AI 제품의 예측 불가능성을 코드로 감싸는 법 — 결정론적 훅이 만드는 진짜 제품 경쟁력

• --

title: "AI 제품의 '예측 불가능성'을 코드로 감싸는 법 — 결정론적 훅이 만드는 진짜 제품 경쟁력"

topic_id: 31455

source_url: https://news.hada.io/topic?id=31455

published_at: 2026-07-15T11:12

score: 3.0

category: AI/ML

• --

GeekNews에 공유된 글을 보면, 같은 요청에도 결과가 달라지는 AI 제품에서 반복 오류를 줄이려면 지침을 늘리기보다 모델이 거스를 수 없는 결정론적 코드로 통제해야 한다고 강조합니다. 단순히 모델에게 "잘 부탁한다"고 하는 프롬프트 엔지니어링의 한계를 넘어, 코드로 보장할 부분과 모델의 판단에 맡길 부분을 의도적으로 구분하는 하네스 엔지니어링이 제품의 지속 가능성을 가른다는 주장은 한국 AI 프로덕트 팀에도 시사하는 바가 큽니다.

특히 Cursor가 6개월 만에 10억 달러에서 40억 달러로 매출을 늘리고 SpaceX에 600억 달러에 인수되는 과정에서 드러난 것처럼, 누구나 같은 모델을 빌릴 수 있는 시대에 진짜 경쟁력이 되는 것은 모델 자체가 아니라 모델을 감싸는 누적된 코드·기준·통합 환경이라는 결론은 우리 업계가 흔히 놓치는 부분입니다.

• 같은 요청에도 결과가 달라지는 AI 제품에서 반복 오류를 줄이려면 지침을 늘리기보다 모델이 거스를 수 없는 결정론적 코드로 통제해야 함
• 통제 구조는 모델, 하네스, 문서, 훅의 네 계층으로 나뉘며, 특정 조건에서 독립적으로 작동하는 훅(hook) 만 규칙을 강제할 수 있음
• 정확성을 코드로 판정할 수 있는 작업은 보장할 수 있지만 미묘한 분석 오류처럼 판단이 필요한 작업은 다시 모델에 의존하므로, 모델이 발전해도 검증의 공백은 사라지지 않음
• AI 제품은 모델의 판단에 맡길 부분과 코드로 보장할 부분을 구분하는 하네스 엔지니어링이 필요하며, 통제가 부족하면 오답을 내고 지나치면 비싼 일반 소프트웨어가 됨
• 누구나 같은 모델을 빌릴 수 있다면 제품별 기준·코드·데이터·통합 환경을 축적한 감싸는 계층(래퍼) 이 방어 가능한 경쟁력이 되며, Cursor의 성장이 이를 보여줌

---

문서의 규칙을 코드로 옮기기

• Claude Code가 세션마다 읽는 파일에 특정 행동을 금지해도, 내용을 이해하고 동의한 뒤 같은 행동을 반복할 때가 있음
• 규칙을 조건 충족 즉시 명령을 차단하는 코드로 옮기자 모델의 판단과 관계없이 금지된 행동이 멈춤
• The Verification Tax가 다룬 AI 출력 검토 비용은 사후 검토를 늘리는 대신 상류 단계의 엔지니어링으로 줄일 수 있음
• 한 사람과 개인 도구만으로 만든 최소 통제 구조도 대규모 AI 제품이 풀어야 할 문제와 같은 형태를 가짐
• 실패 유형을 훅 종류에 연결하고 계층별 측정 가능 범위를 정리한 실무 지침은 별도의 X 게시물에서 확인할 수 있음

통제를 구성하는 네 계층

• 통제력은 아래에서 위로 갈수록 강해지는 네 계층으로 구성됨
• 모델: Claude Opus 4.8이나 GPT-5.5처럼 뛰어나더라도 같은 요청에 다른 답을 낼 수 있으며, 어떤 지침도 이 특성을 완전히 없애지 못함
• 하네스: Claude Code, Codex, OpenClaw처럼 모델을 실행하고 모델이 무엇을 볼지 결정하지만 큰 방향만 유도할 수 있음
• 문서: CLAUDE.md와 AGENTS.md에 선호 사항, 프로젝트 맥락, 규칙, 누적된 수정 사항을 담지만 모델이 다른 정보와 함께 판단하므로 따르지 않을 수 있음
• 훅: 특정 상황을 감시하다 독립적으로 작동하는 코드로, 모델의 동의 여부와 무관하게 금지된 명령을 차단함
• 네 계층 중 협상하지 않는 것은 최상단의 훅뿐임
• 훅으로 옮긴 규칙은 모델이 우회할 수 없어 반복 오류가 사라지고 사람이 검토할 범위도 줄어듦

