모든 회사가 소프트웨어 회사가 되어야 한다면, 이를 제공할 수 있는 소프트웨어 조직이 있습니까? 그 질문에 대한 답은 많은 회사의 미래에 결정적일 수 있습니다.
사이드바
저자에 대하여
경쟁 능력은 조직 이 소프트웨어 제품과 서비스를 얼마나 잘 구축할 수 있는지에 따라 점점 더 달라집니다. 이미 상위 경제 성과자의 약 70%가 경쟁자의 절반에 불과한 반면, 상위 경제 성과자의 약 70%가 자체 소프트웨어를 사용하여 경쟁자와 차별화를 꾀하고 있습니다. 상위 성과자의 3분의 1은 소프트웨어를 직접 수익화합니다.1생성적 AI(gen AI)는 소프트웨어 인재가 더 나은 코드를 더 빠르게 생성할 수 있도록 도와 이러한 가치 기회를 늘리는 매력적인 기회를 제공합니다.
약속에도 불구하고, Gen AI는 그 잠재력을 거의 보여주지 못했습니다. 최근 McKinsey Global Survey에서 실시한 AI 현황에 대한 응답자의 약 65%가 Gen AI를 정기적으로 사용하고 있다고 보고했지만, 소프트웨어 엔지니어링에서 Gen AI를 체계적으로 사용하고 있는 사람은 13%에 불과합니다.3우리가 여러 회사와 협력하며 얻은 경험에 따르면, 현재 Gen AI 도구는 개발자의 코딩 작업 중 약 10~20%에만 도움이 됩니다.
Gen AI 역량을 확장하려면 회사가 작업 방식을 재구성 해야 하며 , 재구성의 중요한 초점은 이러한 역량에 필요한 인재를 개발하는 것입니다. Gen AI 환경과 소프트웨어 팀이 기술을 사용하여 제품과 서비스를 구축하는 방식은 기술이 성숙하고 회사가 경험을 쌓으면서 향후 2~3년 내에 안정화될 가능성이 높습니다. 지금 성공하는 데 필요한 기술과 관행은 시간이 지남에 따라 상당히 바뀔 수 있습니다. 그때까지 회사는 불확실한 변화와 학습 기간을 헤쳐나가야 합니다.
앞으로의 길을 성공적으로 계획하는 데 도움이 되도록 이 기사에서는 소프트웨어 팀에 필요한 새로운 기술을 파악하고, 이러한 기술의 진화가 역할과 위험을 어떻게 바꿀지 살펴보고, 기업이 인재 관리 관행을 어떻게 더 큰 유연성과 대응력을 갖춘 기술 개발에 맞춰 조정할 수 있는지 알아봅니다.
소프트웨어 개발이 어떻게 변화하고 있는가
엔지니어링 인재에 대한 재고는 Gen AI가 제품 개발 수명 주기(PDLC)에 어떤 영향을 미칠지에 대한 이해에서 시작해야 합니다. 이러한 변화는 상당할 가능성이 높으며 수명 주기의 모든 단계 에 영향을 미칠 것입니다(전시). 최근 McKinsey 연구에 따르면 Gen AI 도구는 콘텐츠가 많은 작업(예: 정보 종합, 콘텐츠 생성, 브레인스토밍)에 콘텐츠가 적은 작업(예: 시각화)보다 거의 두 배나 더 많은 긍정적인 영향을 미칩니다.
몇 가지 예를 강조하자면, 우리는 이미 기본 코딩 및 구문, 코드 문서화, 특정 웹 및 그래픽 디자인 작업과 같은 몇 가지 간단한 작업을 처리하는 gen AI 기술을 보고 있습니다. 테스트 사례 및 백로그 생성, 시장 동향에서 통찰력 개발, 로그 스크래핑 자동화, 버그의 영향 추정 및 해결을 포함한 보다 복잡한 기능에서도 초기 진전이 이루어지고 있습니다.
엔지니어링 인재에 대한 재고는 먼저 차세대 AI가 제품 개발 수명 주기에 어떤 영향을 미칠지 이해하는 것에서 시작해야 합니다.
