실전 Agentic Coding – Diverge · Decide · Converge
저는 개인적으로 여러 모델과 추론(Reasoning) 수준을 의식적으로 비교해 봅니다. 학문적인 호기심 때문이 아니라 차이를 바로 체감하기 때문입니다. 규모는 크지만 대부분 기계적인 리팩터링도 추론 수준이 높은 강력한 모델로 아주 잘 끝낼 수 있습니다. 동시에 제한된 주간 할당량의 놀라울 정도로 큰 부분을 소모할 수도 있습니다.
그래서 이런 작업에는 요즘 의도적으로 낮은 추론 수준을 자주 사용합니다. 그런 모델이 본질적으로 더 낫다거나 고성능 모델이 가격만큼의 가치가 없다고 생각해서가 아닙니다. 요구공학, 아키텍처 질문, 어려운 분석에서는 지금도 강력한 최첨단 모델을 거의 포기하고 싶지 않습니다. 하지만 반복적인 작업에서는 이제 다른 질문을 하게 됩니다. 정말 이 작업에도 같은 수준의 모델 지능이 필요할까요?
기업 환경에서는 이런 피드백이 더 약한 경우가 많습니다. 토큰 사용량, 크레딧, API 비용은 중앙에서 부담하고 개별 개발자는 간접적으로만 보게 됩니다. 충분히 이해할 수 있는 상황이지만, 그 결과 모델의 역량을 어디에 쓸지 의식적으로 배분하지 않는 작업 방식이 쉽게 생깁니다. 가장 강한 모델이 있으니 그냥 가장 강한 모델을 씁니다. 개인적으로 사용할 때는 단순한 리팩터링 하나가 갑자기 주간 할당량의 상당 부분을 소모하는 순간을 훨씬 빨리 체감합니다.
이 경험은 제가 Agentic Coding을 보는 방식을 바꿨습니다.
현재 사용할 수 있는 가장 강한 모델이 모든 작업에 자동으로 가장 합리적인 모델이 되는 것은 아닙니다.
그래서 이제 제 관심은 어떤 모델이 가장 좋은가? 하는 질문에서 다음 질문으로 옮겨 갔습니다.
이 구체적인 작업은 현재 진행 단계에서 실제로 어느 정도의 모델 지능을 더 필요로 하는가?
이 답은 우리가 그 활동에 요구사항, 아키텍처, 코딩, 테스트 중 어떤 이름을 붙이는지와 생각보다 관계가 적습니다. 더 중요한 것은 따로 있습니다. 아직 열려 있는 중요한 의사결정이 몇 개나 남아 있는가?
열린 의사결정 공간
섹션 제목: “열린 의사결정 공간”Agentic Work를 대략 두 종류로 나누고 싶어질 수 있습니다. 요구사항과 아키텍처는 큰 모델에, 코딩과 테스트는 작은 모델에 맡긴다는 식입니다. 단순하지만 내용상 너무 거친 구분입니다.
코딩도 매우 탐색적일 수 있습니다. 낯선 레거시 시스템에서 재현하기 어려운 오류를 찾거나, 아키텍처 경계를 복원하거나, 실행 가능한 리팩터링 전략을 세워야 한다면 코드를 다루는 작업이라도 여전히 큰 의사결정 공간 안에 있습니다. 반대로 요구사항은 이미 거의 수렴한 상태일 수 있습니다. 기존 도메인 계약에 정확히 정의된 필드 하나를 추가하는 작업이라면 남은 결정이 거의 없을 수도 있습니다.
그래서 제게 더 유용한 축은 열린 의사결정 공간입니다.

위쪽에 있을수록 우리는 의미 있는 변동성을 더 많이 필요로 합니다. 대안을 보고 싶고, 가정을 비판적으로 검토하고 싶고, 관계를 발견하고 싶으며, 때로는 스스로 생각하지 못한 해결책도 제안받고 싶습니다. 의사결정 공간이 작아질수록 바람직한 변동성은 줄어듭니다.
변하는 것은 작업만이 아닙니다. 그 작업 안에서 모델이 맡아야 하는 역할도 달라집니다.
Diverge: 변동성이 필요한 단계
섹션 제목: “Diverge: 변동성이 필요한 단계”제가 요즘 하는 일의 상당 부분은 명확한 구현 지시로 시작하지 않습니다. 티켓은 불완전합니다. 요구사항은 기존 동작 안에 암묵적으로만 존재하기도 합니다. 레거시 시스템은 자신의 아키텍처를 설명해 주지 않습니다. 코드, 의존성, 과거의 의사결정에서 그것을 복원해야 합니다. 오류의 원인은 처음에는 알 수 없고, 큰 변경에는 서로 다른 트레이드오프를 가진 여러 개의 그럴듯한 선택지가 존재합니다.