코드로 보장할 수 없는 판단의 영역

• 통제해야 할 표면은 줄일 수 있지만 완전히 닫을 수는 없음
• “이 명령을 실행하지 말라”는 조건은 코드로 검사할 수 있음
• “분석이 미묘하게 잘못된 방향으로 흐르지 않게 하라”는 조건은 판단이 필요하며, 이를 판정하는 다른 모델도 다시 예측 불가능성을 가짐
• 출력을 실제로 증명할 수 있는 시스템은 사람이 미리 작성한 기준과 결과를 코드로 비교하며, 정답을 정확히 정의할 수 있는 영역에서만 작동함
• 모델이 업그레이드돼도 판단 문제가 사라지지 않으므로 모델을 감싸는 통제 계층은 계속 필요함

형식 명세에 기반한 보장

• SEVerA는 에이전트 출력이 형식 계약을 충족한다고 보장할 수 있지만, 계약을 사전에 형식 논리로 작성해야 하며 이런 검사가 가능한 영역에만 적용됨
• VeriGuard는 LLM 에이전트에 검증된 안전성을 추가하지만 사용자의 수동 검증은 여전히 필요함
• LLM이 사용자의 의도를 형식 규칙으로 번역하는 단계 자체는 예측 불가능함
• 실질적인 보장은 결국 사람이 작성한 명세에 대한 고정된 검사에 의존함
• “자기 개선 에이전트”는 발생한 결과를 평가해 이후 동작을 개선하지만, 특정 출력 하나가 옳다고 증명하는 방식과는 다름

확률적 엔진을 결정론적 소프트웨어로 감싸기

• 전통적인 소프트웨어 테스트는 원하는 출력과 하나의 정답을 정한 뒤 예측 가능한 코드를 검사하는 방식으로 발전함
• AI 네이티브 제품은 같은 프롬프트에도 다른 결과를 내는 확률적 엔진을 중심에 두므로 기존 테스트의 전제가 깨짐
• Hamel Husain의 지적처럼 수십 년간 구축된 소프트웨어 테스트 규율은 하나의 정답을 전제하지만, AI에서는 바로 그 정답이 사라짐
• 여러 개발자가 예측 불가능한 엔진은 유지하되 매번 똑같이 작동하는 결정론적 코드로 감싸는 방식에 수렴하고 있음
• Dex Horthy의 12-factor agents는 좋은 에이전트를 “대부분 소프트웨어로 구성된” 시스템으로 정의함
• Anthropic의 building effective agents는 작업을 “미리 정의된 코드 경로”로 실행하고 “프로그래밍 방식의 검사”를 추가하도록 권함
• Claude Code에서는 조건을 검사할 방식을 선택할 수 있음



• 코드가 독립적으로 통과 또는 실패를 판정하면 보장을 얻음
• 모델이 조건 충족 여부를 판정하면 판단 결과만 얻을 수 있음

Claude Code의 Skills와 /goal

• Skills는 에이전트가 호출할 수 있는 구조화된 절차지만, 실행 여부를 모델이 선택하고 도중에 이탈할 수 있어 문서 계층에 속함
• /goal은 명시된 조건을 충족할 때까지 작업을 계속하게 해 강제 계층에 가까움
• 다만 매 턴 뒤 작고 빠른 모델이 조건 충족 여부를 판단하므로 다른 모델처럼 잘못 판정할 수 있음
• /goal은 Stop 훅을 감싼 기능이며, 직접 작성한 Stop 훅에서는 모델 대신 스크립트가 독립적으로 통과 또는 실패를 판정할 수 있음
• Claude Code 문서는 결정론적 검사에는 스크립트, 판단이 필요한 검사에는 모델을 사용하도록 두 방식을 구분함

개인 설정이 조직 규모로 확장될 때

• 개인 환경에서는 에이전트가 규칙 하나를 무시해도 몇 분을 소비하는 데 그치며, 중요한 사례는 개인 훅으로 막을 수 있음
• 같은 에이전트를 사용하는 200명 규모 회사에서는 구성원마다 개인 훅이 존재하지 않고 규칙이 하나의 공유 파일에 들어갈 수 있음
• 공유 규칙이 한 번 무시되면 해당 파일이 실행되는 모든 곳에서 같은 문제가 나타날 수 있으며, 조직의 보호 수준은 가장 느슨하게 작성된 규칙에 좌우됨
• 통제 구조는 개인 설정과 같지만 규모가 커질수록 오류 비용이 달라짐

무엇을 보장하고 무엇을 열어둘 것인가

• Every의 에이전트 네이티브 아키텍처 가이드는 기능을 작성된 코드가 아니라 “루프 안에서 작동하는 에이전트가 달성하는, 기술된 결과”로 정의함
• 이 접근은 모델이 즉흥적으로 움직이게 하고 결과를 중심으로 제품을 설계하지만, 통제가 필요한 지점에서는 다시 코드로 돌아감
• 빈번하거나 중요한 경로인 핫 패스는 코드로 옮기도록 권함
• 일부 작업에는 에이전트의 판단에 맡겨서는 안 되는 검증이 필요함을 인정함
• 모델 중심 제품 설계와 통제 중심 엔지니어링은 서로 반대처럼 보이지만, 같은 아키텍처를 양쪽 끝에서 다룸
• 실제 설계에서는 제품의 어느 지점을 어느 정도까지 코드로 고정할지 결정해야 함
• 너무 적게 고정하면 보장이 필요한 작업에서도 모델이 즉흥적으로 판단해 고객에게 확신에 찬 오답을 전달할 수 있음
• 너무 많이 고정하면 모든 경로를 코드로 작성한 일반 소프트웨어가 되고, 모델은 기존 코드가 하던 일을 느리고 비싸게 수행함
• OpenAI 팀이 부르는 하네스 엔지니어링은 제품 각 지점에서 모델의 판단이 필요한 부분과 코드의 보장이 필요한 부분을 의도적인 비율로 나누는 작업임