시간이 지남에 따라 Gen AI는 자동으로 생성된 테스트, 시스템 로그, 사용자 피드백 및 성능 데이터에서 통찰력을 생성할 수 있어야 합니다. Gen AI는 새로운 기능에 대한 자체 생성 통찰력과 아이디어를 사용하여 개념 증명 및 프로토타입을 만들고 테스트 비용을 줄이고 더 높은 검증 신뢰도(예: 다중 가설 및 A/B 테스트)를 잠금 해제할 수 있습니다. 이러한 개발은 PDLC 시간을 몇 개월에서 몇 주 또는 며칠로 크게 줄이고 코드 품질을 개선하며 기술 부채를 줄일 것으로 예상됩니다 .
많은 리더들이 Gen AI에서 일하려면 새로운 기술이 필요하다는 것을 높은 수준에서 이해하지만, 이러한 변화가 어떻게 가치를 창출할 수 있는지에 대한 그들의 감각은 종종 모호하고 정보가 부족합니다. 따라서 개발자를 위한 수백 개의 Gen AI 도구 라이선스를 구매하는 것과 같이 서류상으로는 과감해 보이는 결정은 잠재적 이익을 명확히 이해하지 못하고 개발자에 대한 교육이 충분하지 않은 상태에서 내려집니다. 그 결과: 예상대로 나쁜 성과.
데이터 과학자, 경험 설계자, 사이버 전문가, 고객 서비스 담당자 등 기업 전반의 중요 역할에 종사하는 사람들은 다양한 새로운 기술을 습득해야 합니다 .4소프트웨어 회사처럼 운영하고자 하는 기업은 엔지니어와 PM이라는 두 가지 핵심 역할에 특별한 주의를 기울여야 합니다.
엔지니어
엔지니어가 개발해야 할 기술은 아마도 세 가지 영역으로 나뉜다.
검토. 현재 세대의 Gen AI 도구에서 생성된 코드의 상당 부분은 약간의 수정이 필요합니다. 한 수준에서 이를 위해 개발자는 실행자에서 검토자로 전환해야 하는데, 이는 들리는 것만큼 기본적이지 않습니다. 일부 유능한 코더는 좋은 검토자가 아닙니다. 좋은 검토자는 예를 들어 기존 코드 저장소 및 아키텍처와의 코드 기반 호환성을 평가하고 다른 팀이 코드를 쉽게 유지 관리할 수 있도록 무엇이 필요한지 이해해야 합니다. 이는 보다 경험이 많은 엔지니어가 종종 가지고 있지만 보다 젊은 동료가 구축해야 하는 기술입니다. 개발자는 중복이나 명백한 오류를 발견하는 것뿐만 아니라 문제를 식별하고 해결하기 위한 고급 포렌식 기술을 개발하여 고품질 코드를 보장해야 합니다. Gen AI 도구의 "교육"은 훨씬 더 복잡할 것이며, 더 나아지기 위해 직장에서 학습해야 합니다. 이를 위해 엔지니어는 도구에 피드백을 제공하는 방법을 이해하고 주어진 도구가 학습할 수 있는 최상의 기회를 제공하는 작업 유형을 결정해야 합니다.
연결. 여러 AI 에이전트의 기능을 통합하면 문제 해결 속도와 솔루션 품질을 개선할 수 있습니다. 일부 조직에서는 이미 Gen AI를 응용 AI 사용 사례와 통합하고 있습니다. 예를 들어 응용 AI 시스템을 사용하여 사용자 참여 패턴을 식별하여 Gen AI에서 만든 콘텐츠의 성과를 분석한 다음 이를 모델에 피드백합니다.5예를 들어, 바이오테크 기업인 Recursion은 과학자들이 방대한 양의 독점적 생물학적 및 화학적 데이터 세트를 처리할 수 있는 여러 머신 러닝 모델에 액세스할 수 있도록 하는 새로운 세대 AI 플랫폼을 개발했습니다. 엔지니어가 개발해야 하는 중요한 기술은 세대 AI 애플리케이션과 모델을 선택하고 결합하는 방법입니다(예: 한 모델이 다른 특정 모델에 대한 품질 관리를 제공하는 데 어떻게 적합할 수 있는지).
