발표에서 확인된 핵심 사실

AI가 생성한 코드를 한 줄씩 직접 검토하는 작업의 효용성이 급격히 떨어졌다. 하루 수천 줄의 코드를 사람이 일일이 확인하는 방식은 현실적으로 불가능하며, 이는 새로운 기능 구현과 품질 보증(QA) 시간을 뺏는 트레이드오프를 발생시킨다. 프로그래머의 역할은 이제 생성된 결과물을 검수하는 단계에서 소프트웨어의 아이디어와 설계를 정확히 통제하는 방향으로 이동하고 있다.

Redis는 GPT 5.5 이후, 특히 Fable과 GPT 5.6 Sol이 등장하면서 코드 스타일을 검토하는 일이 더 이상 유용하지 않다고 판단했다. 앞으로는 코드 자체보다 데이터 구조와 구현 기법, 설계를 사람이 읽을 수 있도록 설명한 DESIGN.md 파일과 테스트 코드가 더 중요한 기준이 된다. 세부 구현을 훑는 대신 시스템의 설계도를 정의하고 검증하는 것이 핵심이다.

다만 경험이 부족해 정신 모델(시스템 작동 원리에 대한 내부 이해)을 만들기 어려운 주니어 개발자에게는 LLM(거대언어모델) 코드 검토가 최선의 학습법인지에 대해 회의적인 시각이 있다. 이들에게는 AI의 결과물을 확인하는 것보다 작은 인터프리터나 데이터베이스, 해시 테이블 같은 소규모 시스템을 직접 구현해 보는 방식이 훨씬 유용하다. 직접 구현을 통해 시스템의 기초 동작 원리를 체득하는 과정이 우선되어야 한다.

기술이 실제로 작동하는 방식

GPU 커널(그래픽 처리 장치의 연산 단위)을 직접 작성하거나 읽는 대신 AI로 설계와 검증을 수행했을 때 더 높은 효율이 확인됐다. DwarfStar는 DeepSeek v4와 GLM 5.2의 추론 기능을 구현하며 AI를 통해 동작 원리와 성능 목표를 이해하고 테스트하는 과정을 거쳤다. 이 과정에서 오히려 기존의 구현 방식들보다 더 많은 오류를 발견하는 결과가 나왔다. 사람이 직접 코드를 짜는 것보다 AI 기반의 설계 검증이 실질적인 정확도를 높인 사례다.

코드 리뷰를 대체하는 수단으로 LLM(거대언어모델)을 이용해 DESIGN.md 문서를 작성하고 활용하는 방식이 제안됐다. DESIGN.md에는 각 데이터 구조를 포함한 핵심 아이디어와 구현 기법, 전체 설계를 사람이 이해할 수 있는 언어로 기록한다. 개발자가 이 문서를 통해 정신 모델(시스템이 작동하는 방식에 대한 내부적 이해)을 먼저 파악한 뒤, 에이전트에게 해당 모델에 맞춰 작업을 요청하는 구조다. 예를 들어 sorted sets를 수정하려는 개발자는 먼저 설계 문서를 읽고 아이디어를 이해한 뒤, 에이전트에게 그 모델에 맞춰 작업을 요청할 수 있다. 코드의 세부 구현을 일일이 검토하는 것보다 설계 의도를 먼저 동기화하는 방식이 더 유용하다는 판단이다.

AI 시대의 프로그래머는 코드 검토보다 소프트웨어의 아이디어

하루에 수천 줄의 코드를 생성할 수 있는 환경에서 모든 코드를 직접 읽고 검토하는 방식은 현실적으로 불가능하다. AI로 인해 코드 생성량이 급증하면서 모든 줄을 꼼꼼히 읽는 시간만큼 새로운 기능 개발이나 최적화 아이디어 도출, QA(품질 보증)에 투입할 시간이 줄어드는 트레이드오프가 발생한다. 결과적으로 코드 리뷰에 매몰되는 것은 개발자가 수행해야 할 더 고차원적인 작업 시간을 희생시키는 선택이 된다.

LLM(대규모 언어 모델)은 개별 함수처럼 국소적으로 최적인 코드를 작성하는 데 매우 뛰어나지만 전체적인 큰 설계 영역에서는 상대적으로 약한 모습을 보인다. 코드를 한 줄씩 훑는 대신 원하는 설계를 구체적으로 지시하고, 각 부분의 동작 원리를 질문해 이것이 올바른 모델인지 평가하는 방식이 훨씬 효율적이다. 프로그래머는 이제 생성된 코드를 검토하는 시간보다 소프트웨어가 담아야 할 아이디어와 설계를 정확히 통제하는 데 더 많은 시간을 써야 한다.

협업의 기준을 코드 스타일 같은 취향의 영역이 아닌, 데이터 구조와 구현 기법 등 정신 모델을 공유하는 설계 문서 기반으로 전환해야 한다. 핵심 아이디어, 구현상의 기법, 전체 설계의 세 가지 항목을 사람이 읽을 수 있는 언어로 기록하는 DESIGN.md 구성을 구체적인 협업 실행 기준으로 삼는다.