제프 딘은 이미 현재 AI가 주니어 엔지니어 수준에 상당히 근접했고, 오히려 복잡한 작업을 수행하는 능력은 자신이 예상했던 것보다 빠르게 발전했다고 평가합니다.

그리고 2027년의 가장 큰 변화로 ‘AI가 AI를 개선하는 자동 실험 루프’를 꼽습니다.

목표 설정
→ 문제를 여러 하위 문제로 분해
→ 수많은 실험을 자동 실험
→ 결과 평가
→ 가장 좋은 방법 선택
→ 다시 실험

이 과정 자체가 자동화되면서 ML뿐 아니라 과학·공학 전반의 발전 속도가 빨라질 거라는 전망입니다.

더 중요한 부분은 모델 자체보다 모델 주변의 시스템이 중요해지고 있다는 이야기입니다.

RAG, 메모리, 툴, Skills, 에이전트, 멀티에이전트, 평가기 등을 어떻게 조합하고 오케스트레이션하느냐가 실제 성능을 크게 좌우합니다. 모델을 직접 학습시키는 건 막대한 GPU와 데이터가 필요하지만, 이런 Context Engineering은 API만 있어도 누구나 구축할 수 있습니다.

제프 딘 본인도 비슷하게 사용합니다. 사람이 하던 성능 최적화 과정을 Skill로 만들어 AI에게 넣고,
코드 수정 → 벤치마크 → 성능 측정 → 다시 수정
루프를 AI가 스스로 반복하게 만들었다고 합니다. 결국 사람이 하던 작업 방식을 Skill로 만들어 모델에게 넘긴 것입니다.

장기 에이전트도 같은 방향입니다. 지금은 작업이 길어지면 중간에 틀어지는 경우가 많지만, 여러 에이전트가 서로 다른 방법을 시도하고 별도의 평가기가 결과를 걸러내는 방식으로 훨씬 긴 작업을 안정적으로 수행할 수 있습니다. 제프 딘은 이미 일부 영역에서는 에이전트를 며칠~몇 주 동안 돌려 복잡한 작업을 수행하는 것이 가능하다고 봅니다.

결국 코딩 자체가 점점 자동화될수록 인간에게 남는 희소한 능력은 “무엇을 만들 것인가”를 결정하는 능력입니다.

제프 딘 표현대로 수백 개의 에이전트를 굴릴 수 있는 시대에는 구현 능력보다 어떤 문제를 선택하고, 명확한 스펙을 작성하고, 결과를 평가하는지가 더 중요해집니다.

한 줄로 줄이면,

모델 성능 경쟁 → Context Engineering → 장기 에이전트 → 자동 실험 루프 → AI가 AI를 개선하는 구조.

지금 쌓아야 하는 것도 특정 모델 사용법보다는 Skills, 메모리, RAG, 평가 루프, 워크플로처럼 모델이 바뀌어도 계속 가져갈 수 있는 시스템 쪽에 가까워 보입니다.

AI 인프라에 매우 긍정적인 시그널