디자인. Gen AI 기술이 기본 코딩 작업의 대부분을 차지함에 따라 엔지니어는 사용자 스토리 작성, 코드 프레임워크 개발(예: 코드 라이브러리, 지원 프로그램), 비즈니스 결과 이해, 사용자 의도 예측과 같은 더 높은 가치의 "상류 기술"을 개발할 수 있습니다. 커뮤니케이션은 중요한 새로운 기술이며 엔지니어가 팀, 리더, 동료 및 고객과 보다 효과적으로 소통할 수 있도록 하는 데 필요합니다.
제품 관리자
제품 관리자 의 경우 , 이와 마찬가지로 복잡한 기술 전환은 다음 영역에 집중될 것입니다.
Gen AI 기술 사용. 소프트웨어 엔지니어와 마찬가지로 PM은 Gen AI 기술을 효과적으로 사용하기 위해 새로운 기술을 개발해야 합니다. 실제로 한 하드웨어/소프트웨어 조직은 기술 직원의 기술을 평가한 결과 PM이 다른 역할과 마찬가지로 AI에 대한 업스킬링이 필요하다는 것을 발견했습니다. 예를 들어 Gen AI가 프로토타입을 구축하는 데 능숙해짐에 따라 PM은 모델을 사용하여 출력을 개선하기 위해 로우코드 및 노코드 도구와 반복적 프롬프트를 능숙하게 사용해야 합니다. PM은 또한 작업을 완료하기 위해 함께 작동하는 대규모 언어 모델(LLM)인 "에이전트" 프레임워크를 이해하고 개발하는 데 능숙해져야 합니다. 이를 위해 PM은 모델이 추론을 실행할 때 발생하는 비용과 같은 고유한 고려 사항을 고려하여 이러한 LLM을 사용하여 작업하기 위한 계획을 수립해야 합니다.
채택과 신뢰. 신뢰에 대한 상당한 우려(Gen AI를 신뢰하지 않거나 너무 신뢰하는 것)를 감안할 때 표준 채택 프로그램(예: 새로운 도구 사용 방법에 대한 기본 교육)으로는 충분하지 않습니다. PM은 신뢰에 대한 암묵적 및 명시적 장벽(Gen AI 솔루션이 제공하는 답변을 신뢰하지 않는 것 등)을 식별하고 이를 해결하기 위해 강력한 공감 기술을 개발해야 합니다. 위험에 대한 상당한 우려는 PM이 PDLC의 모든 단계에 올바른 점검 및 조치가 통합 되도록 하기 위해 위험 전문가와 협력해야 함을 의미합니다.
더 많은 리더십 감독을 통한 새로운 역할 및 합병 역할
차세대 AI 활용에 필요한 새로운 기술은 사람들이 직장에서 하는 일과 방식에 영향을 미칠 것이며, 역할이 어떻게 적응해야 하는지, 감독 리더십이 무엇을 제공해야 하는지에 대한 중대한 의문을 제기합니다.
새로운 역할과 합병 역할
Gen AI가 사람들의 생산성을 높이는 데 도움이 되면서 소프트웨어 팀이 더 작아질 것이라고 생각하기 쉽습니다. 그럴 수도 있지만, 더 많은 작업을 하기 위해 팀을 유지하거나 확대하는 것이 합리적일 수도 있습니다. 너무나 자주 대화는 어떤 역할이 들어오고 나가는지에 초점을 맞추지만, 현실은 더 미묘하고 지저분할 가능성이 높습니다. 소프트웨어 엔지니어가 Gen AI 도구를 사용하여 테스트 활동을 수행하는 것과 같이 역할이 새로운 책임을 흡수하고 일부 역할이 다른 역할과 병합될 것으로 예상할 수 있습니다. 예를 들어 제품 관리자와 개발자 역할은 결국 제품 개발자로 병합될 수 있으며, 이 경우 한 명의 고성과자가 다양한 Gen AI 도구를 사용하여 모형을 만들고 요구 사항을 개발하고 해당 요구 사항에 따라 코드를 생성할 수 있습니다.
