LLM의 발전과 학습 로드맵에 대하여

개발 언어 -> 프레임워크 -> 방법론, 아키텍처 -> 인프라

LLM이 활성화되기 전 개발자들의 로드맵은 대략 이랬던 것 같다.

그리고 위의 것들을 숙련하기에는 상당히 많은 시간이 소요됐다.

 

현재는 LLM이 발전하면서 AI 네이티브, 바이브 코딩 등등 사실상 기존 로드맵을 몰라도 세부적인 디테일은 LLM이 다 해줄 수 있다.

물론 코드 레벨의 경우를 말하고 있으며, 다른 분야는 잘 모르겠지만 새로운 도구들이 많이 등장하고 하지만 업무에 적용하는 케이스는 많이 보지 못한 것 같다.

 

위와 같은 상황에서 IT직군은 누구보다 빨리 포모증후군을 겪고 있는 것 같다.

나도 클로드 코드를 사용하면서 내가 직접 타이핑 하는 건 20%이하로 줄었다.

나는 그저 LLM에게 요청하고, plan을 검토하고, 구현 및 검증이 완료되는 과정을 지켜보기만 할 뿐이다.

그래서 그런지 Java나 Jpa와 같은 개발 학습은 손에 잡히지 않고 있다. (내가 해봤자 까먹기만 하고, LLM한테 그때 그때 물어보면 되지. 라고 생각을 하는것 같다)

 

그래서 이번 포스팅을 적기 시작했다.

이후 로드맵을 어떻게 그려나갈지 망설여지는 시점에서.

---

LLM이라는 모델이 발전하는거지, 프로그램 구조가 달라지는 건 아니다.

최근 LLM 주제로 사내 세미나를 진행하기 위해 벼락치기 학습을 해서 그런지 트렌드를 어느정도 알고 있다고 생각하고 있다.

(물론 아닐수도 있겠지만)

 

내 생각의 결론부터 말하면 LLM이라는 두뇌 자체는 계속 발전하지만, 동작 패러다임은 동일할 것으로 유추된다.

여기서 발전이란 건 LLM 동작을 구성하는 컨텍스트 윈도우, 모델 자체의 추론 정확도/속도를 의미한다.

즉 Input <-> Output 사이의 과정이 발전하여 Output의 품질은 계속해서 좋아질 것이다.

 

패러다임은 위와 같은 Input <-> Output 그 자체를 의미한다.

물론 Input을 처리하기 위한 중간 과정은 계속 발전할 것이며, 처리 형태 자체가 달라질 수도 있다.

그러나 "Input을 넣으면 Output이 나온다"라는 대전제는 깨지지 않을 것이다.

다시 말해, '시키는 일만 한다'는 대전제는 무너지지 않고, '어떻게 수행하는지'가 발전해나갈 것으로 생각된다.

(자율성이 강화된다고는 하지만 결국 트리거는 사람의 입력이다.)

 

최근들어 AI에 대한 열풍이 커지고 있는 건,

이 LLM이라는 두뇌를 활용하는 방식 때문이라고 생각한다. (= 어떻게 수행하는가)

방식이 발전하면서 함께 늘어나는 "생산성", 이게 지금 SW직군을 위협하는 핵심이다.

 

세미나를 준비한다고 LLM과 관련된 많은 걸 찾아보고 직접 테스트해봤다.

준비하면서 처음엔 신기했는데, 갈수록 LLM을 다루는 요령이 늘어나고 있구나 라고만 생각이 되더라.

요즘 핫한 안건들이 뭐가 있을까? 아래는 내가 생각하는 최근 LLM 트렌드다.

• Claude Code, Antigravity, OpenClaw와 같은 에이전틱 도구
• MCP, Skills, Sub Agent와 같은 LLM을 다루는 요령 (MCP는 도구에 가까운것 같다.)

위 트렌드들에 대해 간단히 설명하면 아래와 같다.

(기술적인 부분이 포함되어 있으므로 생략해도 된다.)

---

Claude Code, Antigravity, OpenClaw

: LLM이 실행력을 가지게 하기 위한 AI 도구이며, LLM의 로컬화(Localization)를 위한 도구다.

  시스템 권한을 가질 수 있다는게 가장 큰 특징이다.

MCP

: 실행력을 강화하기 위한 도구다. (주로 자동화 워크플로에 활용되더라)

  LLM이 Output을 뽑는 과정에서 외부 시스템(메신저, 메일과 같은 프로그램)에 접근할 수 있도록 도와준다.

