개발자생산성
엔지니어 99%가 매일 AI를 쓰는 회사에서 벌어진 일, 스포티파이가 본 진짜 병목
엔지니어 99%가 AI 코딩 도구를 쓰는 스포티파이에서 병목이 코딩에서 의사결정으로 옮겨간 이야기. 백그라운드 에이전트 Honk와 ‘에이전트를 위한 개발자 경험’을 소개합니다.
Written by
AI 코딩 에이전트 자동화 수준, 4가지 기준으로 판단하는 법
AI 코딩 에이전트 자동화, 어디까지 해야 할까요? 작업량·마감·과제유형·비용 4가지 기준으로 나에게 맞는 수준을 판단하는 방법을 소개합니다.
Written by
AI 코딩 도구, 빨라질수록 병목이 늘었다, Dropbox가 배운 것
AI 코딩 도구 전사 도입 후 병목이 다운스트림으로 이동한 Dropbox의 경험. 자체 에이전트 플랫폼 Nova와 생산성 측정 재정의 방법을 소개합니다.
Written by
AI 없이는 못 일한다는 개발자들, 그 코드의 청구서는 누가 받나
AI 코딩 도구 없이 일하길 거부하는 개발자들, 하지만 AI 생성 코드의 버그와 유지보수 비용은 쌓이고 있습니다. METR 연구와 아마존·우버 사례로 본 AI 코딩의 역설.
Written by
모델 고르는 시대는 끝났다, 에이전트 하네스가 성능을 가른다
모든 주요 AI 모델 회사들이 에이전트 개발로 피벗하는 흐름과, 모델 선택보다 하네스 설계가 성능을 좌우한다는 Stanford 연구 소개.
Written by
AI 코딩 도구 도입 후 생산성이 올랐다고? 측정이 틀렸을 수 있습니다
AI 코딩 도구 도입 후 생산성이 올랐다는 측정, 정말 믿을 수 있을까요? 코드 줄 수·설문·커밋 수 등 흔한 측정 방식의 구조적 오류를 연구 문헌으로 짚어봅니다.
Written by
에이전트에게 얼마나 맡길 것인가, 스태프 엔지니어의 2026년 AI 활용법
GitHub 스태프 엔지니어가 공개한 2026년 AI 활용법. 에이전트가 PR과 버그를 잡아주는 시대, 무엇을 맡기고 무엇은 직접 해야 하는지를 실전 경험으로 정리합니다.
Written by
토큰맥싱 vs 컨텍스트맥싱, Uber가 4개월 만에 AI 예산을 소진하고 배운 것
Uber가 4개월 만에 연간 AI 예산을 소진한 사건으로 보는 tokenmaxxing 현상과 그 대안 개념 contextmaxxing. 토큰 소비량보다 컨텍스트 품질이 AI 도구 활용의 핵심임을 설명합니다.
Written by
에이전트 4개 켜두고 정오가 되면 탈진하는 이유, 병렬 AI 작업의 인지 한계
AI 에이전트를 병렬로 여러 개 실행할 때 발생하는 인지 부하와 생산성 한계를 구글 엔지니어 Addy Osmani의 분석을 통해 살펴봅니다.
Written by
AI 생산성 혁명이라는데, 데이터는 왜 조용한가
AI가 생산성을 폭발시킨다는 주장과 달리, PyPI 패키지 데이터엔 전반적 증가가 없었습니다. Answer.AI 연구가 데이터로 파헤친 AI 효과의 실체를 소개합니다.
Written by