대화는 어떤 역할이 들어오고 나가야 하는지에 초점을 맞추는 경우가 너무 많은데, 현실은 훨씬 더 미묘하고 복잡할 가능성이 높습니다.
단기적으로 Gen AI의 입증되지 않고 예측할 수 없는 특성을 감안할 때, AI 안전 및 데이터 책임에 초점을 맞추고 코드를 검토하고 승인하는 것과 같은 새로운 역할이 필요할 것입니다. 새로운 역할이 필요할 수 있는 상당한 범위의 다른 영역에는 LLM 선택 및 관리, Gen AI 에이전트 교육 및 관리, 타사 모델 책임, 시간 경과에 따른 모델 성능을 감독하는 LLM 운영(LLMOps) 기능이 포함될 수 있습니다.
우리는 기술 역량 환경의 변화가 가속화될 것으로 예상하며, 이에 따라 HR 및 기술 팀은 역량이 역할에 어떻게 통합되는지 정의(및 재정의)하는 데 훨씬 더 적극적으로 대응해야 합니다.
강력한 감독
기업과 그 전략에 어떤 기술이 중요한지 결정하는 것은 오랜 리더십 책임입니다. 그러나 gen AI와 관련된 고유한 불확실성과 기회는 특별한 리더십 집중을 요구합니다. 두 가지 영역이 특히 중요한 것으로 두드러집니다.
표준화. 그룹과 개인이 Gen AI 파일럿을 전개함에 따라 도구, 플랫폼 및 아키텍처가 급증합니다. 대신 회사는 단일 표준화된 역량 세트에 집중하고 필요한 기술 유형에 대한 일관성을 개발해야 합니다. 리더십은 Gen AI 도구, 모델, 프로세스 및 접근 방식을 표준화하고, 예를 들어 역량을 라이선스하는 것이 가장 좋은지, 구축하는 것이 가장 좋은지, 공급업체와 협력하는 것이 가장 좋은지(주로 비즈니스 내에서 사용 가능한 기술에 따라 결정됨)를 결정해야 합니다.
위험. Gen AI와 관련된 위험 에 대한 지속적인 우려는 리더십이 직원에 대한 명확한 지침과 기대치를 개발할 것을 요구합니다. 소프트웨어 인재가 심층적인 위험 전문가가 될 수는 없지만, 어떤 종류의 위험이 존재하는지 이해하고, 코드에 보호 장치를 통합하는 습관을 개발하고, 새로운 테스트 도구(예: SonarQube, Checkmarx 또는 Coverty)를 사용하는 방법을 아는 것과 같은 기본 기술을 개발할 수 있을 것으로 기대할 수 있습니다. 일부 조직은 또한 일선 사용자가 Gen AI의 기회, 위험 및 경계를 이해하도록 인센티브를 제공하고 있으며, 특정 종류의 교육을 의무화하고 있습니다. 위험 및 규정 준수 우려는 Gen AI 자체만큼 빠르게 바뀔 가능성이 높으므로 리더십은 지정된 정책에 대해 코드를 자동으로 테스트하는 도구(즉, 코드로서의 정책)에 투자해야 합니다.
기술을 중심으로 한 인재 관리 혁신
인재 관리에 대한 현재의 접근 방식은 기존 프로그램에 Gen AI를 통합하는 방법에 초점을 맞추는 경향이 있습니다. 이는 오래 지속되지 않을 것입니다. 현대 기업의 HR 시스템의 고도로 구조화된 특성, 즉 잘 정의된 역량, 익숙한 경력 경로, 고정된 보상 수준, 공식적인 학습 여정을 갖춘 엄격하게 구성된 역할은 이미 디지털 역량에 의해 주도되는 변화에 발맞추기 위해 고군분투했습니다. Gen AI의 더욱 불안정하고 예측할 수 없는 역학에 맞설 수 없습니다.
HR 리더는 CEO와 기술 리더십과 협력하여 인재를 찾고 육성하는 방법을 혁신 해야 하며 , 특히 전략적 인력 계획과 견습 역량이라는 두 가지 영역에 초점을 맞춰야 합니다.