이런 지점에서 저는 탐색을 원합니다. 계획 수립이나 추론에 강한 모델에 문제를 주고, 도메인 관점에서 실제로 무엇을 뜻하는지, 기존 동작에 어떤 암묵적 요구사항이 숨어 있는지, 시스템의 어떤 부분이 영향을 받는지, 어떤 대안이 존재하는지, 서로 다른 아키텍처 선택이 어떤 결과를 낳는지부터 살펴보게 합니다. 특히 모델이 제 가정까지 비판적으로 검토해 주는 것이 중요합니다. 때로는 일부러 이렇게만 말합니다. 나를 놀라게 해 봐.
특히 요구공학에서는 현재 거의 전적으로 강력한 최첨단 모델과 작업합니다. 어떤 모델이 객관적으로 최고의 요구사항 모델이라는 뜻은 아닙니다. 지금 제 실무 방식을 설명하는 것뿐입니다. 제게 핵심 가치는 단순히 더 좋은 문장이 아니라, 아직 의도적으로 닫지 않은 해 공간을 함께 탐색할 수 있다는 데 있습니다.
POC도 제게는 이 범주에 속합니다. 목적 자체가 종종 열린 기술 질문에 답하는 것이기 때문입니다. 그 과정에서 코드가 만들어진다고 해서 그 작업이 자동으로 수렴된 구현 작업이 되는 것은 아닙니다. 레거시 분석, 원인을 모르는 오류, 구조를 나누는 여러 방식을 먼저 이해하고 싶은 리팩터링 질문도 마찬가지입니다.
이 단계에서 창의성은 실제로 역량입니다. 아직 어떤 해법이 맞는지 모르기 때문에 창의성이 필요합니다.
Decide: 불확실성이 눈에 띄지 않은 채 코드로 흘러들어가서는 안 된다
섹션 제목: “Decide: 불확실성이 눈에 띄지 않은 채 코드로 흘러들어가서는 안 된다”탐색만으로 좋은 소프트웨어가 만들어지지는 않습니다. 어느 시점에는 가능한 해법이 구체적인 결정으로 바뀌어야 합니다. 여기서 저는 에이전트가 함께 검토하는 상대일 때와 자율적 의사결정자일 때의 중요한 차이를 봅니다.
모델은 선택지를 만들고, 트레이드오프를 설명하고, 제가 선호하는 선택을 비판하고, 다른 선택이 가져올 결과를 보여 줄 수 있습니다. 하지만 무엇을 실제로 만들 것인지에 대한 책임은 여전히 담당 엔지니어링 팀에 남습니다.
따라서 실제로 Decide는 단순히 하나의 대안을 고르는 것보다 훨씬 많은 것을 뜻합니다. 분석 결과를 평가하고, 강한 모델과 다시 검토하고, 더 구체화하고, 마지막에는 명시적인 구현 지시로 정리합니다. 이 과정은 여러 차례 반복될 수 있습니다.

중요한 것은 모든 작은 일을 정식 아키텍처 의사결정 기록(ADR)으로 만들자는 것이 아닙니다. 중요한 것은 관련된 결정이 기계적인 구현이 시작되기 전에 드러나도록 하는 것입니다.
이것은 이 시리즈의 앞선 글들의 논리를 이어갑니다. 요구공학은 도메인 관점의 모호성을 줄입니다. 아키텍처는 구조적 해 공간을 제한합니다. 정보 보호는 에이전트의 컨텍스트와 기능을 제한합니다. Decide는 그 경계 안에서 다음 질문에 답합니다. 아직 열려 있는 결정 중에서 지금 실제로 무엇을 결정할 것인가?
그런 결정을 해결하지 않은 채 코딩 작업에 더 많이 넘길수록 에이전트가 스스로 결정해야 할 부분도 늘어납니다. 잘될 수도 있고 매우 그럴듯해 보일 수도 있습니다. 하지만 그 순간 우리는 소프트웨어 설계의 일부를 코드 생성에 암묵적으로 위임한 셈입니다.
옮기는 것만으로는 리팩터링이 아니다
섹션 제목: “옮기는 것만으로는 리팩터링이 아니다”제 실무의 작은 사례 하나가 이 경계를 아주 분명하게 보여 줬습니다.
