The Future of AI Agents with Andrew Ng | Interrupt 26

원본 영상: The Future of AI Agents with Andrew Ng | Interrupt 26 · 채널 LangChain

Part 1 — 핵심 인사이트

코딩이 빨라질수록 병목은 개발 밖으로 이동한다.
작은 팀이 여러 역할을 겸할수록 실행 속도가 극대화된다.
미래의 경쟁력은 빌딩 블록을 얼마나 잘 조립하느냐다.
에이전트는 최신 도구 문서를 모르면 실전에서 둔해진다.
AI 시대의 학습은 도구 사용법보다 조합 능력에 가깝다.

Part 1 — 요약

이 영상은 Andrew Ng가 최근 1년간 AI 분야에서 가장 크게 달라진 지점을 짚으며, 특히 코딩 에이전트와 에이전틱 워크플로가 얼마나 빠르게 실무를 바꾸고 있는지 이야기한다. 그는 과장은 있었지만 실제로는 코딩 에이전트의 발전이 유독 빠르며, 기업에서도 이런 워크플로가 본격적으로 들어오고 있다고 본다.

핵심 주장은 '코드 작성이 10배~100배 빨라질수록 병목은 코딩이 아니라 주변 모든 것'이라는 점이다. PM, 마케팅, 법무, 디자인 등 여러 기능이 한꺼번에 병목이 되므로, 미래의 팀은 1~10명 규모의 고맥락 일반주의자들이 AI를 활용해 여러 역할을 겸하며 움직이는 구조로 재편될 가능성이 크다고 말한다. 또한 개발자에게 필요한 것은 새로운 AI 빌딩 블록을 충분히 이해하고, 코딩 에이전트를 이용해 이를 빠르게 조립하는 능력이며, 최신 문서를 에이전트가 바로 활용할 수 있게 하는 Context Hub 같은 도구와 교육이 중요하다고 강조한다.

Part 2 — 핵심 인사이트

AI 도입은 기능 자동화보다 업무 흐름 재설계가 핵심이다.
바텀업 실험만으로는 ROI가 작고, 전사적 설계가 필요하다.
AI의 가장 큰 가치는 비용 절감보다 성장 창출에 있다.
교육의 미래는 수동 시청보다 대화형 학습 경험에 가깝다.
측정 가능한 프로젝트도 좋지만, 변혁적 과제는 더 큰 임팩트를 낸다.

Part 2 — 요약

이 영상은 AI 시대에 교육과 기업 도입이 어떻게 바뀌어야 하는지에 대한 앤드류 응의 시각을 중심으로 전개된다. 그는 온라인 강의 자체의 한계를 인정하면서도, 이제는 단순한 영상 강의보다 대화형·인터랙티브 학습 경험이 더 중요해지고 있다고 말한다. 특히 CodeDream.ai 같은 실험을 예로 들어, 학습자가 강의를 '듣는' 대신 질문하고 끼어들 수 있는 형태가 교육의 다음 단계라고 본다.

후반부에서는 기업의 AI 도입이 왜 기대만큼의 ROI를 못 내는지 설명한다. 그는 대부분의 조직이 바텀업 실험을 통해 개별 업무를 조금씩 자동화하는 데 그치고 있으며, 진짜 변화는 전체 워크플로우를 다시 설계하는 탑다운 접근이 있어야 나온다고 강조한다. 은행의 대출 심사나 콜센터, 드라이브스루 같은 사례를 통해, AI는 비용 절감 도구를 넘어 성장과 고객 경험 개선의 수단이 되어야 한다는 메시지를 밀도 있게 전달한다.

Part 3 — 핵심 인사이트

AI 도입은 아이디어 수가 아니라 선택의 질이 성패를 가른다.
에이전트는 기술보다 비즈니스 이해와 변경관리 역량이 더 중요하다.
모델 시장이 빠르게 바뀌니 벤더 종속보다 옵션 유지가 유리하다.
비정형 데이터 정리가 다음 세대의 큰 AI 투자 과제다.
프로토타이핑은 싸졌지만, 자원 집중은 여전히 전략 문제다.

Part 3 — 요약

이 대화는 기업이 AI 에이전트를 도입할 때 무엇부터 준비해야 하는지에 대한 현실적인 조언을 중심으로 전개된다. Andrew Ng는 아이디어가 수백 개 쏟아질 때는 기술 가능성과 비즈니스 임팩트를 함께 따져 소수의 베팅만 집중해야 하며, 에이전트 프로젝트는 단순 개발이 아니라 고객 대응, 관측성, 변경관리까지 포함하는 복합 업무라고 강조한다.

또한 FDE(Forward Deployed Engineer)는 유용하지만 과대평가될 수 있고, 특히 빠르게 바뀌는 모델 시장에서는 벤더 종속을 줄이는 옵셔널리티가 중요하다고 말한다. 오픈웨이트 모델의 활용, 오픈소스 보호, 그리고 무엇보다도 비정형 데이터와 권한/거버넌스를 AI-준비 상태로 재구성하는 데이터 아키텍처가 앞으로 큰 투자 영역이 될 것이라고 전망한다.

Part 4 — 핵심 인사이트

AI가 코딩을 빠르게 할수록 병목은 스키마 고정에서 생긴다.
읽을 때 해석하는 데이터 구조가 반복 속도를 높인다.
완벽한 안전보다 빠른 실험이 더 큰 경쟁력이 된다.
DB 설계는 규모가 아니라 변화 속도 기준으로도 봐야 한다.
기술 선택도 개발 방식 변화에 맞춰 다시 최적화해야 한다.

Part 4 — 요약

이 구간에서는 AI 에이전트가 코드를 빠르게 작성하는 시대에, 오히려 데이터베이스와 스키마 선택도 '빠른 반복'을 중심으로 다시 생각해야 한다는 점을 강조한다. 화자는 AI가 실수할 가능성은 거의 없지만 완전히 0은 아니므로, 스키마를 미리 엄격하게 고정하는 것보다 NoSQL처럼 유연하게 데이터를 쌓고 읽을 때 해석하는 방식이 더 빠른 실험에 유리하다고 말한다.

다만 NoSQL이 모든 대규모 생산 환경에 최적은 아니며, 아주 큰 엔터프라이즈급 워크로드에서는 더 확장성 있는 관계형 DB나 다른 솔루션이 필요할 수 있다고 인정한다. 핵심 메시지는 AI로 개발 속도가 빨라진 만큼, 기술 선택도 '안전성 최적화'보다 '반복 속도 최적화'에 더 맞춰야 한다는 것이다.