비즈니스 요구 사항 및 기술에 따른 전략적 인력 계획 수립
인재 전환은 HR 리더가 기술을 중심으로 구축된 전략적 인력 계획을 개발하는 것으로 시작됩니다. 기업은 종종 인력 계획 시 역할에 집중하지만, 그것만으로는 충분하지 않습니다. 예를 들어 소프트웨어 엔지니어나 수석 데이터 엔지니어 역할의 필요성을 파악하는 것은 역할이 아닌 작업을 담당하는 Gen AI 도구에서는 유용하지 않습니다.
HR 리더는 진공 상태에서 이를 수행할 수 없습니다. 그들은 혁신, 고객 경험, 생산성과 같은 목표를 이해하기 위해 비즈니스 리더와 협력하여 인재 노력에 집중해야 합니다. 이를 바탕으로 미래의 인재 수요를 계획할 수 있습니다.
이 협업은 기술 인벤토리를 개발하는 데 중요하며, 이를 통해 기업은 자신이 보유한 기술, 필요한 기술, Gen AI 도구가 다룰 수 있는 기술을 평가할 수 있는 사실 기반을 제공합니다. 이 기술 분류는 명확하고 일관된 언어를 사용해야 하며(따라서 기업 전체에 적용할 수 있음), 전문 지식 수준을 포착하고 계층 구조를 중심으로 구성하여 정보를 보다 쉽게 구성할 수 있어야 합니다.
인재 전환은 HR 리더가 기술을 중심으로 구성된 전략적 인력 계획을 개발하는 것부터 시작됩니다.
그러나 유용하려면 회사는 기술을 문서가 아닌 데이터로 취급해야 합니다. 관련 태그(예: 전문성 수준)가 있는 기술을 데이터베이스에 추가하면 회사는 AI와 LLM을 사용하여 재교육을 위한 기술 간의 관계와 연결을 결정하고, 개발할 기술을 우선 순위로 지정하고, 인력 계획에서 프로그램 또는 팀별 특정 기술 요구 사항을 결정하고, 맞춤형 학습 프로그램을 개발할 수 있습니다.
한 가지 예로, AI 기술 추론 도구를 사용하여 디지털 인재에 대한 포괄적인 기술 뷰를 만드는 생명 과학 회사가 있습니다. 이 도구는 공석, 역할 설명, 역할에 대한 HR 데이터, LinkedIn 프로필 및 기타 내부 플랫폼(예: Jira, 코드 저장소)을 스캔하여 주어진 역할에 필요한 기술에 대한 뷰를 개발합니다. 그런 다음 관련 개별 직원은 해당 기술과 능숙도가 있는지 검토하고 확인할 수 있습니다. 확인되면 해당 기술은 개인의 프로필뿐만 아니라 향후 평가를 위해 회사의 기술 데이터베이스에도 추가됩니다.
전략적 인력 계획에 대한 이러한 접근 방식이 효과적이려면 회사는 식별된 기술 격차에 대한 진행 상황을 지속적으로 측정하고 전략을 재검토하여 다른 요구 사항이 발생했는지 확인해야 합니다. 특히 새로운 세대 AI 도구와 기능이 온라인에 등장함에 따라 더욱 그렇습니다. HR 팀은 엔지니어링 리더와 협력하여 도구를 평가하고 대체할 수 있는 기술과 필요한 새로운 교육을 이해해야 합니다.
보다 광범위한 인재 프로그램의 일환으로 견습 역량 구축
회사에 필요한 인재를 찾고 유지하는 데 있어 승리로 가는 단일 경로는 없습니다. 저희의 경험에 따르면 회사는 고객 중심의 채용 관행에서 맞춤형 교육 경로에 이르기까지 다양한 인재 전략을 구현해야 합니다 . 하지만 Gen AI는 빠르게 움직이고 어떤 기술이 필요한지에 대한 명확성이 거의 없기 때문에 업스킬링이 최우선이 되어야 합니다. 업스킬링 프로그램을 개발하는 데 있어 어려움으로는 체계화된 모범 사례가 부족하고 근로자가 새로운 기술을 배우는 데 잠재적으로 저항하는 것이 있습니다. 예를 들어 엔지니어는 코딩에 더 능숙해지는 데 관심이 있을 수 있지만 효과적인 커뮤니케이션이나 사용자 스토리 개발과 같은 다양한 종류의 기술을 배워야 할 필요성은 덜 중요하거나 위협적으로 보일 수 있습니다.