한 코딩 에이전트가 비즈니스 오케스트레이션을 UI 컴포넌트 안에 구현했습니다. 제게는 즉시 눈에 띄는 아키텍처상의 이상 징후였습니다. 그 컴포넌트는 우리의 아키텍처 관점에서 자신이 맡아서는 안 되는 일들을 조정하고 있었습니다.
그래서 저는 에이전트에게 이 비즈니스 오케스트레이션을 UI 밖으로 옮겨야 한다고 설명했습니다. 반응은 형식적으로 완벽했습니다. 에이전트는 그 로직을 Facade로 옮겼습니다.
하지만 안타깝게도 문제는 해결되지 않았습니다.
책임은 이제 다른 파일에 있었지만, 실제 오케스트레이션은 여전히 구조적으로 잘못 나뉘어 있었습니다. 에이전트는 겉으로 드러난 제 지시는 지켰지만, 그 이면에 있는 아키텍처 의사결정을 다시 검토해 해결하지는 않았습니다.
바로 이런 지점에서 코드 생성과 소프트웨어 엔지니어링의 차이가 특히 잘 보입니다.
아키텍처상의 이상 징후를 알아보는 것은 종종 쉽습니다. 거기서 더 나은 구조를 도출하는 것이 실제 엔지니어링 작업입니다.
저는 이런 경우 의식적으로 다시 분석과 계획으로 돌아갑니다. 다음 위치로 한 번 더 옮기라는 프롬프트를 주는 대신, 관련 컨텍스트를 추론에 강한 모델에 다시 제공해 책임과 의존성을 분석하게 합니다. 그리고 결과를 직접 검토한 뒤 다시 결정합니다.
이것은 Diverge · Decide · Converge가 선형 파이프라인이 아니라는 점도 보여 줍니다. 구현 자체가 새로운 정보를 만들 수 있습니다. 이상 징후는 이미 결정했다고 생각했던 문제가 실제로는 충분히 결정되지 않았음을 보여 줄 수도 있습니다.

그때는 의사결정 공간을 다시 열어야 합니다.
Converge: 최대한의 지루함
섹션 제목: “Converge: 최대한의 지루함”핵심 의사결정이 실제로 끝나면 코딩 에이전트에 대한 제 기대는 완전히 달라집니다. 그때는 더 이상 놀라움을 원하지 않습니다.
작업 지시가 범위를 설명합니다. 에이전트 지침 파일은 규칙을 설명합니다. 스킬이나 프로젝트별 지침이 이미 알려진 절차를 제공합니다. 계층 구조와 슬라이스 분할은 정의되어 있습니다. 패턴이 존재합니다. 테스트, 린터, 아키텍처 규칙과 다른 검증 메커니즘이 결과를 제한합니다.
그때 제가 원하는 생성 코드의 이상형은 아주 간단히 요약할 수 있습니다.
최대한의 지루함.
아무도 요구하지 않은 새로운 패턴을 만들지 않습니다. 더 우아해 보일 수 있다는 이유로 추상화를 추가하지 않습니다. 아키텍처 경계를 즉흥적으로 재해석하거나, 의도적으로 국소적으로 해결하려는 문제를 창의적으로 일반화하지도 않습니다.
충분히 수렴한 작업에서는 창의성이 반드시 역량인 것은 아닙니다. 드리프트가 될 수도 있습니다.
전형적인 후보는 Mapper, DTO 변환, 간단한 어댑터, 이동과 이름 변경, 기계적 리팩터링, 명확하게 설명된 CRUD 부분, 이미 자리 잡은 패턴을 따르는 단위 테스트입니다. 하지만 이것마저 새로운 고정 규칙으로 만들면 안 됩니다.
어떤 단위 테스트는 거의 기계적일 수 있습니다. 이 사용 사례의 기존 테스트와 같은 방식으로 테스트를 구현해. 반면 다른 작업은 이럴 수 있습니다. 이 낯선 알고리즘을 분석하고 관련 불변 조건을 찾아 신뢰할 수 있는 테스트 전략을 설계해. 둘 다 단위 테스트를 만듭니다. 의사결정 공간은 전혀 다릅니다.
리팩터링도 마찬가지입니다. 이미 명확히 식별된 구조의 이름을 바꾸거나 옮기는 것은, 도메인과 아키텍처 관점에서 어떤 구조가 적절한지 묻는 것과 다른 문제입니다.
그래서 제게 작업 유형은 기껏해야 대리 지표입니다.