Skills

: LLM은 정해진 기억력(컨텍스트 윈도우)에 의존하여 결과를 낸다. 내가 원하는 답을 위해 모든 사소한 걸 다 입력할 순 없는 노릇이다. Skills는 현재의 요청에 대한 필요한 정보만을 적재적소에 활용할 수 있도록 해주는 꼼수다.

Sub Agent

: 한 번의 대화 흐름이 하나의 에이전트(사람)라고 볼 수 있다. 웹에서 새 채팅을 누르는 순간 다른 사람이다.

  Sub Agent는 이런 사람을 여럿 두어 병렬 처리가 가능하도록 해주는 기술이다.

---

다시 본론으로 돌아와서 LLM을 활용하는 방식이란 효율적인 Input을 만드는 것, 더 많은 Output을 만드는 것이라고 생각한다.

또한 OpenClaw라는 오픈소스를 누가 추천해줘서 사용해봤는데, 구조적으로 새로운 패러다임은 아니였다.

독특한 점은 서버 형태라는 것, 위의 것들을 사용하기 쉽게 만들어놨다는 것 정도였다.

 

오픈소스나 AI 도구들은 다양하게 늘어나고 발전할 것이며, 이들은 프로그램으로 개발된다.

애초에 컴퓨터 위에서 수행되는 것들이기 때문에 IT 직군이 대체된다 라는 생각에 회의감이 있다.

(뭐 생산성의 증가로 인해 인력이 줄어드는 것은 어쩔 수 없을 것 같긴하다.)

---

그렇다면 앞으로의 방향성은 어떻게 가져갈것인가?

사실 이 글의 시작점은 나의 로드맵을 다시 구성하는데에 있다.

List<TIL>

내 TIL 리스트를 보면 코드 레벨 수준의 학습이다. (그렇기에 LLM의 수준급 코드 작성 능력을 보고 포모가 온걸테다.)

 

위에서 언급했듯, LLM을 활용하는 방식은 프로그램 구조로 이루어진다.

그렇기 때문에 IT 역량이 필요한것에는 다름이 없지만 폭발적인 생산성과 의사결정 구조가 변경됨에 따라 기존의 로드맵을 수정해야 할 필요는 있다.

 

첫번째로 전체 시스템의 아키텍처와 프로세스에 대한 이해를 높일 필요가 있다.

그 이유는 아래와 같다.

 

LLM의 목적(Purpose)을 기반으로 작업을 수행한다는 프로세스는 변경되지 않을 것이다.

(이게 바뀌는 시점은 큰 변화를 일으킬 것이며, 호들갑좀 떨자면 생각을 가진 AI들의 반란급?)

다만, AI의 연계성은 크게 발전할 것으로 생각하고 있다.

Sub Agent의 개념을 난 가장 높게 평가하고 있는데, 모델 간의 협업이 눈에띄게 발전하는 순간 파급력이 가장 크게 다가올 것으로 예측된다. (가전의 최종형태는 IoT인것처럼)

그렇기 때문에 전체를 볼 수 있는 능력은 꼭 필요하다. 이 연계의 컨트롤타워 역할을 수행해야하기 때문이다.

 

두번째로는 시스템 신뢰성에 관한 학습이다.

왠만한 코드 레벨의 문제는 지금의 LLM도 수준급으로 해결할 수 있다. (난 에러가 뜨면 일단 LLM 돌리고나서 내가 확인한다.)

문제는 LLM의 의사결정 레이어가 망가지는 순간이다. 위에서 연계를 언급했듯, LLM이라는 두뇌는 전체 프로세스에서 여러곳에 자연스럽게 녹아들어 소통하며 동작할 것이다. 필요에 따라 중간 관리자 역할도 수행할 것이다.

그렇기에 이 LLM 밸류체인을 다루는 역량은 꼭 필요할 것으로 예측된다.

---

결론

LLM은 아직 불확실성을 가지고 있고, 이를 기반으로 탄생하는 에이전틱 도구와 기술 개념들도 과도기에 있다.

그럼에도 불구하고 강력한 잠재능력이 있는건 확실하다고 보여지며, 변화하는 프로세스에 어떻게 대응할지는 한번쯤 생각해 볼 필요가 있다.

 

LLM의 한계와 문제점은 명확하다. 틀릴 수 있고, 완전 자율적 구조가 될 수 없다.

그렇기 때문에 `틀릴 가능성을 다루는 것`이 중요한 로드맵이 될 수 있을 것 같다.

 

3번으로 밀어도 20점인데