이러한 이유로 기업은 기업의 업스킬링 레퍼토리의 일부로 간과되는 경향이 있는 견습 모델에 특히 주의를 기울여야 합니다. 견습은 변화를 신비화하지 않는 실습 학습과 문제 해결 사고방식 및 코드 적합성을 평가하는 데 건전한 판단을 사용하는 방법과 같이 가르치기 어려운 기술을 보여주는 롤 모델링을 제공합니다. 그러나 견습이 효과적이려면 선임 전문가가 단순히 상자를 체크하는 것이 아니라 적극적으로 참여해야 합니다. 그들은 회사에 특정한 위험 문제를 탐색하는 것과 같이 유용할 수 있는 신뢰성과 종종 제도적 지식을 가지고 있습니다. 전문가는 후배 동료와 함께 코드를 작성하고 검토하고, 그들이 일하는 동안 그들을 따라다니며, 팀이 Gen AI로 어떻게 작업하는지 알아낼 수 있도록 방문을 설정해야 합니다. 또한 문제를 분석하고, 비즈니스 목표를 달성하고, 최종 사용자의 요구 사항과 문제점을 이해하고, 관련 질문을 하는 방법과 같은 새로운 기술을 지도하는 멘토 역할을 할 수 있습니다.
견습 프로그램이 성공하도록 하려면 회사에서는 견습을 성과 평가의 일부로 만들어 인센티브를 제공하고 사람들이 참여할 수 있는 충분한 시간을 제공해야 합니다. 사실, 한 오디오 회사는 견습을 학습 프로그램의 명확한 일부로 만들었습니다. 이 회사는 프로그램에 자원한 약 12명의 최고 성과 엔지니어를 대상으로 Gen AI 기술을 다루는 부트 캠프를 운영했습니다. 이 교육의 대가로 참가자는 다른 사람을 교육해야 했습니다. 각자는 10~15명의 엔지니어를 대상으로 3~4일간 부트 캠프를 진행하고, 그 후 3개월 동안 주 2회 세션을 진행하기로 했습니다. 이 세션에서 누구나 질문을 하고 자신의 학습 내용을 공유할 수 있었습니다.
Gen AI의 역량은 결국 더 안정적이고 입증될 것이지만, 단기적으로는 기업들이 많은 불확실성을 헤쳐 나가야 할 것입니다. 기술에 집중하고 인재 관리 접근 방식을 조정하고, 배우고 조정할 수 있을 만큼 유연해짐으로써 기업은 인재 문제를 경쟁 우위로 전환할 수 있습니다.
맥킨지 분기별 60주년
McKinsey Quarterly 의 60주년을 기념 하여 1년간의 캠페인을 진행하며, 비즈니스와 사회의 미래와 관련된 주요 주제에 대한 4개 이슈와 관련 인터랙티브, 잡지 아카이브의 컬렉션 등을 선보입니다. 이 기사는 10월에 출간될 기술의 미래에 대한 첫 번째 테마 이슈에 게재됩니다. McKinsey Quarterly 알림 목록에 가입하면 다른 새로운 분기별 기사가 게시되는 즉시 알림을 받을 수 있습니다 .
구독하다
저자에 관하여
알하리스 후신 은 맥킨지 베이 지역 사무소의 파트너이고, 마틴 해리슨은 수석 파트너입니다. 안나 비싱거 는 뒤셀도르프 사무소의 파트너입니다. 샬럿 렐리야 는 뉴욕 사무소의 수석 파트너입니다. 수만 타레 자는 뉴저지 사무소의 파트너입니다. 프라카르 딕시트 는 시애틀 사무소의 준파트너입니다. 타오 뒤르슐라 그는 뮌헨 사무소의 준파트너입니다.