실제 질문은 어떤 파일 유형이나 산출물을 만드는지가 아니라, 남은 작업에 탐색과 판단, 검증이 실제로 얼마나 필요한지입니다.
모델 라우팅은 의사결정 공간을 따른다
섹션 제목: “모델 라우팅은 의사결정 공간을 따른다”제게 더 작거나 빠르거나 저렴한 모델이 흥미로워지는 시점은 관련 결정이 이미 끝났고, 기존 패턴이 명확하며, 작업이 관리 가능한 범위에 있고, 결과를 잘 검증할 수 있을 때입니다.
반대로 도메인 관점에서 여러 개의 그럴듯한 해법이 존재하거나, 원인을 알 수 없거나, 아키텍처를 바꾸거나, 시스템의 큰 부분을 이해해야 하거나, 복잡한 트레이드오프를 평가해야 한다면 강한 모델의 중요성이 커집니다.
이것은 작은 모델이 결정론적이라는 뜻이 아닙니다. 작은 모델도 환각을 일으키거나, 규칙을 놓치거나, 단순한 작업을 오해하거나, 좋은 지침이 있어도 잘못된 방향으로 갈 수 있습니다. 작은 의사결정 공간이 모델의 본성을 바꾸는 것은 아닙니다. 그 모델의 작업에 요구되는 바를 바꿉니다.
작은 의사결정 공간은 작업에 필요한 탐색과 판단의 양을 줄입니다.
따라서 어려운 결정을 저렴한 모델에 어설프게 떠넘긴다고 경제적이 되는 것은 아닙니다. 어려운 결정을 미리 해결해 그 모델의 작업에서 제거할 때 경제적이 됩니다.
여기에 저는 또 하나의 규칙을 둡니다. 추측하지 말고 멈춥니다.

에이전트가 구현 중 필요하지만 아직 내려지지 않은 아키텍처 의사결정을 만났다면, 저는 가장 그럴듯한 선택지를 추측해 주길 원하지 않습니다. 계약이 모호하다면 지어낸 계약을 원하지 않습니다. 기존 시스템에 서로 경쟁하는 두 패턴이 있고 작업 지시에서 어느 쪽을 이어갈지 드러나지 않는다면, 그 자체가 새로운 정보입니다.
그다음 단계는 더 이상 Converge가 아닙니다. 의사결정 공간이 다시 열렸습니다. 지금 일하는 모델이 작든 크든 마찬가지입니다.
제 워크플로는 반복된다
섹션 제목: “제 워크플로는 반복된다”그래서 실제로 제가 일하는 방식은 몇 년 전과 꽤 달라졌습니다.
저는 오랫동안 열정적인 개발자였습니다. 기술 리더였을 때도, 이후 소프트웨어 아키텍트가 된 뒤에도 늘 직접 구현했습니다. 제게 코딩은 아키텍처를 드러내는 데 필요한 수단에 불과하지 않았습니다. 소프트웨어 개발에서 제가 좋아했던 일의 일부였습니다.
요즘은 제가 직접 쓰는 코드가 놀랄 만큼 적습니다. 대신 문제를 이해하고, 요구사항을 정리하고, 해 공간을 분석하고, 아키텍처 의사결정을 내리고, 제약 조건을 만들고, 작업 지시를 정의하고, 에이전트가 구현하게 하고, 그 결과를 이해하고 검토하는 데 많은 시간을 씁니다.

실제 작업 하나는 이제 보통 여러 차례의 반복으로 이루어집니다. 먼저 티켓과 도메인 문제를 제가 직접 이해하고 분석 요청으로 정리합니다. 강한 모델이 시스템과 문제를 분석합니다. 제가 결과를 평가하고 다시 모델에 전달하며, 신뢰할 수 있는 작업 지시가 나올 때까지 보완합니다. 그 뒤에야 코딩 에이전트가 구현합니다.
구현이 끝나도 이 과정은 끝나지 않습니다. 제가 결과를 먼저 평가하고 중요한 결과가 나오는 단계마다 강한 모델에 다시 전달합니다. 이후 도메인 및 기술 리뷰, 필요하다면 수정 지시, 재구현과 검증이 이어집니다. 이 반복 과정이 깔끔하게 끝난 뒤에야 커밋합니다.
여기서 중요한 세부사항이 하나 있습니다. 저는 이미 오류를 발견한 뒤에만 결과를 강한 모델에 돌려주는 것이 아닙니다. 중요한 결과가 나오는 단계마다 그렇게 합니다.
