만약 당신이 클로드 블루 때문에 힘들다면

• AI의 급격한 발전으로 전문성이 대체되는 데서 오는 심리적 우울감을 느끼는 개발자들이 많아짐
• 이러한 우울감을 느끼는 개발자가 많아지면서 클로드 블루라는 이름이 붙게됨
• 또한 매일 쏟아지는 신조어가 개발자들의 FOMO와 불안을 가중시키고 있음
• 공포를 극복하는 핵심은 이해하는 것에 있음
• 수많은 '엔지니어링'은 전부 "API에 적절한 입력을 보내고 응답을 처리하는 과정"의 변형일 뿐이며, 이는 개발자가 이미 잘해왔던 일임
• FOMO를 유발하는 콘텐츠에 휘둘리지 말고 본질을 이해하면 새로운 용어가 나와도 기존 지식 체계에 대입하여 냉정하게 판단할 수 있음

공포의 구조와 극복법

• 사람은 정체를 모르는 것 앞에서 공포를 느낌. AI에 대한 두려움도 AI 자체보다 "어떻게 동작하는지 모른다"는 사실에서 비롯됨
• 정체를 이해하면 마법이 기술로 보이기 시작하고, 기술이란 배울 수 있고 한계가 있는 것임
• 직장인의 24%가 AI로 인한 정보 과부하로 정신 건강이 악화됐다는 조사 결과도 있음

LLM의 정체

• LLM은 "주어진 입력에 대해 가장 적절한 출력을 생성하는" 다음 단어 예측 모델임
• ChatGPT, Claude, Gemini 모두 동일한 원리로 동작하며, 서비스의 실체는 클라이언트가 메시지를 보내고 모델이 토큰을 스트리밍으로 반환하는 HTTP API 호출임
• AI 에이전트의 강력한 코딩 능력도 이 API 호출을 감싸고 있는 것

AI 에이전트가 똑똑해진 과정

• 프롬프트 엔지니어링: 역할 부여, Few-Shot, Chain-of-Thought 등은 결국 입력 텍스트의 문맥을 구체적으로 만들어 출력 방향을 유도하는 방법임
• 출력 형식 제어: JSON Schema 지정, Function Calling 등으로 모델의 출력을 프로그램이 파싱 가능한 구조로 만듦. Function Calling을 통해 모델이 도구를 호출하고 런타임이 실행하는 구조가 가능해짐. MCP, RAG도 도구 호출의 한 형태임
• 컨텍스트 엔지니어링: 어떻게 질문할까가 아니라 모델이 추론 전에 무엇을 볼 것인가를 설계하는 것. 입력이 길어지면 집중력이 떨어지므로, 적절한 정보를 적절한 위치에 넣는 것이 핵심임
• 프롬프트 분할: 하나의 거대한 프롬프트 대신 작고 집중된 여러 프롬프트로 나누어 처리. Sub-Agent(서브 에이전트), Skill(스킬) 등이 이 범주에 해당함
• 하네스 엔지니어링: 모델을 둘러싼 실행 환경 전체를 설계하는 것. 가이드(행동 전 방향 설정)와 센서(행동 후 결과 검증)로 구성됨
  • 랄프 루프: 완료 기준 미충족 시 같은 프롬프트를 반복 주입하는 기법. 진행 상황은 파일 시스템과 git에 저장하여 매번 새 컨텍스트에서도 이어갈 수 있음. 하네스의 하위 전략 중 하나일 뿐 하네스 자체와는 다른 개념임

FOMO에서 벗어나기

• 지식이 있어도 불안한 것은 FOMO 유발자들로 인해 우리가 마치 아무것도 모르는 것처럼 느껴지기 때문
• FOMO를 느끼지 않는 좋은 방법 중 하나는 FOMO 유발자들이 실제로 무엇을 해결했는지 살펴보는 것
  • 대부분 과정을 압축한 것이지 문제를 해결한 것은 아님
• 본질을 이해하고 있으면 새로운 정보를 접했을 때 새 패러다임인지, 기존 개념의 변형인지 과장인지를 스스로 판단할 수 있게 됨

앞으로 무엇을 해야하는가

• 꼭 무언가를 해야 할 필요는 없음. AI가 내 문제에 도움이 안 되면 지금 하던 대로 살면 됨. 결국 도구일 뿐이고 필요하면 쓰고 필요 없으면 안 쓰면 그만임
• 모든 것에 정답이 있지는 않음. 따라서 답지를 찾으려고 노력할 필요는 없음.
• 지식이 있다면 앞으로 새 용어가 나와도 무엇에 대한 이야기인지 파악할 수 있는 눈이 생김