가비지 인, 가비지 아웃: LLM 시대에 퇴색되는 인간의 요구사항 정의 능력

섹션별 상세

LLM의 높은 수용성이 사용자에게 자신의 모호한 지시가 명확했다는 착각을 심어주는 'LLM 패러독스'가 발생하고 있다. LLM은 쓰레기 같은 입력(Garbage In)을 받아도 그럴듯한 출력(Plausible Out)을 내놓는 특성이 있으며, 사람들은 이 결과물에 중독되어 자신의 생각을 논리적으로 구조화하고 설명하는 능력을 상실해간다.

관리자들이 자신의 아이디어가 가진 결함을 숨기기 위해 의도적인 모호함을 유지하며 Claude Code와 같은 도구를 기술 부채 논의를 회피하는 방패로 사용한다. 엔지니어가 기술적 제약 사항을 근거로 반대 의견을 낼 때 "LLM은 몇 초 만에 할 수 있는 일인데 왜 어렵다고 하느냐"며 가스라이팅하는 상황이 빈번해지고 있다.

인간 간의 소통 비용을 아끼기 위해 팀원에게 설명하는 대신 API 토큰 비용을 지불하고 직접 처리하려는 고립된 개발 방식이 선호되고 있다. 이는 팀워크의 효율성을 저해하며, 고성능 팀이 단순한 프롬프트 엔지니어들의 집합이 아니라 명확한 의사소통을 기반으로 한 유기적 결합체라는 사실을 망각하게 만든다.

과거에는 '적당히 예쁘게 만들어달라'는 식의 모호한 요구사항이 무능함의 상징이었으나, 현재는 엔지니어링 팀 내부에서도 표준 운영 절차처럼 자리 잡고 있다. 동료를 블랙박스 형태의 LLM처럼 취급하면서 인간 소통에 필수적인 정밀함, 공유된 맥락, 책임감이 사라지고 있다.

용어 해설

환각 현상(Hallucination): — AI 모델이 학습 데이터에 없는 거짓 정보를 마치 사실인 것처럼 그럴듯하게 생성해내는 현상이다. 모호한 질문에도 논리적인 답변을 내놓는 특성 때문에 사용자가 자신의 질문이 명확했다고 착각하게 만드는 원인이 된다.
기술 부채(Technical Debt): — 빠른 출시를 위해 구조적으로 미흡한 코드를 작성함으로써 향후 발생하게 되는 수정 및 유지보수 비용을 의미한다. LLM을 이용해 당장의 결과물만 뽑아낼 경우 이러한 근본적인 설계 결함에 대한 논의가 생략될 위험이 크다.
가비지 인, 가비지 아웃(Garbage In, Garbage Out): — 컴퓨터 과학의 고전적 원칙으로, 잘못된 입력값이 들어가면 결과값도 잘못될 수밖에 없다는 의미다. LLM 시대에는 입력이 부실해도 결과가 그럴듯해 보이는 현상 때문에 이 원칙의 중요성이 간과되는 경향이 있다.

기술

LLM
Claude Code

활용 사례

엔지니어링 팀 내 요구사항 전달
기술 부채 관리 및 논의
AI 기반 코딩 에이전트 활용