제가 직접 리뷰하고, 그다음 모델을 추가 리뷰 경로로 사용합니다. 이유는 단순합니다. 소프트웨어 개발과 아키텍처를 오래 다뤘어도 저는 놓치는 것이 있습니다. 강한 모델도 놓치는 것이 있습니다.
사람의 리뷰는 모델 리뷰를 대체하지 않습니다. 모델 리뷰도 사람의 리뷰를 대체하지 않습니다.
이 방식이 과학적으로 최적이라고 주장하지 않습니다. 지금 제 워크플로일 뿐입니다. 하지만 이 시리즈의 AI가 설득력 있게 틀릴 수 있는 이유에서 이미 다뤘던 문제의 직접적인 결과입니다. 그럴듯하다는 것은 검증했다는 뜻이 아닙니다.
변경 사항이 합리적으로 보여도 도메인 관점에서 틀릴 수 있습니다. 모델 리뷰가 설득력 있게 들려도 무언가를 놓칠 수 있습니다. 경험 많은 개발자가 패치를 이해해도 상호작용 하나를 놓칠 수 있습니다. 그래서 제게 품질은 점점 여러 독립적인 통제 수단에서 나옵니다. 제 이해, 모델 리뷰, 테스트, 정적 규칙, 가능한 곳에서는 재현 가능한 도메인 검증입니다.
좋은 아키텍처는 변경의 사전 작업을 줄인다
섹션 제목: “좋은 아키텍처는 변경의 사전 작업을 줄인다”여기서 저는 일상적으로 더 강하게 느끼는 또 다른 연결점을 봅니다. 단순한 CRUD 기능이 자동으로 단순한 에이전트 작업이 되는 것은 아닙니다.
도메인 관점에서는 평범한 댓글 기능을 생각해 보겠습니다. 명확한 경계, 알려진 계층 구조, 자리 잡은 Slice, 기존 CRUD 패턴, 명확한 계약이 있는 신규 시스템이라면 작업은 실제로 빠르게 수렴할 수 있습니다. 에이전트는 먼저 이 Feature가 어디에 속하는지, 여러 기존 패턴 중 어떤 것이 맞는지 복원할 필요가 없습니다.
반대로 오랜 시간에 걸쳐 커진 레거시 시스템에서는 같은 도메인 기능도 훨씬 앞 단계부터 시작하는 경우가 많습니다. 먼저 시스템의 어느 부분이 실제 책임을 갖는지 파악해야 합니다. 서로 경쟁하는 구조가 나타나고, 의존성을 복원해야 하며, 동시에 새 Feature가 레거시를 더 늘려서도 안 됩니다. 경우에 따라 기존 구조를 격리해 낼 경계부터 찾아야 합니다.

제 실무에서는 이 부분만 몇 시간이 걸릴 수 있습니다. 뒤의 CRUD가 복잡해서가 아니라, 구현 전에 신뢰할 수 있는 의사결정 공간을 먼저 만들어야 하기 때문입니다.
우선 이것은 개인적인 경험입니다. 저장소 구조와 컨텍스트 검색에 관한 인접 연구와 그 한계는 8편 – 제약 조건으로서의 아키텍처에서 정리했습니다. Diverge · Decide · Converge에서 중요한 것은 실무상의 질문입니다. 작업이 구현 단계로 넘어가기 전에 아직 어떤 구조적 결정을 정리해야 하는가?
좋은 아키텍처가 에이전트를 더 똑똑하게 만들지는 않습니다. 하지만 의미 있는 구현에 들어가기 전에 필요한 일을 줄일 수는 있습니다.
소유권, 경계, 계층 구조, 계약, 테스트, 아키텍처 규칙은 사람을 위한 유지보수 도구일 뿐만 아니라 작업 방향을 알려 주는 기준입니다. 그런 기준이 있으면 에이전트가 먼저 우리가 실제로 무엇을 뜻했는지 복원해야 하는 작업이 줄어듭니다.
여기서는 시간이 적어도 토큰만큼 중요합니다. 긴 분석 과정은 에이전트 실행 시간, 컨텍스트, 모델 사용량을 소모합니다. 읽기, 리뷰, 보완에도 자원과 사람의 주의력이 듭니다. 잘 정의되지 않은 작업에서 가장 비싼 부분은 결국 코드 생성이 아닐 수도 있습니다. 어떤 코드가 만들어져야 하는지 분명해질 때까지 필요한 작업이 더 비쌀 수 있습니다.
전체 경제성 분석은 별도의 글로 다룰 만합니다. 이 글에서는 열린 의사결정 공간이 품질 문제일 뿐 아니라 비용 요인이기도 하다는 점만 확인하면 충분합니다.
