GPT와 Codex를 나눠 쓰면서 생긴 AI 협업 방식
하나의 AI에게 모든 일을 맡기기보다, 대화·기획·구현·검증 역할을 나눠 쓰면서 정리된 AI 협업 방식을 기록했습니다.
처음에는 AI 도구마다 큰 차이가 없다고 생각했습니다.
질문을 잘하면 답을 받고, 코드를 요청하면 코드를 받는 정도였습니다.
하지만 실제 프로젝트에 오래 붙여보니 하나의 AI에게 모든 것을 시키는 것보다 역할을 나누는 편이 훨씬 안정적이었습니다.
지금은 대략 이렇게 나눠서 씁니다.
사람
├─ 문제 정의
├─ 우선순위
└─ 최종 판단
GPT
├─ 대화
├─ 요구사항 구조화
├─ 문서
└─ 검토 관점 정리
Codex
├─ 코드베이스 분석
├─ 구현
├─ 테스트
└─ 리팩터링
GPT는 생각을 정리하는 데 강했다
기능을 만들기 전에 가장 먼저 필요한 건 코드가 아니었습니다.
제가 머릿속에 두서없이 가지고 있는 요구사항을 꺼내는 일이었습니다.
- 이 기능의 진짜 목적은 무엇인가?
- 사용자는 누구인가?
- 정상 흐름과 예외 흐름은 무엇인가?
- 이번 버전에서 빼도 되는 것은 무엇인가?
- 운영할 때 누가 책임지는가?
이런 대화를 하면서 요구사항이 기능 목록에서 업무 흐름으로 바뀝니다.
구현은 코드베이스를 보는 AI에게 맡겼다
실제 구현 단계에서는 프로젝트 전체를 읽고 수정할 수 있는 도구가 필요했습니다.
여기서는 Codex 같은 코딩 에이전트가 더 잘 맞았습니다.
제가 원하는 작업 방식은 코드 조각을 받는 것이 아니었습니다.
현재 구조 확인
→ 영향 범위 분석
→ 코드 수정
→ 테스트
→ 오류 수정
→ 변경 내용 보고
까지 한 흐름으로 이어지는 것이 중요했습니다.
프로젝트가 커질수록 “이 코드 어디에 붙이면 되나요?“라는 방식은 오래 버티기 어렵습니다. AI도 실제 저장소와 현재 상태를 봐야 제대로 일할 수 있습니다.
사람의 역할은 줄지 않았다
AI에게 구현을 맡기면 사람이 할 일이 줄어들 것 같지만, 실제로는 역할이 바뀌었습니다.
- 지금 해야 할 것과 하지 말아야 할 것을 구분하기
- 기능의 완료 조건을 명확하게 말하기
- AI가 넓게 수정하려 할 때 범위를 제한하기
- 테스트 결과가 실제 업무 의미와 맞는지 확인하기
- 기술적으로 가능한 것과 제품적으로 필요한 것을 구분하기
코드를 직접 입력하는 시간은 줄었지만 판단하는 횟수는 오히려 늘었습니다.
가장 잘 맞았던 루프
1. GPT와 문제를 정리한다.
2. 구현 가능한 단위로 쪼갠다.
3. Codex에 작업 지시를 준다.
4. 코드와 테스트 결과를 받는다.
5. GPT 관점에서 다시 사용자 흐름을 검토한다.
6. 실제 화면을 보고 사람이 최종 판단한다.
흥미로운 점은 구현보다 문제 정의와 검토가 더 중요하다는 것입니다.
AI가 코드를 빨리 작성해도 문제 정의가 틀리면 잘못된 기능이 더 빨리 완성될 뿐입니다.
AI를 도구 목록이 아니라 팀 구조로 보기
어떤 AI가 더 똑똑한가보다 이런 질문이 더 중요해졌습니다.
- 어느 단계에서 들어와야 하는가?
- 어떤 정보를 볼 수 있어야 하는가?
- 무엇을 수정할 수 있어야 하는가?
- 결과를 누가 검토해야 하는가?
- 실패했을 때 어디까지 되돌릴 수 있는가?
결국 AI 협업은 프롬프트 기술만의 문제가 아니었습니다.
업무 안에서 AI의 역할과 권한을 설계하는 문제에 더 가까웠습니다.