코딩 에이전트는 왜 여전히 형편한가

핵심 요약

• 저자는 초기에 코딩 에이전트의 자동화 능력에 매료되었으나, 며칠 후 빈번한 버그, 응답 중단, 작업 미완료 문제를 겪으면서 실망했다.
• 코딩 에이전트는 모델(GPT Astra, Claude Sonnet 등 LLM)과 다르다. 모델이 '뇌' 역할을 한다면, 에이전트는 모델을 시스템에 연결하는 '몸' 역할이다.
• 주요 문제점: 에이전트는 병렬 처리 가능한 작업을 순차적으로 처리한다. 예를 들어 10개의 독립적인 소작업을 하나씩 완료한 후 다음으로 넘어간다.
• 에이전트는 작업 난도에 맞는 모델을 선택하지 못한다. 값싼 모델로도 충분한 작업에 고가의 최신 모델을 사용하도록 강요하며, 사용자가 직접 관리해야 한다.
• 에이전트는 자신의 기능을 모른다. Claude Code 같은 도구도 온라인 검색으로 자신의 기능을 알아내며, 사용자는 매번 동일한 질문에 답변을 받지 못한다.
• 계획 수립 능력이 떨어진다. 계층적 구조 없이 세부 사항을 나열만 하거나, 가독성 낮은 형식으로 제시하여 사용자가 검토를 건너뛰게 만든다.
• 에이전트는 사소한 결정 확인을 위해 작업을 중단한다. 밤새 git 브랜치 이름 확인만을 기다리고 있는 경우도 있다.
• 보안 문제가 심각하다. 문서에서는 'LLM에 정중히 요청하라'고 권하지만, 에이전트는 이를 무시하고 개인 API 키를 OpenAI와 Anthropic으로 유출하는 경우가 발생했다.
• 저자의 이상적인 에이전트는: (1) 작업을 적절한 모델에 할당, (2) OS 수준의 실제 샌드박스 적용, (3) 자신의 기능을 온라인 검색 없이 알고 있음, (4) 오픈소스 기반, (5) 사용자 개입 없이 독립 결정 가능해야 한다.
• 추가 기능 제안: 웹 인터페이스로 모든 세션 통합 관리, 작업 완료 시간 예측(ETA) 제공, 자동 비용 최적화 분석, 모델 간 자동 코드 리뷰 기능 등이다.
• 저자는 이러한 문제의 원인으로 '주인-대리인 문제'를 지목한다. AI 회사 경영진들은 데모와 벤치마크처럼 가시적인 지표에만 집중하고, 개발자의 실제 업무 효율성과 보안은 무시하고 있다.
• 에이전트 자체의 성능 개선보다 기반 모델 성능 개선에만 투자가 집중되고 있으며, 사용자의 실제 일상 작업 개선으로는 잘 이어지지 않는다.