모델 라우팅은 경제적으로도 중요해진다
섹션 제목: “모델 라우팅은 경제적으로도 중요해진다”현재 가격 구조를 잠깐만 봐도 차이가 어느 정도까지 벌어질 수 있는지 알 수 있습니다.
2026년 9월 10일 기준 OpenAI는 ChatGPT Work와 Codex에서 예를 들어 GPT-5.6 Luna를 입력 토큰 백만 개당 0.20미국 달러, 출력 토큰 백만 개당 1.20미국 달러로, GPT-5.6 Sol을 기간 한정 프로모션 가격으로 각각 4달러와 20달러로, GPT-6 Astra를 10달러와 50달러로 제시합니다. 같은 제품 생태계 안에서도 모델 등급 사이의 가격 차이는 에이전트 사용이 많을 때 경제적으로 중요한 수준에 도달합니다. OpenAI: Enterprise Rate Card; 추가로 프로모션 안내가 있는 Sol 모델 페이지.
Anthropic도 같은 원리를 보여 줍니다. 현재 API 가격표는 예를 들어 입력/출력 토큰 백만 개당 Claude Haiku 4.5의 1/5미국 달러에서 Claude Sonnet 5의 2/10달러, Claude Fable 5.1의 10/50달러까지 이어집니다. 이 수치는 2026년 9월 10일 시점의 스냅샷이지 품질 순위도 아니고, 특정 작업에 대한 장기적인 추천은 더더욱 아닙니다. Anthropic: API 가격표.
추론 수준의 영향도 단순한 가격 배수보다 더 복잡합니다. 앞서 언급한 기업용 요금 체계에서는 OpenAI가 GPT-5.6의 서로 다른 추론 수준에 같은 토큰 단가를 적용합니다. 그렇다고 서로 다른 추론 수준이 같은 총사용량을 만든다는 뜻은 아닙니다. GitHub는 현재 Copilot 문서에서 높은 추론 수준이 더 많은 토큰을 사용하고 따라서 더 많은 크레딧을 소비할 수 있다고 명시합니다. 단가와 실제 소비량은 서로 다른 문제입니다.
저는 이 메커니즘을 개인적으로 사용할 때 아주 직접적으로 체감합니다. 하나의 기계적인 작업에서는 차이가 사소해 보일 수 있습니다. 하지만 에이전트 사용이 많아지면 할당량이 이틀 만에 끝나는지 일주일을 버티는지를 결정하게 됩니다.
산업도 이미 이에 반응하기 시작했습니다.
GitHub Copilot에는 이제 Task Optimization이 포함된 자동 모델 선택 기능이 있습니다. GitHub에 따르면 라우터는 작업의 복잡도와 현재 모델의 가용성 등을 고려하고, 추가 역량이 필요한 작업에는 더 비싼 추론 모델을 남겨 두는 반면 단순한 작업은 더 빠르고 저렴한 모델로 배분하려고 합니다.
GitHub의 자체 권고도 이제 명시적으로 조사하고, 계획한 뒤 구현하는 방향으로 갑니다. 더 강한 추론으로 계획을 세우고, 그다음 실행에 적합한 모델로 집중해서 구현합니다. 또한 범위가 명확한 하위 에이전트에는 저렴한 모델을 권하고, 정확한 지침과 저장소 구조 지도가 불필요한 탐색을 줄일 수 있다고 설명합니다.
모델 라우팅은 이제 순수한 미래 개념이 아닙니다. 그래도 저는 이 자동화를 제가 말하는 Decide 단계와 혼동하지 않습니다.
라우터는 프롬프트를 보고 작업이 얼마나 복잡해 보이는지 추정할 수 있습니다. 하지만 제 조직에서 어떤 아키텍처 의사결정이 허용되는지, 기존의 두 패턴이 역사적 잔재인지 의도적인 차이인지, 기존 패턴에서 벗어나는 것이 이번에는 바람직한지까지 알지는 못합니다. 또한 관련 결정이 컨텍스트나 제약 조건으로 드러나 있지 않다면, 어떤 결정이 이미 내려졌는지 신뢰할 만하게 알 수도 없습니다.
자동 모델 라우팅은 의사결정 공간의 정의를 대체하지 않습니다.
우리가 시스템에 드러내는 범위 안에서 최적화할 뿐입니다.
