 못했던 경험을 통해, AI-assisted 개발에서도 설계·코드·실패 조건을 직접 이해하고 설명하는 능력이 중요하다는 점을 보여줍니다.
배우면서 바로 글을 씁니다
새로운 기술을 배울 때 겪은 질문과 탐색 과정을 해결 직후 기록하자는 글입니다. 초보자용 설명과 전문가용 문서 사이에는 용어와 맥락을 연결해 주는 자료가 부족하므로, 성공뿐 아니라 실패와 막혔던 지점까지 남기는 것이 다른 학습자와 문서 유지보수자 모두에게 도움이 된다고 설명합니다.
면접에서 AI를 사용했다는 이유로 탈락했습니다 — 그런데 면접관도 AI를 쓰고 있었습니다
AI를 사용한 사실을 공개했다가 면접에서 탈락한 개발자가, 같은 면접에서 AI를 사용하는 면접관을 봤다고 말합니다. 글은 코딩 평가가 문법 암기보다 AI의 오류를 판별하고 결과를 통제하는 판단력을 측정해야 한다고 주장합니다.
스스로 바보가 되는 법 101 — AI 의존이 기술 면접에서 드러낸 것
Wasmer 기술 면접을 위해 엣지 배포, 대시보드, 내구성 워크플로 시스템까지 준비했지만, 간단한 캐시 파일의 수동 코드 리뷰에서 코드의 문제를 발견하고도 설명하지 못해 고전합니다. 글쓴이는 AI를 활용한 개발 역량과 기초 코드를 직접 읽고 설명하는 능력 사이의 간극, 그리고 AI 시대에 맞지 않는 채용 방식이 무엇인지 되묻습니다.
흑백 ATS 세계에서 다채로운 경력을 살아가기
Applicant Tracking System(ATS)은 이력서를 직함·회사·기간·기술 같은 구조화된 필드로 압축하면서 비선형 경력의 연결고리와 전이 가능한 역량을 버립니다. 글은 편향을 줄이려는 구조화된 채용의 필요성을 인정하면서도, 모든 지원자에게 같은 질문과 평가 기준을 적용해 경력 간 연결을 기록할 필드를 추가하자고 제안합니다.
프로젝트가 끝났다고 판단하는 기준은 무엇인가요?
작은 도구와 실험을 자주 만드는 개발자가 프로젝트의 완료 기준을 돌아봅니다. 기능을 계속 추가해 제품이나 SaaS로 확장하는 것만이 성공은 아니며, 처음 의도한 목적을 달성하고 배운 것을 얻었다면 그대로 끝내도 된다는 관점을 제시합니다.
AI가 새로운 일자리보다 더 많은 일자리를 빼앗을 것이라고 믿는 사람이 늘고 있습니다
Pew Research Center의 37개국 조사에서 34개국은 향후 20년 동안 AI가 일자리를 늘리기보다 줄일 것이라고 보는 응답이 더 많았습니다. 미국에서는 71%가 일자리 감소를 예상했으며, 응답자들은 AI가 경제적 불평등도 키울 수 있다고 우려했습니다.
AI가 코드베이스 절반을 썼다 — 유지보수 청구서는 3개월 차에 도착했다
AI 코딩 도구가 초안 생성 비용을 거의 0으로 만들었지만, 리뷰와 유지보수 비용은 그대로라서 '생산성'의 회계가 왜곡된다는 글입니다. 저자는 자신의 오픈소스 프로젝트들에서 관찰한 패턴과 METR 연구(숙련 개발자가 AI 사용 시 19% 더 느려짐)를 근거로, 생성 속도가 아닌 소유 비용(ownership cost)을 측정해야 한다고 주장합니다. 디버깅, 태스크 단위 비용, 무한 루프, 이해의 외주화라는 네 가지 숨은 비용 항목을 구체적 수치와 함께 제시합니다.
전부를 걸고 3년 만에 ARR 3,000만 달러 달성 — Stan 공동창업자의 이야기
Deloitte와 eBay를 거친 소프트웨어 엔지니어 Vitalii Dodonov가 콘텐츠 크리에이터 출신 John Hu와 공동창업한 Stan의 성장기입니다. 디지털 상품 판매 플랫폼 Stan Store와 AI 콘텐츠 비서 Stanley를 통해 현재 ARR 4,000만 달러에 도달했으며, 사용자의 실제 문제를 듣고 제품 방향을 바꾼 과정이 인상적입니다.
뇌를 끄는 방식이 통하는 지점은 없다 — 'meat proxy' 개발의 역설
Dan Luu가 LLM에 판단 없이 작업을 맡기는 'meat proxy'식 개발 방식을 분석한 에세이입니다. LLM이 발전해 이 방식이 평균 수준의 소프트웨어를 만들 수 있게 되더라도, 그 순간 회사는 LLM만 루프로 돌리고 직원을 해고하면 되므로 직원 입장에서 이 전략이 보상으로 이어지는 지점은 없다고 주장합니다.
두 AI가 서로의 코드를 30일간 리뷰하게 했다 — 그러나 결정적 버그는 사람이 5분 만에 잡았다
저자가 30일간 작성 에이전트와 별도의 '회의론자(skeptic)' 리뷰 에이전트를 운영한 실험 기록입니다. AI 리뷰어는 41개 실제 이슈 중 38개를 잡았지만, Stripe 웹훅의 'ack-before-persist' 같은 조용한 데이터 정합성 버그는 같은 모델 계열 특유의 공통 맹점 때문에 놓쳤고, 시니어 엔지니어는 과거 장애 경험으로 5분 만에 발견했습니다.
하버드 교수 3명 중 2명, "AI가 수업에 부정적 영향" — 작년 대비 부정 평가 급증
Harvard Crimson이 Faculty of Arts and Sciences 소속 교수 460여 명을 대상으로 실시한 설문에서 거의 3분의 2가 AI가 수업에 부정적 영향을 미쳤다고 답했습니다. 작년 42%에서 크게 늘어난 수치이며, 전면 금지 정책을 둔 교수도 25%로 증가했습니다. 학교 리더십이 AI 활용을 장려하는 방향으로 움직이는 것과 대조되는 결과입니다.