AI가 코드를 짜주는 시대에 개발자의 진짜 경쟁력은 어디서 결정될 수 있을까? 단순한 생성 능력은 상향 평준화되었으나, 이를 실제 제품으로 연결하는 운영 방식에서 모델마다 답이 갈린다.

Anthropic은 샌프란시스코(5/6), 런던(5/19), 도쿄(6/10)에서 개발자 컨퍼런스를 개최하고 19개 세션의 영상을 공개했다. Claude Platform(AI 모델을 서비스에 연결하는 개발 환경) API 사용량은 전년 대비 약 17배 증가했다. Claude Code(터미널 기반 AI 코딩 도구)의 평균 개발자는 주당 20시간을 해당 도구와 함께 보낸다. 이에 따라 Pro, Max, Team, seat-based Enterprise 플랜의 사용 한도가 기존 5시간에서 두 배로 늘어났다. SpaceX의 Colossus One(대규모 연산 자원을 제공하는 데이터센터) 용량을 활용해 개인 개발자와 소규모 팀에 더 많은 연산 자원을 배분하는 계획도 포함되었다. 신규 모델인 Opus 4.7은 Amp, Rakuten, Intuit의 실제 엔지니어링 작업에서 계획 품질과 해결률을 높인 것으로 나타났다.

Claude Code의 자율성과 운영 도구의 변화

이번 주 공개된 Claude Code의 기능은 개발자의 사용성과 자율성 강화에 집중되어 있다. Remote Control(터미널 세션을 웹이나 모바일로 이어받는 기능)을 통해 작업 환경의 제약을 없앴다. Full screen terminal UI(전체 화면 터미널 인터페이스)는 가상 스크롤백을 적용해 렌더링 깜빡임을 제거하고 도구 호출 화면을 클릭 가능하게 만들었다. GUI(그래픽 사용자 인터페이스)에서는 여러 세션을 핀으로 고정하거나 분할 화면으로 관리할 수 있다. 특히 Auto Mode(안전성이 확인된 도구 호출을 권한 확인 없이 실행하는 모드)는 프롬프트 주입 공격 여부를 분류해 실행 효율을 높였다. 워크트리(Worktree, 격리된 브랜치와 파일 복사본에서 병렬 작업하는 환경)를 통해 여러 세션이 서로 간섭 없이 작업하는 구조를 갖췄다. 자동 메모리 기능은 프로젝트별 memory.md 파일을 관리하며 빌드 명령이나 디버깅 단서를 다음 세션에 재사용한다. Routines와 /loop 명령어는 Cron(시간 기반 작업 예약 도구)이나 GitHub webhook(이벤트 기반 알림 시스템), API 트리거를 통해 세션을 자동 실행하게 만든다.

메모리 구조와 Dreaming을 통한 자가 학습

에이전트의 학습 방식이 단순 로그 저장에서 파일 시스템 기반의 메모리 관리로 전환되었다. Claude Managed Agents(에이전트의 문맥과 보안을 통합 관리하는 플랫폼)의 메모리는 Bash(리눅스 기반 명령줄 셸)와 Grep(텍스트 검색 도구)으로 직접 정리하고 갱신하는 구조다. Opus 4.7은 메모리 구조를 유지하고 파일을 나누는 판단력이 개선되었다. 읽기 전용 조직 메모리와 읽기-쓰기 작업 메모리를 분리해 수백 개의 에이전트가 동시에 접근해도 덮어쓰지 않도록 콘텐츠 해시 기반의 낙관적 동시성 제어를 사용한다. 주목할 점은 Dreaming(비동기로 세션을 분석해 실수와 성공 전략을 정리하는 기능)의 도입이다. Harvey(법률 특화 AI 서비스)는 이를 법률 벤치마크에 적용해 작업 완료율을 6배 높였다. SRE(사이트 신뢰성 공학) 데모에서는 에이전트들이 놓쳤던 60초 재시도 패턴을 Dreaming이 찾아내 메모리에 반영하는 모습이 확인되었다.

GitHub 규모의 최적화와 에이전트 운영 전략

GitHub Copilot 규모의 운영에서는 프롬프트 캐싱(반복되는 입력값을 저장해 비용과 시간을 줄이는 기술)이 핵심이다. GitHub는 목표 캐시 적중률을 94-96%로 설정했으며, 70% 수준으로 떨어지면 설계 결함으로 판단한다. 시스템 프롬프트 앞부분에 UUID(범용 고유 식별자)나 동적 도구 로딩을 배치하면 캐시가 쉽게 깨지므로 정적 유지를 권장한다. Advisor 전략은 저렴한 모델이 기본 작업을 수행하고, 중요한 판단이 필요할 때만 Opus를 조언자로 호출하는 구조를 취한다. 반면 Opus 4.7은 최대 1440p 해상도 스크린샷에서 1:1 픽셀 좌표를 반환해 화면 자동화의 좌표 보정 부담을 줄였다. MCP(Model Context Protocol, 모델과 외부 데이터를 연결하는 표준 규격)와 Agent SDK(에이전트 소프트웨어 개발 키트)를 통해 도구 사용의 수동 라우터나 재시도 로직은 모델 내부로 흡수되는 추세다.

조직 단위의 AI 네이티브 엔지니어링

개인 생산성을 넘어 팀과 조직 단위의 협업으로 에이전트의 역할이 확장되고 있다. Asana의 AI teammates는 기업 내에서 승인과 워크플로를 처리하는 Actor(행위자)로 동작한다. Asana work graph(목표, 프로젝트, 과거 결정을 연결한 데이터 구조)를 문맥으로 활용하며, 역할 기반 접근 제어와 감사 가능성을 갖춘다. Claude Managed Agents는 여기서 검증 반복과 채점기, Outcomes(종료 기준을 만족할 때까지 반복하는 기능)를 담당한다. 실제 데모에서는 에이전트가 프롬프트 최적화를 통해 렌더링 시간을 37초에서 10초로 단축했다. AI 네이티브 조직에서는 코드 작성 처리량보다 검증, 리뷰, 보안, 유지보수가 새로운 병목이 된다. Robobun(GitHub 이슈를 자동 재현하고 PR을 만드는 도구) 사례처럼 CLAUDE.md라는 운영 문서를 통해 빌드 명령과 과거 실패 패턴을 에이전트에게 학습시키는 방식이 활용된다. PR(풀 리퀘스트, 코드 변경 요청)은 이제 최종 결과물이 아니라 검토 가능한 제안으로 다뤄지며, CI(지속적 통합) 로그 읽는 법을 포함한 검증 체계가 코드 생성 능력보다 중요해졌다.

이제 AI 개발의 승부처는 모델의 파라미터 크기가 아니라, 에이전트가 학습하고 기억하는 운영 체제의 설계 능력에 있다.