로컬 모델은 선택 가능한 해결 공간을 넓힌다
섹션 제목: “로컬 모델은 선택 가능한 해결 공간을 넓힌다”클라우드 모델뿐 아니라 로컬로 실행할 수 있는 모델까지 선택지에 들어오면 모델 라우팅은 더 흥미로워집니다.
현재의 한 예는 Qwen3.8-27B입니다. Alibaba는 2026년 8월 14일 이를 가중치 공개 모델로 출시했습니다. 이 밀집 모델은 언어 모델 파라미터 270억 개를 가지고, 서로 다른 추론 설정을 지원하며, Apache 2.0으로 제공됩니다.
제조사가 공개한 코딩 벤치마크는 눈에 띕니다. 모델 카드에서 Qwen은 예를 들어 각각 명시된 평가 조건 아래 SWE-bench Pro 61.7%, Terminal-Bench 2.1 73.0을 보고합니다. 이 값은 제조사 벤치마크이며 그렇게 읽어야 합니다.
이제 Artificial Analysis의 독립적인 측정도 존재합니다. 거기에서도 Qwen3.8-27B는 가중치 공개 모델 중 같은 규모에서 성능이 좋은 모델에 속합니다. 동시에 평가는 모델 라우팅 관점에서 흥미로운 트레이드오프를 보여 줍니다. 추론 수준을 최대로 설정한 변형은 매우 많은 추론 출력을 생성하고 비교상 훨씬 느리고 장황합니다. 즉, 로컬에서 사용할 수 있는 모델에서도 더 많은 추론은 비용 없이 얻는 추상화가 아닙니다.
저는 아직 Qwen3.8-27B에 대해 신뢰할 만한 직접적인 실무 경험이 없습니다. 그래서 현재의 열풍을 관심과 어느 정도의 회의감을 함께 가지고 봅니다. 적어도 이 등급의 모델은 로컬로 실행 가능한 시스템이 명확히 범위를 정한 소프트웨어 작업에 진지하게 검토될 수 있는 성능 수준까지 왔다는 점은 보여 줍니다. 지금은 그 이상을 도출하지 않겠습니다.
특히 로컬은 무료를 뜻하지 않습니다. 로컬은 비용 구조를 없애는 것이 아니라 이동시킵니다. 하드웨어, 운영, 가동률, 어떤 조건에서 어느 쪽이 경제적인지는 13편 – Agentic Work의 경제학에서 다룹니다.
명세가 의사결정 공간을 자동으로 닫지는 않는다
섹션 제목: “명세가 의사결정 공간을 자동으로 닫지는 않는다”여기서 자연스러운 오해 하나가 생깁니다. 작은 의사결정 공간이 구현을 쉽게 만든다면, 아주 오래된 소프트웨어 아이디어를 새로운 모습으로 받아들일 수 있습니다. 큰 요구 명세서를 쓰고 에이전트에 넣으면 반대쪽에서 완성된 제품이 나온다는 식입니다.
그렇게 되지 않습니다.
명세는 매우 크면서도 열린 결정으로 가득할 수 있습니다. 도메인 설명과 실제 동작하는 시스템 사이에는 아키텍처, 소유권, 데이터 모델, UX, 오류 동작, 보안, 운영 동작, 통합 전략, 테스트 전략이 여전히 결정되지 않은 상태로 남을 수 있습니다. 요구사항 문서가 100페이지라고 해서 그 결정들이 사라지는 것은 아닙니다. 누군가 명시적으로 결정하지 않으면 구현 중에 결정됩니다. 그리고 그 결정자는 에이전트가 됩니다.
큰 명세가 자동으로 작은 의사결정 공간을 뜻하지는 않습니다.
그래서 제게 명세 기반 개발은 불확실성을 더 큰 문서에 쏟아 넣고 그 뒤에 결정론적인 코드 생성을 기대하는 것이 아닙니다. 좋은 명세는 실제로 결정이 내려진 곳에서 의사결정을 줄입니다. 아키텍처 제약 조건이 더 줄이고, 계약이 더 줄이며, 테스트와 검증 규칙이 더 줄입니다.
그때 비로소 작업이 수렴합니다.
바로 이 지점에서 이 시리즈의 이전 글들이 만납니다. 요구공학은 도메인 관점의 해 공간을 제한합니다. 아키텍처는 구조적 해 공간을 제한합니다. 정보 보호는 컨텍스트와 행동 가능성을 제한합니다. 그리고 이렇게 점점 명확해지는 공간 안에서 우리는 언제 변동성을 만들고 언제 줄일지를 의식적으로 결정합니다.