모델보다 오래 축적되는 감싸는 계층

• 모델은 누구나 같은 것을 빌릴 수 있고 모델 연구소의 일정에 따라 모든 사용자에게 동시에 개선되므로 가장 방어하기 어려운 계층임
• 경쟁자가 코드 저장소 전체를 읽더라도 특정 업무에서 무엇을 보장하고 무엇을 열어둘지 결정해 온 누적된 판단까지 얻지는 못함
• 이러한 판단은 모델이 거스를 수 없는 계층으로 구현되며 제품별 통제 구조와 함께 계속 축적됨
• 모델을 둘러싼 코드, 기준, 데이터, 업무 통합 환경의 총합이 장기적인 경쟁 우위를 형성함

Cursor가 축적한 통제 계층

• AI 코딩 도구 Cursor는 자체 범용 모델을 만들지 않고 Claude, GPT, Gemini, Grok 사이에서 요청을 라우팅하며 모델을 빌릴 수 있는 상품처럼 취급함
• Anthropic의 Claude Code가 우수한 모델에 먼저 접근하더라도 Cursor를 대체하지 못함
• Cursor 매출은 지난해 11월 약 10억 달러에서 6월 약 40억 달러로 증가함
• SpaceX는 4월에 확보한 옵션을 지난주 행사해 Cursor를 600억 달러에 인수하기로 합의했으며, 이는 벤처 투자 스타트업 인수 중 역대 최대 규모임
• Cursor가 축적한 것은 더 나은 범용 모델이 아니라 제품을 감싼 계층임
• 전체 저장소를 동기화하고 검색 가능한 상태로 유지하는 코드베이스 인덱스
• 하루 수억 건의 편집에서 개발자가 어떤 제안을 수락하거나 거절하는지 학습한 자체 자동완성 모델
• Fortune 500 기업 대부분에 자리 잡은 엔터프라이즈 통합 환경
• 모델 회사가 더 나은 모델을 보유하더라도 편집기, 인덱스, 개발자의 사용 습관까지 소유하지는 못함

AI 네이티브 제품의 지속성을 가르는 질문

• Cursor처럼 통제 계층을 구축한 사례는 드물며, AI를 업무에 사용하는 다수는 이런 감싸는 계층을 만들지 않았거나 그 존재를 알지 못함
• 회사 규모에서는 이 계층을 어떻게 구축하느냐가 실제 사용을 견디는 AI 네이티브 제품과 누구나 빌릴 수 있는 모델 위의 인상적인 데모를 구분함
• 기반 모델이 무료가 되더라도 무엇이 남는지가 제품의 지속 가능한 자산을 가르는 질문임

한국 시장에서의 시사점

한국의 AI 프로덕트 팀도 "더 좋은 모델을 쓰면 해결된다"는 함정에서 빠져나와야 합니다. 실제로 Anthropic의 Claude Code나 OpenAI의 Codex처럼 뛰어난 모델이 나와도 Cursor를 대체하지 못한 이유는 모델이 아니라 모델을 둘러싼 통제 계층에 있기 때문입니다. 한국 SI 환경에서는 특히 규제 준수, 개인정보 처리, 감사 추적 같은 결정론적 검증이 필요한 영역에서 코드로 보장하는 훅 기반 통제를 도입하면 모델 업그레이드와 무관하게 품질을 유지할 수 있습니다.

반면 코드 분석의 미묘한 방향성, 고객 응답의 뉘앙스, 창의적 산출물의 품질처럼 판단이 필요한 영역은 모델의 예측 불가능성을 인정하고 사람의 검토 단계를 제품에 정직하게 포함시키는 것이 핵심입니다. 모델 거부와 코드 보장은 양쪽 끝의 같은 아키텍처를 다루는 작업이며, 어느 한쪽을 완전히 배제하면 "잘못된 확신에 찬 답"을 고객에게 전달하거나 "모델이 기존 코드를 느리고 비싸게 흉내내는" 비싼 일반 소프트웨어가 됩니다.

원문: GeekNews #31455 · 출처: melodykoh.substack.com

---

📰 원본 출처 · https://news.hada.io/topic?id=31455 (#N=31455)

이 글은 GeekNews(긱뉴스)에 게제된 글을 기반으로 작성되었습니다. 원본의 라이선스와 저작권은 원작자에게 있습니다.