코드 생산이 더 저렴해질 때
섹션 제목: “코드 생산이 더 저렴해질 때”제 역할의 변화는 어쩌면 제가 가장 크게 적응해야 했던 부분일지도 모릅니다.
저는 코드를 쓰는 것을 좋아합니다. 제 직업적 정체성의 상당 부분은 어려운 기술 문제를 직접 구현으로 풀 수 있는 능력에 기반해 왔습니다. 그래서 많은 개발자가 코드 생성의 자동화를 IDE의 새로운 리팩터링 도구와는 다르게 받아들이는 이유도 이해합니다. 20년 동안 코드를 잘 쓰는 능력에 투자해 왔다면 바로 그 활동이 점점 자동화 가능해지는 일은 완전히 중립적인 경험일 수 없습니다.
그래도 저는 이것을 개발자의 몰락 이야기로 만드는 것은 유용하지 않다고 생각합니다. 제 개인적인 관찰은 다릅니다.
코드 생성은 점점 사람에게서 에이전트로 이동하고 있습니다. 그 결과 소프트웨어 엔지니어링의 핵심 분야들이 갖는 상대적 가치는 올라갑니다.

문제 이해, 요구공학, 아키텍처, 모델링, 테스트, 보안, 검증, 기술적 의사결정 능력은 새로운 활동이 아닙니다. 우리는 오랫동안 업계에서 가장 눈에 잘 보이는 활동인 코드 작성과 그것들을 혼동할 수 있었을 뿐입니다.
어쩌면 우리는 다시 소프트웨어 엔지니어링을 조금 더 배우고, 코드를 얼마나 빨리 생성할 수 있는지에 대한 자부심은 조금 줄여야 할지도 모릅니다. 코드 생성이 더 저렴해질수록 어떤 코드가 애초에 만들어져야 하는지를 결정하는 능력의 상대적 가치는 올라가기 때문입니다.
그래서 제게 오늘의 Agentic Coding은 단순히 코딩을 모델에 넘기는 것이 아닙니다. 의사결정 공간을 의식적으로 제어하는 것입니다. 필요할 때 탐색을 허용하고, 책임이 필요한 곳에서 결정을 내리고, 이미 결정된 곳에서는 변동성을 줄입니다.
그리고 구현 중 새롭고 중요한 불확실성이 나타나면 다시 돌아갑니다. 반복 과정이 다시 시작됩니다.
소프트웨어 엔지니어링은 서로 다른 시점에 서로 다른 양의 변동성을 필요로 합니다.
올바른 해법이 아직 무엇인지 모를 때 Diverge합니다. 그 불확실성이 코드에 흘러들어가기 전에 Decide합니다. 결정이 끝난 뒤에는 Converge합니다.
코딩은 점점 더 위임할 수 있게 됩니다. 소프트웨어 엔지니어링은 무엇을 만들어야 하는지, 어떤 경계가 적용되는지, 결과가 실제로 좋은지를 결정하는 분야로 남습니다.
출처와 맥락
섹션 제목: “출처와 맥락”- GitHub Copilot – Auto Model Selection 및 Efficiency Guidance: 2026년 9월 기준 GitHub는 작업 복잡도, 비용, 가용성을 고려한 실제 모델 라우팅을 문서화하고 있으며, 개방도와 난이도가 다른 작업에 서로 다른 모델 역량과 추론 수준을 권장합니다. 이 제품 로직은 모델 라우팅이 이미 실무에 쓰이고 있음을 보여 주지만, 특정 조직의 도메인 및 아키텍처 결정을 자동으로 이해하지는 않습니다.
- OpenAI와 Anthropic – 현재 모델 가격: 공식 가격표는 모델 등급 사이의 큰 차이를 보여 줍니다. 위에 링크한 가격표와 모델 페이지는 2026년 9월 10일에 확인했습니다. GPT-5.6 Sol은 프로모션으로 표시되어 있으며, OpenAI에 따르면 최소 2026년 11월 21일까지 적용됩니다. 이 가격은 장기적으로 안정적인 관계를 뜻하지 않습니다.
- Qwen3.8-27B: 출시, 아키텍처, 라이선스, 언급된 코딩 벤치마크는 Qwen의 공식 자료에서 가져왔으므로 코딩 점수는 제조사 벤치마크로 분류해야 합니다. Artificial Analysis는 추가적인 독립 측정을 제공하며 높은 성능뿐 아니라 추론 수준을 최대로 설정했을 때의 많은 추론 토큰 사용량도 보여 줍니다. 이 글은 필자의 직접적인 실무 경험을 근거로 하지 않습니다.